[发明专利]基于逻辑回归的FY-3D红外高光谱云检测方法

权利要求书

1.一种基于逻辑回归的FY-3D红外高光谱云检测方法，其特征在于，包括以下具体步骤：

S1.构建HIRAS与MERSI数据匹配模型

(1)时间匹配：

当HIRAS和MERSI的观测时间满足以下公式时，则可认为HIRAS和MERSI仪器同时对相同区域进行了观测，

|t_HIRAS-t_MERSI|＜δ_max

其中，t_HIRAS表示HIRAS的观测时间，t_MERSI表示MERSI的观测时间，δ_max为匹配时间阈值，不超过59s；

(2)空间匹配：

匹配算法遍历每个HIRAS像元，基于球面距离找到该HIRAS像元视场所覆盖的MERSI像元，当MERSI像元中心经纬度与HIRAS像元中心经纬度满足以下距离公式时，则可认为HIRAS与MERSI数据空间匹配，以此找到每个HIRAS像元匹配到的MERSI像元，

dd_r

其中，d是MERSI像元与HIRAS像元之间的距离，x1是HIRAS像元中心的纬度，x2是MERSI像元中心的纬度，y1是HIRAS像元中心的经度，y2是MERSI中心像元的经度，R是地球半径；d_r是HIRAS的匹配半径，设置为9KM；

(3)确定HIRAS像元云标签：

根据每个HIRAS像元匹配到的MERSI像元的云检测数据，确定每个HIRAS视场的云标签；

S2.生成训练数据集和测试数据集

将步骤S1中确定的带有云标签的HIRAS像元样本，根据其海陆位置，分别构建海洋数据集和陆地数据集，然后分别训练海洋云检测模型和陆地云检测模型，进而生成海洋和陆地训练数据集，并将海洋数据集和陆地数据集中的30％作为测试数据集；

S3.训练逻辑回归云检测模型

将上述得到的海洋数据集和陆地数据集，采用逻辑回归分类算法分别训练海洋和陆地云检测模型，并通过使用机器学习算法中的网格搜索方法，选择合适的逻辑回归超参数，得到海洋和陆地逻辑回归云检测模型；

S4.使用不同天气实例来做云检测测试

1)构造训练海洋和陆地数据集以外的测试数据集，包括不同训练区域和时间的数据，即时间和空间的泛化性能测试，将原始HIRAS和MERSI数据通过步骤S1生成带标签的测试数据集，带入训练好的陆地和海洋逻辑回归云检测模型做分类，计算出有云、晴空类别的准确度、查准率、查全率和AUC值，验证模型的性能；

2)选择训练数据集之外的天气实例数据做验证数据集；

3)将预报结果可视化，并与相同时刻的卫星的真彩云图、MERSI云检测产品做比较，检验逻辑回归检测模型的预报准确性。

2.根据权利要求1所述的基于逻辑回归的FY-3D红外高光谱云检测方法，其特征在于，所述步骤S1中所述HIRAS与MERSI仪器都在同一个卫星平台，且MERSI仪器的观测范围完全覆盖了HIRAS仪器的观测范围。

3.根据权利要求2所述的基于逻辑回归的FY-3D红外高光谱云检测方法，其特征在于，所述MERSI探元阵列的扫描范围为±55.1°±1°，所述HIRAS探元阵列的扫描范围为±50.4°。

4.根据权利要求1所述的基于逻辑回归的FY-3D红外高光谱云检测方法，其特征在于，所述步骤S1的(2)中匹配算法的搜索方法为：先找到离HIRAS像元中心最近的MERSI像元，然后基于该MERSI像元上下左右分别搜索32行和32列。