高 軍,陳 建,田曉宇
基于集成學(xué)習(xí)的風(fēng)云四號遙感圖像云相態(tài)分類算法
高 軍1,2,陳 建1,田曉宇1
(1. 上海海事大學(xué) 信息工程學(xué)院,上海 201306;2. 西藏自治區(qū)經(jīng)濟(jì)和信息化廳信息化推進(jìn)處,拉薩 850033)
云相態(tài)分類在氣象預(yù)報(bào)和氣候研究中具有重要的地位。我國新一代氣象衛(wèi)星風(fēng)云四號的成像儀在光譜通道數(shù)量和空間分辨率較上一代風(fēng)云二號有較大提升,這為云相態(tài)的研究提供了新的遙感數(shù)據(jù)。本文首先對風(fēng)云四號相隔15min的遙感圖像進(jìn)行分析,然后提出亮溫云相態(tài)指數(shù),該指數(shù)可以進(jìn)行初步云相態(tài)分類,最后在此基礎(chǔ)上提出基于集成學(xué)習(xí)的云相態(tài)分類算法。實(shí)驗(yàn)結(jié)果與風(fēng)云四號官方云相態(tài)分類結(jié)果進(jìn)行比較,水云的一致率達(dá)到91.69%,冰云的一致率達(dá)到76.10%。
云相態(tài);集成學(xué)習(xí);風(fēng)云四號;遙感圖像處理
云相態(tài)是指云所處的熱力學(xué)狀態(tài),分為液態(tài)或固態(tài)。云相態(tài)變化對地球大氣輻射系統(tǒng)收支平衡、天氣系統(tǒng)的形成與演變都有不可忽視的影響,因此研究云相態(tài)對探究全球大氣變化機(jī)理,預(yù)測飛機(jī)積冰和反演云微物理性質(zhì)等都具有現(xiàn)實(shí)意義[1–3]。
衛(wèi)星遙感技術(shù)具有觀測范圍廣、不受時(shí)空限制的優(yōu)點(diǎn),越來越多的人利用衛(wèi)星遙感數(shù)據(jù)進(jìn)行云相態(tài)分類。根據(jù)衛(wèi)星成像儀觀測數(shù)據(jù)特性的不同,國內(nèi)外研究者提出了許多云相態(tài)分類算法。主要的云相態(tài)分類方法分為2種,一種為光譜閾值法,另一種為機(jī)器學(xué)習(xí)算法。光譜閾值法一直被廣泛使用,包括經(jīng)典的熱紅外波段三光譜法[4],以及后來經(jīng)過三光譜法改進(jìn)的雙光譜法[3],還有僅利用熱紅外單通道的單光譜閾值法[5]。除了使用熱紅外波段,可見光和近紅外波段也被用來進(jìn)行云相態(tài)分類,包括光譜比值[6]和光譜對應(yīng)的云微物理特性[7]等方法。單獨(dú)使用熱紅外波段或者可見光和近紅外波段有一定限制,研究者漸漸聯(lián)合使用可見光,近紅外和熱紅外波段[8]來提高云相態(tài)分類的準(zhǔn)確性。劉建[9-10]等人結(jié)合云微物理特性在風(fēng)云一號和風(fēng)云二號上使用多光譜閾值法進(jìn)行云相態(tài)分類。Himawari氣象衛(wèi)星官方[11]也使用多光譜閾值法進(jìn)行云相態(tài)分類。光譜閾值法中,無論是三光譜法,雙光譜法,多光譜法等,閾值選取上都有一定的主觀性且閾值的大小與具體的遙感數(shù)據(jù)有關(guān),易受經(jīng)緯度,季節(jié),氣候等影響。
隨著機(jī)器學(xué)習(xí)的快速發(fā)展,許多研究者使用機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行云相態(tài)分類[12],神經(jīng)網(wǎng)絡(luò)算法由于非線性擬合性突出被大量使用。從參數(shù)優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)[13]、經(jīng)過特征篩選的BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)[14-15],再到經(jīng)模擬退火算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)[16],還有自組織映射網(wǎng)絡(luò)[17]。