利用无监督与有监督学习及数字孪生进行深对流冰风暴分类
机器学习
2023-09-15 v1 计算机视觉与模式识别
摘要
智能冰云感知(SMICES)是一项小卫星概念,其中主雷达根据前瞻辐射计收集的信息智能地瞄准冰风暴。智能瞄准的关键在于根据辐射计收集的八个波段辐射率准确识别风暴/云类型。关注的云类型包括:晴空、薄卷云、卷云、降雨砧状云和对流核。我们描述了机器学习与地球大气数字孪生的多步使用以推导此类分类器。首先,使用称为天气研究与预报(WRF)的地球大气数字孪生生成模拟的前瞻辐射计数据以及更深层的“科学”隐藏变量。数据集模拟了加勒比海的热带区域和美国大西洋沿岸的非热带区域。人类专家利用科学隐藏变量上的 K-means 聚类生成数据的自动标注——科学家依据聚类隐藏变量的均值/质心,将每个物理数据点映射到云类型。接下来,以模拟辐射计数据及其对应标签为输入训练分类器。训练了随机决策森林(RDF)、支持向量机(SVM)、高斯朴素贝叶斯、前馈人工神经网络(ANN)和卷积神经网络(CNN)的分类器。在热带数据集上,表现最优的分类器在留出测试集中以每类超过 80% 的准确率识别非风暴与风暴云。在非热带数据集上,表现最优的分类器以超过 90% 的准确率分类非风暴云,以超过 40% 的准确率分类风暴云。此外,两类分类器均显示出对仪器噪声的鲁棒性。
引用
@article{arxiv.2309.07173,
title = {Using Unsupervised and Supervised Learning and Digital Twin for Deep Convective Ice Storm Classification},
author = {Jason Swope and Steve Chien and Emily Dunkel and Xavier Bosch-Lluis and Qing Yue and William Deal},
journal= {arXiv preprint arXiv:2309.07173},
year = {2023}
}