[发明专利]一种基于多层无监督稀疏学习网络的云图云量计算方法

说明书

本发明涉及一种基于多层无监督稀疏学习网络的云图云量计算方法，首先利用前向逐层稀疏自动编码机对图片进行无监督的逐层特征编码得到高阶语义信息，然后利用高阶语义信息将云图分为厚云、薄云及晴空，最后利用“空间相关法”计算云图中的总云量。本发明比传统卫星云图云量计算的准确度高，并且相同硬件条件下样本训练的时间和云量计算的时间得到很大的缩减。

技术领域

本发明属于云图像处理技术领域，特别涉及了一种基于多层无监督稀疏学习网络的云图云量计算方法。

背景技术

云覆盖了50％以上的地球表面,是重要的气象和气候要素之一。为了获取准确的云量分布，先要对卫星云图进行云的检测和分类，再在云分类的基础上进行云量计算。目前，国际上卫星云量计算方法主要有ISCCP方法、CLAVR方法、APOLLO方法等，ISCCP算法假设观测辐射值仅来自于云和晴空两者之一，像元观测辐射值与晴空的辐射值相比对，若两者之间的差值大于晴空辐射本身的最大变化幅度时候，判定该像元是云；CLAVR算法是以2x2矩阵块作为检测单位，四个像素都没通过云检测时候，判定矩阵无云，全都通过检测时判为有云，否则认为是混合型。对于混合型矩阵，如果有云及晴空共同存在的矩阵满足其他如冰/雪等晴空判决条件，该矩阵重新被判为晴空；APOLLO算法采用逻辑与的形式，即只有当像元满足所有阈值检测条件的时候，才认为该像元为晴空，否认认为该像元是云。另外还有MODIS、NIR/VIS等方法。

上述云量计算方法主要可分为两类：一是通过区域内有云像素点与总像素点之比计算云量；二是通过像素点辐射量与反射率之比计算等效云量。第一种方法操作方便，但由于不能分析亚像元云量，会造成云量计算结果偏高；第二种方法虽然一定程度上解决了亚像元云量问题，但有些情况仍不太适用，比如区域内有多层云或地表类型变化剧烈等。云检测是云量计算的基础，因此要想提高云量计算的准确率必须先取得较好的云检测结果。

目前云检测的技术主要分为两类:阈值法和聚类分析法。阈值法主要采用红外温度阈值、可见光阈值等，但是由于卫星图像非常复杂多变，采用固定全局阈值对图像进行检测会产生比较大的误差。聚类分析方法主要有直方图聚类、自适应阈值聚类、动态阈值聚类等，但是云的类别通常具有好多特征，现阶段的研究主要针对云的某一特征进行，不能很好的提取云图像上的有效信息，因此以上方法的云检测效果不是很好。另外基于机器学习的云检测方法也被大量应用，主要包括支持向量机、K近邻、模糊策略以及神经网络，其中神经网络的检测精度要比其他方法效果更好，但其同样存在缺陷，主要表现为没有充分运用云图特征，有效信息提取不够。近年来深度学习发展非常迅速，其中就包括由极限学习机发展而来的深度极限学习机，其在很多应用领域都表现出强大的适应性和鲁棒性，并且学习速度快。深度极限学习机作为特殊设计的含多隐含层的多层感知器，能够充分提取有效特征，对云图进行分类。但是目前的应用的最多的深度卷积神经网络由于需要误差反向传播，并且参数量特别大，因此学习和分类的效率很低，影响了该方法的在线应用。

发明内容

本发明的目的是克服上述背景技术的不足，提供一种基于多层无监督稀疏学习网络的云图云量计算方法，克服了传统神经网络对云图特征利用率不够的缺陷。为了实现上述技术目的，本发明的技术方案为：

基于多层无监督稀疏学习网络的云图云量计算方法，包括如下步骤：

(1)多层无监督稀疏学习网络模型结构的训练：设定神经网络为一个含m个隐含层的网络，利用已标注的样本(X_i,Y_i)的图像块，对该神经网络进行学习,使用极限学习机模型进行多层无监督特征学习，得到最优的网络参数,其中，X_i为一个n×n的图像块，Y_i表示X_i对应的云的分类(本发明中分为厚云、薄云及晴空)，n满足10≤n≤50，i代表第i个样本，i＝1,2,3,...,p，p为样本总数；所述网络模型的输出层采用监督学习的方式实现云的分类学习；