劉揚(yáng)，王彬，韓雷

（1.中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東青島266100；2.國家氣象信息中心計(jì)算機(jī)室，北京100081）

各種類型云的輻射特性以及其分布情況，很大程度上影響著天氣預(yù)報(bào)的準(zhǔn)確性、氣候監(jiān)測的有效性和全球氣候變化等。但由于云的復(fù)雜多樣性，如何準(zhǔn)確地對衛(wèi)星云圖進(jìn)行自動(dòng)分類，仍是目前研究的熱點(diǎn)問題。

利用衛(wèi)星提供的圖像數(shù)據(jù)進(jìn)行云分類一般都要經(jīng)過3個(gè)步驟：數(shù)據(jù)預(yù)處理、特征提取和選擇、分類。早期簡單的云分類方法是基于圖像的閾值方法[1]，而隨著衛(wèi)星相關(guān)技術(shù)以及云圖質(zhì)量的提高，采用聚類的分類方法得以廣泛研究和應(yīng)用，到80年代中后期結(jié)合神經(jīng)網(wǎng)絡(luò)方法[2-3]進(jìn)行云分類的研究也開始興起。近些年的云分類研究則是在現(xiàn)有成熟理論基礎(chǔ)上加以改進(jìn)，針對具體衛(wèi)星云圖，將多種方法的優(yōu)點(diǎn)相結(jié)合[4]，使分類的結(jié)果更準(zhǔn)確合理。

本文結(jié)合近幾十年國內(nèi)外的衛(wèi)星云圖云分類研究的發(fā)展情況，主要關(guān)注兩個(gè)方面：一是特征提取和選擇的方法；二是分類的方法。并簡要介紹了對分類結(jié)果的評價(jià)方法。

1 特征提取和選擇

1.1 特征集構(gòu)成

最常用的特征是光譜特征和紋理特征。光譜特征提取的是云在不同波段的輻射信息，如云頂亮溫、可見光反照率等。這對區(qū)分不同高度的云至關(guān)重要，在可見光圖像上亮度低的為低薄云，亮度高的是高冷云，而紅外圖像則相反。但是只用光譜特征的分類結(jié)果正確率并不高，因此也要結(jié)合云圖的紋理特征進(jìn)行分析。紋理特征是指圖像某個(gè)區(qū)域相關(guān)的灰度級空間分布特征。一般通過灰度共生矩陣、灰度級差矩陣以及和差直方圖得到的統(tǒng)計(jì)數(shù)據(jù)組成紋理特征。

1.2 特征提取和選擇

衛(wèi)星資料所含的數(shù)據(jù)相當(dāng)龐大，且含有一定冗余信息。采用適當(dāng)?shù)奶卣魈崛『瓦x擇的方法可以從復(fù)雜的云系統(tǒng)特征空間中選擇出最有效的幾個(gè)特征，從而可以提高分類的運(yùn)算速度。常用的統(tǒng)計(jì)特征提取選擇算法有奇異值分解（Singular Value Decomposition，SVD）、小波包、獨(dú)立成分分析（Independent Component Analysis，ICA）等等。

SVD提供圖像的能量信息，并且提供圖像子空間上能量分布的信息Tian等人在中使用奇異值分解進(jìn)行云類的特征提取[3]。如圖1所示，分別對四種類型的云截取8×8像素的塊圖（左），各自進(jìn)行奇異值分解（右）。最大奇異值表示圖像均值，其基本體現(xiàn)圖像的光譜特征，其余的奇異值表示圖像的細(xì)節(jié)信息。Rashpal等人利用SVD方法[5]提取可見光和紅外圖像雪與云數(shù)據(jù)引起的顯著光譜和紋理特征。而Azimi-Sadjadi則介紹了一種運(yùn)動(dòng)奇異值分解（MSVD）方法[6]，用來確保時(shí)域更新算法分類的準(zhǔn)確性。

圖1 一些典型8×8像素云塊圖（左）以及各自SVD取對數(shù)后的值分布（右）Fig.1Some typical 8×8 blocks（left）and their corresponding SDV values in log domain（right）

二維小波分解能很好地反應(yīng)圖像的時(shí)頻特征，分解的子圖像能提供原圖像在不同頻帶信息。分解的層數(shù)越高，頻率分辨率越高，相應(yīng)時(shí)間分辨率降低。Tian等人同樣也采用二維Haar小波包對衛(wèi)星云圖進(jìn)行3層分解來提取特征[3]。在都使用概率神經(jīng)網(wǎng)絡(luò)分類方法的條件下，對比了SVD和小波包（Wavelet Packets，WP）2種特征提取方法。使用WP進(jìn)行特征提取在整體分類準(zhǔn)確率上不如奇異值分解，而從具體類別來看，特征值分解對于提取高層云、卷層云、層積云和非云區(qū)的特征較好，而WP對提取卷云特征較好。

