一種基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法
【專利摘要】本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的為衛(wèi)星云量計(jì)算方法，先建立包含6000~8000訓(xùn)練樣本的衛(wèi)星云圖訓(xùn)練樣本，手動(dòng)在衛(wèi)星云圖中標(biāo)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(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；再將訓(xùn)練樣本和衛(wèi)星云圖進(jìn)行預(yù)處理作為卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入，然后進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)檢測，以此檢測云圖中各厚云，薄云和晴空區(qū)域所在位置；最后根據(jù)云圖中厚云、薄云和晴空的位置，分別計(jì)算其灰度值，根據(jù)其灰度值來進(jìn)行衛(wèi)星云圖的云量計(jì)算。本發(fā)明可以把衛(wèi)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(jīng)網(wǎng)絡(luò)，隱式的對圖像的特征進(jìn)行提取，比現(xiàn)有技術(shù)更加方便和精確，具有重要的應(yīng)用價(jià)值。
【專利說明】-種基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及氣象探測領(lǐng)域，尤其設(shè)及一種基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方 法。

【背景技術(shù)】
[0002] 云是天氣氣候中最重要的因子之一，一方面調(diào)節(jié)地球大氣方法內(nèi)部福射平衡，另 一方面對水分循環(huán)起重要作用，因此，云的觀測具有重要作用。而長期依賴W人工目測的方 法成為氣象衛(wèi)星自動(dòng)化預(yù)測的瓶頸，云圖的自動(dòng)識別成為迫切的需求。
[0003] 基于衛(wèi)星圖像開展云的檢測、云分類并計(jì)算云量是獲取全球云量分布的主要方 式。目前，國際上衛(wèi)星云量計(jì)算方法主要有ISCCP方法，通過ISCCP多闊值云檢測方法，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S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(jì)算 方法可W大體上分為兩類；一是基于區(qū)域內(nèi)有云像素點(diǎn)與總像素點(diǎn)之比計(jì)算云量；另一種 是基于像素點(diǎn)福射量/反射率計(jì)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(dǎo)致計(jì)算結(jié)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(jì)算方法，其準(zhǔn)確度都取決于云檢測結(jié)果的 精度。
[0004] 目前國內(nèi)外對云檢測研究主要有闊值法和神經(jīng)網(wǎng)絡(luò)，其中神經(jīng)網(wǎng)絡(luò)的識別精度被 普遍認(rèn)為高于其它分類器。雖然神經(jīng)網(wǎng)絡(luò)分類方法在眾多方法中有著獨(dú)特的優(yōu)勢，但是也 存在著一些問題。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)采用誤差反饋的梯度學(xué)習(xí)方法炬巧，具有學(xué)習(xí)速度較慢、 迭代次數(shù)過多、求解易于陷入局部極小等缺點(diǎn)，該些缺點(diǎn)嚴(yán)重影響了神經(jīng)網(wǎng)絡(luò)在云分類中 的應(yīng)用。
[0005] 深度學(xué)習(xí)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，W發(fā)現(xiàn)數(shù) 據(jù)的分布式特征表示。能夠有效的解決現(xiàn)有方法存在的不足。云類識別模型中分類器是核 屯、，模型的有效性直接影響云圖智能分析結(jié)果。由于卷積神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自學(xué)習(xí)和非 線性逼近能力，使得它在實(shí)現(xiàn)云分類的過程中比其它一些算法更有優(yōu)勢。


【發(fā)明內(nèi)容】

[0006] 發(fā)明目的；本發(fā)明針對目前云圖檢測分類器各種缺點(diǎn)，云量檢測精度不高的技術(shù) 不足，通過大量實(shí)驗(yàn)研究提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法。
[0007] 技術(shù)方案；為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為；
[000引一種基于卷積神經(jīng)網(wǎng)絡(luò)的云量計(jì)算方法步驟如下：
[0009] (1)建立包含6000?8000樣本的衛(wèi)星云圖訓(xùn)練樣本，手動(dòng)在衛(wèi)星云圖中標(biāo)注出各 2000?3000樣本的厚云，薄云和晴空云圖塊，W此作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，
[0010] 似將訓(xùn)練樣本和衛(wèi)星云圖進(jìn)行預(yù)處理作為卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入，然后進(jìn)行 卷積神經(jīng)網(wǎng)絡(luò)檢測，w此檢測云圖中各個(gè)厚云，薄云和晴空區(qū)域所在位置；
[0011] (3)根據(jù)檢測后云圖中厚云、薄云和晴空的位置，分別計(jì)算其灰度值，根據(jù)其灰度 值來衛(wèi)星云圖的云量計(jì)算。
[0012] 作為優(yōu)選方案，W上所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法，所述步 驟（1)具體包括；
[001引1)在中國資源衛(wèi)星中屯、下載所需的町-1A/1B衛(wèi)星云圖數(shù)據(jù)；
[0014] 。利用采集器分別在町-1A/1B衛(wèi)星云圖上采集39*39像素的厚云，薄云和晴空云 塊各2000塊，統(tǒng)一縮放為32*32像素。
[0015] 作為優(yōu)選方案，W上所述的基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法，對步驟（2) 所需的預(yù)處理是將整幅衛(wèi)星云圖格式轉(zhuǎn)換為32*32巧該種數(shù)據(jù)形式，其中X為數(shù)量，然后訓(xùn) 練樣本一起作為卷積神經(jīng)網(wǎng)絡(luò)輸入；
[0016] 所述的卷積神經(jīng)網(wǎng)絡(luò)包含7層，第1層為輸入層，第2層為卷基層，也稱為特征映 射層，通過多個(gè)5巧的卷積核提取圖片的不同特征，包括12個(gè)28*28的特征映射圖，第3層 為下采樣層，也稱為特征提取層，是由12個(gè)大小為14*14的特征圖組成，特征圖每個(gè)神經(jīng)元 與第1層的2*2領(lǐng)域相連，第4層由16個(gè)10*10的特征圖組成的卷積層，第5層和第3層 一樣是下采樣層，包含16個(gè)5*5的特征圖，第6層為全連接層，共有400個(gè)連接點(diǎn)，最后一 層為輸出層，有3個(gè)節(jié)點(diǎn)，分別代表厚云、薄云和晴空。
[0017] 其中卷積層的計(jì)算方式如下：
[001 引

