[发明专利]基于深度学习的静止卫星沙尘暴识别方法

说明书

本发明公开了基于深度学习的静止卫星沙尘暴识别方法，包括：提取m*m区域的静止卫星所有波段的光谱值，通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的训练集；使用深度学习方法CNN自动学习训练集特征，通过每次均经过卷积层处理和池化层处理的三次隐藏层卷积过程，最后使用全连接层将卷积结果输出为沙尘和非沙尘两类数据，最终形成CNN沙尘模型；选取一个出现沙尘时次，采用RGB值标记方法生成测试集；将测试数据集输入CNN沙尘模型形成沙尘预测数据。本发明采用卷积神经网络CNN深度学习,从而提取有效的通道，以及提取对应特征，减少了人为选定特征或通道的不确定性，并且不需要不断调试阈值。

技术领域

本发明属于沙尘暴识别技术领域，具体地讲，是涉及基于深度学习的静止卫星沙尘暴识别方法。

背景技术

沙尘暴是干旱和半干旱地区常见的气象灾害,沙尘暴造成的低能见度会引起交通混乱，细小的沙尘颗粒会损害人体的呼吸系统,给人们的生活和健康造成了严重的危害,当前识别沙尘过程主要包括气象站点和卫星识别，由于气象站点存在时间和空间上面的缺点，不能够大面积的观测沙尘,现在主要的研究方向为利用卫星数据识别沙尘，其中相较于极轨卫星，静止卫星其成像范围大，观测频次高，并且可以提供沙尘事件开始时间的时间覆盖范围以及显示沙尘事件的空间覆盖范围，静止卫星被广泛应用在沙尘识别过程中。

在使用静止卫星识别沙尘暴方法中，大多采用选取不同波段通道，选定阈值计算沙尘指数识别沙尘暴,比如,Legrand在《Satellite detection of dust using the IRimagery of Meteosat:1.Infrared difference dust index》中使用气象卫星红外通道，形成红外差异尘埃指数(IDDI)对沙尘进行探测；Qu在《Asian dust storm monitoringcombining terra and Aqua MODIS SRB measurements》中提出了一种利用MODIS反射率测量的归一化差分沙尘指数(NDDI)；Lijian Han在《An enhanced dust index for Asiandust detection with MODIS images》中对NDDI进行了改进,形成增强尘埃指数(EDI),这些方法大致实现过程为，根据卫星传感器波段的特点，选取可见光、红外等多个通道光谱值，分析不同波段对沙尘的反射情况，根据通道的差异，使用算法和调节阈值，形成沙尘指数。

静止卫星沙尘暴方法中的沙尘指数，根据不同的通道特性，人为的选定沙尘相关通道，并且不同的卫星其波段范围也不同，这就导致同一种方法不能够很好的移植到其他静止卫星,在沙尘指数形成中，需要通过不断的调试算法阈值，确定最终的沙尘指数，该阈值的筛选随意性较大,形成沙尘指数的过程中人为主观性较强，并没有很好的深度挖掘通道与沙尘相关性。

发明内容

为了克服现有技术中的上述不足，本发明提供一种采用卷积神经网络CNN深度学习,从而提取有效的通道，以及提取对应特征，减少人为选定特征或通道的不确定性，并且不需要不断调试阈值的静止卫星沙尘暴识别方法。

为了实现上述目的，本发明采用的技术方案如下：

基于深度学习的静止卫星沙尘暴识别方法，包括以下步骤：

S1:提取m*m区域的静止卫星所有波段的光谱值，通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的训练集；

S2:对步骤S1中形成的训练集,使用深度学习方法CNN自动学习数据集特征，通过每次均经过卷积层处理和池化层处理的三次隐藏层卷积过程，最后使用全连接层将卷积结果输出为沙尘和非沙尘两类数据，最终形成CNN沙尘模型；

S3:选取一个出现沙尘时次，提取m*m区域的静止卫星所有波段的光谱值，通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的测试集；将测试数据集输入CNN沙尘模型形成沙尘预测数据。