一种基于卷积神经网络的卫星云量计算方法

摘要

本发明公开了一种基于卷积神经网络的为卫星云量计算方法，先建立包含6000~8000训练样本的卫星云图训练样本，手动在卫星云图中标注出各2000~3000样本的厚云，薄云和晴空云图块，以此作为卷积神经网络的训练样本；再将训练样本和卫星云图进行预处理作为卷积神经网络的数据输入，然后进行卷积神经网络检测，以此检测云图中各厚云，薄云和晴空区域所在位置；最后根据云图中厚云、薄云和晴空的位置，分别计算其灰度值，根据其灰度值来进行卫星云图的云量计算。本发明可以把卫星云图图像直接作为CNN的输入，而且将特征提取功能融入神经网络，隐式的对图像的特征进行提取，比现有技术更加方便和精确，具有重要的应用价值。

说明书

技术领域

本发明涉及气象探测领域，尤其涉及一种基于卷积神经网络的卫星云量计算方法。

背景技术

云是天气气候中最重要的因子之一，一方面调节地球大气方法内部辐射平衡，另一方面 对水分循环起重要作用，因此，云的观测具有重要作用。而长期依赖以人工目测的方法成为 气象卫星自动化预测的瓶颈，云图的自动识别成为迫切的需求。

基于卫星图像开展云的检测、云分类并计算云量是获取全球云量分布的主要方式。目前， 国际上卫星云量计算方法主要有ISCCP方法，通过ISCCP多阈值云检测方法，将像元分为晴空 和有云两类；有CLAVR-1方法，将像元分为晴空、混合和有云三类；有CLAVR-X方法，将 像元分为全云、混合云、混合晴空和情况四类；还有MODIS方法，将像元分为确定云、可能 云、可能晴空和确定晴空四类；还有比如UW HIRS、NIR/VIS方法等。上述云量计算方法可 以大体上分为两类：一是基于区域内有云像素点与总像素点之比计算云量；另一种是基于像 素点辐射量/反射率计算等效云量。第一类方法操作简单，但不能分析亚像元云量，常导致计 算结果偏高；第二类方法一定程度解决了亚像元云量问题，但对于多层云和地表类型变化剧 烈的情况不太适用。不论哪一种计算方法，其准确度都取决于云检测结果的精度。

目前国内外对云检测研究主要有阈值法和神经网络，其中神经网络的识别精度被普遍认 为高于其它分类器。虽然神经网络分类方法在众多方法中有着独特的优势，但是也存在着一 些问题。传统的神经网络采用误差反馈的梯度学习方法(BP)，具有学习速度较慢、迭代次 数过多、求解易于陷入局部极小等缺点，这些缺点严重影响了神经网络在云分类中的应用。

深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分 布式特征表示。能够有效的解决现有方法存在的不足。云类识别模型中分类器是核心，模型 的有效性直接影响云图智能分析结果。由于卷积神经网络具有自适应、自学习和非线性逼近 能力，使得它在实现云分类的过程中比其它一些算法更有优势。

发明内容

发明目的：本发明针对目前云图检测分类器各种缺点，云量检测精度不高的技术不足， 通过大量实验研究提供一种基于卷积神经网络的卫星云量计算方法。

技术方案：为实现上述目的，本发明采取的技术方案为：

一种基于卷积神经网络的云量计算方法步骤如下：

(1)建立包含6000～8000样本的卫星云图训练样本，手动在卫星云图中标注出各 2000～3000样本的厚云，薄云和晴空云图块，以此作为卷积神经网络的训练样本，

(2)将训练样本和卫星云图进行预处理作为卷积神经网络的数据输入，然后进行卷积神 经网络检测，以此检测云图中各个厚云，薄云和晴空区域所在位置；

(3)根据检测后云图中厚云、薄云和晴空的位置，分别计算其灰度值，根据其灰度值来 卫星云图的云量计算。

作为优选方案，以上所述的一种基于卷积神经网络的卫星云量计算方法，所述步骤(1) 具体包括：

1)在中国资源卫星中心下载所需的HJ-1A/1B卫星云图数据；

2)利用采集器分别在HJ-1A/1B卫星云图上采集39*39像素的厚云，薄云和晴空云块各2000 块，统一缩放为32*32像素。

作为优选方案，以上所述的基于卷积神经网络的卫星云量计算方法，对步骤(2)所需的 预处理是将整幅卫星云图格式转换为32*32*X这种数据形式，其中X为数量，然后训练样本 一起作为卷积神经网络输入；

所述的卷积神经网络包含7层，第1层为输入层，第2层为卷基层，也称为特征映射层， 通过多个5*5的卷积核提取图片的不同特征，包括12个28*28的特征映射图，第3层为下采 样层，也称为特征提取层，是由12个大小为14*14的特征图组成，特征图每个神经元与第1 层的2*2领域相连，第4层由16个10*10的特征图组成的卷积层，第5层和第3层一样是下 采样层，包含16个5*5的特征图，第6层为全连接层，共有400个连接点，最后一层为输出 层，有3个节点，分别代表厚云、薄云和晴空。

