Um modelo preciso de classificação de nuvens é de grande importância para o monitoramento meteorológico. Modelos tradicionais de classificação de nuvens baseados em aprendizado de máquina dependem da extração manual de características, o que os torna suscetíveis a dados ruidosos e com baixa capacidade de generalização. Modelos de redes profundas podem aprender automaticamente características profundas das imagens, mas são menos eficazes na classificação de bordas e detalhes das imagens. Este artigo aborda esses problemas. Primeiramente, foram extraídas características espectrais e de textura das imagens de nuvens do satélite Himawari-8 para treinar um modelo de Máquina de Vetores de Suporte Fuzzy (Fuzzy Support Vector Machine, FSVM); simultaneamente, treinou-se uma rede profunda usando imagens de nuvens de diferentes canais para aprender características profundas; finalmente, treinou-se um meta-classificador para fundir as saídas dos diferentes modelos, projetando um método de classificação de nuvens baseado em aprendizado em conjunto de redes profundas e FSVM. Este método integra as vantagens dos diferentes modelos e utiliza a complementaridade entre eles para melhorar a robustez e a confiabilidade dos resultados da classificação de nuvens. Em comparação com o uso isolado de FSVM ou redes profundas, o método de aprendizado em conjunto proposto apresenta melhor desempenho em várias métricas, com taxa média de acerto de 0,9245, taxa média de falso alarme de 0,0796 e índice crítico médio de sucesso de 0,8581; em comparação com outros modelos de classificação de nuvens, o método também mostra melhores resultados; em testes de casos específicos, constatou-se que o método tem maior precisão de reconhecimento em áreas mistas de diferentes tipos de nuvens, e pode identificar com maior precisão as bordas e detalhes das massas de nuvens. O modelo proposto atende aos requisitos de estabilidade, confiabilidade, alta precisão e forte capacidade de generalização para modelos de classificação de nuvens.

Himawari-8;classificação de nuvens;redes profundas;FSVM;aprendizado em conjunto