[发明专利]一种基于多粒度级联森林网络的云图分类方法

说明书

本发明涉及一种基于多粒度级联森林网络模型的云图分类方法，首先利用多粒度级联森林的多粒度层对云图进行特征表示得到高阶语义信息，然后多粒度级联森林的级联层利用特征表示的语义信息将云图分为厚云、薄云和晴空。本发明比传统卫星云图分类方法准确率更高，并且相同硬件条件下样本训练和测试时间也比大多数方法快很多。

技术领域

本发明涉及了一种基于多粒度级联森林网络的云图分类方法，属于云图像处理技术领域。

背景技术

卫星云图是气象卫星最早进行的观测项目之一，在大气科学研究、自然灾害观测和天气预报中发挥着重要作用。伴随着卫星探测技术与成像技术的快速发展，卫星能在多个通道上提供不同种类的图像，卫星云图的应用越来越广泛，对卫星云图的分析也越来越重要。基于卫星图像开展的云检测、云分类并且计算云量是获取全球云量分布的主要方式。目前云检测的技术主要分为两类:阈值法和聚类分析法。阈值法是对不同通道组合的亮温、亮度差、反射率与所设置的阈值进行对比来分析像元。阈值法相对成熟且方法易于实现，主要有ISCCP方法、CLAVR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。由于卫星图像非常复杂多变，很难找出一种通用的阈值标准，因此检测精度并不是很理想。

聚类方法主要有直方图聚类、自适应阈值聚类、动态阈值聚类、动态聚类等。其中的APOLLO法是阈值法与聚类分析法相结合的方法。由于云图特征很复杂，云层类别通常是由多个特征来确定。在研究了以上的方法发现，现有的研究着重点在于云图的个别特征提取上，而云图的各种有效信息并没有有效利用，因此以上方法得到的云检测准确率不高。云检测是后续的气象研究工作和应用的基础，因此必须先取得较好的云检测结果。

另外云检测分类中基于特征的研究主要有模糊策略,K近邻，支持向量机，极限学习机和神经网络。其中极限学习机由于所需的训练时间短、准确率较高，神经网络分类器的识别精度普遍高于其它分类器，但是由于这些方法的云图特征利用率不高，从而导致了检测精度不是很可靠。而这几年深度学习的快速发展和应用，让研究者发现网络增加适当的深度往往能取得很好的效果。由随机森林发展而来多粒度级联森林网络具有很好的泛化性能，在获得高准确率同时所需的时间比深度神经网络要少很多。多粒度级联森林网络采用多粒度层进行云图特征表示，用级联层进行有监督学习并预测结果。

发明内容

本发明的目的是克服上述背景技术的不足，提供一种基于多粒度级联森林网络的云图分类方法，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：

一种基于多粒度级联网络的云图分类方法，包括如下步骤：

步骤一、多粒度级联森林网络模型结构的训练：设定网络模型的多粒度扫描层为三种不同粒度尺寸，每种粒度层包含两个森林；网络模型的级联层为L个完全随机森林和L个随机森林，利用已标注的样本(X_i,Y_i)，对该网络模型进行学习,使用多粒度扫描层进行特征表示，级联层进行有监督学习并输出云类别，得到训练后的网络参数,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，N满足20≤N≤40，i代表第i个样本，i＝1,2,3,...,p，p为样本总数；

步骤二、卫星云图分类：将卫星图像分成每个像素大小为N×N的小块，作为输入数据输入多粒度级联森林网络，得到整个网络的特征向量输出，最后，在特征向量的类别概率中取最大的类别概率判定云的种类。

所述的多粒度级联森林网络模型包括：

多粒度扫描层特征表示部分，用多粒度扫描层来增强数据的特征表示；