其中卷积层的计算方式如下：

$X_j^l=f(\underset{i\in M_j}{\Sigma }{X}_i^{l-1}*K_{\mathrm{ij}}^l+B^l)$

其中l为网络的层数，K为卷积核，M_j表示输入maps的集合。

下采样层的计算方式如下：

$X_j^l=f({\beta }_j^l\mathrm{down}\left(x_j^{l-1}\right)+b_j^l)$

其中，down()表示下采样函数，β和b分别对应每个输出的特征图。

将检测后的卫星云图分别用红绿蓝三色和灰度图表示出来；

根据检测出的颜色图分别求出红色区域厚云的最低灰度值，绿色区域薄云的最高灰度值 和蓝色区域晴空的平均灰度值，根据云量计算公式计算出云量。

有益效果：本发明和现有技术相比具有以下有益效果：

本发明通过大量实验筛选，设计一种基于卷积神经网络的卫星云量计算方法，作为深度 学习的卷积神经网络可以把卫星云图图像直接作为CNN的输入，而且将特征提取功能融入神 经网络，隐式的对图像的特征进行提取，相比于人工提取更加方便和精确，权值共享减少了 网络的训练参数，可降低神经网络的复杂度，适应现在大数据量的需求。

卫星云图中云的检测是卫星图像解译的前提，针对阈值法云检测的不足，本发明利用云 的全局和局部特征，基于卷积神经网络进行云的语义特征学习和云分类，在云检测基础上改 进基于反射率的空间相关法计算总云量，改进并完善云分类算法和云量计算，为卫星云图的 全面自动检测奠定坚实的理论基础。

附图说明

图1是本发明一种基于卷积神经网络的卫星云量计算方法示意图；

图2是本发明所述卷积神经网络结构示意图；

图3是本发明所述卷积神经网络检测示意图；

图4是本发明所述卷积神经网络过程中卷积和下采样示意图；

具体实施方式

下面结合附图进一步说明本发明的技术方案；

所图1所示，一种基于卷积神经网络的卫星云量计算方法，包括样本获取和处理，卷积 神经网络训练，卫星云检测和云量计算四个阶段，所述的样本获取和处理包括以下步骤：

(1)卫星云图样本的获取来自中国卫星资源卫星HJ-1A/1B卫星CCD通道；

(2)从卫星云图上通过采集器采集6000样本39*39像素云块，厚云、薄云和晴空各 2000块；

(3)将6000样本统一缩放为32*32像素，另外整幅卫星云图格式转换为32*32*X数 据格式，其中X为数量；

本发明所述的卷积神经网络训练包括以下步骤：

(1)将6000云块样本中4200样本作为训练样本，厚云、薄云和晴空各1400块，测试 样本为1800块，厚云。薄云和晴空各600块；

(2)训练是卷积神经网络的结构如图2所示，通过不断训练和测试云块样本，不断调整 卷积神经网络中的参数，以云块检测率为基准，确定参数，为整幅卫星云图检测作铺垫；

本发明所述的卫星云图检测包括以下步骤：

(1)将预处理后的整幅卫星云图作为卷积神经网络的数据输入，进行云检测，其中云块检 测的过程如图3所示；

(2)卷积神经网络包含7层，第1层为输入层，第2层为卷基层，也称为特征映射层，通 过多个5*5的卷积核提取图片的不同特征，包括12个28*28的特征映射图，第3层为 下采样层，也称为特征提取层，是由12个大小为14*14的特征图组成，特征图每个神 经元与第1层的2*2领域相连，第4层由16个10*10的特征图组成的卷积层，第5层 和第3层一样是下采样层，包含16个5*5的特征图，第6层为全连接层，共有400个 连接点，最后一层为输出层，有3个节点，分别代表厚云、薄云和晴空。

(3)卷积神经网络的学习过程如图4所示，卷基层是特征映射层，子采样层为特征提取层， 用一个可训练的滤波器f_x去卷积卫星云图的全局和局部特征，然后加一个偏执b_x，得 到卷基层C_x。卷积层的计算形式如下所示：

$X_j^l=f(\underset{i\in M_j}{\Sigma }{X}_i^{l-1}*K_{\mathrm{ij}}^l+B^l)$

其中l为网络的层数，K为卷积核，M_j表示输入maps的集合。

子采样过程包括，每领域求和，然后通过W_x+1加权，再加偏执b_x+1,然后通过一个sigmoid

激活函数，产生一个缩小的特征映射层S_x+1，其计算公式为：

$X_j^l=f({\beta }_j^l\mathrm{down}\left(x_j^{l-1}\right)+b_j^l)$

其中，down()表示下采样函数，β和b分别对应每个输出的特征图。

(4)云检测的结果用红色绿色蓝色区分，其中红色代表厚云，绿色代表薄云，蓝色代表晴 空。

本发明所述的检测结果云量计算包括以下步骤：

(1)为了解决部分云盖的问题，本研究利用一种改进的基于反射率的“空间相关法”来计算总 云量。“空间相关法”的基本原理是基于对单个像元辐射量以及晴空和厚云情况下辐射量的检 测，获取单个像元的总云量，其计算公式如下：

I＝(1-A_c)I_clr+A_cI_cld

式中，I为像元接收的辐射量；A_c表示像元总云量；I_clr、I_cld分别表示晴空的最高灰度值、厚云 的最低灰度值辐射量。由此，转换可得，总云量为：

$A_c=\frac{I-I_{\mathrm{clr}}}{I_{\mathrm{cld}}-I_{\mathrm{clr}}}$

(2)云量计算，每个像素的云量为0到1之间，1代表厚云，0代表晴空。本发明利用200 张随机选取的图进行测试，以专家标注的方式进行检验。本方法的云量计算准确率达到 84.3％。而同样情况下传统阈值法得到的准确率为75.4％。说明本方法在实际应用中是可行的， 准确率比现有技术高，具有重要的应用价值。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说， 在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为 本发明的保护范围。