云状识别方法、装置、计算设备及存储介质

摘要

本发明公开了一种云状识别方法、装置、计算设备及存储介质。该方法包括：采集观测数据，所述观测数据包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，所述太阳相关角度数据包括太阳天顶角和太阳方位角；所述卫星相关角度数据包括卫星天顶角和卫星方位角；通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。上述技术方案综合考虑卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，提供丰富全面的特征细节，并且利用预先训练的云状识别模型进行自动识别，提高了云状识别的准确性。

说明书

技术领域

本发明实施例涉及卫星观测技术领域，尤其涉及一种云状识别方法、装置、计算设备及存储介质。

背景技术

在气象观测中，对云的观测对于飞机航行、人工影响天气和天气预报有重要意义。对云的观测包括对云状、云量和云高的观测，其中，对云状的观测难度最大。云的演变千变万化，且极易受到天空中风速的大小、天空中的对流、乱流、水汽含量、局地环流变化及大范围天气变化等多种因素的影响，这使得云状难以捕捉和识别。想要准确无误的识别天空中的每一种云，需要观测员具有丰富的经验和强大的综合判断能力，然而，人为判断容易受主观影响，并且人力或器材也无法满足实际需求，例如对于海上和无人区难以观测等。

目前，也有一些方法可以利用气象卫星云图反演云状产品，通过阈值法确定遥感图像上的云状。但由于选取的阈值固定，不能综合考虑不同地形以及卫星位置和太阳位置的影响，对于高原或者盆地等区域的云状识别偏差较大，云状识别的准确性偏低。

发明内容

本发明提供了一种云状识别方法、装置、计算设备及存储介质，以提高云状识别的准确性。

第一方面，本发明实施例提供了一种云状识别方法，包括：

采集观测数据，所述观测数据包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，所述太阳相关角度数据包括太阳天顶角和太阳方位角；所述卫星相关角度数据包括卫星天顶角和卫星方位角；

通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。

可选的，在采集观测数据之前，还包括：

获取样本数据，所述样本数据包括卫星图像样本数据、太阳相关角度样本数据、卫星相关角度样本数据、地形样本数据和云状类别标签；

基于所述样本数据训练所述云状识别模型。

可选的，所述太阳相关角度数据包括太阳天顶角和太阳方位角；

卫星相关角度数据包括卫星天顶角和卫星方位角。

可选的，在通过预先训练的云状识别模型对所述观测数据进行处理之前，还包括：对所述观测数据进行以下预处理：

截取目标观测区域内的观测数据；

对所述卫星图像数据中部分通道的图像进行插值，以统一各通道图的分辨率；

生成所述地形数据对应的图像掩模，所述图像掩模用于表示所述地形数据中陆地的位置信息、水域的位置信息以及海拔信息。

可选的，所述云状识别模型基于深度残差网络构建；

所述基于所述样本数据训练所述云状识别模型，包括：

通过卷积块和池化层对所述样本数据进行处理，以将所述样本数据的特征图下采样至原始尺寸的1/2；

通过所述深度残差网络对下采样后的特征图进行处理，得到多尺度的特征；

采用空洞空间金字塔池化模块和/或卷积上采样模块，将多尺度的特征合并；

基于逻辑回归模型，根据合并后的特征输出对所述样本数据的识别结果；

调整所述云状识别模型的网络参数，并重复执行上述的下采样、特征图处理、特征合并以及输出操作，直至输出的识别结果与所述云状类别标签对应的损失函数在预定范围内，得到训练后的云状识别模型

可选的，所述基于所述样本数据训练所述云状识别模型，包括：

将所述样本数据随机裁剪为一个或多个部分，或者按照设定滑窗裁剪为多个部分；

通过所述云状识别模型分别对每部分样本数据进行处理；

整合每部分样本数据对应的输出结果，得到对所述样本数据的识别结果；

调整所述云状识别模型的网络参数，并重复执行上述对每部分样本数据处理以及整合操作，直至输出的识别结果与所述云状类别标签对应的损失函数在预定范围内，得到训练后的云状识别模型。