神經(jīng)網(wǎng)絡(luò)的使用降低了建立云相態(tài)分類模型所需的成本,減少了云相態(tài)分類所需的時(shí)間。但是BP神經(jīng)網(wǎng)絡(luò)屬于有監(jiān)督學(xué)習(xí)范疇,訓(xùn)練該神經(jīng)網(wǎng)絡(luò)需要大量有標(biāo)簽的數(shù)據(jù),大部分研究者對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)都使用了官方已經(jīng)標(biāo)注的云相態(tài)數(shù)據(jù)。自組織映射網(wǎng)絡(luò)屬于無監(jiān)督學(xué)習(xí),訓(xùn)練時(shí)不需要使用標(biāo)簽數(shù)據(jù),但是訓(xùn)練數(shù)據(jù)量很大時(shí),自組織映射網(wǎng)絡(luò)神經(jīng)元數(shù)量也隨之增加,計(jì)算復(fù)雜度較高。
風(fēng)云四號A星(FY-4A)屬于新一代靜止氣象衛(wèi)星,其搭載的多通道掃描成像輻射計(jì)(Advanced Geosynchronous Radiation Imager,AGRI)為云相態(tài)分類提供了新的數(shù)據(jù)來源。相比風(fēng)云二號輻射成像儀,AGRI的觀測性能有顯著提高,其中,輻射成像儀觀測通道從5個(gè)擴(kuò)展到14個(gè)(6個(gè)可見/近紅外波段、2個(gè)中波紅外波段、2個(gè)水汽波段和4個(gè)長紅外波段),觀測時(shí)效從半小時(shí)提高到15min,最高空間分辨率從1.25km提高到500m。AGRI的觀測通道數(shù)量與國際同類衛(wèi)星相比水平相當(dāng)[18–22]。
本文針對風(fēng)云四號成像儀的多通道和相對于觀測區(qū)域靜止的特性提出一種基于集成學(xué)習(xí)的云相態(tài)分類方法,此方法包括兩步:
1)根據(jù)風(fēng)云四號特性提出亮溫云相態(tài)指數(shù),并應(yīng)用該方法建立云相態(tài)數(shù)據(jù)集。
2)使用基于集成學(xué)習(xí)的云相態(tài)分類算法,應(yīng)用云相態(tài)數(shù)據(jù)集進(jìn)行訓(xùn)練,實(shí)現(xiàn)云相態(tài)分類。
本文實(shí)驗(yàn)數(shù)據(jù)主要源于風(fēng)云四號AGRI成像儀的數(shù)據(jù)。表1列出了風(fēng)云四號AGRI成像儀的通道設(shè)置。
風(fēng)云四號AGRI的數(shù)據(jù)可以從國家衛(wèi)星氣象中心數(shù)據(jù)服務(wù)網(wǎng)獲取。截止到目前,風(fēng)云四號A星的數(shù)據(jù)產(chǎn)品包括一級數(shù)據(jù)產(chǎn)品,大氣產(chǎn)品和輻射產(chǎn)品等。本文需要用到的風(fēng)云四號產(chǎn)品包括成像儀全圓盤4KML1數(shù)據(jù)(以下簡稱:L1數(shù)據(jù)),云檢測實(shí)時(shí)產(chǎn)品(以下簡稱:云檢測數(shù)據(jù)),云相態(tài)實(shí)時(shí)產(chǎn)品(以下簡稱:云相態(tài)數(shù)據(jù))。
1.2.1 亮溫云相態(tài)指數(shù)
風(fēng)云四號屬于靜止軌道氣象衛(wèi)星,具有對同一片區(qū)域持續(xù)觀測的優(yōu)勢。15min成像間隔可以忽略太陽高度角對亮溫和反射率的影響,比較此時(shí)刻衛(wèi)星云圖和15min前的衛(wèi)星云圖,可以得到每個(gè)云像素點(diǎn)前后15min反射率和亮溫的變化量。反射率只有光照時(shí)有效,亮溫不受晝夜變化的影響,使用亮溫進(jìn)行云相態(tài)分類可以在晝夜間平滑過度。結(jié)合風(fēng)云四號A星的通道特點(diǎn),本文提出亮溫云相態(tài)指數(shù)(Brightness temperature Cloud Phase Index,BTCPI),亮溫云相態(tài)指數(shù)用公式(1)表示:
