基于卷积神经网络的卫星云量计算

发布时间：2017-10-09 16:44

  本文关键词：基于卷积神经网络的卫星云量计算

  更多相关文章： 卫星云图 卷积神经网络 极限学习机 云量计算

【摘要】：卫星云图解译是利用卫星云图进行的气象应用的研究,在气象卫星云图解译的领域里,云的分类和云量计算是核心,但是由于目前的方法对卫星光学参数以及对卫星云图的特征利用率不高,所以导致了云图解译中的云分类和云量计算不是很准确,实际的云量计算应用也没有成熟到业务化的地步；本文是在调研了国内外相关研究的基础后,重点研究了卷积神经网络在卫星云图的云量计算中的应用。近年来,深度学习,特别是卷积神经网络在很多应用领域都表现出强大的适应性和鲁棒性,卷积神经网络具有良好的容错、并行处理和自学习能力,因此,本文使用了一种基于卷积神经网络的方法来进行卫星云图解译,进而解决卫星云图的云量计算问题,同时,对于卷积神经网络检测速度相对较慢的问题,提出了一种基于极限学习机的方法来对云图检测方法做进一步的补充和研究。本文的主要工作包括如下方面：1.首先对原始卫星云图进行样本提取,作为卷积神经网络的训练样本,然后用卷积神经网络对卫星云图的不同可见光通道的不同表达来实现厚云、薄云、晴空以及薄云和厚云交界的检测,最后用传统的阈值法、动态阈值法和基于极限学习机方法检测后的云图来做对比。2.在云检测的基础上,研究如何改进“空间相关法”计算总云量,最后通过与专家标定的标准数据库结果进行对比分析,改进并完善云图解译相关算法,本文将为卫星云图的全面自动观测奠定坚定的理论基础。
【关键词】：卫星云图 卷积神经网络 极限学习机 云量计算
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751;TP183
【目录】：

• 摘要5-6
• ABSTRACT6-8
• 第一章 绪论8-14
• 1.1 研究背景8-9
• 1.2 国内外研究现状9-12
• 1.3 论文的主要内容及章节安排12-14
• 第二章 卷积神经网络简介14-24
• 2.1 卷积神经网络概述14
• 2.2 卷积神经网络结构14-16
• 2.3 权值共享16-17
• 2.4 卷积神经网络训练17-22
• 2.4.1 前向传播过程17-18
• 2.4.2 反向传播过程18-19
• 2.4.3 卷积层梯度计算19-20
• 2.4.4 下采样层梯度计算20-21
• 2.4.5 SOFTMAX回归分类21-22
• 2.5 卷积神经网络的优点22-23
• 2.6 本章小结23-24
• 第三章 基于卷积神经网络的卫星云图检测24-38
• 3.1 研究动机24
• 3.2 卫星云图阈值分割法24-26
• 3.2.1 传统阈值法24-25
• 3.2.2 最大类间方差自适应阈值法25-26
• 3.3 基于CNN模型的卫星云图检测26-29
• 3.3.1 图像预处理26-27
• 3.3.2 特征学习27-29
• 3.4 卷积神经网络优化29-31
• 3.4.1 神经网络层数29-30
• 3.4.2 滤波器个数的选择30-31
• 3.4.3 网络滤波器大小选择31
• 3.5 实验结果分析31-37
• 3.6 本章小结37-38
• 第四章 基于极限学习机的卫星云图检测38-46
• 4.1 研究动机38
• 4.2 极限学习机介绍38-42
• 4.2.1 单隐层前馈神经网络38-42
• 4.3 实验结果分析42-45
• 4.4 本章小结45-46
• 第五章 基于云图检测的云量计算46-54
• 5.1 研究动机46
• 5.2 云量计算方法46-48
• 5.3 总云量计算方案48-52
• 5.4 总云量验证方案52-53
• 5.5 本章小结53-54
• 第六章 总结与展望54-56
• 6.1 工作总结54-55
• 6.2 论文展望55-56
• 致谢56-58
• 参考文献58-65
• 攻读硕士期间完成的科研情况65

，

本文编号：1001328