我院张峰教授课题组在AGU旗下的《Earth and Space Science》杂志发表了题为“Classification of ice crystal habits observed from airborne Cloud Particle Imager by deep transfer learning”的学术论文，硕士生肖海霞为第一作者，张峰教授为通讯作者，合作者有上海市气象局贺千山研究员，河北省人工影响办公室闫非工程师，我校地理学院缪丽娟副教授等。文章利用迁移学习的方法，结合深度学习中的卷积神经网络（CNN）来建立了一个冰晶图片自动分类的CNN模型，称为TL-ResNet152，该模型能准确的将观测到的冰晶粒子图片分类。
冰云主要由不同形状的冰晶粒子组成。不同形状的冰晶粒子对云的单次散射特性有很大的影响，而云的单次散射特性在云遥感和地球大气辐射收支研究中发挥着重要作用。因此，准确的识别冰晶的形态类别在气象中显得尤为重要，有助于我们更好地了解冰云的辐射特征。然而，冰云中存在着数以万计不同形状的冰晶粒子，基于肉眼观测的经验分类任务不可靠，耗时且主观，导致分类结果具有明显的不确定性和偏差，因此实现冰晶粒子的自动分类是十分重要的。
虽然近年来CNN作为深度学习中使用的代表性算法之一，已广泛应用于图像分类领域，已经取得了显着成效。但很少有工作评估它们在冰晶分类的准确性。高精度和自动化的冰晶分类方法，尤其是对研究云遥感和云辐射效应是至关重要的。因此，该团队利用在河北地区基于机载的云粒子成像仪（见图1）观测到的冰晶粒子图片资料，建立了一个名为Ice Crystals Database in China (ICDC)的冰晶粒子图片数据集(见图2)，该数据集由气象标准下的10个类别组成，包含了7282张冰晶粒子图片。该团队对建立的冰晶自动分类模型TL-ResNet152中的特征图进行了可视化（见图3），结果表明：TL-ResNet152模型学到的冰晶图片的特征呈现为分层特征，即浅层的卷积层可以很好地再现出不同冰晶粒子的轮廓特征，深层的卷积层能较好的再现冰晶粒子的边缘和局部信息。最后大量实验的评估表明，所提出的TL-ResNet152模型可以在气象冰晶粒子形状分类中取得非常好的效果，分类准确率达到96%（见图4）。
图1 中国河北地区机载的云粒子成像仪（CPI）图片
图2 基于云粒子成像仪观测到的10种冰晶粒子的样本图片
图3 可视化TL-ResNet152模型中的特征图，表示为Conv1-15（Conv1上第15通道），Conv2_x-135，Conv3_x-500，Conv4_x-855和Conv5_x-1255
图4 评估TL-ResNet152模型在ICDC测试集上的分类准确性的混淆矩阵。
Haixia Xiao, Feng Zhang, Qianshan He, Pu Liu, Fei Yan, Lijuan Miao, Zhipeng Yang. Classification of ice crystal habits observed from airborne Cloud Particle Imager by deep transfer learning. Earth and Space Science, . DOI: 10.1029/EA000636.
推荐阅读
1
我院度国家自然科学基金项目再创新高
2
大气院举办“青马工程”团学干部培训会
3
社会实践 | 大气院“‘宁’心聚力气象业务观摩团”——观气象新旧篇章，品基层工作百态
来源：大气院官网
作者：张峰
新媒体编辑：周慧
责任编辑：张易、张笑妍
