结合遥感卫星及深度神经网络的白天海雾识别

发布时间：2021-09-04 14:07

　　遥感卫星能够对云雾进行大范围、长时间监测,对海雾识别研究具有重要的意义,本文根据不同云、雾和下垫面的光谱特性及纹理特征,通过葵花8号卫星（Himawari-8）提取云图特征、CALIOP星载激光雷达（cloud-aerosol Lidar with orthogonal polarization,CALIOP）获取中高云、低云、海雾、晴空海表四类样本标签,利用深度学习方法构建深度神经网络（Deep Neural Networks,DNN）,实现了白天海雾的有效识别。实验结果表明:本文训练得到的深度神经网络模型准确率为82.63%,具有较高的识别精度,而且相比其它海雾识别方法也有更好的识别结果。利用该模型对2016年4月8日发生于黄渤海区域的海雾天气进行识别,并通过CALIOP标签数据对识别效果进行验证,结果表明该方法能够较好的识别出海雾区域。 

【文章来源】：光电子·激光. 2020,31(10)北大核心CSCD

【文章页数】：9 页

【部分图文】：

基于深度神经网络的海雾识别流程图

局部二值模式(Local Binary Pattern,LBP)通常用来描述图片局部纹理特征,反映的是33图片中心像素点与周围像素点的关系,LBP特征具有灰度不变性和旋转不变性等优点,且该特征简单易算,因此得到了广泛的使用。图2为LBP计算流程图,首先以中心点像素灰度值作为阈值,将周围像素与中心像素灰度值的大小进行比较,若灰度值大于阈值,则该位置为1,否则为0,最后再将二进制数值转换为十进制,即可得到该区域的LBP特征值。2.3 基于深度神经网络的海雾识别

此外,为了比较本文构造的DNN模型在海雾识别中的有效性,将基于深度神经网络的海雾识别模型与其它模型进行比较,对比模型包括:基于传统阈值方法的海雾识别与利用支持向量机模型(Support Vector Machine,SVM)的海雾识别。基于阈值法的海雾识别采用多阈值依次实现晴空海面与云雾、中高云与低层云雾、低云与雾的识别,其中海面与云雾的区分利用可见光反射率构建基于直方图统计的动态阈值法;中高云与低层云雾利用晴空与云雾的亮温差估算云雾高度进行区分;最后计算海雾与低云判识指数,实现海雾与低云的识别。SVM是经典的机器学习分类模型,本文利用构造的数据集训练SVM模型。最后将不同模型分类结果进行比较,分析不同模型在海雾识别中的表现。3 实验结果分析

【参考文献】：
期刊论文
[1]基于Himawari-8数据的日间海雾检测方法[J]. 张培,吴东.  大气与环境光学学报. 2019(03)
[2]基于葵花8号新一代静止气象卫星的夜间雾识别[J]. 王宏斌,张志薇,刘端阳,袁成松,周林义,钱玮.  高原气象. 2018(06)
[3]基于FY-2E卫星数据的福建沿海海雾遥感监测[J]. 张春桂,林炳青.  国土资源遥感. 2018(01)
[4]海雾卫星遥感监测研究进展[J]. 肖艳芳,张杰,崔廷伟,秦平.  海洋科学. 2017(12)
[5]利用动态阈值方法改进的风云二号卫星海雾检测技术[J]. 吴晓京,李云,黄彬,王曦,宋晚郊.  海洋气象学报. 2017(02)
[6]静止气象卫星资料在白天海雾动态监测中的应用[J]. 邓玉娇,田永杰,王捷纯.  地理科学. 2016(10)
[7]中国海雾研究简要回顾[J]. 傅刚,李鹏远,张苏平,高山红.  气象科技进展. 2016(02)
[8]星载激光雷达CALIOP功能、产品和应用[J]. 郑韶青,徐峻,何友江,孟凡,毕方,易鹏,王继康.  环境工程技术学报. 2014(04)
[9]FY-3A卫星资料在雾监测中的应用研究[J]. 蒋璐璐,魏鸣.  遥感技术与应用. 2011(04)
[10]基于MTSAT卫星的我国东部沿海雾区的自动识别[J]. 刘希,胡秀清.  台湾海峡. 2008(01)

博士论文
[1]黄海海雾/层云的空间分布及云底高度遥感方法研究[D]. 衣立.中国海洋大学 2015

硕士论文
[1]基于葵花8卫星遥感数据的大雾识别研究[D]. 陆会.安徽大学 2019
[2]基于DNN的语言识别系统的研究与实现[D]. 吕赫.电子科技大学 2017
[3]CALIOP海雾检测及其在MODIS日间海雾遥感中的应用[D]. 卢博.中国海洋大学 2015
[4]基于多纹理特征和多尺度分析的地基云图分类识别的研究[D]. 胡学岭.南京信息工程大学 2014
[5]星载激光雷达在基于MODIS海雾检测中的应用[D]. 魏书晓.中国海洋大学 2013



本文编号：3383407