BTCPI=BTnow-BTpast(1)
式中:BTnow為當(dāng)前圖像云像素點(diǎn)對應(yīng)的亮溫值;BTpast為15min前圖像云像素點(diǎn)對應(yīng)的亮溫值。當(dāng)云層移動時(shí),遙感圖像中的云區(qū)域從水云變成冰云,或者從冰云變成水云。因?yàn)楸坪退圃诓煌ǘ蜗碌牧翜刂挡煌琜10,13],相同波段下前后15min兩張遙感圖像的亮溫值相減結(jié)果與0比較即可檢測出云相態(tài)。該公式只針對15min前后都有云且云相態(tài)發(fā)生變化區(qū)域。若某區(qū)域15 min前后從無云變成有云、有云變成無云或云相態(tài)不變,亮溫云相態(tài)指數(shù)則無法檢測出該區(qū)域的云相態(tài)。
表1 AGRI通道成像設(shè)置
為了減少噪聲對亮溫云相態(tài)指數(shù)的影響,人為設(shè)置一個(gè)常數(shù)(>0),使分類結(jié)果更加準(zhǔn)確,公式(2)如下:
當(dāng)冰云的亮溫值低于水云時(shí):15min前圖像Result<0的云區(qū)域?yàn)榈谋?,Result>0的云區(qū)域?yàn)樗啤?/p>
風(fēng)云四號A星亮溫云相態(tài)指數(shù)的示意圖如圖1所示。
圖1 亮溫云相態(tài)指數(shù)示意圖
圖1中(a)和(b)分別為風(fēng)云四號衛(wèi)星15min之前和15min后去除非云像素區(qū)域的亮溫圖,黑色區(qū)域代表無云。(c)為亮溫云相態(tài)指數(shù)得到的15min前云相態(tài)數(shù)據(jù),為了方便觀察,上色處理后,紅色代表水云,藍(lán)色代表冰云??梢钥闯?,利用亮溫云相態(tài)指數(shù)能夠清楚分類出部分冰云和水云。
1.2.2 建立訓(xùn)練和預(yù)測數(shù)據(jù)集
選取L1數(shù)據(jù)過程中,考慮晝夜和四季的變換對遙感影像遙感衛(wèi)星云圖的影響。本文選取不同季節(jié)、晝夜下的數(shù)據(jù),以豐富數(shù)據(jù)集共計(jì)48個(gè)時(shí)刻。
L1數(shù)據(jù)并不能直接用于云相態(tài)分類,需要對該數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理有2個(gè)目的:第一個(gè)利用云檢測數(shù)據(jù)去除遙感圖像中無云區(qū)域的數(shù)據(jù);第二個(gè)是對遙感圖像有云的數(shù)據(jù)進(jìn)行輻射定標(biāo)。云檢測是云相態(tài)分類的基礎(chǔ)和前提,一般先進(jìn)行云檢測,標(biāo)記出衛(wèi)星云圖中有云和無云的部分,然后再進(jìn)行云相態(tài)分類。風(fēng)云四號云檢測方法可以參考高軍等人的研究[23],風(fēng)云四號官方也給出了云檢測的結(jié)果,本文直接使用官方云檢測數(shù)據(jù)。云檢測完成后需要根據(jù)給定的輻射定標(biāo)表進(jìn)行輻射定標(biāo)。根據(jù)官方輻射定標(biāo)表,表1中,F(xiàn)Y-4A衛(wèi)星1到6號通道定標(biāo)為反射率,7到14號通道定標(biāo)為亮溫。
利用亮溫云相態(tài)指數(shù),對L1數(shù)據(jù)進(jìn)行處理,構(gòu)建云相態(tài)數(shù)據(jù)集。為了彌補(bǔ)數(shù)據(jù)集較少的情況,消除訓(xùn)練數(shù)據(jù)集和預(yù)測數(shù)據(jù)集選取的偶然性,利用6折交叉驗(yàn)證[24]的方法,將構(gòu)建好的云相態(tài)數(shù)據(jù)集分為6組,5組為訓(xùn)練集,1組為預(yù)測集。
