張永宏，劉 昊，田 偉，王劍庚

（1.南京信息工程大學(xué)氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，南京 210044；2.南京信息工程大學(xué)自動化學(xué)院，南京 210044；3.南京信息工程大學(xué)計算機與軟件學(xué)院，南京 210044；4.南京信息工程大學(xué)大氣物理學(xué)院，南京 210044）

0 引言

降雨是高原山地滑坡、泥石流等自然災(zāi)害的主要的誘發(fā)因素，并且對流性降水具有易突發(fā)、分布廣的特點，因此加強監(jiān)測對流天氣對于防災(zāi)減災(zāi)有重大意義。目前以數(shù)值預(yù)報法和雷達(dá)回波外推法為主的降雨預(yù)測方法在平原地區(qū)預(yù)測較為準(zhǔn)確，如陳森發(fā)等［1］、趙欣等［2］使用數(shù)值預(yù)報法利用函數(shù)關(guān)系建立物理方程，模擬大氣運動模型，進(jìn)而意味著降水變化將被規(guī)律化、公式化，計算機對初始狀態(tài)演變的預(yù)測具有很大的不確定性，并且數(shù)學(xué)模型建立復(fù)雜，反而會限制模型的準(zhǔn)確性；而文獻(xiàn)［3］使用的雷達(dá)回波外推法雖然應(yīng)用在平原地區(qū)時精度較高，但先后使用光流估計法和外推雷達(dá)回波兩種方法容易產(chǎn)生累積誤差，要設(shè)置合理的模型參數(shù)就變得很困難，模型參數(shù)的好壞會直接影響預(yù)報是否準(zhǔn)確，實際雷達(dá)回波在生長、消亡的過程中反射因子不守恒，利用偏微分方程求解光流場只適用于回波間運動較小的情況，對移速較快的回波誤差較大。所以對于面積廣闊、地面雷達(dá)觀測站稀少、自然條件復(fù)雜、氣候多變的青藏高原，數(shù)值預(yù)報法與雷達(dá)回波外推法并不適用。因此本文利用我國新一代的氣象衛(wèi)星風(fēng)云四號A 星多通道掃描成像輻射計（FengYun-4A/Advanced Geostationary Radiation Imager，F(xiàn)Y-4A/AGRI）高光譜分辨率、高時間分辨率、高空間分辨率的特點，彌補以上雷達(dá)觀測手段在監(jiān)測、預(yù)警方面的不足，再結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行短時降雨云團(tuán)分割，提取對流云團(tuán)降水特征，以此提升對流等高時空變化天氣現(xiàn)象的監(jiān)測預(yù)警水平，得到有價值的衛(wèi)星云團(tuán)降水檢測預(yù)警信息。

國內(nèi)外對于對流云團(tuán)識別已開展很多研究，盧乃錳等［4］通過氣象衛(wèi)星紅外云圖發(fā)現(xiàn)降水云團(tuán)云頂亮溫與溫度梯度具有較強的相關(guān)性；李森等［5］通過“逆向搜索法”提取強對流云團(tuán)的輪廓信息，再對其進(jìn)行平滑處理以識別衛(wèi)星云圖中的強對流云團(tuán)；趙文化等［6］利用靜止氣象衛(wèi)星紅外通道數(shù)據(jù)對比分析微波觀測數(shù)據(jù)獲得對流云團(tuán)與雷達(dá)回波強度的關(guān)系，從而確立對流云團(tuán)識別閾值；周曉麗等［7］分析紅外、水汽通道及通道差的光譜特征，利用統(tǒng)計方法確定閾值范圍后建立對流云團(tuán)多閾值識別方法；吳曉京等［8］利用模糊支持向量機（Fuzzy Support Vector Machine，F(xiàn)SVM）建立雨強與云團(tuán)特征之間的機器學(xué)習(xí)數(shù)學(xué)關(guān)系標(biāo)識強降雨云團(tuán)；Wolf等［9］針對不同強度的對流云團(tuán)分別設(shè)定亮溫閾值的方法檢測對流云團(tuán)；Mahovi?等［10］通過氣象衛(wèi)星的通道差值自動識別對流云團(tuán)。以上采用設(shè)定閾值識別對流云團(tuán)的方法要求較高的先驗知識，不能自適應(yīng)提取降雨云團(tuán)特征，并且其泛化、分類能力不佳。如今，許多研究人員將遷移學(xué)習(xí)應(yīng)用到遙感圖像分割領(lǐng)域：許玥等［11］結(jié)合U-net架構(gòu)與全連接條件隨機場，在縮短預(yù)測時間的同時提升精度并得到更加細(xì)致的分割邊緣；周明非等［12］使用均值漂移算法對經(jīng)過紋理去除的遙感圖像進(jìn)行無監(jiān)督聚類，達(dá)到分割的目的；夏勇等［13］提出了一種基于數(shù)學(xué)形態(tài)學(xué)的多重分形估計算法，描述遙感圖像中的紋理信息，并構(gòu)造了基于圖像四叉樹的多尺度分割方法來降低計算復(fù)雜度。

