天气状态检测迁移学习模型

高效可泛化

该迁移学习方法可让地面终端组件本地检测雪、湿等代表性天气状况，性能优于YOLOv7、YOLOv9等典型深度学习模型，且具有跨场景泛化能力。

Wenxuan, Zhang · Hu, Peng

IEEE Transactions on Aerospace and Electronic Systems 2025

技术优势

检测性能超越主流模型

在代表性天气相关条件的检测任务中，该方法相比 YOLOv7、YOLOv9、Faster R-CNN 和 R-YOLO 等典型深度学习方法展现出更优越的性能。

跨场景泛化

该方法在多种场景下均能保持有效性，展现出良好的泛化能力，有利于实际部署。

提升卫星互联网可靠性

通过在地面终端组件上实现细粒度天气检测，可辅助故障诊断与缓解，从而支持可靠的卫星互联网运行。

应用场景

• 物联网设备：为地面物联网设备提供本地天气感知，辅助故障诊断与缓解，提升链路可靠性。
• 遥感图像处理：利用视觉方法对地面终端捕获的图像进行天气相关条件的细粒度检测，补充遥感信息。
• 毫米波通信：检测雨、雪等天气对毫米波星地链路的影响，为链路自适应和故障缓解提供依据。