论文部分内容阅读
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TBB13、TBB08-TBB13和TBB13-TBB15,以及基于光谱特征TBB08-TBB13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。