基于模糊C均值聚类的云图样本修正与云类自动识别.pdfVIP

基于模糊C均值聚类的云图样本修正与云类自动识别 王彦磊 张 韧 解放军理工大学气象学院海洋气象系 南京 211101 摘 要 基于云类样本的红外-可见光二维灰度空间投影 采用模糊聚类方法调整优化云类样本特征区域 消除 采样误差 针对常规模糊C均值聚类 FCM方法在处理上述问题时表现出的局限性 提出用样本特征均值 替代FCM中随机初始中心的改进办法 既避免了常规FCM方法对初始中心敏感的缺陷 又可纠正其聚类结 果对云类样本特征结构的歪曲 改进后的聚类结果既消除了采样误差 又保持了云类样本的基本特征属性 基于该判据的分类结果可较为准确地分辨出陆地 水体 低云 中云 卷云 对流云和积雨云 分割判别 效果符合客观实际 关键词 模糊C均值聚类 云类分割识别 1.引 言 静止气象卫星能够提供全天候的大气 海洋和云况信息 已成为天气监测预报的重要信 息来源和手段 目前目视判读仍是卫星云图分析的主要方式之一 这既包含一定程度的主观 因素 不利于卫星云图丰富信息的充分提取 同时也有碍天气预报制作的自动化与定量化 卫星云图中气象信息的自动提取和定量判别及其计算机实现是当今气象卫星信息处理 [1] 的主流 云类识别是卫星云图处理的重要内容 koffler用简单的阈值法来区分云和地表 [2] 后来desbois提出光谱特征空间的概念 创建了盒式分类法 云分类在简单阈值分类基础 [3] 上得到很大进展 Welch等运用云的纹理特征进行云的分类研究 目前云类自动判识研究 [4] 中分类效果较好 比较有代表性的是动态聚类方法和神经网络方法 它们在改进和提高云 分类效果的同时也存在一些缺陷 如动态聚类方法受所选待分析区域图象的限制 对不同的 图象 即使同一种云 迭代收敛后确定的集群的中心和距离协方差距阵也会不同 甚至出现 很大差异 这使得云分类难以有较为一致的判据 而且自动聚类的结果比较难以明确其物理 意义 此外动态聚类对初始聚类中心的选择比较敏感 不同的初始聚类中心会得到不同的分 类结果 神经网络分类器在外界条件 如季节 地域 变化时不易灵活调节 此外对样本数 量和样本质量要求较高 此外 云图上除特征较为明显的典型云类外 还存在云类之间的过 渡区域和处于长 消阶段等一些特征较为模糊的云系以及多层云系的情况 常规的分类方法 [5] 常常难以处理和表现这些 模糊特征 为表现云的 模糊 特性 吴咏明等 采用模糊 C 均值聚类方法进行了云分类研究 取得了较好结果 一定程度上改进了云图分类效果 但 FCM方法也存在一些局限性 首先云图上的云分类数需要事先确定 这既妨碍了云分类自动 实现 所选分类数也因人而异 带有主观人为因素 常规FCM初始聚类中心通常是随机产生 的 不同初值中心往往生成不同的聚类结果 聚类结果缺乏必要的稳定性 是局部优化而非 全局优化等等 针对FCM方法的优势和不足 本文拟结合实际采集的云类样本对FCM方法的上述缺陷进 行改进调整 并将其应用于云类样本的特征空间聚类 以修正采样误差所致的云类样本交叉 重叠分布 扩展云类特征类属空间以弥补云类样本量的不足 最终实现云类样本落区判据的 重组优化及在此基础上的云自动分类判别 *卫星课题 气字2002第35号 资助 2.云类样本的特征空间投影 基于不同云类在多光谱云图的灰度范围和形态学特征 辅以实时地面观云资料 利用人 机交互云类采样系统 采集获取GMS-5 静止卫星云图四通道 红外 1 红外2 水汽 可见 光 样本数据近2000 个 样本时段 1998 年6 月 8 月白天 样本大小 4 4 像素矩阵 计算每个样本的红外和可见光灰度均值 并投影到红外-可见光二维灰度特征空间 得到各 云类二维特征区域范围分布 如图 1 所示 图1 各云类样本的红外-可见光二维灰度空间投影