隨機(jī)森林(Random Forest,RF)是集成學(xué)習(xí)代表算法之一。隨機(jī)森林由多棵決策樹[25]構(gòu)成,決策樹是一種重要的分類方法,單一的決策樹可能會發(fā)生過擬合。隨機(jī)森林中的決策樹引入了隨機(jī)屬性選擇,傳統(tǒng)的決策樹在當(dāng)前特征中選取最優(yōu)的特征開始進(jìn)行劃分,在隨機(jī)森林中決策樹的每個(gè)結(jié)點(diǎn)都是從特征集合中隨機(jī)選擇個(gè)特征子集,然后從特征子集中選擇最優(yōu)的特征進(jìn)行劃分[26]。隨機(jī)森林算法能夠解決過擬合等問題,還可以獲得優(yōu)越的泛化性能。集成學(xué)習(xí)示意圖如圖2所示。
圖2 集成學(xué)習(xí)示意圖
特征選取對訓(xùn)練機(jī)器學(xué)習(xí)算法有重要作用,特征選取不同可能影響最終建立模型與預(yù)測結(jié)果的好壞。水和冰的折射率虛部[27]能夠表示水、冰粒子吸收輻射的能力,也是云相態(tài)分類的一種重要參考因子[14-15],如圖3所示。
圖3 冰和水的折射率虛部隨波長變化圖
風(fēng)云四號成像儀中有波長為6.25mm、7.1mm和12mm、13.5mm通道,從圖3可以看出,6.25mm和7.1mm連線斜率與12mm和13.5mm連線斜率在水態(tài)和冰態(tài)下有差異,因此可以根據(jù)斜率來區(qū)分冰云和水云。定義水汽指數(shù)7.1和熱紅外指數(shù)13.5來描述折射虛部的斜率不同,如公式(4)和公式(5)所示:
結(jié)合其他云相態(tài)分類算法所使用的波段,本文將8.5mm和10.7mm的亮溫差BT8.5_10.7,10.7mm和12mm亮溫差BT10.7_12也作為分類的特征。集成學(xué)習(xí)特征選取如下表2所示。
表2 云相態(tài)分類特征提取
實(shí)驗(yàn)使用scikit-learn機(jī)器學(xué)習(xí)庫進(jìn)行隨機(jī)森林的平臺搭建,使用10棵決策樹進(jìn)行集成學(xué)習(xí)。隨機(jī)森林通過訓(xùn)練集形成云相態(tài)分類模型,再利用分類模型對預(yù)測集進(jìn)行預(yù)測,得到云像素點(diǎn)為水云和冰云的概率,選取概率較大者為預(yù)測的結(jié)果。
本文對云相態(tài)分類結(jié)果從兩方面進(jìn)行比較。一方面從視覺上進(jìn)行比較,另一方面從數(shù)據(jù)上進(jìn)行比較。
視覺對比法是直接通過人眼觀察結(jié)果圖像,該方法可以很直觀地看出云相態(tài)分類的結(jié)果和每種云相態(tài)的輪廓。
選取2018年10月23日7時(shí)(北京時(shí)間2018年10月23日15時(shí))的FY-4A遙感圖像作為代表,使用本文算法對該遙感圖像進(jìn)行云相態(tài)分類,得到的云相態(tài)分類結(jié)果圖和風(fēng)云四號官方云相態(tài)產(chǎn)品圖像、FY-4A通道合成圖、Himawari-8云產(chǎn)品圖像進(jìn)行比較。
圖4為3種云相態(tài)分類算法的結(jié)果圖和官方云相態(tài)圖。其中(a)為FY-4A官方云相態(tài)圖,(b)為本文算法得到的云相態(tài)分類結(jié)果圖,(c)為BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖,(d)為閾值法分類結(jié)果圖。由圖4(b)可以看出,本文算法能夠?qū)⒋蟛糠值谋坪退普_分類。FY-4A官方云相態(tài)產(chǎn)品把云分為液態(tài)水云、過冷水云、混合云、冰云。本文將液態(tài)水云和過冷水云都?xì)w為水云。官方云相態(tài)產(chǎn)品中有混合云,所以混合云部分在云相態(tài)分類結(jié)果(b)中被冰云或水云代替。