可选的，所述通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果，包括：

将所述观测数据按照设定滑窗裁剪为多个部分；

通过所述云状识别模型分别对每部分观测数据进行处理；

整合每部分观测数据对应的输出结果，得到对所述云状识别结果，其中，对于设定滑窗每次裁剪的重叠部分，通过投票或者根据每次裁剪的置信度，选择一次裁剪对应的输出结果作为所述云状识别结果。

可选的，训练所述云状识别模型的损失函数为加权交叉熵损失函数。

第二方面，本发明实施例提供了一种云状识别装置，包括：

数据采集模块，用于采集观测数据，所述观测数据包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，所述太阳相关角度数据包括太阳天顶角和太阳方位角；所述卫星相关角度数据包括卫星天顶角和卫星方位角；

识别模块，用于通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。

第三方面，本发明实施例提供了一种计算设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的云状识别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的云状识别方法。

本发明实施例提供了一种云状识别方法、装置、计算设备及存储介质。该方法包括：采集观测数据，所述观测数据包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据；通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。上述技术方案综合考虑卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，提供丰富全面的特征细节，并且利用预先训练的云状识别模型进行自动识别，提高了云状识别的准确性。

附图说明

图1为本发明实施例一提供的一种云状识别方法的流程图；

图2为本发明实施例一提供的一种相关角度的示意图；

图3为本发明实施例二提供的一种云状识别方法的流程图；

图4为本发明实施例二提供的一种云状类别标签可视化的示意图；

图5为本发明实施例二提供的一种训练云状识别模型的示意图；

图6为本发明实施例三提供的一种云状识别装置的结构示意图；

图7为本发明实施例四提供的一种计算设备的硬件结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种云状识别方法的流程图，本实施例可适用于对天空中的云进行云状识别的情况。具体的，该云状识别方法可以由云状识别装置执行，该云状识别装置可以通过软件和/或硬件的方式实现，并集成在计算设备中。进一步的，计算设备包括但不限定于：台式计算机、笔记本电脑、服务器以及地面控制中心的电子设备等。

如图1所示，该方法具体包括如下步骤：

S110、采集观测数据，所述观测数据包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，所述太阳相关角度数据包括太阳天顶角和太阳方位角；所述卫星相关角度数据包括卫星天顶角和卫星方位角。

具体的，卫星图像数据是指通过卫星在太空采集到的图像数据。例如采用向日葵8号卫星可采集16通道的数据，通过分析16通道的数据与云状的相关性，卫星图像数据选用的是其中相关性最大的七个通道(VIS1,VIS2,VIS3,B07,B10,IR1,IR2)的数据作为卫星图像数据，这七个通道分别是三种可见光通道、(一般是对流层下层的)云雾通道、(一般是对流层中层的)水汽通道、地表温度通道和海面水温通道。

地形数据包括目标观测区域的湖泊海洋分布数据以及地形地势数据，用于区分观测到的位置属于陆地还是水面，以及该位置的海拔高度，从而更准确的估测云的类别。

此外，卫星的可见光和近红外通道会受到太阳及卫星的天顶角和方位角的影响。本实施例中，观测数据还包括太阳相关角度数据和卫星相关角度数据。需要说明的是，虽然向日葵8号卫星属于静止卫星，相对于地球来说位置基本不变，但实际上卫星运行轨迹并不是一个理想的圆形，仍存在一定程度的漂移。因此，本实施例中也考虑卫星相关角度数据，从而更准确地识别云状。

本实施例中，从卫星观测到的数据中获取太阳天顶角(记为SOZ)、太阳方位角(记为SOA)、卫星天顶角(记为SAZ)和卫星方位角(记为SAA)。对于一个观测点像元，太阳天顶角是指当前时刻该像元位置处入射太阳光线与该像元地平面的法线之间的夹角；太阳方位角是指以地表的像元点为顶点，由正北方向起，顺时针转至当前时刻该像元位置处入射太阳光线在地表的投影所在的射线，此旋转的角度即为太阳方位角；卫星天顶角是指卫星传感器与像元的连线和像元地平面法线所成的夹角；卫星方位角是指以地表的像元点为顶点，由正北方向起，顺时针转至当前时刻卫星和像元连线在地表的投影所在的射线，此旋转的角度即为卫星方位角。