2 常用云分類方法

2.1 無監(jiān)督分類方法

常用的無監(jiān)督云分類方法可分為閾值法、直方圖法、聚類法等。聚類方法是目前最常用的無監(jiān)督云分類方法，具有以下3個(gè)特點(diǎn)：1）選定某種距離度量作為樣本間的相似性度量。2）確定某個(gè)評價(jià)聚類結(jié)果質(zhì)量的準(zhǔn)則函數(shù)。3）給定某個(gè)初始分類，然后用迭代算法找出使準(zhǔn)則函數(shù)取極值的最好分類結(jié)果。Z.Ameur等人使用C-均值聚類方法進(jìn)行云分類[7]，分別從Meteosat衛(wèi)星圖像的0°、45°、90°、135°4個(gè)方向獲得紋理特征，利用K-均值聚類進(jìn)行圖像分割。Ameur等人則采用所謂的標(biāo)準(zhǔn)差限的適應(yīng)聚類（Standard Deviation Limited Adaptive Clustering，SDLAC）算法[8]，對GOES-12、MSG-SEVIRI和MODIS衛(wèi)星圖像進(jìn)行分類。SDLAC是在迭代過程中對標(biāo)準(zhǔn)差閾值和聚類中心的調(diào)節(jié)，當(dāng)聚類中心和閾值滿足要求時(shí)，就產(chǎn)生新的類別。王繼光等人則是對傳統(tǒng)單一分類方法的改進(jìn)，該方法綜合了遺傳算法（Genetic Algorithm，GA）、模糊C-均值聚類和模糊減法聚類[4]。GA最大的特點(diǎn)是基于全局的隨機(jī)搜索，迭代過程能避免陷入局部最優(yōu)，因此和聚類方法優(yōu)缺點(diǎn)互補(bǔ)。

2.2 有監(jiān)督分類方法

常用的有監(jiān)督云分類方法有近鄰法、最大似然估計(jì)法（Maximum Likelihood Estimate，MLE）、支持向量機(jī)（Support Vector Machines，SVM）等。Azimi-Sadjadi等人運(yùn)用一種等級結(jié)構(gòu)的SVM云分類方法，對GOES8衛(wèi)星的紅外通道數(shù)據(jù)用SVD方法提取特征，將圖像劃分為10類[9]。整個(gè)分類系統(tǒng)由9個(gè)兩類SVM分類器構(gòu)成，分類結(jié)構(gòu)圖如圖2所示。其中對暖陸地、冷陸地和暖水域分類準(zhǔn)確率達(dá)90%以上；對于高云如密卷云和卷層云以及低云中的層積云分類結(jié)果較為理想，整個(gè)系統(tǒng)的分類準(zhǔn)確率在78.5%左右，如果更好地利用可見光信息，準(zhǔn)確率會(huì)有所提高。

圖2 衛(wèi)星云圖分類結(jié)構(gòu)圖Fig.2Structure chart of cloud classification

2.3 神經(jīng)網(wǎng)絡(luò)分類方法

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，使用神經(jīng)網(wǎng)絡(luò)對衛(wèi)星圖像云分類的研究也有不少進(jìn)展。常用于云分類的神經(jīng)網(wǎng)絡(luò)主要有BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）和自組織映射（Self Organizing Feature Maps，SOM）網(wǎng)絡(luò)。

2.3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)即反饋神經(jīng)網(wǎng)絡(luò)，一般由輸入層、隱含層和輸出層構(gòu)成。輸入層輸入的是樣本特征矩陣，輸出層輸出的是樣本分類類別。網(wǎng)絡(luò)訓(xùn)練經(jīng)過兩個(gè)過程。前向傳播是信號由輸入層單元傳到隱層單元，經(jīng)隱層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產(chǎn)生一個(gè)輸出模式，這是一個(gè)逐層狀態(tài)更新的過程。若輸出與期望輸出模式有誤差且誤差不滿足要求時(shí)，誤差轉(zhuǎn)入后向傳播過程，將誤差值沿連接通路逐層傳送并修正各層連接權(quán)值。

Welch等人用BP神經(jīng)網(wǎng)絡(luò)將AVHRR-LAC數(shù)據(jù)圖像分成10類[2]。網(wǎng)絡(luò)結(jié)果是20-55-55-10，其中20表示輸入的特征空間的維數(shù)。采用bootstrap方法獲得分類的整體正確率為87.6%。師春香等人介紹了利用BP神經(jīng)網(wǎng)絡(luò)對NOAAAVHRR衛(wèi)星圖像進(jìn)行云分類[10]。網(wǎng)絡(luò)采用20-40-15-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，其中輸入層神經(jīng)元個(gè)數(shù)是特征空間的維數(shù)，輸出層神經(jīng)元個(gè)數(shù)表示看了8種類別。對大量樣本進(jìn)行訓(xùn)練和驗(yàn)證后，分類的整體正確率有78%以上。

