Detección de ondas gravitatorias atmosféricas en imágenes de baja luminosidad: un enfoque de aprendizaje por transferencia

Las ondas gravitatorias atmosféricas, como una fluctuación clave en la atmósfera, tienen un impacto significativo en el cambio climático y los procesos meteorológicos. Los métodos tradicionales de observación se basan en identificar y analizar manualmente las características de las ondas gravitatorias a partir de imágenes satelitales, lo que resulta en un número limitado de eventos de ondas gravitatorias para el análisis de parámetros y estudios de mecanismos de excitación, lo que restringe investigaciones relacionadas adicionales. En este estudio, nos enfocamos en los eventos de ondas gravitatorias en la región del Mar de China Meridional y utilizamos un conjunto de datos de satélite de baja luminosidad de un año procesado con reducción de ruido de transformación de onda y reemplazo de píxeles de luz. Además, se emplea el aprendizaje por transferencia para adaptar el modelo Inception V3 a la tarea de clasificación de un conjunto de datos de muestra pequeña, realizando la identificación automática de ondas gravitatorias en imágenes de baja luminosidad. Al utilizar técnicas de corte de ventana deslizante y mejora de datos, ampliamos aún más el conjunto de datos y mejoramos la capacidad de generalización del modelo. Comparamos los resultados de la detección de aprendizaje por transferencia basada en el modelo Inception V3 con el modelo YOLO v10, mostrando que los resultados del modelo Inception V3 son muy superiores a los del modelo YOLO v10. La precisión en el conjunto de datos de prueba es del 88.2%.

Autores: Xiao, Beimin; Hu, Shensen; Ai, Weihua; Li, Yi