[發明專利]一種基于卷積神經網絡的衛星云量計算方法

有效

• 申請號: 201410798632.7
• 申請日: 2014-12-18
• 公開（公告）號: CN104504389B
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 夏旻;王艦鋒;鄭紫宸;徐植銘;劉青山
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06N3/02
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 楊海軍

本發明公開了一種基于卷積神經網絡的為衛星云量計算方法，先建立包含6000~8000訓練樣本的衛星云圖訓練樣本，手動在衛星云圖中標注出各2000~3000樣本的厚云，薄云和晴空云圖塊，以此作為卷積神經網絡的訓練樣本；再將訓練樣本和衛星云圖進行預處理作為卷積神經網絡的數據輸入，然后進行卷積神經網絡檢測，以此檢測云圖中各厚云，薄云和晴空區域所在位置；最后根據云圖中厚云、薄云和晴空的位置，分別計算其灰度值，根據其灰度值來進行衛星云圖的云量計算。本發明可以把衛星云圖圖像直接作為CNN的輸入，而且將特征提取功能融入神經網絡，隱式的對圖像的特征進行提取，比現有技術更加方便和精確，具有重要的應用價值。

技術領域

本發明涉及氣象探測領域，尤其涉及一種基于卷積神經網絡的衛星云量計算方法。

背景技術

云是天氣氣候中最重要的因子之一，一方面調節地球大氣方法內部輻射平衡，另一方面對水分循環起重要作用，因此，云的觀測具有重要作用。而長期依賴以人工目測的方法成為氣象衛星自動化預測的瓶頸，云圖的自動識別成為迫切的需求。

基于衛星圖像開展云的檢測、云分類并計算云量是獲取全球云量分布的主要方式。目前，國際上衛星云量計算方法主要有ISCCP方法，通過ISCCP多閾值云檢測方法，將像元分為晴空和有云兩類；有CLAVR-1方法，將像元分為晴空、混合和有云三類；有CLAVR-X方法，將像元分為全云、混合云、混合晴空和情況四類；還有MODIS方法，將像元分為確定云、可能云、可能晴空和確定晴空四類；還有比如UW HIRS、NIR/VIS方法等。上述云量計算方法可以大體上分為兩類：一是基于區域內有云像素點與總像素點之比計算云量；另一種是基于像素點輻射量/反射率計算等效云量。第一類方法操作簡單，但不能分析亞像元云量，常導致計算結果偏高；第二類方法一定程度解決了亞像元云量問題，但對于多層云和地表類型變化劇烈的情況不太適用。不論哪一種計算方法，其準確度都取決于云檢測結果的精度。

目前國內外對云檢測研究主要有閾值法和神經網絡，其中神經網絡的識別精度被普遍認為高于其它分類器。雖然神經網絡分類方法在眾多方法中有著獨特的優勢，但是也存在著一些問題。傳統的神經網絡采用誤差反饋的梯度學習方法(BP)，具有學習速度較慢、迭代次數過多、求解易于陷入局部極小等缺點，這些缺點嚴重影響了神經網絡在云分類中的應用。

深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。能夠有效的解決現有方法存在的不足。云類識別模型中分類器是核心，模型的有效性直接影響云圖智能分析結果。由于卷積神經網絡具有自適應、自學習和非線性逼近能力，使得它在實現云分類的過程中比其它一些算法更有優勢。

發明內容

發明目的：本發明針對目前云圖檢測分類器各種缺點，云量檢測精度不高的技術不足，通過大量實驗研究提供一種基于卷積神經網絡的衛星云量計算方法。

技術方案：為實現上述目的，本發明采取的技術方案為：

一種基于卷積神經網絡的云量計算方法步驟如下：

(1)建立包含6000～8000樣本的衛星云圖訓練樣本，手動在衛星云圖中標注出各2000～3000樣本的厚云，薄云和晴空云圖塊，以此作為卷積神經網絡的訓練樣本，

(2)將訓練樣本和衛星云圖進行預處理作為卷積神經網絡的數據輸入，然后進行卷積神經網絡檢測，以此檢測云圖中各個厚云，薄云和晴空區域所在位置；

(3)根據檢測后云圖中厚云、薄云和晴空的位置，分別計算其灰度值，根據其灰度值來衛星云圖的云量計算。

作為優選方案，以上所述的一種基于卷積神經網絡的衛星云量計算方法，所述步驟(1)具體包括：

1)在中國資源衛星中心下載所需的HJ-1A/1B衛星云圖數據；