2.3.2 概率神經(jīng)網(wǎng)絡(luò)（PNN）

PNN網(wǎng)絡(luò)也是由3層組成，其中輸入層也是輸入樣本特征空間矩陣，隱含層主要有兩個(gè)作用，一個(gè)是根據(jù)樣本構(gòu)成概率密度函數(shù)p（cj|x|）估計(jì)，二是根據(jù)概率密度函數(shù)構(gòu)成貝葉斯風(fēng)險(xiǎn)函數(shù)，輸出層根據(jù)貝葉斯估計(jì)準(zhǔn)側(cè)，做出判別。

Tian等人也利用PNN網(wǎng)絡(luò)對GOES-8數(shù)據(jù)進(jìn)行分類[3]，分類整體準(zhǔn)確率有83.4%—83.8%，但是對于中層云與底層云的分類準(zhǔn)確率不高。Bankert等人采用PNN網(wǎng)絡(luò)對AVHRR數(shù)據(jù)按16×16像素的塊處理[11]，將圖像劃分為10類，分別采用hold-one-out和bootstrap方法來獲得分類器理論準(zhǔn)確率分別是79.8%和77.1%。

2.3.3 SOM網(wǎng)絡(luò)

SOM網(wǎng)絡(luò)主要算法是一種無監(jiān)督的聚類方法，將任意輸入模式在輸入層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變。在競爭層對輸入模式的反復(fù)自組織學(xué)習(xí)，得到分類結(jié)果表示出來。

LIU Yu等人認(rèn)為相比FY-2C目前使用的窗口聚類算法，SOM方法用于分類效果更好[12]。FY-2C現(xiàn)有的云分類產(chǎn)品是利用紅外通道的數(shù)據(jù)檢測云，使用水汽通道的亮溫梯度區(qū)分出高層云，使用32×32像素塊作為分類基本單元并使用聚類方法分類。分類結(jié)果表明，SOM方法不僅從像素級別上極大地改進(jìn)分類結(jié)果，也能夠準(zhǔn)確的將云團(tuán)分類成積雨云、卷云和高層云。

3 分類結(jié)果評判及方法比較

云分類研究因應(yīng)用目的的不同而有很大差異，對于各種分類結(jié)果的評判主要有兩種手段：一種是根據(jù)氣象專家人工評判分類結(jié)果；另一種則是根據(jù)統(tǒng)計(jì)的方法來計(jì)算分類的理論準(zhǔn)確率，如交叉驗(yàn)證hold-one-out[11]和bootstrap[2，11]方法。前者是通過對比專家標(biāo)記過的云圖來進(jìn)行評判，后者則是通過對訓(xùn)練樣本采用一定的方法重采樣構(gòu)成樣本子集，對形成的分類器再次進(jìn)行測試，得出最優(yōu)結(jié)果的分類準(zhǔn)確率。這種方法由于不能包括所有云類型情況并且計(jì)算量大，所以存在一定誤差，因此對分類結(jié)果的評價(jià)目前仍多以人工評價(jià)為主[13-14]。由于運(yùn)用不同的衛(wèi)星數(shù)據(jù)、不同的特征、不同種類和數(shù)量的類型原因等，很難定量比較分類方法的優(yōu)劣，但是對各種分類方法進(jìn)行定性比較不僅有利于方法的改進(jìn)，還有助于在遙感業(yè)務(wù)上的應(yīng)用?，F(xiàn)有的云分類研究中，有對一些分類方法進(jìn)行比較的工作，得出了各方法的特點(diǎn)。文獻(xiàn)[3]是通過驗(yàn)證GOES-8數(shù)據(jù)，比較了PNN和SOM這兩種神經(jīng)網(wǎng)絡(luò)的分類方法。如圖3所示，（a）是作為分類結(jié)果的參照標(biāo)準(zhǔn)，（b）是同一場景使用PNN訓(xùn)練樣本所得的分類結(jié)果，（c）是使用SOM網(wǎng)絡(luò)訓(xùn)練得到的分類結(jié)果，文獻(xiàn)中指出使用PNN分類的統(tǒng)計(jì)正確率相對使用SOM網(wǎng)絡(luò)分類的正確率要高，但是SOM的網(wǎng)絡(luò)訓(xùn)練時(shí)間相對要短很多，而且分類后的云團(tuán)邊界要比使用PNN分類的云邊緣更光滑。

