[發明專利]一種使用統一樣本的深度學習衛星數據云檢測算法

在審

• 申請號: 202010527628.2
• 申請日: 2020-06-08
• 公開（公告）號: CN111783555A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 孫林;隋淞蔓;夾尚豐
• 申請（專利權）人: 山東科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種使用統一樣本的深度學習衛星數據云檢測算法。該方法包括如下步驟：1、高光譜數據像元庫的建立；2、多光譜數據模擬；3、基于神經網絡的云檢測；4、結果分析。首先基于高空間高光譜分辨率的AVIRIS數據，在不同地表類型上選擇足夠數量的云和晴空像元。基于待識別衛星數據的波譜響應函數及AVIRIS波段寬度來模擬待識別衛星的云和晴空像元的光譜反射率，作為神經網絡的輸入向量。將模擬出反射率輸入到神經網絡模型中，訓練對應傳感器的神經網絡云檢測模型，進行云檢測。結合目視解譯，對比分析不同下墊面及不同衛星傳感器云檢測結果的準確性。本發明方法可以實現云像元的檢測，支持多種多光譜傳感器的云檢測，使云檢測的適應性更加廣泛。

技術領域

本發明涉及使用一種使用統一樣本的深度學習衛星數據云檢測算法。

背景技術

在光學遙感中，衛星數據的質量對遙感參數的反演精度影響很大，云層的遮擋是主導遙感數據質量的一個非常重要的原因。根據國際衛星云氣候學項目，通常地表上66％的地方會有云層的存在，而且一般的衛星遙感平臺會受到云層的影響，接收不到能量，從而降低了衛星影像的質量。

傳感器接收到的電磁輻射信息中包含了地物的幾何分布和地理信息，可以用于城市規劃、海岸帶檢測、農業估產等。但由于衛星影像存在云層遮擋問題。云對電磁波有反射、透射、吸收和發射作用。利用遙感影像進行參數反演時，需要先判斷像元是不是云像元。云檢測是影像進行后續識別、分類和解譯的關鍵，按云識別的形態可分為厚云、薄云、碎云等，不同形態的云識別的難易程度也不同。除此之外，云識別的準確性還與下墊面的類型有關。

傳統的云檢測方法可將其分為兩類：閾值法和統計學習方法。閾值法因其原理簡單、運算速度快，因而得到了廣泛的應用，是目前遙感圖像云檢測眾多方法中應用最多的方法。但是當地面覆蓋了冰、雪、沙漠或薄卷云、層云和小積云時，很難將云和地面區分開來，因為大部分光譜方法只適用于特定的場景或是識別不同的云。其他性能好的閾值法大都只針對于某種特定的遙感器進行設計。統計學習的云檢測方法，是基于樣本數據，利用聚類分析、支持向量機(SVM)和人工神經網絡等模式識別方法實現云檢測。研究表明，基于統計學習的云檢測方法的精度和普適性方面要優于閾值法，但方法較為復雜，效率較低。

因此，現有技術有待于更進一步的改進和發展。

發明內容

鑒于上述現有技術的不足，本發明提供的一種使用統一樣本的深度學習衛星數據云檢測算法，該方法以高光譜數據AVIRIS為基礎，分別選取出云、非云樣本，構成像元樣本庫；再進行多光譜數據模擬，基于模擬出的多光譜數據訓練神經網絡模型；最后，利用訓練好的云檢測模型進行云識別。結果表明，該方法可以實現衛星數據的高精度云識別。

為解決上述技術問題，本發明方案包括：

一種使用統一樣本的深度學習衛星數據云檢測算法，其包括以下步驟：

A、高光譜數據像元庫的建立

基于高空間分辨率和高光譜分辨率的AVIRIS數據，利用目視解譯的方法，在AVIRIS數據上采取厚云、薄云、碎云、云邊緣等云的樣本像元和植被、水體、裸地、城鎮等晴空像元。選取云像元樣本時，要注意需選取不同地表類型上的云，以便分析不同地表類型對云識別的影響。

B、多光譜數據模擬

基于待識別衛星數據的波譜響應函數以及AVIRIS的波段寬度來模擬出待識別衛星數據的多光譜數據的反射率數據，作為BP神經網絡的輸入向量。模擬待識別衛星數據的原理是基于多個窄波段的高光譜的表觀反射率，將其加權合成以得到對應寬波段的表觀反射率。

C、基于神經網絡的云檢測

分別將模擬出的待識別衛星數據的云和晴空像元的反射率值輸入到云檢測神經網絡模型中，訓練出對應傳感器的神經網絡云檢測模型，再進行云檢測。

D、結果分析