图2为本发明实施例一提供的一种相关角度的示意图。如图2所示，在观测点像元建立一个三轴坐标系，X轴和Y轴构成的平面相当于地表，Z轴相当于地平面的法线，N点可以看做卫星位置或太阳的位置，对于N点来说，天顶角则为θ，方位角则为φ。

S120、通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。

具体的，云状识别模型是一种经过预先训练的机器学习模型，例如是神经网络模型。云状识别模型从大量的样本数据中学习到由输入(已知的观测数据)得到输出(正确的识别结果)的规律，因此，在将实时采集到的观测数据输入至云状识别模型后，可自动输出对输入的观测数据的云状识别结果。其中，云状识别结果是指根据输入的观测数据识别出的云状。本实施例在国际卫星云气候学计划(International Satellite CloudClimatology Project，ISCCP)的基础上，将云状分为11类：卷云、卷层云、深对流云、高积云、高层云、雨层云、积云、层积云、层云、无云以及未知类别。

本发明实施例一提供的一种云状识别方法，综合考虑卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，提供丰富全面的特征细节，并结合预先训练的云状识别模型进行自动识别，能考虑到不同地形、不同时刻太阳和卫星位置的影响反演得到云状，提高了云状识别的准确性。

实施例二

图3为本发明实施例二提供的一种云状识别方法的流程图，本实施例是在上述实施例的基础上进行优化，对模型训练、观测数据预处理以及云状识别模型的识别过程进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。

具体的，如图3所示，该方法具体包括如下步骤：

S210、获取样本数据，包括卫星图像样本数据、太阳相关角度样本数据、卫星相关角度样本数据、地形样本数据和云状类别标签。

具体的，样本数据可以是在历史观测中已经确定准确的云状的数据，也可以是从标准数据库中下载的数据，用于训练云状识别模型。样本数据是添加了云状类别标签的，从而供云状识别模型学习到由输入(卫星图像样本数据、太阳相关角度样本数据、卫星相关角度样本数据和地形样本数据)到输出(云状类别标签)的规律。例如，采用向日葵8号卫星已有的云状分类作为标签，根据ISCCP分类标准，将云状分成卷云、卷层云、深对流云、高积云、高层云、雨层云、积云、层积云和层云九类，并加上未知类别以及无云的云状类别标签，云状类别标签共有11类。

图4为本发明实施例二提供的一种云状类别标签可视化的示意图。如图4所示，左上区域的白色部分是由于该地区处在黑夜状态，本实施例的方法不支持黑夜状态下的云状输出；右下区域中，可以通过不同颜色(的深浅)表示不同的云状。

S220、基于样本数据训练云状识别模型。

具体的，经过对云状识别模型中的网络参数不断调整和更新，当损失函数达到预定范围时，云状识别模型的训练完成。需要说明的是，向日葵8号卫星的标准数据库中已有的云状分类是针对白天的，没有黑夜状态下的云状类别标签，因此训练得到的云状识别模型也只针对白天的云状进行识别，对于黑夜没有云状类别标签的部分，不参与训练或者不参与损失函数的计算。

可选的，基于样本数据训练云状识别模型，具体包括S2210-S2250：

S2210、通过卷积块和池化层对所述样本数据进行处理，以将所述样本数据的特征图下采样至原始尺寸的1/2；

S2220、通过所述深度残差网络对下采样后的特征图进行处理，得到多尺度的特征；

S2230、采用空洞空间金字塔池化模块和/或卷积上采样模块，将多尺度的特征合并；

S2240、基于逻辑回归模型，根据合并后的特征输出对所述样本数据的识别结果；

S2250、调整所述云状识别模型的网络参数，并重复执行上述的下采样、特征图处理、特征合并以及输出操作，直至输出的识别结果与所述云状类别标签对应的损失函数在预定范围内，得到训练后的云状识别模型。

