基于深度学习的静止卫星图像强对流云团识别算法研究

发布时间：2020-04-08 23:55

【摘要】：强对流云团常常带来短时强降水、雷雨大风、冰雹、飑线、龙卷风等灾害性天气,给经济建设和人民生命安全造成巨大损失,对其进行快速准确的监测意义重大。但是由于强对流天气的生命周期短、空间尺度小,所以使用传统的监测方法难以对其所在位置进行及时准确的监测和预报。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。随着深度学习的快速发展,其在遥感图像识别领域的应用也日益深入。本文提出了一种利用静止气象卫星图像,基于深度信念网络(DBN)进行强对流云团自动识别的方法。首先从光谱和纹理特征两方面对强对流云团进行了分析,以确定可用于强对流云团识别的特征参数组合。再基于深度信念网络构建自动识别算法,其由多层限制玻尔兹曼机和一层Softmax分类器构成,分为无监督预训练和有监督微调两个阶段。基于DBN模型的静止气象卫星图像强对流云团识别共分为四个步骤:(1)数据预处理:对原始的分块数据进行影像拼接和区域裁剪;(2)特征提取和构建样本集:每张图像分别提取光谱特征TBB_(13)、TBB_(08)-TBB_(13)和TBB_(13)-TBB_(15),以及基于光谱特征TBB_(08)-TBB_(13)提取的纹理特征能量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;(3)训练DBN模型:确定DBN的参数和结构,包括RBM参数和DBN深度;(4)强对流云团识别及后处理:使用训练完成的DBN模型进行强对流云团识别,并对识别结果依次进行类别合并、闭运算和边缘检测。研究中采用2017年3至5月的Himawari-8卫星影像数据和CloudSat卫星云分类产品进行实验,研究区域为70°-150°E,0°-55°N。训练模型时最终选定的DBN模型结构为245-140-140-140-135-135-135-9。对DBN模型进行精度评定,得到临界成功指数CSI为71.28%,检测概率POD为84.83%,虚警率FAR为18.31%。与单波段阈值法、多波段阈值法和支持向量机相比,文中提出的方法能够有效提高强对流云团的识别精度。结合个例分析,实验结果表明,此方法能较好地去除周围的大部分卷云,提取出处于初生到消散不同阶段的强对流云团,但其结果中仍包含了一些密卷云。
【图文】：

研究方案框图

第 2 章 强对流天气理论介绍2.1 强对流天气概述2.1.1 强对流天气的定义出现在发展旺盛的积雨云中的雷电交作的激烈放电现象，以及产生这种现象的天气系统称为雷暴（朱学超，2015）。雷暴经常伴有阵雨，有时也会有冰雹、龙卷、大风等天气现象。当雷暴仅伴有阵雨时，通常会被称为一般雷暴，，而在出现冰雹、龙卷、大风、暴雨等严重灾害性天气时，将其称为强雷暴。雷暴又被称为对流性风暴，是一种对流旺盛的天气系统。一般将由雷暴引起的天气现象称为对流性天气，而其中由强雷暴引起的天气现象被称为强对流天气（包云轩，2002）。我国全年都可能出现强对流天气，但常发于春夏季。强雷暴云的结构如图 2.1 所示，其云体内有稳定且强大的升降气流，上升气流和下降气流能够同时并存且维持相当长的时间。
【学位授予单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P412.27

【参考文献】

相关期刊论文 前10条

1 尹文也;何伟基;顾国华;陈钱;;模拟回火马尔可夫链蒙特卡罗全波形分析方法[J];物理学报;2014年16期

2 余凯;贾磊;陈雨强;徐伟;;深度学习的昨天、今天和明天[J];计算机研究与发展;2013年09期

3 蔡叔梅;阮征;陈钟荣;;基于自适应阈值的云团识别与追踪方法及个例试验[J];气象科技;2011年03期

4 朱亚平;程周杰;刘健文;;一次锋面气旋云系中强对流云团的识别[J];应用气象学报;2009年04期

5 尹跃;李万彪;姚展予;金元国;;利用FY-2C资料对西北太平洋海域云分类的研究[J];北京大学学报(自然科学版);2009年02期

6 马占山;刘奇俊;秦琰琰;谌芸;;云探测卫星CloudSat[J];气象;2008年08期

7 郑永光;陈炯;朱佩君;;中国及周边地区夏季中尺度对流系统分布及其日变化特征[J];科学通报;2008年04期

8 李伟;张恒;;气象卫星的应用与发展[J];卫星与网络;2007年08期

9 张志方,佘振林;世界气象卫星的发展现状与趋势[J];厦门科技;2004年02期

10 邓卫国;航空气象卫星云图资源现状及对策[J];四川气象;2004年01期

本文编号：2619996