学习卫星图像表征及其在天气事件上的评估
计算机视觉与模式识别
2025-08-11 v1 大气与海洋物理
摘要
本研究将表征学习算法应用于卫星图像，并通过各种天气事件的分类来评估学习到的潜在空间。所研究的算法包括经典的线性变换，即主成分分析（PCA），最先进的深度学习方法，即卷积自编码器（CAE），以及一个在大规模图像数据集上预训练的残差网络（PT）。实验结果表明，由 CAE 学习的潜在空间在所有分类任务中均一致地显示出更高的威胁评分。使用 PCA 的分类产生了高命中率，但也产生了高空报率。此外，PT 在识别热带气旋方面表现异常出色，但在其他任务中表现较差。进一步的实验表明，对于深度学习算法（即 CAE 和 PT），从更高分辨率数据集学习到的表征在所有分类任务中都更优越。我们还发现，较小的潜在空间尺寸对分类任务的命中率影响较小。然而，潜在空间维度小于 128 会导致显著更高的空报率。尽管 CAE 能够有效且高效地学习潜在空间，但对所学表征的解释缺乏与物理属性的直接联系。因此，开发物理信息增强版的 CAE 可能是当前工作的一个有前景的展望。
引用
@article{arxiv.2508.06122,
title = {Learning Representations of Satellite Images with Evaluations on Synoptic Weather Events},
author = {Ting-Shuo Yo and Shih-Hao Su and Chien-Ming Wu and Wei-Ting Chen and Jung-Lien Chu and Chiao-Wei Chang and Hung-Chi Kuo},
journal= {arXiv preprint arXiv:2508.06122},
year = {2025}
}
备注
37 pages, 6 figures, 3 tables