图5为本发明实施例二提供的一种训练云状识别模型的示意图。本实施中的云状识别模型为使用深度为101层的残差网络(Resnet101)作为基网络的语义分割模型(DeepLabV3)，并且增加了多尺度的级联结构。如图5所示，输入的样本数据首先经过初次卷积和最大池化(Max Pooling)操作，特征图被下采样到1/2大小。在深度残差网络(编码部分)中产生四个层次的特征图：原图1/8大小的X、原图1/4大小的特征feat1、原图1/4大小的特征feat2、以及原图1/2大小的特征feat3；然后X经过空洞空间金字塔池化模块结构与feat1合并，合并后的特征经过卷积上采样之后与feat2合并，合并后的特征再经过卷积上采样与feat3合并；合并后的特征经过1×1的卷积层和Softmax逻辑回归模型，最终输出对样本数据的识别结果。在此基础上，通过不断调整云状识别模型的网络参数，重复执行上述的下采样、产生多尺度特征、特征合并以及Softmax逻辑回归过程，以使损失函数的值收敛到预定范围内，此时云状识别模型的训练完成，已经具备了较高的识别准确性，可实际应用于对观测数据进行云状识别。

可选的，训练所述云状识别模型的损失函数为加权交叉熵损失函数。具体的，如果云状类别标签中一个类别所占比例为p，则该云状类别对应的权重为1/p。损失函数可表示为：

S230、采集观测数据，包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据。

S240、对观测数据进行预处理。

本实施例中，对观测数据进行以下预处理：

1)截取目标观测区域内的观测数据；

2)对卫星图像数据中部分通道的图像进行插值，以统一各通道图的分辨率；

3)生成地形数据对应的图像掩模，图像掩模用于表示地形数据中陆地的位置信息、水域的位置信息以及海拔信息。

对于1)，卫星图像数据的输出范围是东经E80°至东经E200°，北纬N60°至南纬S60°，空间分辨率为1km至2km每个像素点。本实施例中，可以针对目标观测区域进行云状识别，即，对解析出来的卫星图像数据进行截取处理。此外，对于地形数据、太阳天顶角、太阳方位角、卫星天顶角和卫星方位角等，也按照上面所述的方法截取同样区域对应的数据。

对于2)，卫星图像数据的七个通道的分辨率不一致，通过插值可以实现分辨率的统一。例如，最终输入值云状识别模型的观测数据包括东经E80°至东经E140°，北纬N55°至南纬S5°范围内的观测数据；共七个通道，统一成宽1751像素，高1001像素。

对于3)，对于截取的目标观测区域的地形数据，可以生成两张图像掩模mask1和mask2，其中，掩模mask1中0表示陆地，1表示水面。掩模mask2上，是归一化到0至1之间的海拔高度数据，归一化方法采用海拔高度直接除以10000获得。

在此基础上，输入的样本数据分为13个通道：[VIS1,VIS2,VIS3,B07,B10,IR1,IR2,SOZ,SOA,SAZ,SAA,mask1,mask2]。输出的云状类别标签记为Mask_label。云状类别标签与观测点像元所在的经纬度对应。

S250、通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。

本实施例中，云状识别模型经过预先训练，从大量的样本数据中学习到由输入的观测数据得到云状识别结果的规律，并且已经具备较高的识别准确性，在此基础上，将观测数据输入至云状识别模型，即可得到对观测数据的云状识别结果。

可选的，基于样本数据训练云状识别模型，包括：将观测数据随机裁剪为一个或多个部分，或者按照设定滑窗裁剪为多个部分；通过云状识别模型分别对每部分样本数据进行处理；整合每部分样本数据对应的输出结果，得到对样本数据识别结果；调整云状识别模型的网络参数，并重复执行上述对每部分样本数据处理以及整合操作，直至输出的识别结果与云状类别标签对应的损失函数在预定范围内，得到训练后的云状识别模型。

