정확한 구름 분류 모델은 기상 관측에 중요한 의미를 가지며, 전통적인 기계 학습 구름 분류 모델은 수작업 특징 추출에 의존하여 잡음 데이터의 영향을 받기 쉽고 모델의 일반화 성능이 낮다. 딥 네트워크 분류 모델은 이미지의 깊은 특징을 자동으로 학습할 수 있지만 이미지 가장자리와 세부 사항 분류에는 효과가 좋지 않다. 본 논문은 위 문제들을 연구하였다. 먼저, Himawari-8 위성 구름 이미지의 스펙트럼 특징과 텍스처 특징을 추출하여 퍼지 서포트 벡터 머신(Fuzzy Support Vector Machine, FSVM) 모델을 학습하고, 동시에 다양한 채널 구름 이미지로 딥 네트워크를 학습하여 구름의 깊은 특징을 학습하였다. 마지막으로, 각 모델의 출력을 융합하기 위해 메타 분류기를 학습하여 딥 네트워크와 FSVM 집합 학습 기반 구름 분류 방법을 설계하였다. 이 방법은 서로 다른 모델의 장점을 통합하고 상호 보완성을 활용하여 구름 분류 결과의 견고성과 신뢰성을 향상시킨다. FSVM이나 딥 네트워크 단독 분류 모델에 비해 본 논문의 집합 학습 방법은 여러 평가 지표에서 더 좋은 성능을 보이며, 평균 적중률 0.9245, 평균 오경보율 0.0796, 평균 임계 성공 지수가 각각 0.8581에 도달하였다. 다른 구름 분류 모델과 비교할 때 본 방법도 더 우수한 분류 효과를 나타내며, 구체적 사례 테스트에서 다양한 구름 종류 혼합 영역의 인식 정확도가 더 높고 구름 가장자리와 세부 사항도 보다 정확히 인식할 수 있음을 발견하였다. 본 논문 모델은 안정적이고 신뢰할 수 있으며, 고정밀도와 강한 일반화 성능을 갖춘 구름 분류 모델의 요구 사항을 충족할 수 있다.

Himawari-8;구름 분류;딥 네트워크;FSVM;집합 학습