Neural Network Classification of Ice-Crystal Images Observed by an Airborne Cloud Imaging Probe
Notice bibliographique
Résumé
In the atmosphere, cloud particles have different shapes. The study of cloud particle shapes plays an important role in understanding cloud precipitation processes, radiative transfer, and weather modification. The image resolution and data quality of cloud probes affect the accuracy of the classification of particle shapes. To solve the occlusion of the photosensitive edge of the particle image and achieve automatic, high-precision ice-crystal classification of airborne Cloud Imaging Probe (CIP) ice-crystal images, this study uses a traditional image processing algorithm for data quality control and applies artificial intelligence algorithms to classify ice-crystal images. At present, there are mainly two types of ice-crystal classification methods, one classifies the shape of ice crystals using a pattern parameterization scheme, and the other uses an artificial intelligence network model to classify the shape. Combined with data quality control, the dataset was tested on eight models, and the TL-EfficientNet-b6 model was found to be the most accurate. Therefore, the TL-EfficientNet-b6 classifier model was used in this study, which is a newly developed convolutional neural network (CNN) based on a transfer learning method. Experimental results show that the TL-EfficientNet-b6 model can reach 100% in the single-class precision of tiny and hexagonal ice crystals, and the average precision can reach 98%. These results are more accurate than those using traditional classification methods. This method could be valuable in cloud microphysics research and weather modification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».