具体的，由于硬件限制、计算能力限制等，难以直接训练一个1751×1001像素的大尺寸网络模型，本实施例对输入数据进行裁剪来简化训练或识别过程。例如，采用480×480像素的输入数据，训练时可以根据待处理的数据量选择裁剪的方式，如果数据量较大则可以随机裁剪一次，如果数据量较小则可以采用有重叠的滑窗裁剪，将整张大图切分成多个小图分别处理，最后再整合所有小图的分割结果。

示例性的，采用2500张数据，其中2000张作为训练数据，训练过程中随机选取10％作为验证数据，剩下的500张作为测试数据。训练过程中，每张原图随机裁剪三次，从而生成我们需要的480×480大小的训练数据。

可选的，通过预先训练的云状识别模型对观测数据进行处理，包括：

将观测数据按照设定滑窗裁剪为多个部分；

通过云状识别模型分别对每部分观测数据进行处理；

整合每部分观测数据对应的输出结果，得到对云状识别结果，其中，对于设定滑窗每次裁剪的重叠部分，通过投票或者根据每次裁剪的置信度，选择一次裁剪对应的输出结果作为云状识别结果。

示例性的，对于两次裁剪的重叠部分，第一次裁剪的置信度为D1，第二次裁剪的置信度为D2，D1＞D2，则对该重叠部分进行云状识别时，可以以第一次裁剪对应的输出结果为准；同理，可以通过投票的方式确定以哪一次裁剪对应的输出结果为准。

需要说明的是，在训练过程中，可以采用随机裁剪或滑窗裁剪的方式裁剪样本数据，以增加样本数据的多样性，便于云状识别模型学习更丰富的样本特征，提高云状识别模型的识别能力。而当经过训练的云状识别模型应用于对观测数据的云状识别时，采用有重叠的滑窗裁剪观测数据，以简化识别过程，提高识别过程的稳定性和准确性。

本发明实施例二提供的一种云状识别方法，在上述实施例的基础上进行优化，根据样本数据训练云状识别模型，使云状识别模型充分学习不同通道的数据的云状特征，并且考虑了不同地形、不同时刻太阳和卫星位置的影响反演得到云状，提高了云状识别的准确性；通过对观测数据进行预处理，提高数据质量，满足对目标区域的观测需求，避免不必要的处理，降低计算量；基于深度残差网络构建云状识别模型，并加入级联结构，充分提取和复用多尺度的特征，进一步提高云状识别的准确性。

实施例三

图6为本发明实施例三提供的一种云状识别装置的结构示意图。如图6所示，本实施例提供的云状识别装置包括：

数据采集模块310，用于采集观测数据，所述观测数据包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，所述太阳相关角度数据包括太阳天顶角和太阳方位角；所述卫星相关角度数据包括卫星天顶角和卫星方位角；

识别模块320，用于通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。

本发明实施例三提供的一种云状识别装置，通过综合考虑卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，提供丰富全面的特征细节，并且利用预先训练的云状识别模型进行自动识别，提高了云状识别的准确性。

