基于多尺度特征的遥感云图分类的中期报告.docxVIP

基于多尺度特征的遥感云图分类的中期报告 本次研究旨在基于多尺度特征来进行遥感云图分类，利用卷积神经网络（CNN）来提取影像特征并对不同尺度下的云图进行分类。本中期报告主要介绍了以下部分工作：数据预处理和CNN网络设计。 1. 数据预处理 数据预处理是遥感图像处理的重要步骤，本次研究使用了MODIS卫星的遥感云图数据集，共有多个地区的数据。对于每个地区，我们将进行以下处理： （1）去除无效数据和低云层。MODIS云检测产品提供了五个不同的分类结果，包括雪、陆地、水体、云和低云。对于本次研究，我们仅保留云和非云像素数据，并去除低云层的数据。 （2）划分训练集和测试集。我们将训练集和测试集按8:2的比例划分。在划分时，我们确保每个类别的比例相同，同时保证训练集和测试集的地理位置均匀分布。 2. CNN网络设计 本次研究采用了深度卷积神经网络（DCNN）来学习云图特征，包括四个卷积层和两个全连接层。其中，每个卷积层后都紧跟一个池化层，以提取高层次的特征。卷积核大小分别为3x3和5x5，激活函数为ReLU。全连接层以softmax作为激活函数，输出各类别的概率值，用于分类判断。 3. 实验与结果 本次研究使用Python编程语言以及Keras深度学习框架来实现CNN的训练和测试。训练时使用了Adam优化器，损失函数为交叉熵。在对测试集进行分类时，我们比较了准确率、精度、召回率和F1值等评价指标。 初步实验结果表明，基于多尺度特征的CNN分类方法在遥感云图分类中表现良好，取得了较高的分类准确率、精度、召回率和F1值。在后续工作中，我们将继续探索和改进这一方法，以提高云图分类的准确性和鲁棒性。