[发明专利]基于深度置信网络的MODIS雾监测方法

说明书

技术领域

本发明涉及图像处理及模式识别的技术领域，具体是一种基于深度置信网络的MODIS卫星数据雾监测方法。

背景技术

雾是由大量浮游在近地面空气中的微小水滴或冰晶所组成的气溶胶系统，是一种灾害性天气现象。大雾对社会生活、军事活动，特别是地面、空中和海上交通威胁很大，常常给人民的生产生活造成重大损失。因此，监测和预报大雾生消动态、消除雾害，对防止和减少因雾造成的事故和损失，保障人民生命财产安全具有重要的意义。由于雾具有发展快、影响区域广等特点，传统的地面观测设备局限于点或者局部地区，且观测时次少，故难以满足宏观、快速的监测要求，而卫星遥感作为一种大尺度观测手段越来越多的应用到了灾害监测方面。

常规的监测方法往往是通过在陆海表面布设站点进行人工或仪器自动观测，不仅耗费大量的人力物力，而且观测站点的设置密度和观测密度也难以满足监测的需要；常规预报方法如天气学方法、统计学方法和数值预报方法等，或者由于方法本身不够完善，或者由于缺乏足够、准确的地面观测资料及相关信息，因而也往往难以取得理想效果。特别是在监测和预报雾的生消动态方面，常规方法困难较大。而具有宏观、快速和直观等特点的卫星遥感监测技术在这一方面具有独特的优势。

MODIS(moderate-resolution imaging spectroradiometer)是搭载在terra和aqua卫星上的一个重要的传感器，又被称为中分辨率成像光谱仪。它有36个离散光谱波段，光谱范围宽，从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖。最大空间分辨率可达250米，扫描宽度2330千米。

近年来，国内外雾的监测研究和实验均表明，单靠某一通道的遥感资料，利用雾的某一特征难以满足雾区监测和分离的整体要求。只有综合多通道的卫星资料和雾区的多种特征才能满足雾的监测需要。利用MODIS较宽的光谱范围和空间覆盖以及随时间变化的资料连续覆盖使之更适合监测大雾的生消动态，并且有着广阔的应用前景。在MODIS出现以前，国内外对雾生消动态的监测的研究主要利用NOAA/AVHRR和风云系列、GMS和GOES等卫星数据。这些卫星数据的通道一般都比较宽，而且通道数很少，对雾的监测有一定的局限性。近年来MODIS已经广泛地应用于对地球上大气、海洋、陆地和环境的综合信息的分析研究，利用MODIS数据研究雾有助于提高对雾的实时监测能力。但传统的MODIS雾监测都是依据人工经验判断阈值的方法，根据少数几个通道的光谱反射率特点来识别雾，MODIS数据36个通道的信息，没有能完全使用，精度较差。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于深度置信网络的MODIS雾监测方法，使用深度网络自动的提取出雾光谱曲线的特征，减少了人工提取特征带来的误差，实现了雾识别率的提升。

本发明基于深度置信网络的MODIS雾监测方法，包括训练阶段和识别阶段两部分，所述训练阶段包括以下步骤：

第一步，获取MODIS遥感原始数据；

第二步，对MODIS遥感原始数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正、几何校正等操作；

第三步，获取MODIS图像对应区域对应时间的地面站观测数据；

第四步，将每个观测站位置的MODIS图像像元取出，作为训练集，观测站的天气情况(无雾、有雾)作为此区域的标签数据；

第五步，将训练数据和标签数据输入深度置信网络中训练网络参数，先采用限制玻尔兹曼机逐层训练提取特征，再使用反馈的方法整体微调。同时，加入了随机隐退的操作，提高了模型的泛化能力，进一步提高了监测模型的精度。

第六步，将第五步训练好的网络参数保存，作为我们的识别模型。

所述识别阶段包括以下步骤：

第一步，获取要进行识别的MODIS遥感原始数据；

第二步，对数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正、几何校正等操作；

第三步，将预处理好的MODIS数据输入上述识别模型，得到识别结果。

所述第五步中深度置信网络的架构具体是：