圖4 不同算法云相態(tài)分類結(jié)果圖
圖5為本文算法結(jié)果與FY-4A通道合成圖。FY-4A通道合成圖是利用通道2,通道3和通道5進(jìn)行圖像合成。3個(gè)通道的差異能夠反映水體,云和地物信息,由于水云在這3個(gè)通道的反射率接近,在合圖像中為白色,而積雪和冰云的信息在通道5的反射率遠(yuǎn)遠(yuǎn)高于水,圖像中為藍(lán)色調(diào)[19],為了提高人眼的觀測性,提高了亮度,通道合成圖像如圖5(a)所示。利用本文算法得到的云相態(tài)分類結(jié)果如圖5(b)所示,水云用紅色標(biāo)出,冰云用藍(lán)色標(biāo)出。從整體看,本文算法的云相態(tài)分類結(jié)果在不同下墊面檢測區(qū)域表現(xiàn)良好。
圖5 整體對比圖
為了比較細(xì)節(jié),選取中國區(qū)附近,澳大利亞附近區(qū)域進(jìn)行比較。針對中國區(qū)的云相態(tài)情況如圖6所示??梢钥闯鲈谒浦械募?xì)小冰云也被識別出來。針對澳大利亞區(qū)域附近云相態(tài)分類結(jié)果如圖7所示。一些細(xì)小薄云也能區(qū)分出云相態(tài)。
圖6 中國區(qū)域附近的云相態(tài)情況
圖8為本文算法結(jié)果與Himawari-8云產(chǎn)品圖像。Himawari-8監(jiān)控范圍與FY-4A有部分重合,該衛(wèi)星在2015年已經(jīng)業(yè)務(wù)化,對應(yīng)的各種氣象產(chǎn)品已經(jīng)發(fā)布。氣象產(chǎn)品中的云產(chǎn)品包含了云分類產(chǎn)品,但Himawari-8的云分類產(chǎn)品沒有明確指出具體的云相態(tài)。在ISCCP的云分類標(biāo)準(zhǔn)中[5],層云、層積云和積云屬于低云,云相態(tài)以水云為主,本文把這類云歸為水云;雨層云、高層云、高積云為中云,歸類為冰水混合云;深對流云或高云、卷云為高云,歸類為冰云。
圖7 澳大利亞附近區(qū)域的云相態(tài)情況
中國南部及周邊區(qū)域Himawari-8衛(wèi)星的云分類產(chǎn)品與云相態(tài)分類結(jié)果如圖8所示。從圖中可以看出,由于多了混合云的存在,一部分冰云和水云被歸為了混合云,但云相態(tài)分類的大致輪廓相似,存在的水云基本都被檢測出來。
圖8 中國南部及周邊區(qū)域的云相態(tài)情況
本文使用準(zhǔn)確率、錯(cuò)誤率、靈敏性和特效性4個(gè)度量對云相態(tài)分類模型進(jìn)行評估[28],對比使用官方云相態(tài)數(shù)據(jù)作為真實(shí)云相態(tài)數(shù)據(jù)。設(shè)水云為正元組,冰云為負(fù)元組,準(zhǔn)確率、錯(cuò)誤率、靈敏性和特效性計(jì)算公式如下:
式中:TP、TN、FP、FN、P、N分別表示真正例、真負(fù)例、假正例、假負(fù)例、正樣本數(shù)和負(fù)樣本數(shù)。本文算法,BP神經(jīng)網(wǎng)絡(luò),閾值法云相態(tài)分類模型6次交叉驗(yàn)證評估均值詳情如表3所示。
表3 云相態(tài)分類模型評估詳情
從表3評估結(jié)果可以看出,本文算法結(jié)果準(zhǔn)確率超過了其他兩種分類算法,分類模型效果良好。
