深度學習如何將自動雲檢測帶到新的高度

躺在草地上的孩子們可能會在雲層中尋找圖像——也許這裡是一隻毛茸茸的兔子，那裡是一條火龍。通常情況下，大氣科學家們的做法恰恰相反——他們搜索雲層的數據圖像，作為了解地球系統研究的一部分。由於手工逐像素標記數據圖像耗時較長，因此研究人員依賴於雲檢測演算法等自動處理技術。但是演算法的輸出並不像科學家希望的那樣精確。

最近，美國能源部(Department of Energy)西北太平洋國家實驗室(Pacific Northwest National Laboratory)的研究人員聯手發現，與目前基於物理的演算法相比，深度學習(deep learning)——機器學習的一個獨特子集——能否更好地識別激光雷達數據中的雲。答案是肯定的。新模型更接近科學家們得出的答案，但只是一小部分時間。

激光雷達是一種發射脈衝激光並通過雲滴或氣溶膠收集散射回來的返回信號的遙感儀器。這個返回信號提供了關於大氣特徵高度和垂直結構的信息，例如雲或煙霧層。這些來自地面雷達的數據是全球預報的重要組成部分。地球科學家唐娜·弗林注意到，在某些情況下，激光雷達圖像中雲的演算法檢測到的與她的專家眼睛看到的並不匹配。這些演算法往往高估了雲的邊界。「目前的演算法使用粗線條識別雲，」該項目的聯合首席研究員弗林說。「我們需要更準確地確定雲的真正頂部和底部，並區分多個雲層。」

直到最近，計算能力還將人工神經網路(一種深度學習模型)限制在少數計算層。現在，隨著超級計算集群帶來的計算能力的增強，研究人員可以在一系列層中使用更多的計算——每一層都是從上一層構建的。人工神經網路的層次越多，深度學習網路就越強大。

找出這些計算是模型訓練的一部分。首先，研究人員需要正確標記的激光雷達數據圖像，或「地面真相」數據，用於訓練和測試模型。因此，弗林花了很長時間逐個像素手工標記圖像:雲還是沒有雲。她的眼睛可以分辨雲的邊界和雲與氣溶膠層。她花了40個小時——相當於一周的工作時間——來標註在美國能源部位於俄克拉荷馬州的大氣輻射測量用戶設施——南方大平原大氣觀測站(Southern Great Plains atmospheric observatory)收集的大約100天的激光雷達數據。

考慮到手工標記過程的時間和勞動強度，PNNL的計算科學家兼聯合首席研究員埃羅爾·克倫威爾(Erol Cromwell)使用的學習方法只需要很少的基礎事實數據。模型通過自我反饋進行學習。克倫威爾解釋說，它將自己的性能與手工標記的結果進行比較，並相應地調整計算。它循環執行這些步驟，每次都進行改進。克倫威爾將於明年1月在電氣和電子工程師學會冬季計算機視覺應用會議上展示該小組的研究成果。

通過訓練，深度學習模型優於現有演算法。該模型的精度幾乎是人類專家的兩倍，而且更接近人類專家的發現——但只是在很短的時間內。接下來的步驟是評估模型在不同地點和不同季節收集的激光雷達數據的性能。對阿拉斯加Oliktok Point的ARM天文台的數據進行的初步測試是有希望的。克倫威爾說:「深度學習模式的一個優點是轉移學習。」「我們可以用Oliktok的數據對模型進行進一步的訓練，使其性能更加穩健。」「減少全球模型預測中的不確定性來源對大氣科學界尤其重要，」弗林說。「隨著精確度的提高，深度學習增強了我們的信心。」此外，它還能讓我們有更多的時間在外面看真正的雲!」

視頻:https://www.youtube.com/watch?time_continue=2&v=VOWBSVVXuo0

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！