【權(quán)利要求】
1. 一種基于卷積神經(jīng)網(wǎng)絡(luò)的為衛(wèi)星云量計(jì)算方法，其特征在于，它包括以下步驟： (1) 建立包含6000?8000訓(xùn)練樣本的衛(wèi)星云圖訓(xùn)練樣本，手動(dòng)在衛(wèi)星云圖中標(biāo)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(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本， (2) 將訓(xùn)練樣本和衛(wèi)星云圖進(jìn)行預(yù)處理作為卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入，然后進(jìn)行卷積 神經(jīng)網(wǎng)絡(luò)檢測，以此檢測云圖中各個(gè)厚云，薄云和晴空區(qū)域所在位置； (3) 根據(jù)檢測后云圖中厚云、薄云和晴空的位置，分別計(jì)算其灰度值，根據(jù)其灰度值來 進(jìn)行衛(wèi)星云圖的云量計(jì)算。
2. -種基于卷積神經(jīng)網(wǎng)絡(luò)的為衛(wèi)星云量計(jì)算方法，其特征在于，步驟（1)中建立包含 6000訓(xùn)練樣本的衛(wèi)星云圖訓(xùn)練樣本。
3. 根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法，其特征在于， 所述步驟（1)具體包括： 1) 在中國資源衛(wèi)星中心下載所需的HJ-1A/1B衛(wèi)星云圖數(shù)據(jù)； 2) 利用采集器分別在HJ-1A/1B衛(wèi)星云圖上采集39*39像素的厚云，薄云和晴空云塊各 2000塊，統(tǒng)一縮放為32*32像素。
4. 根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法，其特征在于， 所述步驟（2)具體包括： 1) 將整幅衛(wèi)星云圖格式轉(zhuǎn)換為32*32像素形式，和訓(xùn)練樣本一起作為卷積神經(jīng)網(wǎng)絡(luò)輸 入源； 2) 卷積神經(jīng)網(wǎng)絡(luò)包含7層，第1層為輸入層，第2層為卷基層，通過多個(gè)5*5的卷積核 提取圖片的不同特征，包括12個(gè)28*28的特征映射圖，第3層為下采樣層，是由12個(gè)大小 為14*14的特征圖組成，特征圖每個(gè)神經(jīng)元與第1層的2*2領(lǐng)域相連，第4層由16個(gè)10*10 的特征圖組成的卷積層，第5層和第3層一樣是下采樣層，包含16個(gè)5*5的特征圖，第6層 為全連接層，共有400個(gè)連接點(diǎn)，最后一層為輸出層，有3個(gè)節(jié)點(diǎn)，分別代表厚云、薄云和晴 空； 3) 將檢測后的衛(wèi)星云圖分別用紅綠藍(lán)三色和灰度圖表示出來。
5. 根據(jù)權(quán)利要求1所述的一種基于卷積網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算方法，其特征在于，步驟 (3)所述的云量計(jì)算方法為： "空間相關(guān)法"的基本原理是基于對單個(gè)像元輻射量以及晴空和厚云情況下輻射量的 檢測，獲取單個(gè)像元的總云量，其計(jì)算公式如下： I= (I-Ac)Iclr+AcIcld 式中，I為像元接收的福射量;A。表示像元總云量；I&、Idd分別表示晴空/藍(lán)色的最 高灰度值、厚云/紅色的最低灰度值輻射量；總云量計(jì)算公式為：
I為像元接收的福射量;A。表示像元總云量；I。；^、Ield分別表示晴空/藍(lán)色的最高灰度 值、厚云/紅色的最低灰度值輻射量。
【文檔編號】G06N3/02GK104504389SQ201410798632
【公開日】2015年4月8日 申請日期:2014年12月18日 優(yōu)先權(quán)日:2014年12月18日
【發(fā)明者】夏旻, 王艦鋒, 鄭紫宸, 徐植銘, 劉青山 申請人:南京信息工程大學(xué)