本文提出的基于集成學(xué)習(xí)的云相態(tài)分類算法,針對FY-4遙感圖像,該算法可以提供相對良好的云相態(tài)分類結(jié)果。該算法的關(guān)鍵是利用亮溫云相態(tài)指數(shù)構(gòu)建云相態(tài)數(shù)據(jù)集。相對于傳統(tǒng)的人工標(biāo)注法和閾值法為數(shù)據(jù)貼標(biāo)簽,亮溫云相態(tài)指數(shù)對L1數(shù)據(jù)進(jìn)行初步云相態(tài)分類進(jìn)而產(chǎn)生大量標(biāo)簽且該方法對使用者先驗(yàn)知識要求不高。分類特征的提取主要利用不同波段之間對應(yīng)冰云和水云的亮溫值差異。隨機(jī)森林利用訓(xùn)練集訓(xùn)練最后建立云相態(tài)分類模型,經(jīng)過評估,該模型的分類準(zhǔn)確率較好,可以進(jìn)行快速云相態(tài)分類。云相態(tài)結(jié)果圖在視覺上和官方結(jié)果圖大致相當(dāng),能夠反映不同區(qū)域、水云冰云交界處的云相態(tài)特征,對于一些細(xì)小的薄云也能夠正確分類,總體分類效果良好,能為后續(xù)其他云數(shù)據(jù)反演工作提供參考依據(jù)。同時(shí),本文算法對云相態(tài)只劃分為水云和冰云,下一步工作中,將針對混合云相態(tài)的劃分進(jìn)行研究。
[1] Shupe M D. Clouds at Arctic Atmospheric Observatories. Part II: Thermodynamic Phase Characteristics[J]., 2011, 50(3): 645-661.
[2] Knap W H, Stammes P, Koelemeijer R B A. Cloud Thermodynamic-Phase Determination From Near-Infrared Spectra of Reflected Sunlight[J]., 2002, 59(59): 83-96.
[3] 任建奇, 嚴(yán)衛(wèi), 葉晶, 等. 云相態(tài)的衛(wèi)星遙感研究進(jìn)展[J]. 地球科學(xué)進(jìn)展, 2010, 25(10): 1051–1060.
REN Jianqi, YAN Wei, YE Jing. Advances in Satellite Remote Sensing of Cloud Phase State[J]., 2010, 25(10): 1051-1060.
[4] Ackerman S A, Smith W L, Revercomb H E, et al. The 27–28 October 1986 FIRE IFO Cirrus Case Study: Spectral Properties of Cirrus Clouds in the 8–12 μm Window[J]., 2009, 118(118): 2377-2388.
[5] Rossow W B, Schiffer R A. Advances in understanding clouds from ISCCP[J]., 1999, 80(11): 2261-2287.
[6] King M D, Platnick S, Yang P. Remote Sensing of Liquid Water and Ice Cloud Optical Thickness and Effective Radius in the Arctic: Application of Airborne Multispectral MAS Data[J]., 2004, 21(6): 857-875.
[7] WANG J, CHAO L, MIN M. Effects and Applications of Satellite Radiometer 2.25-μm Channel on Cloud Property Retrievals[J]., 2018, 99: 1-10.
[8] Arking A, Childs J D. Retrieval of Cloud Cover Parameters from Multispectral Satellite Images[J]., 2003, 24(4): 322-333.
[9] 劉健, 董超華, 朱元競, 等. FY-1C資料在云頂粒子熱力學(xué)相態(tài)分析中的應(yīng)用研究[J]. 大氣科學(xué), 2003, 27(5): 901-908.
