基于深度学习的静止卫星图像海上强对流云团识别-遥感学报.PDF

基于深度学习的静止卫星图像海上强对流云团识别 1，2 1 1 郑益勤 , 杨晓峰 , 李紫薇 1.中国科学院遥感与数字地球研究所, 北京 100101; 2. 中国科学院大学, 北京 100049 摘 要:强对流天气破坏力强，对海上航行和海洋开发都有着很大的影响，但由于其生命史短，且海上气象测站少， 因此难以对其进行快速准确的监测。而静止气象卫星的覆盖范围广、时间分辨率高，因此成为了监测强对流天气的 重要手段。本文提出了一种利用Himawari-8 卫星影像，基于深度信念网络（DBN ）进行强对流云团自动识别的方 法。该方法分别提取每张图像的光谱特征 TBB13、TBB08-TBB13 和 TBB13-TBB 15 ，以及基于光谱特征TBB08-TBB13 的纹理特征能量Energy 和对比度 Contrast ，再参考CloudSat 卫星的云分类产品自动构建样本集，利用此样本集训 练 DBN 模型，以确定模型的参数和结构。使用训练完成的DBN 模型进行强对流云团识别，并对识别结果进行后 处理。通过典型案例分析和精度评定发现，新方法的临界成功指数CSI 为 71.28% ，检测概率POD 为 84.83%，虚 警率FAR 为 18.31%。结果表明，该方法可以有效识别处于初生到消散不同阶段的强对流云团，并在一定程度上去 除检测结果中多余的卷云。与单波段阈值法、多波段阈值法和支持向量机这三种方法相比，文中提出的方法能够提 高强对流云团的识别精度。 关键词: 强对流云团,深度信念网络,静止气象卫星,光谱特征,纹理特征 中图分类号: TP701 文献标志码: A 引用格式 ： [DOI:] 光谱特征外，云团的形状，大小，纹理结构以及其演 1 引 言 变规律都可以作为识别的重要依据。Welch 等( 1992) 利用灰度共生矩阵法对 LANDSAT 卫星图像进行云 强对流云团常常带来短时强降水、雷雨大风、 分类，取得较好的结果。Zinner(2008)使用不同波段 冰雹、飑线、龙卷风等灾害性天气，往往会对海上的 的图像识别处于不同发展阶段的强对流云，其根据 交通运输、施工作业等造成严重的影响，因此对其 图像匹配算法计算得到位移矢量场，并与相邻时次 进行快速准确的监测具有重大意义。 的光谱图像相结合以确定出影像中存在强烈对流发 但由于海上的气象测站少，强对流天气的生命 展的区域。Bedka 等(2010)基于红外窗区纹理法识别 周期短、空间尺度小，所以使用传统的监测方法难 强对流云的上冲云顶。在不同的下垫面状况下，强 以对其所在位置进行及时准确的监测和预报。随着 对流天气的形成过程不完全相同 （刘佳伟, 2014 ）， 静止气象卫星的出现，其因覆盖范围广、时间分辨 但强对流云团在卫星影像上的光谱纹理特征基本相 率高的特点，成为了监测强对流天气的重要手段。 同，因此目前对强对流云团识别的研究并不区分海 目前，国内外利用卫星遥感技术进行强对流云团识 洋和陆地。 别的研究已经取得了一定的成果。针对不同研究区 近年来，深度学习在遥感图像识别领域的应用 域，学者们提出了不同的亮温阈值进行强对流云的 也日益深入。自从2006 年Hinton 教授等(2006)发表 识别，如207K(Hall 等, 1999)、215K(Fu 等, 1990) 、 了关于利用深度学习进行数据降维和分类的文章以 235K(Vila 等, 2008)等。Inoue( 1987)利用NOAA-7 的 来，越来越多的专家学者