圖3 使用PNN和SOM分類結(jié)果圖Fig.3Classification comparison chart using PNN and SOM

4 結(jié)論

綜上所述，使用衛(wèi)星圖像進(jìn)行云分類識別，是遙感圖像領(lǐng)域的熱點(diǎn)和難點(diǎn)。對衛(wèi)星云圖進(jìn)行分類核心問題是特征提取和選擇，以及分類器的設(shè)計(jì)。前者是影響分類結(jié)果的關(guān)鍵因素，后者是決定最終分類性能的重要環(huán)節(jié)。

現(xiàn)有的云分類研究，是針對某個(gè)地區(qū)或一些特定的云型設(shè)計(jì)的，由于各方法所用的衛(wèi)星數(shù)據(jù)、提取和選擇的特征、涉及云的類型不同等原因，各分類器有各自的特點(diǎn)。而今后多種分類方法的結(jié)合、多種衛(wèi)星資料的結(jié)合也是這一研究領(lǐng)域的發(fā)展方向。

[1]Desbois M，Seze G，Szejwach G.Automatic classification of cloudsonMETEOSATimagery[J].JournalofApplied Meteorology，1981，3（21）:401-412.

[2]WelchRM，Sengupta SK，GorochAK.Polarcloud and surface classification using AVHRR imagery:an intercomparison of methods[J].Journal of Applied Meteorology，1992，5（31）：405-421.

[3]Tian B，Shaikh M A，Azimi-Sadjadi M R，et al.A study of cloud classi cation with neural networks using spectral and textural features[J].IEEE transactions on neural networks，1999，1（10）：138-151.

[4]王繼光，張韌，洪梅，等.衛(wèi)星云圖云分類的一種綜合優(yōu)化聚類方法[J].解放軍理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，6（6）：585-590.WANG Ji-guang，ZHANG Ren，HONG Mei，et al.Synthetical optimization clustering method for classifying cloud from satellite images[J].Journal of PLA University of Science and Technology：natural science edition，2005，6（6）：585-590.

[5]Rashpal K，Ganju A.Cloud classification in NOAA/AVHRR imageries using spectral and textural features[J].Journal of The Indian Society of Remote Sensing，2008，36（2）：167-174.

[6]Azimi-Sadjadi M R，GAO Wen-feng，Haar T V，etc.Temporal updating scheme for PNN with application to satellite cloud classification-further results[J].IEEE transactions on neural networks，2001（12）：1196-1203.

[7]Ameur Z，Ameur S，Adane A，et al.Cloud classi cation using the textural features of Meteosat images[J].Remote Sensing，2004，25（4）:4491-4503.

[8]Berendes T A，Mecikalski J R，MacKenzie Jr.W M，et al.Convective cloud identification and classification in daytime satellite imagery using standard deviation limited adaptive clustering[J].Journal of Geophysical Research，2008，113（20）:1-9.

[9]Azimi-Sadjadi M R，Zekavat S R.Cloud Classification Using Support Vector Machines[C]//Geosicience and Remote Sensing Symposium，USA:IEEE，2000（2）:669-671.

[10]師春香，瞿建華.用神經(jīng)網(wǎng)絡(luò)方法對NOAA-AVHRR資料進(jìn)行云客觀分類[J].氣象學(xué)報(bào)，2002，60（2）:250-255.SHI Chun-xiang，QU Jian-hua.Cloud classification for NOAA-AVHRR data by using a neural network[J].Acta Meteorologica Sinica，2002，60（2）:250-255.

[11]Bankert R L.Cloud classification of AVHRR imagery in maritime regions using a probabilistic neural network[J].Journal of Applied Meteorology，1994，33（8）:909-918.

[12]LIU Yu，XIA Jun，SHI Chun-xiang，et al.An improved cloudclassificationalgorithmforchinaFY-2Cmultichannel images using artificial neural network[J].Sensors，2009，9（7）:5558-5579.

[13]Berendes T A，Kuo K S，Logar A M，et al.A comparison of paired histogram，maximum likelihood，class elimination，and neural network approaches for daylight global cloud classificationusingAVHRR imagery[J].Journal of Geophysical Research，1999，104（6）:6199-6213.

[14]師春香，吳蓉璋，項(xiàng)續(xù)康.多閾值和神經(jīng)網(wǎng)絡(luò)衛(wèi)星云圖云系自動(dòng)分割試驗(yàn)[J].應(yīng)用氣象學(xué)報(bào)，2001，12（1）:70-78.SHI Chun-xiang，WU Rong-zhang，XIANG Xu-kang.Automatic segmentation of satellite image using hierarchical threshold and beural network[J].Quarterly Journal of Applied Meteorology，2001，12（1）:70-78.