LIU Jian, DONG Chaohua, ZHU Yuanjing. Thermodynamic Phase Analysis of Cloud Particles with FY-1C Data[J]., 2003, 27(5): 901-908.
[10] 劉健, 李云. 風(fēng)云二號靜止氣象衛(wèi)星的云相態(tài)識別算法[J].紅外與毫米波學(xué)報(bào), 2011, 30(4): 322-327.
LIU Jian, LI Yun. Cloud phase detection algorithm for geostationary satellite data[J]., 2011, 30(4): 322-327.
[11] MOURI K, IZUMI T, SUZUE H. Algorithm Theoretical Basis Document for Cloud Type/Phase Product[EB/OL]. http://www.data. jma.go.jp/mscweb/technotes/msctechrep61-2.pdf. 2016.
[12] 郭洪濤, 謝歡歡, 馬英, 等. 基于支持向量機(jī)的云相態(tài)分析[J]. 解放軍理工大學(xué)學(xué)報(bào): 自然科學(xué)版, 2012, 13(2): 226–231.
GUO Hongtao, XIE Huanhuan, MA Ying. Analysis of Cloud Phase Based on Support Vector Machine[J]., 2012, 13(2): 226-231.
[13] 熊賢成, 楊春平, 敖明武, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的云相態(tài)檢測方法研究[J]. 遙感技術(shù)與應(yīng)用, 2015,30(4): 714-718.
XIONG Xiancheng, YANG Chunping, AO Mingwu. AResearch on Cloud Phase Detection Based on BPNetural Network[J]., 2015, 30(4): 714-718.
[14] 李錫祥, 麻金繼, 梁曉芳. 基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行云相態(tài)識別方法的研究[J]. 大氣與環(huán)境光學(xué)學(xué)報(bào), 2010, 5(4): 299-304.
LI Xixiang, MA Jinji, LIANG Xiaofang. Retrieving Cloud Phase Based on BP Neural Network[J]., 2010, 5(4): 299-304
[15] 靳澤群, 張玲, 劉神聰. 基于BP神經(jīng)網(wǎng)絡(luò)的云檢測和云相態(tài)識別[J]. 光學(xué)與光電技術(shù), 2016, 14(5): 74-77.
JIN Zequn, ZHANG Ling, LIU Shencong. Cloud Detection and Cloud Phase Retrieval Based on BPNeural Network[J]., 2016, 14(5): 74-77.
[16] 盛夏, 孫龍祥, 鄭慶梅. 模擬退火優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行云相態(tài)分類[J]. 解放軍理工大學(xué)學(xué)報(bào): 自然科學(xué)版, 2008, 9(1): 98–102.
SHENG Xia, SUN Longxiang, ZHENG Qingmei. Simulated Annealing Optimized BP-ANN Method for Cloud Thermodynamic Phase Retrieval[J]., 2008, 9(1): 98-102.
[17] 郭晶, 楊春平, 葉玉堂, 等. SOFM神經(jīng)網(wǎng)絡(luò)的FY-3A/VIRR多光譜圖像云相態(tài)反演方法[J]. 光電工程, 2015, 42(12): 20-24.
GUO Jing, YANG Chunping, YE Yutang. A Cloud Phase Retrieval Approach Based on SOFM Neural Network Using FY-3A/VIRR Multi-channel Images[J]., 2015, 42(12): 20-24.
[18] 張鵬, 郭強(qiáng), 陳博洋, 等. 我國風(fēng)云四號氣象衛(wèi)星與日本Himawari-8/9衛(wèi)星比較分析[J]. 氣象科技進(jìn)展, 2016, 6(1): 72–75.
ZHANG Peng, GUO Qiang, CHEN Boyang. The Chinese Next-Generation GeostationaryMeteorological Satellite FY-4 Compared with theJapanese Himawari-8/9 Satellites[J]., 2016, 6(1): 72-75.
[19] 陸風(fēng), 張曉虎, 陳博洋, 等. 風(fēng)云四號氣象衛(wèi)星成像特性及其應(yīng)用前景[J]. 海洋氣象學(xué)報(bào), 2017, 37(2): 1-12.