在上述实施例的基础上，还包括：

数据获取模块，用于在采集观测数据之前，获取样本数据，所述样本数据包括卫星图像样本数据、太阳相关角度样本数据、卫星相关角度样本数据、地形样本数据和云状类别标签；

训练模块，用于基于所述样本数据训练所述云状识别模型。

在上述实施例的基础上，所述太阳相关角度数据包括太阳天顶角和太阳方位角；

卫星相关角度数据包括卫星天顶角和卫星方位角。

在上述实施例的基础上，还包括：

预处理模块，用于在通过预先训练的云状识别模型对所述观测数据进行处理之前，对所述观测数据进行以下预处理：

截取目标观测区域内的观测数据；

对所述卫星图像数据中部分通道的图像进行插值，以统一各通道图的分辨率；

生成所述地形数据对应的图像掩模，所述图像掩模用于表示所述地形数据中陆地的位置信息、水域的位置信息以及海拔信息。

在上述实施例的基础上，所述云状识别模型基于深度残差网络构建；

训练模块，包括：

下采样单元，用于通过卷积块和池化层对所述样本数据进行处理，以将所述样本数据的特征图下采样至原始尺寸的1/2；

多尺度特征提取单元，用于通过所述深度残差网络对下采样后的特征图进行处理，得到多尺度的特征；

特征合并单元，用于采用空洞空间金字塔池化模块和/或卷积上采样模块，将多尺度的特征合并；

分类单元，用于基于逻辑回归模型，根据合并后的特征输出对所述样本数据的识别结果；

第一执行单元，用于调整所述云状识别模型的网络参数，并重复执行上述的下采样、特征图处理、特征合并以及输出操作，直至输出的识别结果与所述云状类别标签对应的损失函数在预定范围内，得到训练后的云状识别模型。

在上述实施例的基础上，训练模块，包括：

第一裁剪单元，用于将所述样本数据随机裁剪为一个或多个部分，或者按照设定滑窗裁剪为多个部分；

第二处理单元，用于通过所述云状识别模型分别对每部分样本数据进行处理；

第三整合单元，用于整合每部分样本数据对应的输出结果，得到对所述样本数据的识别结果；

第二执行单元，用于调整所述云状识别模型的网络参数，并重复执行上述对每部分样本数据处理以及整合操作，直至输出的识别结果与所述云状类别标签对应的损失函数在预定范围内，得到训练后的云状识别模型。

在上述实施例的基础上，识别模块320，包括：

第二裁剪单元，用于将观测数据按照设定滑窗裁剪为多个部分；

第二处理单元，通过云状识别模型分别对每部分观测数据进行处理；

第二整合单元，整合每部分观测数据对应的输出结果，得到对云状识别结果，其中，对于设定滑窗每次裁剪的重叠部分，通过投票或者根据每次裁剪的置信度，选择一次裁剪对应的输出结果作为云状识别结果。

在上述实施例的基础上，训练所述云状识别模型的损失函数为加权交叉熵损失函数。

本发明实施例三提供的云状识别装置可以用于执行上述任意实施例提供的云状识别方法，具备相应的功能和有益效果。

实施例四

图7为本发明实施例四提供的一种计算设备的硬件结构示意图。计算设备包括但不限定于：台式计算机、笔记本电脑、服务器以及地面控制中心的电子设备等。

如图7所示，本申请提供的计算设备，包括存储器42、处理器41以及存储在存储器上并可在处理器上运行的计算机程序，处理器41执行所述程序时实现上述的云状识别方法。

计算设备还可以包括存储器42；该计算设备中的处理器41可以是一个或多个，图7中以一个处理器41为例；存储器42用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器41执行，使得所述一个或多个处理器41实现如本申请实施例中所述的云状识别方法。

计算设备还包括：通信装置43、输入装置44和输出装置45。

计算设备中的处理器41、存储器42、通信装置43、输入装置44和输出装置45可以通过总线或其他方式连接，图7中以通过总线连接为例。

输入装置44可用于接收输入的数字或字符信息，以及产生与计算设备的用户设置以及功能控制有关的按键信号输入。输出装置45可包括显示屏等显示设备。

通信装置43可以包括接收器和发送器。通信装置43设置为根据处理器41的控制进行信息收发通信。

存储器42作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本申请实施例所述云状识别方法对应的程序指令/模块(例如，云状识别装置中的数据采集模块310和识别模块320)。存储器42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算设备的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

在上述实施例的基础上，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被云状识别装置执行时实现本发明上述任意实施例中的云状识别方法，该方法包括：采集观测数据，所述观测数据包括卫星图像数据、太阳相关角度数据、卫星相关角度数据和地形数据，所述太阳相关角度数据包括太阳天顶角和太阳方位角；所述卫星相关角度数据包括卫星天顶角和卫星方位角；通过预先训练的云状识别模型对所述观测数据进行处理，得到云状识别结果。

本发明实施例所提供的一种包含计算机可执行指令的存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的云状识别方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。