因此，本文提出了一個能夠充分提取新一代氣象衛(wèi)星FY-4A/AGRI 多個通道光譜特征信息，并且具有高精度，適用于高原地區(qū)、復(fù)雜地形的降雨云團(tuán)分割預(yù)測模型。陳天華等［14］首次將DeepLab v3應(yīng)用于遙感圖像分割得到較好的像素級分割結(jié)果，并且此分割網(wǎng)絡(luò)具有高性能和結(jié)構(gòu)簡單的特點，因此本文以DeepLab v3 為基礎(chǔ)，優(yōu)化上采樣方式及空間金字塔網(wǎng)絡(luò)結(jié)構(gòu)，通過融合語義分割模型中不同卷積層的特征，學(xué)習(xí)從低層到物體層次的多尺度邊緣信息，為語義分割提供豐富準(zhǔn)確的物體邊界信息［15］，添加注意力機制模塊，并使用同步長卷積替代池化層，組成完整的檢測、分割降雨云團(tuán)的流程，為高原地區(qū)的降雨預(yù)測、預(yù)報提供參考價值，為易發(fā)生高原山地泥石流、滑坡等自然災(zāi)害的地區(qū)提供預(yù)警。

1 降雨云團(tuán)分割模型

1.1 模型總體框架

本文是對西藏地區(qū)的高原降雨云團(tuán)進(jìn)行檢測分割，然而受復(fù)雜山地的下墊面影響，其光譜特征復(fù)雜多變，并且降雨云團(tuán)剛性結(jié)構(gòu)差，邊界輪廓多變，大小變化無規(guī)律，無法使用同一尺度提取特征，降雨區(qū)域與背景的比例嚴(yán)重失衡，為降雨云團(tuán)檢測與分割大大增加了難度。為了解決這些難點，本文在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計和優(yōu)化過程中，著重于小降雨云團(tuán)的檢測分割與邊緣輪廓的提取，增強模型的泛化能力。同時，基于深度卷積神經(jīng)網(wǎng)絡(luò)的語義分割模型對樣本中正負(fù)樣本的平衡度非常敏感，平衡的數(shù)據(jù)集很大程度上提升模型的分類性能，本文改進(jìn)多尺度特征采樣，并且加入注意力機制模塊解決正負(fù)樣本不平衡的問題。模型訓(xùn)練和測試流程如圖1所示。

圖1 降雨云團(tuán)分割模型訓(xùn)練和測試流程Fig.1 Training and testing process of rainfall cloud segmentation model

