[论文解读] Detection of Clouds in Multiple Wind Velocity Fields using Ground-based Infrared Sky Images

Guillermo Terrén-Serrano, Manel Martínez‐Ramón|arXiv (Cornell University)|May 7, 2021

Solar Radiation and Photovoltaics被引用 4

一句话总结

该论文提出了一种无监督学习方法，通过使用混合模型和序列隐马尔可夫模型（HMM）对温度和运动矢量分布进行建模，以检测地面红外天空图像中的多层云。该方法利用高斯混合模型（GMM）后验概率加权的Lucas-Kanade光流法估算风速场，其中HMM在识别云层数量方面优于贝叶斯指标，检测准确率高于传统方法。

ABSTRACT

Horizontal atmospheric wind shear causes wind velocity fields to have different directions and speeds. In images of clouds acquired using ground-based sky imagers, clouds may be moving in different wind layers. To increase the performance of an intra-hour global solar irradiance forecasting algorithm, it is important to detect multiple layers of clouds. The information provided by a solar forecasting algorithm is necessary to optimize and schedule the solar generation resources and storage devices in a smart grid. This investigation studies the performance of unsupervised learning techniques when detecting the number of cloud layers in infrared sky images. The images are acquired using an innovative infrared sky imager mounted on a solar tracker. Different mixture models are used to infer the distribution of the cloud features. The optimal decision criterion to find the number of clusters in the mixture models is analyzed and compared between different Bayesian metrics and a sequential hidden Markov model. The motion vectors are computed using a weighted implementation of the Lucas-Kanade algorithm. The correlations between the cloud velocity vectors and temperatures are analyzed to find the method that leads to the most accurate results. We have found that the sequential hidden Markov model outperformed the detection accuracy of the Bayesian metrics.

研究动机与目标

• 通过检测地面红外天空图像中的多层云，提升小时内全球太阳辐照度（GSI）预测精度。
• 解决不同大气云层中风速场差异对太阳辐照度波动的影响问题。
• 开发一种无监督学习框架，避免人工标注，实现实时云层检测。
• 比较贝叶斯模型选择指标与序列HMM在确定最优云层数量方面的性能表现。
• 通过独立建模每层云的动力学，利用温度和运动矢量特征，提升太阳辐照度预测精度。

提出的方法

• 使用安装在太阳跟踪器上的地面红外天空摄像机捕获天空的连续热成像图像。
• 应用加权Lucas-Kanade光流算法计算运动矢量，权重来源于像素温度的高斯混合模型（GMM）后验概率。
• 采用混合模型（GMM、BGaMM）推断云特征（包括温度和速度矢量）的潜在分布。
• 使用贝叶斯模型选择指标（如最小ICL）和序列隐马尔可夫模型（HMM）确定最优云层数量。
• 应用最大后验（MAP）准则，基于温度和速度矢量特征的联合分布，选择最可能的情景（一层或两层云）。
• 实施时间序列HMM，对图像序列中云层状态的演化进行建模，提升检测鲁棒性。

实验结果

研究问题

• RQ1 仅使用温度和运动矢量特征，无监督学习技术能否有效检测红外天空图像中的多层云？
• RQ2 序列隐马尔可夫模型在识别云层数量方面的性能与贝叶斯模型选择指标相比如何？
• RQ3 混合模型的后验概率在多大程度上提升了运动矢量估计和云层检测的准确性？
• RQ4 所提出的方法能否在无标注训练数据的情况下检测到处于不同风速场中的云层？
• RQ5 结合温度和速度矢量分布如何提升多特征方法的云层检测效果，相较于单特征方法？

主要发现

• 序列隐马尔可夫模型在云层检测准确率方面优于所有贝叶斯指标，能更优地识别出正确的云层数量。
• 贝叶斯指标中的最高检测准确率为81.11%，采用GMM结合最小ICL准则对温度特征建模时达到该结果。
• BGaMM模型因过拟合而表现较差，即使采用正则化也难以实用，不适用于云层检测。
• GMM的后验概率使每层云的运动矢量能够被准确、独立地估计，从而提升预报所需特征提取的精度。
• 所提出方法通过结合温度和速度矢量分布，成功在多风速场中建模了云的动力学行为。
• 该算法的无监督特性消除了对标注数据的需求，支持在实时太阳辐照度预测系统中实现自动且可扩展的部署。