正確な雲分類モデルは気象観測に重要な意義を持つ。従来の機械学習による雲分類モデルは手動で特徴抽出を行うため、ノイズデータの影響を受けやすく、モデルの汎化能力が低い。深層ネットワークによる分類モデルは画像の深層特徴を自動的に学習可能であるが、画像の縁や細部の分類性能はあまり良くない。本稿ではこれらの問題を研究する。まず、Himawari-8衛星の雲画像のスペクトル特徴とテクスチャ特徴を抽出し、ファジィサポートベクターマシン（Fuzzy Support Vector Machine, FSVM）モデルを学習する。同時に異なるチャネルの雲画像を用いて深層ネットワークを学習し、雲画像の深層特徴を習得する。最後に異なるモデルの特性に応じてメタ分類器を訓練し、各モデルの出力を融合する。深層ネットワークとFSVMのアンサンブル学習に基づく雲分類方法を設計し、本手法は異なるモデルの利点を総合し、モデル間の補完性を活用して雲分類結果の頑健性と信頼性を向上させる。単独のFSVMまたは深層ネットワーク分類モデルと比較して、本稿のアンサンブル学習手法は多くの評価指標で優れた性能を示し、平均ヒット率0.9245、平均誤報率0.0796、平均臨界成功指数0.8581を達成した。他の雲分類モデルと比較しても優れた分類効果を示し、具体的なケーステストでは異なる雲タイプの混合域において認識精度が高く、さらに雲塊の縁や細部をより正確に識別できることが確認された。本モデルは安定的かつ信頼性が高く、高精度で汎化性能に優れた雲分類モデルの要求を満たしている。

Himawari-8;雲分類;深層ネットワーク;FSVM;アンサンブル学習