本文使用的改進(jìn)后的DeepLab v3 語義分割模型如圖2所示。

圖2 降雨云團(tuán)分割模型Fig.2 Rainfall cloud segmentation model

使用Tensorflow深度學(xué)習(xí)框架進(jìn)行構(gòu)建，該模型主要由編碼網(wǎng)絡(luò)、空間金字塔模塊（Atrous Spatial Pyramid Pooling，ASPP）、注意力機制模塊（Attention Module，AM）、解碼網(wǎng)絡(luò)四部分組成。編碼網(wǎng)絡(luò)的輸出通過注意力機制模塊和空間金字塔模塊的輸出融合作為解碼網(wǎng)絡(luò)的輸入，并且當(dāng)下采樣輸出步長（output_stride）為8 時，將低層級提供的細(xì)節(jié)特征信息融入到上采樣過程中。

編碼網(wǎng)絡(luò)對輸入數(shù)據(jù)下采樣，由一個步長為2、卷積核大小為7×7 的卷積層，一個步長為2、卷積核大小為3×3 的卷積層和4 個殘差模塊組成，輸入數(shù)據(jù)每經(jīng)過一次卷積或殘差模塊，特征圖的寬和高都會縮小為上層的1/2，但特征圖的深度為上層的2 倍，此下采樣過程將高維向量轉(zhuǎn)換為低維向量，實現(xiàn)了高維特征的低維提取，殘差模塊的使用有利于減少深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練時產(chǎn)生過擬合的現(xiàn)象。原始的DeepLab v3在下采樣過程中使用的最大池化層雖然能夠捕捉降雨云團(tuán)的平移不變性特征，多個最大池化下采樣層可以為分類器魯棒地獲取更多的平移不變性，但是得到的特征圖空間分辨率會相應(yīng)地降低［16］，不利于云團(tuán)的邊緣特征提取，損失了特征圖重要的邊界分割信息，因此使用了相同步長卷積層來代替最大池化層，使得特征圖中云團(tuán)的邊界部分得以保存，更有利于一些細(xì)小云團(tuán)的檢測。在模型的中間層除了原有的空間金字塔結(jié)構(gòu)，本文加入了全新的注意力機制模塊，進(jìn)一步提升模型的特征提取能力，極大提升了中間層提取降雨云團(tuán)高維特征的能力。解碼網(wǎng)絡(luò)上采樣恢復(fù)特征圖分辨率，由4 個步長為2、卷積核大小為3×3 反卷積層和1 個步長為1、卷積核大小為1×1的卷積層組成，每經(jīng)過一次反卷積特征圖的寬和高都會放大2倍，但特征圖的深度為上層的1/2，最后一層卷積使特征圖達(dá)到同標(biāo)簽相同維度。算法偽代碼描述如下：

1.2 空間金字塔模塊

多尺度采樣的空間金字塔模塊由3 個空洞卷積和1 個1×1 的卷積組成，從而可以多尺度地提取降雨云團(tuán)高光譜特征。一般情況下，當(dāng)下采樣輸出步長為16，ASPP 模塊的空洞卷積使用了［6，12，18］的空洞率，但是對于背景區(qū)域面積遠(yuǎn)大于降雨區(qū)域面積的數(shù)據(jù)來說，［6，12，18］的空洞率過大，會遺漏很多降雨云團(tuán)的輪廓特征，不利于提取小云團(tuán)特征。因此，采用了標(biāo)準(zhǔn)化設(shè)計（Hybrid Dilated Convolution，HDC）的方法［17］，將空洞率設(shè)置為鋸齒狀，其設(shè)計方法如式（1）：

其中：rn第n層空洞率；Mn第n層最大空洞率?？臻g金字塔結(jié)構(gòu)如圖3所示。

圖3 空間金字塔結(jié)構(gòu)Fig.3 Spatial pyramid structure

1.3 注意力機制模塊

注意力機制模塊主要是為了細(xì)化階段的特征，首先特征矩陣經(jīng)過一個2×2 的卷積層、歸一化和激活函數(shù)Sigmoid，再與初始特征矩陣相乘，計算注意力向量提升特征學(xué)習(xí)，可以在多尺度采樣后進(jìn)一步細(xì)化小像素點降雨云團(tuán)的特征結(jié)構(gòu)。