LU Feng, ZHANG Xiaohu, CHEN Boyang. FY-4 geostationary meteorological satellite imaging characteristics and its application prospects[J]., 2017, 37(2): 1-12.
[20] 董瑤海. 風(fēng)云四號氣象衛(wèi)星及其應(yīng)用展望[J].上海航天, 2016, 33(2): 1–8.
DONG Yaohai. FY-4 Meteorological Satellite and its Application Prospect[J]., 2016, 33(2): 1-8.
[21] 華建文, 毛建華. “風(fēng)云四號”氣象衛(wèi)星大氣垂直探測儀[J].科學(xué), 2018, 70(1): 24-29.
HUA Jianwen, Mao Jianhua. "FY-4" MeteorologicalSatellite Atmospheric Vertical Detector[J]., 2018, 70(1): 24-29.
[22] 王淦泉, 沈霞. 風(fēng)云四號輻射成像儀及其數(shù)據(jù)在衛(wèi)星氣象中的應(yīng)用[J]. 自然雜志, 2018, 40(1): 1-11.
WANG Ganquan, SHEN Xia. The FY-4 Radiometer Imager and The Application of its Data in the Satellite Meteorology[J]., 2018, 40(1): 1-11
[23] 高軍, 王愷, 田曉宇, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)云四號遙感圖像云檢測算法[J]. 紅外與毫米波學(xué)報(bào), 2018, 37(4): 477-485.
GAO Jun, WANG Kai, TIAN Xiaoyu. A BP-NN based cloud detection method for FY-4 remote sensing images[J]., 2018, 37(4): 477-485.
[24] 范永東. 模型選擇中的交叉驗(yàn)證方法綜述[D]. 太原: 山西大學(xué), 2013.
FAN Yongdong. Overview of cross-validation methods in model selection[D]. Taiyuan: Shanxi University, 2013.
[25] 欒麗華, 吉根林. 決策樹分類技術(shù)研究[J]. 計(jì)算機(jī)工程, 2004, 30(9): 94-96.
LUAN Lihua, JI Genlin. The Study on Decision Tree Classification Techniques[J]., 2004, 30(9): 94-96.
[26] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京: 清華大學(xué)出版社, 2016.
ZHOU Zhihua.[M]. Beijing: Tsinghua Press, 2016.
[27] Strabala K I, Ackerman S A, Menzel W P. Cloud properties inferred from 8-12??m data[J]., 1994, 33(2): 212–229.
[28] HAN Jiawei, Micheline Kamber, PEI Jian. 數(shù)據(jù)挖掘概念與技術(shù)[M]. 3版, 北京: 機(jī)械工業(yè)出版社2012.
HAN Jiawei, Micheline Kamber, PEI Jian.[M]. Third Edition, Beijing: China machine press, 2012.
Ensemble-learning-based Cloud Phase Classification Method for FengYun-4 Remote Sensing Images
GAO Jun1,2,CHEN Jian1,TIAN Xiaoyu1
(1.,,201306,; 2.,,850033,)
Cloud phase classification plays an important role in meteorological forecast and climate research. The image of meteorological satellite FengYun-4 (FY-4) has more channels and better resolution than FY-2. So it provides new remote sensing data for the study of the cloud phase. This study uses a brightness temperature cloud phase index to obtain cloud phase data. Thereafter, using the cloud phase data and ensemble learning algorithm, we develop a cloud phase classification model. By applying the cloud phase classification model, the predicted classification accuracy of water cloud and ice cloud are 91.69% and 76.10%, respectively.
cloud phase, ensemble learning, FY-4, remote image processing
TP389.1
A
1001-8891(2020)01-0068-07
2019-04-08;
2019-12-15.
高軍(1979-),男,浙江嘉興人,博士,主要從事遙感信息處理、網(wǎng)絡(luò)通信方面的研究。E-mail:jungao@shmtu.edu.cn。
國家自然科學(xué)基金項(xiàng)目(61602296)。