[發明專利]基于邏輯回歸的FY-3D紅外高光譜云檢測方法

有效

• 申請號: 202110133631.0
• 申請日: 2021-02-01
• 公開（公告）號: CN112767543B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 余意;史華湘;張衛民;羅藤靈;張琪;王鵬飛;吳建平;王舒暢
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06K9/62;G06V10/764;G06F17/11;G06F17/15
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 伍志祥

本發明公開一種基于邏輯回歸的FY?3D紅外高光譜云檢測方法，涉及衛星遙感技術領域。本發明利用傳統的基于成像儀的云檢測方法，將MERSI的云檢測段產品與HIRAS像元進行匹配，得到帶有云標簽的HIRAS數據，構成訓練數據集，然后使用邏輯回歸算法訓練數據集，在訓練過程中，采用網格搜索方法選擇合適的邏輯回歸算法超常數，得到泛化性能最佳的模型參數，最后將訓練得到邏輯回歸云檢測模型用于YF?3D的紅外高光譜數據的云檢測處理。本發明的邏輯回歸云檢測模型能達到0.97的分類準確度，預測速度是傳統方法的50倍左右，體現出良好的泛化性能。

技術領域

本發明涉及衛星遙感技術領域，尤其涉及一種機器學習領域的邏輯回歸算法，結合利用FY-3D衛星HIRAS儀器的紅外高光譜數據進行HIRAS視場云檢測的方法。

背景技術

紅外高光譜數據是現代數值天氣預報系統重要的觀測數據。紅外高光譜數據的同化，對于有效地提升數值天氣預報水平具有重要意義。云中的水滴和冰晶能有效吸收紅外輻射，導致衛星的紅外探測儀無法探測云層以下的大氣和地表的紅外輻射。此外，當前的輻射傳輸觀測算子很難準確地模擬云的輻射效應。因此，云的污染是紅外高光譜數據同化的重要問題。當前的解決辦法是在紅外高光譜數據進入同化系統之前，先剔除被云污染的像元。因此，在紅外高光譜數據的同化應用中，首先需要判斷紅外探測儀像元視場是否有云，該過程即被稱為云檢測。因此，準確快速地對紅外高光譜數據進行云檢測，是有效應用衛星紅外高光譜數據的前提。準確高效的云檢測算法對于提升紅外高光譜數據的同化水平，具有重要意義。

當前實際業務使用的云檢測算法，有多通道閾值法、匹配成像儀方法等。其中，基于云的物理特征提出的多通道閾值方法，以應用于大數業務衛星紅外探測儀上，但是許多云檢測帶有多個閾值，很難設置合適的閾值；另一種基于成像儀匹配的云檢測方法，顯著提升了高光譜紅外探測的云檢測準確度，但是該方法具有較高計算時間成本。因此，在實際的紅外高光譜數據云檢測應用中，急需一種準確度高的快速云檢測算法。

隨著人工智能時代的到來，使用人工智能技術做云檢測的算法應運而生。已有人利用經典圖像分類網絡(Unet，resnet等)作為基礎模型，將衛星云圖作為特征輸入，通過對分類網絡微調，構建云檢測分類模型，并取得了較高精度的云檢測效果。但是，該方法將高分辨率的云圖作為特征輸入，同樣需要較高的計算成本。另外，典型的圖像分類網絡較大，不便于加入到數值模式的業務同化系統中去。

因此，尋找一種快速高效的云檢測方法是本領域技術人員極為關注的技術問題。

發明內容

本發明的目的在于提供了一種基于邏輯回歸的快速準確實現FY-3D紅外高光譜數據云檢測的算法，該邏輯回歸云檢測模型能達到0.97的分類準確度，預測速度是傳統方法的50倍左右，體現出良好的泛化性能。

為了解決上述技術問題，本發明使用傳統機器學習算法中常用的分類算法—邏輯回歸算法，通過大量樣本訓練，使模型學習風云3D衛星紅外高光譜大氣探測儀器(HIRAS)的通道輻射數據與視場的云標簽(完全有云、晴空、部分有云)之間的映射關系，最后將學習到云檢測知識的邏輯回歸模型用于實現HIRAS儀器的快速云檢測。

本發明提供的一種基于邏輯回歸的FY-3D紅外高光譜云檢測方法，包括以下具體步驟：

S1.構建HIRAS與MERSI數據匹配模型

(1)時間匹配：

當HIRAS和MERSI的觀測時間滿足以下公式時，則可認為HIRAS和MERSI儀器同時對相同區域進行了觀測，

|t_HIRAS-t_MERSI|＜δ_max

其中，t_HIRAS表示HIRAS的觀測時間，t_MERSI表示MERSI的觀測時間，δ_max為匹配時間閾值，一般不超過59s。