利用注意力機制模塊不需要任何的過采樣操作就能獲得全局語義信息，以此來修正特征圖，注意力機制模塊捕獲全局上下文信息，并計算一個注意向量來指導(dǎo)特征學(xué)習(xí)。此設(shè)計可以細(xì)化上下文中各階段的輸出特性，并且它幾乎不需要額外的計算資源，其結(jié)構(gòu)如圖4所示。

圖4 注意力機制模塊Fig.4 Attention mechanism module

對比注意力機制模塊的輸入A和輸出C，代表降雨云團(tuán)的元素值變大，能夠有效地學(xué)習(xí)降雨云團(tuán)特征，使模型集中“注意力”于降雨云團(tuán)，從而提高模型精度。

1.4 反卷積上采樣技術(shù)

空間金字塔和注意力機制模塊的特征圖融合后作為解碼網(wǎng)絡(luò)的輸入，在解碼的過程中使用分層的反卷積代替原有的雙線性插值的方法，其計算方法如式（2）。對特征圖進(jìn)行上采樣學(xué)習(xí)特征，恢復(fù)特征圖到原像素空間，以便計算損失并反饋到網(wǎng)絡(luò)訓(xùn)練的過程中，預(yù)測每個像素類別［18］。反卷積恢復(fù)了更多的邊界信息，優(yōu)化了模型對于小降雨云團(tuán)的分割效果以及降雨云團(tuán)的輪廓提取。

2 實驗結(jié)果與分析

2.1 數(shù)據(jù)集制作

2.1.1 標(biāo)簽制作

本文使用的實驗數(shù)據(jù)為FY-4A/AGRI 氣象衛(wèi)星全圓盤數(shù)據(jù)，其空間分辨率4 km，全圓盤掃描時間15 min，實驗標(biāo)簽以全球降水觀測計劃多星集成降水（Global Precipitation Measurement，GPM）產(chǎn)品為參考標(biāo)準(zhǔn)，GPM 產(chǎn)品是高時空分辨率GPM 衛(wèi)星群的紅外、微波相互校準(zhǔn)反演而得，并利用地面實際降雨數(shù)據(jù)修正后的衛(wèi)星降水觀測產(chǎn)品，因此具有較高的客觀準(zhǔn)確性，如圖5 所示。實驗使用了時間跨度為2018 年4 月至2018 年7 月的降水時刻數(shù)據(jù)。FY-4A/AGRI 氣象衛(wèi)星具有多通道的特點，但西藏地區(qū)的降雨多發(fā)生在夜間，因此去除了3個可見光通道，使用了剩余的11個通道數(shù)據(jù)，作為原始數(shù)據(jù)。本文實驗標(biāo)簽由labelme 工具手動標(biāo)注，根據(jù)GPM 降雨產(chǎn)品將降雨區(qū)域在相應(yīng)時間的FY-4A/AGRI 衛(wèi)星影像上進(jìn)行標(biāo)注，將降雨區(qū)標(biāo)注為1，非降雨區(qū)域及其他背景標(biāo)注為0，標(biāo)注結(jié)果如圖6所示。

圖5 GPM產(chǎn)品Fig.5 GPM product

圖6 手工標(biāo)注標(biāo)簽Fig.6 Manual labeling

2.1.2 訓(xùn)練數(shù)據(jù)預(yù)處理

在獲取原始HDF 格式FY-4A/AGRI 數(shù)據(jù)后，需要對其進(jìn)行預(yù)處理。主要的數(shù)據(jù)預(yù)處理步驟包括：數(shù)據(jù)格式轉(zhuǎn)換、數(shù)據(jù)中心化、原始樣本切割和重疊采樣，經(jīng)過預(yù)處理后的數(shù)據(jù)輸入語義分割模型中進(jìn)行訓(xùn)練。

利用python 讀取HDF 格式的FY-4A/AGRI 數(shù)據(jù)，并轉(zhuǎn)換為數(shù)組后，計算每個通道的均值，然后使每個通道特征維度都減去相應(yīng)的均值，使數(shù)據(jù)變成均值為0，數(shù)據(jù)中心化預(yù)處理有利于提升模型的收斂速度。

