雲的存在與否❔、存在位置與高度、覆蓋率，以及如何發展等，能在一定程度上預示天氣變化❗️，對氣象預報和災害預警起著至關重要的作用，與社會生活和國民經濟都緊密相關。在實際業務中☑️，對雲量和雲高的判斷仍沒有脫離依靠氣象人員經驗判斷的傳統模式，依靠經驗主觀判斷會不可避免地帶來許多不確定性🟠。因此實現對地基雲圖的自動化雲檢測是十分重要的🙍‍♂️。

地基雲圖可以直觀地描述低雲和區域性雲層🔀，具體地描述雲類的外部形態特征⌛️。由於雲的表現形式多種多樣，且具有紋理相似性、亮度相似性和輪廓連續性等特性，因而傳統雲檢測方法仍存在許多不足，例如，薄雲在檢測中常常被忽略，高亮物體由於具有較高的反射率常常被誤識別為雲，雲輪廓檢測不準確等。隨著人工智能技術的發展，由於強大的自學習能力和數據分析能力，深度學習已經成為許多應用領域的首選方法。近年來🦧，不少研究者將已在圖像處理、目標檢測等領域取得了顯著成果的深度學習方法應用在地基雲圖檢測問題上。

最近，沐鸣2張峰教授團隊以及南京信息工程大學的研究人員，利用遷移學習🕍，結合語義分割網絡DeepLabV3+🤮，建立了一個地基雲雲檢測模型TL-DeepLabV3+，極大改進了雲檢測的效果。該團隊自主建立了一個名為Ground-Based Cloud Segmentation (GBCS)的地基雲圖數據集，該數據集包含1742張地基雲圖以及相對應的標註🕺，是當前數據量最大的有標註地基雲圖數據集🍗。他們在該數據集上對12種目前主流的深度學習模型進行了大量訓練以及對比評估☝🏿，實驗結果表明，在定量評估中🥖，TL-DeepLabV3+取得了非常好的效果，像素準確率（Pixel Accuracy🧑🏽‍🎨🪥，PA）達96%🫶🏻👨‍🎓，平均交並比（Mean Intersection over Union，MIoU）達91%，均優於其他主流的語義分割模型（表1）。對測試集的結果可視化可以看出🚮，相較於傳統方法𓀒，TL-DeepLabV3+對薄雲🫶🏿、碎雲的檢測效果有顯著的提升（圖1f）🆗，並且對比DeepLabV3+（圖1e）,引入遷移學習的TL-DeepLabV3+保留了更多的細節信息。該團隊將其他地基雲圖數據集輸入至TL-DeepLabV3+進行測試，結果表明，該模型能準確地檢測分辨圖像中的雲和天空元素，部分雲圖甚至達到了近乎完美的檢測效果，表現出較好的泛化能力（圖2）。由於所建立的GBCS數據集僅僅包含雲和天空兩種元素，部分結果中則出現對植被🦹🏽，山體等其他元素的誤判（圖2a）㊙️，如何剔除其他元素的影響，提升數據集的數量和質量👍🏼，從而進一步提升模型的性能和泛化能力，將是未來工作的重點。

該研究成果能極大的提高地基雲檢測任務的準確率及效率，對地面站實現精準高效的自動化雲量識別也有著重要意義。相關論文於2021年發表在《IEEE Geoscience and Remote Sensing Letters》期刊上。

論文信息：Z. Zhou，Feng Zhang^*， et al., "A Novel Ground-Based Cloud Image Segmentation Method by Using Deep Transfer Learning," IEEE Geoscience and Remote Sensing Letters, doi: 10.1109/LGRS.2021.3072618.

https://doi.org/10.1109/LGRS.2021.3072618

表1 12個模型測試集的評估結果（TL-DeeplabV3+在後文提到）

圖1 GBCS 數據集上的可視化結果。 (a) 輸入圖像。(b) 真值圖像。 (c) SegCloud 。(d) CloudSegNet🧑‍🎨。 (e) DeepLabV3+ 🐲🧑🏻‍🎄。(f) TL-DeepLabV3+。(f) TL-DeepLabV3+。

圖2 TL-DeepLabV3+輸入其他數據集的雲檢測結果。（a）CCSN數據集的樣本。（b）CCSN數據集的相應雲檢測結果🕎。（c）UTILITY數據集的樣本👨🏻‍🌾。（d）UTILITY數據集的相應雲檢測結果🫃🍳。