云的存在与否、存在位置与高度、覆盖率，以及如何发展等🥸⛔，能在一定程度上预示天气变化🧑‍🔬，对气象预报和灾害预警起着至关重要的作用，与社会生活和国民经济都紧密相关🚂🐺。在实际业务中，对云量和云高的判断仍没有脱离依靠气象人员经验判断的传统模式🧏🏼‍♂️，依靠经验主观判断会不可避免地带来许多不确定性。因此实现对地基云图的自动化云检测是十分重要的。

地基云图可以直观地描述低云和区域性云层，具体地描述云类的外部形态特征🆒。由于云的表现形式多种多样，且具有纹理相似性✥、亮度相似性和轮廓连续性等特性🧘🏼‍♀️，因而传统云检测方法仍存在许多不足，例如，薄云在检测中常常被忽略🧔🏼‍♀️，高亮物体由于具有较高的反射率常常被误识别为云🚕，云轮廓检测不准确等。随着人工智能技术的发展🤍，由于强大的自学习能力和数据分析能力，深度学习已经成为许多应用领域的首选方法。近年来⛑️，不少研究者将已在图像处理、目标检测等领域取得了显著成果的深度学习方法应用在地基云图检测问题上🏜。

最近🐳，万事娱乐张峰教授团队以及南京信息工程大学的研究人员，利用迁移学习，结合语义分割网络DeepLabV3+👩🏽‍🚒，建立了一个地基云云检测模型TL-DeepLabV3+🤷🏻‍♀️，极大改进了云检测的效果。该团队自主建立了一个名为Ground-Based Cloud Segmentation (GBCS)的地基云图数据集🫂，该数据集包含1742张地基云图以及相对应的标注，是当前数据量最大的有标注地基云图数据集。他们在该数据集上对12种目前主流的深度学习模型进行了大量训练以及对比评估，实验结果表明🏋🏻‍♀️🏷，在定量评估中🙍‍♀️，TL-DeepLabV3+取得了非常好的效果，像素准确率（Pixel Accuracy👳🏻，PA）达96%，平均交并比（Mean Intersection over Union🏄🏽‍♀️，MIoU）达91%，均优于其他主流的语义分割模型（表1）。对测试集的结果可视化可以看出，相较于传统方法，TL-DeepLabV3+对薄云、碎云的检测效果有显著的提升（图1f）🧙🏼，并且对比DeepLabV3+（图1e）,引入迁移学习的TL-DeepLabV3+保留了更多的细节信息。该团队将其他地基云图数据集输入至TL-DeepLabV3+进行测试，结果表明，该模型能准确地检测分辨图像中的云和天空元素，部分云图甚至达到了近乎完美的检测效果🤹🏼🧎🏻‍➡️，表现出较好的泛化能力（图2）。由于所建立的GBCS数据集仅仅包含云和天空两种元素，部分结果中则出现对植被🪕，山体等其他元素的误判（图2a），如何剔除其他元素的影响，提升数据集的数量和质量，从而进一步提升模型的性能和泛化能力🤤，将是未来工作的重点。

该研究成果能极大的提高地基云检测任务的准确率及效率，对地面站实现精准高效的自动化云量识别也有着重要意义。相关论文于2021年发表在《IEEE Geoscience and Remote Sensing Letters》期刊上。

论文信息𓀍：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个模型测试集的评估结果（TL-DeeplabV3+在后文提到）

图1 GBCS 数据集上的可视化结果。 (a) 输入图像。(b) 真值图像👃。 (c) SegCloud 。(d) CloudSegNet。 (e) DeepLabV3+ 🤟🏼。(f) TL-DeepLabV3+。(f) TL-DeepLabV3+💅🏽。

图2 TL-DeepLabV3+输入其他数据集的云检测结果。（a）CCSN数据集的样本。（b）CCSN数据集的相应云检测结果✳️。（c）UTILITY数据集的样本。（d）UTILITY数据集的相应云检测结果🤔。