西藏地區(qū)截取尺寸為高256 像素、寬512 像素的矩形區(qū)域，由于計算機硬件資源有限，需要將原始數(shù)據(jù)直接分割后作為輸入放入網(wǎng)絡(luò)中訓(xùn)練，并且在實際選取的樣本中背景與降雨區(qū)域比例存在嚴(yán)重不均衡的問題，背景像素占總像素比例超過了99%。若將樣本尺寸切割過小進(jìn)行訓(xùn)練，則訓(xùn)練數(shù)據(jù)會出現(xiàn)大量樣本全部為背景，少量樣本包含降雨云團(tuán)，這對模型訓(xùn)練及檢測分割是不利的。太大的切割尺寸在訓(xùn)練時會消耗大量的顯卡顯存、時間、內(nèi)存，越大的切割尺寸就會導(dǎo)致越小的樣本數(shù)據(jù)量，訓(xùn)練過程中就會更加容易出現(xiàn)過擬合的情況。為了使每個輸入樣本都包含降雨云團(tuán)，并且在有限的計算機資源下順利輸入樣本，提高模型對于降雨云團(tuán)的檢測分割精度，本文實驗最終選擇了256×256 的切割尺寸。由于深度語義分割模型訓(xùn)練需要大量的數(shù)據(jù)集作為支撐防止過擬合問題的發(fā)生，在水平方向上對其進(jìn)行步長為16 像素的重疊切割來擴充數(shù)據(jù)量達(dá)到數(shù)據(jù)增強的作用，重疊切割可以減少分類過程中的拼接痕跡，提高分類效果。

樣本切割完成后，對其進(jìn)行旋轉(zhuǎn)，分別旋轉(zhuǎn)了90°、180°、270°，利用數(shù)據(jù)增強的方式增加了樣本量，也保證了分類的準(zhǔn)確性。最終生成用于模型訓(xùn)練的數(shù)據(jù)集如表1所示。

表1 數(shù)據(jù)集大小及特征Tab.1 Dataset size and characteristics

2.2 實驗參數(shù)設(shè)置

在訓(xùn)練前對語義分割網(wǎng)絡(luò)模型進(jìn)行主要的參數(shù)設(shè)置，總訓(xùn)練次數(shù)（iterations）為18 000，學(xué)習(xí)率（learning rate）初始值設(shè)為0.000 2，并且當(dāng)?shù)螖?shù)為5 000 和9 000 時，學(xué)習(xí)率為之前的1/10，在保持模型收斂速度的同時，又不會導(dǎo)致發(fā)散。動量參數(shù)（momentum）設(shè)置為0.9，其目的是加快模型收斂速度。權(quán)重衰減參數(shù)（weight decay）設(shè)為1E-5。調(diào)整模型復(fù)雜度對損失函數(shù)的影響，空洞率設(shè)置為［1，2，3］。

2.3 精度評價指標(biāo)

分類模型訓(xùn)練結(jié)束之后需要判斷其分類的性能，尤其對于二分類而言，常用的評價模型精確度指標(biāo)有平均交并比（Mean intersection over union，Miou）、準(zhǔn)確率（accuracy）、精確度（precession）、召回率（recall）、F1分?jǐn)?shù)（F1-score）。但正負(fù)樣本存在不平衡的問題，背景占總比例極高，為了保證評價指標(biāo)的客觀準(zhǔn)確，本文采用基于混淆矩陣（confusion matrix）的評價指標(biāo)Miou 對降雨云團(tuán)的分割結(jié)果進(jìn)行精度評估。Miou計算公式：

其中：pij表示真實值為i，被預(yù)測為j的數(shù)量；pji表示真實值為j，被預(yù)測為i的數(shù)量；pii表示真實值為i，被預(yù)測為i的數(shù)量；m表示除背景外的正樣本種類數(shù)量,計算第0項至m項總和。

