深度学习模型识别静止卫星图像海上强对流云团

编号 zgly0001694175

文献类型 期刊论文

文献题名 深度学习模型识别静止卫星图像海上强对流云团

作者 郑益勤  杨晓峰  李紫薇 

作者单位 中国科学院遥感与数字地球研究所  中国科学院大学 

母体文献 遥感学报 

年卷期 2020年01期

年份 2020 

分类号 TP751  TP18 

关键词 遥感  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 

文摘内容 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-TBB15,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3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。