云是地球热力平衡和水气循环的重要组成部分,准确地识别云状及云量等要素对于天气预报、飞行保障和气候研究等具有极其重要的意义。地基云观测是地面气象观测的一项重要内容,长期以来,地基云观测主要依靠气象观测员人工目测和经验分析,缺乏客观性,可对比性差;另一方面,人工观测成本高昂,无法满足实际需求,亟需实现地基云图的自动化观测。近年来,随着地面观测设备与数字成像技术的发展,国内外已经研发了一些地基观测设备来记录和保存地基云图像,但图像的精细化判读仍然需要依赖气象观测员人工进行。因此,如何利用深度学习和计算机视觉等技术实现地基云的全自动化观测,成为了当前气象观测领域的研究焦点。本文以标准气象站提供的地基云图为研究对象,从云状识别和云量检测两个方面开展地基云的自动化观测技术研究,主要研究内容及研究成果如下:1.构建了质量统一、大数据量、云属齐全的标准地基云图数据集HBMCD和标准GT地基云图数据集HBM＿GT。规范化的云图数据集是开展地基云自动化识别的重要基础。针对现有开源云图数据集数据质量不一、云属种类不齐全、数据量低等不足,本文以标准气象站提供的TSI云图数据为基础,进行图像矫正后,经专业气象观测员指导,人工分类形成包含十属云及无云共十一类云图在内的基础数据集,并利用迁移学习进行辅助验证,经数据增强等操作后形成HBMCD;以经数据增强后的开源数据集SWIMSEG和SWINSEG作为UNet的初始化数据集进行网络模型初始化训练,然后利用该网络对HBMCD进行分割,将网络输出结合YCC通道分离、阈值分割等操作,以去除太阳强光的干扰,经人工校准后,形成HBM＿GT。2.提出了一种轻量级的云状识别网络模型LCCNet。针对现有云状识别方法可识别云属有限、显存占用高、准确率低等问题,首先通过迁移学习方法探究各经典网络模型在云状识别上的表现,然后借鉴具有最优识别效果的网络模型结构并融合深度卷积、逐点卷积、通道随机混合、膨胀卷积等降低模型参数的技巧设计实现LCCNet。实验证明,LCCNet可以更好地提取各云属的特征,同时,在保证高识别准确率的前提下,大幅降低了网络的参数量及运算复杂度,为实际部署提供了可能。3.提出了一种轻量级的云图分割网络LCSegNet。针对现有语义分割网络对于云图的分割效果差且无法解决太阳光干扰、显存占用高等问题,本文利用“Encoder-Decoder”网络模型框架进行LCSegNet的结构设计,并结合通道拼接思想,将编码器部分的特征与解码器部分具有相同通道数处的特征进行尺度融合,实现了不同层次图像特征的聚合,从而避免了特征的边界损失,最后输出与原图像分辨率一致的语义分割掩膜。实验表明,LCSegNet不仅可以有效去除太阳强光对于云图分割的干扰,从而实现云图的精准分割,同时具有参数量低、计算量小、显存占用低等优点。4.设计并搭建了云要素识别平台。为将网络模型推向实际应用,本文选用Py Qt5框架结合Python语言进行平台搭建,并利用CSS进行页面优化。该平台获取云图数据后,使用已经训练好的云状识别网络模型LCCNet和云图分割网络模型LCSegNet分析给出云状及云量等信息。用户通过访问该平台,可以直观的获取分析过程中云图可视化部分的图像及识别结果等信息。主要介绍了该应用平台的设计及实现过程,包括云状识别、云分割结果展示、云量检测等功能模块,并给出了使用结果和性能分析。