2.4 各階段優(yōu)化對于分割結(jié)果的影響

為了對比不同階段優(yōu)化方式對于分割結(jié)果的影響，以2018-07-21 20：00：00 為例分割降雨云團(tuán)，真值如圖7 所示，對比在不同的網(wǎng)絡(luò)結(jié)構(gòu)下，對比降雨云團(tuán)的分割結(jié)果、分割精度與損失的影響。以下預(yù)測圖中黑色區(qū)域為降雨云團(tuán)。

圖7 2018年7月21日20點0分0秒降雨云團(tuán)Fig.7 Rainfall cloud at 2018-07-21 20：00：00

2.4.1 上采樣方式對分割結(jié)果的影響

原始的DeepLab v3網(wǎng)絡(luò)使用了雙線性插值的方式上采樣恢復(fù)特征信息，雙線性插值原理是利用圖像中目標(biāo)點四周的四個真實存在的像素值來共同決定目標(biāo)圖中的一個像素值，但是這種上采樣方式不能完全恢復(fù)云團(tuán)的邊界信息，導(dǎo)致一些小的像素點被誤認(rèn)為是背景。使用反卷積代替雙線性插值，將上一層的特征圖放大，本質(zhì)上依然是利用卷積的計算方式恢復(fù)目標(biāo)信息，包含更多的細(xì)節(jié)信息，能夠較好地將特征圖中的主要信息提取出來，去除冗余的特征信息，不同的上采樣方式分割結(jié)果如圖8（a）和圖8（b）所示。

對比圖8（a）和圖8（b）可以發(fā)現(xiàn)：使用雙線性插值上采樣時，分割結(jié)果較差，只能分割出較大的降雨云團(tuán)，遺漏了較小的降雨云團(tuán)；而采用反卷積的上采樣方式時，由于反卷積層的存在，加強了網(wǎng)絡(luò)模型的學(xué)習(xí)能力，雖然誤測與漏測依然存在，但整體分割效果有了很大的提升，部分較小的降雨云團(tuán)被成功檢測出來。

圖8 不同方法分割結(jié)果Fig.8 Segmentation results of different methods

2.4.2 添加注意力機制模塊

在改進(jìn)上采樣方式后，仍有很多遺漏，較小的降雨云團(tuán)信息在上采樣的過程中并沒有成功被恢復(fù)，因此本文加入的注意力機制模塊，其分割結(jié)果如圖9所示。

圖9 添加注意力機制模塊后分割結(jié)果Fig.9 Segmentation results after adding attention mechanism module

在網(wǎng)絡(luò)結(jié)構(gòu)中加入了注意力機制模塊后，進(jìn)一步提升了網(wǎng)絡(luò)模型對于小降雨云團(tuán)的檢測分割能力，在右半個預(yù)測區(qū)域多發(fā)生小范圍降雨，大部分的小降雨云團(tuán)都被分割出來，并且分割出的降雨云團(tuán)整體性更好。

2.4.3 同步長卷積層代替池化層

在池化的過程中，會丟失特征圖的細(xì)節(jié)信息，一個3×3 的最大池化層，就會丟失近1/9 的原圖信息，對于負(fù)樣本比例遠(yuǎn)大于正樣本比例的樣本中，這是不利于微小特征提取的。因此，本文研究方法使用步長相同的卷積層替代原有網(wǎng)絡(luò)模型中的池化層，能夠較好地將特征圖中的主要信息提取出來，改進(jìn)后的網(wǎng)絡(luò)分割結(jié)果如圖10所示。

雖然使用卷積層代替池化層，增加了網(wǎng)絡(luò)參數(shù)和訓(xùn)練時間，但是成功減少了東經(jīng)87°北緯33°處的誤測點，改進(jìn)之前的很多遺漏的細(xì)小降雨云團(tuán)也被成功檢測出來，如東經(jīng)95°北緯26°處，東經(jīng)97.5°北緯29.8°處的云團(tuán)，在改進(jìn)前東經(jīng)94°北緯27°處云團(tuán)整體被分?jǐn)嚅_，改進(jìn)之后被成功分割為整體，達(dá)到了較好的分割結(jié)果。

