[发明专利]基于逻辑回归的FY-3D红外高光谱云检测方法

说明书

本发明公开一种基于逻辑回归的FY‑3D红外高光谱云检测方法，涉及卫星遥感技术领域。本发明利用传统的基于成像仪的云检测方法，将MERSI的云检测段产品与HIRAS像元进行匹配，得到带有云标签的HIRAS数据，构成训练数据集，然后使用逻辑回归算法训练数据集，在训练过程中，采用网格搜索方法选择合适的逻辑回归算法超常数，得到泛化性能最佳的模型参数，最后将训练得到逻辑回归云检测模型用于YF‑3D的红外高光谱数据的云检测处理。本发明的逻辑回归云检测模型能达到0.97的分类准确度，预测速度是传统方法的50倍左右，体现出良好的泛化性能。

技术领域

本发明涉及卫星遥感技术领域，尤其涉及一种机器学习领域的逻辑回归算法，结合利用FY-3D卫星HIRAS仪器的红外高光谱数据进行HIRAS视场云检测的方法。

背景技术

红外高光谱数据是现代数值天气预报系统重要的观测数据。红外高光谱数据的同化，对于有效地提升数值天气预报水平具有重要意义。云中的水滴和冰晶能有效吸收红外辐射，导致卫星的红外探测仪无法探测云层以下的大气和地表的红外辐射。此外，当前的辐射传输观测算子很难准确地模拟云的辐射效应。因此，云的污染是红外高光谱数据同化的重要问题。当前的解决办法是在红外高光谱数据进入同化系统之前，先剔除被云污染的像元。因此，在红外高光谱数据的同化应用中，首先需要判断红外探测仪像元视场是否有云，该过程即被称为云检测。因此，准确快速地对红外高光谱数据进行云检测，是有效应用卫星红外高光谱数据的前提。准确高效的云检测算法对于提升红外高光谱数据的同化水平，具有重要意义。

当前实际业务使用的云检测算法，有多通道阈值法、匹配成像仪方法等。其中，基于云的物理特征提出的多通道阈值方法，以应用于大数业务卫星红外探测仪上，但是许多云检测带有多个阈值，很难设置合适的阈值；另一种基于成像仪匹配的云检测方法，显著提升了高光谱红外探测的云检测准确度，但是该方法具有较高计算时间成本。因此，在实际的红外高光谱数据云检测应用中，急需一种准确度高的快速云检测算法。

随着人工智能时代的到来，使用人工智能技术做云检测的算法应运而生。已有人利用经典图像分类网络(Unet，resnet等)作为基础模型，将卫星云图作为特征输入，通过对分类网络微调，构建云检测分类模型，并取得了较高精度的云检测效果。但是，该方法将高分辨率的云图作为特征输入，同样需要较高的计算成本。另外，典型的图像分类网络较大，不便于加入到数值模式的业务同化系统中去。

因此，寻找一种快速高效的云检测方法是本领域技术人员极为关注的技术问题。

发明内容

本发明的目的在于提供了一种基于逻辑回归的快速准确实现FY-3D红外高光谱数据云检测的算法，该逻辑回归云检测模型能达到0.97的分类准确度，预测速度是传统方法的50倍左右，体现出良好的泛化性能。

为了解决上述技术问题，本发明使用传统机器学习算法中常用的分类算法—逻辑回归算法，通过大量样本训练，使模型学习风云3D卫星红外高光谱大气探测仪器(HIRAS)的通道辐射数据与视场的云标签(完全有云、晴空、部分有云)之间的映射关系，最后将学习到云检测知识的逻辑回归模型用于实现HIRAS仪器的快速云检测。

本发明提供的一种基于逻辑回归的FY-3D红外高光谱云检测方法，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，一般不超过59s。