圖10 卷積代替池化后分割結(jié)果Fig.10 Segmentation results after convolution replacing pooling

從最基礎(chǔ)的DeepLab v3 原型到改進(jìn)后的DeepLab v3，其分類后的Miou 指數(shù)不斷提升，對于降雨云團(tuán)的檢測效果也逐步提升。原始DeepLab v3網(wǎng)絡(luò)模型與改進(jìn)后的DeepLab v3的精度變化及損失下降曲線，如圖11所示。

圖11 初始模型與改進(jìn)模型精度及損失對比Fig.11 Comparison of accuracy and loss between initial model and improved model

對比圖11（a）和圖11（b），原始DeepLab v3 的分割精度較低，Miou 指數(shù)0.795 8，損失最小值0.038 45，模型性能不佳，本文研究方法對比原始模型，分割精度大幅提升，Miou 指數(shù)達(dá)到了0.951 2，損失最小值0.009 07，雖然本文研究方法加入了大量的卷積層和反卷積層，增加了模型復(fù)雜度，但當(dāng)?shù)螖?shù)在2 000～6 000，精度依然大幅、快速地提升。

2.5 不同方法的分割效果對比

為了測試本研究的分割性能，使用不同的方法分割2018-07-21 20：00：00 的FY-4A 數(shù)據(jù)，對比標(biāo)簽為同時間段內(nèi)GPM產(chǎn)品實際降雨云團(tuán)，如圖12（a）所示。DeepLab v3+和雙側(cè)分割網(wǎng)絡(luò)（Bilateral segmentation network，Bisenet）作為新型的分割模型已經(jīng)在PASCAL VOC 等諸多公開數(shù)據(jù)集上取得優(yōu)秀的表現(xiàn)，而語義分割網(wǎng)絡(luò)（Sementic segmentation network，Segnet）和FSVM 作為經(jīng)典的分割模型，在多個行業(yè)領(lǐng)域有著廣泛的應(yīng)用，因此選用以上四種分割模型和初始DeepLab v3在驗證集上進(jìn)行分割結(jié)果比較，如圖12 所示。從圖12（b）中可以看出DeepLab v3 只能分割出一些較大的降雨云團(tuán)，有較多的漏測區(qū)域；圖12（c）中Segnet的分割結(jié)果大致上能與實際的降雨區(qū)域相符，但是對于局部的細(xì)節(jié)分割還是有待提升；相比DeepLab v3 有較好的分割結(jié)果，DeepLab v3+作為較新的語義分割網(wǎng)絡(luò)結(jié)構(gòu)，分割結(jié)果如圖12（d），無論對整體的降雨云團(tuán)分布還是細(xì)小的降雨云團(tuán)提取，均優(yōu)于DeepLab v3 和Segnet，但是DeepLab v3+的分割結(jié)果出現(xiàn)大量的誤測區(qū)域，并且分割出的降雨云團(tuán)面積過大，在空間分辨率4 km，0.1°×0.1°的范圍下，一個像素點代表約11 km 的實際范圍，DeepLab v3+預(yù)測的降雨區(qū)域遠(yuǎn)大于實際發(fā)生降雨的區(qū)域；圖12（e）中Bisenet 分割結(jié)果出現(xiàn)了尖角狀的降雨云團(tuán)，并不能良好地提取出云團(tuán)的輪廓信息，這與實際云團(tuán)狀況是不相符的。因此，DeepLab v3+與Bisenet 模型的泛化能力較差，分割效果不佳。FSVM 的分割結(jié)果如圖12（f）所示，高亮的云團(tuán)被認(rèn)為是降雨云團(tuán)，亮溫值相近的降雨云團(tuán)和非降雨云團(tuán)沒有成功被區(qū)分，此方法并不能自適應(yīng)地提取降雨云團(tuán)特征。本文方法的分割結(jié)果如圖12（g）所示，相較于其他網(wǎng)絡(luò)的分割結(jié)果，在保證整體性的同時，突出了小降雨云團(tuán)的分割與識別，也和實際情況最為相符。

不同的模型訓(xùn)練時間、單張分割時間及評價指標(biāo)如表2所示。

表2 不同分割方法實驗結(jié)果Tab.2 Experimental results of different segmentation methods

根據(jù)表2：由于DeepLab v3 和Bisenet 在上采樣時采用了雙線性插值算法，因此訓(xùn)練時間較短，但模型精度低、泛化能力差；本文方法、Segnet 與DeepLab v3+網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，由于上采樣過程中存在多層卷積層，且將下采樣時的一些特征融合到上采樣的過程中，導(dǎo)致了模型訓(xùn)練時間長；FSVM 模型分割精度最低，并不適用于分割無規(guī)則、小目標(biāo)的分割對象。在單張分割時間上，改進(jìn)后的模型雖然單張分割時間相比原始模型的單張分割時間略微增加，但與相似結(jié)構(gòu)的Segnet 與DeepLab v3+相比，單張分割時間更短，改進(jìn)后的模型的泛化能力更好，精度也達(dá)到了最佳，適用性也更強。遙感數(shù)據(jù)對于目標(biāo)檢測分割實時性及模型訓(xùn)練時間的要求并不高，提升模型精度及泛化能力與分割精度是最主要的任務(wù)，因此本文的研究方法最終實現(xiàn)了較好的效果。

圖12 各方法分割效果對比Fig.12 Comparison of segmentation effects of different methods

3 結(jié)語

本文提出了一種基于改進(jìn)DeepLab v3的降雨云團(tuán)分割的方法，改進(jìn)的空間金字塔模塊可以多尺度地分割不同大小的降雨云團(tuán)，注意力機制模塊細(xì)化了降雨云團(tuán)的邊界特征提取，解碼網(wǎng)絡(luò)與編碼網(wǎng)絡(luò)相對應(yīng)，在下采樣后經(jīng)過多尺度的特征采樣，恢復(fù)編碼網(wǎng)絡(luò)輸出特征圖的分辨率，在測試集的分割實驗中Miou 指數(shù)達(dá)到95.12%。由于本文實驗標(biāo)簽參考的GPM產(chǎn)品是反演校正后的降雨數(shù)據(jù)，比普通的GPM 降雨數(shù)據(jù)晚4～6 個月發(fā)布，因此，改進(jìn)后的DeepLab v3 模型分割結(jié)果具有較高的參考性與準(zhǔn)確性，其實時性遠(yuǎn)超現(xiàn)有GPM衛(wèi)星產(chǎn)品。

改進(jìn)后的DeepLab v3網(wǎng)絡(luò)可以較為準(zhǔn)確地對降雨云團(tuán)進(jìn)行分割，避免了傳統(tǒng)分割的人工特征設(shè)計及提取方法的缺點，利用氣象衛(wèi)星覆蓋面積大、高時空分辨率的特性，有效解決了西藏地區(qū)面積廣闊、雷達(dá)觀測站站點少，傳統(tǒng)的雷達(dá)觀測精度易受自然條件影響的問題，克服了復(fù)雜自然條件下不平衡樣本對分割結(jié)果的影響。因此，可利用本文提出的分割模型近實時、連續(xù)地檢測高原山地降雨云團(tuán)，著重于易發(fā)生滑坡、泥石流易發(fā)的中尼公路沿線及藏東南地區(qū)，最終得到有價值但難以定量描述的降雨云團(tuán)監(jiān)測及預(yù)警信息，為當(dāng)?shù)鼗A(chǔ)建設(shè)居民人身安全及防災(zāi)減災(zāi)提供幫助。下一步工作將在已有的分割基礎(chǔ)上，實現(xiàn)對降雨等級的劃分，并估算降雨量。