基于多维密集连接卷积神经网络的卫星云图云量计算方法技术

本发明专利技术基于多维密集连接卷积神经网络的卫星云图云量计算方法，包括如下步骤：步骤1）多维密集连接神经网络模型结构的训练：通过已标注的样本

【技术实现步骤摘要】
基于多维密集连接卷积神经网络的卫星云图云量计算方法
本专利技术属于云图像处理
，特别涉及了一种基于多维密集连接卷积神经网络的卫星云图云量计算方法。
技术介绍
云覆盖了50％以上的地球表面,是重要的气象和气候要素之一。为了获取准确的云量分布，先要对卫星云图进行云的检测和分类，再在云分类的基础上进行云量计算。目前，国际上卫星云量计算方法主要有ISCCP方法、CLAVR方法、APOLLO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；APOLLO算法采用逻辑与的形式，即只有当像元满足所有阈值检测条件的时候，才认为该像元为晴空，否认认为该像元是云。另外还有MODIS、NIR/VIS等方法。上述云量计算方法主要可分为两类：一是通过区域内有云像素点与总像素点之比计算云量；二是通过像素点辐射量与反射率之比计算等效云量。第一种方法操作方便，但由于不能分析亚像元云量，会造成云量计算结果偏高；第二种方法虽然一定程度上解决了亚像元云量问题，但有些情况仍不太适用，比如区域内有多层云或地表类型变化剧烈等。云检测是云量计算的基础，因此要想提高云量计算的准确率必须先取得较好的云检测结果。目前云检测的技术主要分为两类:阈值法和聚类分析法。阈值法主要采用红外温度阈值、可见光阈值等，但是由于卫星图像非常复杂多变，采用固定全局阈值对图像进行检测会产生比较大的误差。聚类分析方法主要有直方图聚类、自适应阈值聚类、动态阈值聚类等，但是云的类别通常具有好多特征，现阶段的研究主要针对云的某一特征进行，不能很好的提取云图像上的有效信息，因此以上方法的云检测效果不是很好。另外基于机器学习的云检测方法也被大量应用，主要包括支持向量机、K近邻、模糊策略以及神经网络，其中神经网络的检测精度要比其他方法效果更好，但其同样存在缺陷，主要表现为没有充分运用云图特征，有效信息提取不够。近年来深度学习发展非常迅速，其在很多应用领域都表现出强大的适应性和鲁棒性，能够充分提取有效特征，对云图进行分类。深度卷积神经网络虽然能有效的提取特征，但训练时会产生梯度扩散，训练时间过长等问题。针对这些问题，本文采用多维密集连接卷积神经网络实现对多光谱卫星云图的云检测。该方法通过多维输入实现多光谱特征的有效利用，通过密集连接解决了深度卷积神经网络梯度扩散、训练时间过长的问题。通过实验结果对比、该模型可以很好地提取云图特征，提高多光谱云图检测的准确率，并且相对于其它模型，泛化能力也有比较大的提升。
技术实现思路
本专利技术的目的是克服上述
技术介绍
的不足，提供一种基于多维密集连接卷积神经网络的卫星云图云量计算方法，克服了传统神经网络对云图特征利用率不够的缺陷，克服了传统深度强化学习中卷积神经网络层数加深后计算参数量大，信号传递缓慢的缺陷。为了实现上述技术目的，本专利技术的技术方案为：基于多维密集连接卷积神经网络的卫星云图云量计算方法，包括如下步骤：步骤1)多维密集连接神经网络模型结构的训练：通过已标注的样本(Xi,Yi)，对该多维密集连接神经网络进行学习，通过预测值与真实值的误差来进行反向传播得到最优的模型参数，其中，Xi为一个多维的nxn的图像块，Yi表示Xi对应的云的分类，n满足10≤n≤50，i表示第i个样本，i＝1,2,3,...,p，p为样本总数；网络模型的输出层采用监督学习的方式实现云的分类学习；步骤2)卫星图片云分类：将卫星图片分成每个像素大小为nxn的小块，作为神经网络的输入数据，并得到整个神经网络的输出，通过输出值进行最终分类，根据输出的最大值判定云的种类；步骤3)卫星图片云量计算：根据步骤2)中云的种类，采用空间相关方法计算云图上的总云量。所述基于多维密集连接卷积神经网络的卫星云图云量计算方法的进一步设计在于，步骤1)中云的分类包括厚云、薄云及晴空。所述基于多维密集连接卷积神经网络的卫星云图云量计算方法的进一步设计在于，网络模型包括：多维输入部分，将多通道遥感云图导入进密集连接模块；密集连接部分，包括以密集连接方式连接的卷积神经网络，过渡模块，设于两密集连接模块之间，用于减少通道数量。所述基于多维密集连接卷积神经网络的卫星云图云量计算方法的进一步设计在于，密集连接部分的卷积神经网络第L层的输出等于将0到L-1层的输出特征图进行通道的合并，再进行非线性变化，如式(1)：xl＝Hl([x0,x1,...,xl-1])(1)。所述基于多维密集连接卷积神经网络的卫星云图云量计算方法的进一步设计在于，步骤(1)具体过程为：1-1)将四通道云图导入多维密集连接卷积神经网络；1-2)依次经过补零、卷积、批规范化、补零、池化操作，生成特征图；1-3)将特征图导入密集连接模块，每一密集连接模块会采取归一化、激活、卷积操作，每一密集连接模块的输出通道通过过渡模块按设定的系数进行缩减后，输入值下一密集连接模块；1-4)将所有特征图组成一维数据，与三个输出连接，输出每一个图片属于每一个类别的概率；1-5)根据输出每一个类别的概率，用样本的标注Y作为监督学习的目标输出，计算预测与真实值得交叉熵，通过反向传播的方法来不断优化模型的参数，生成最优的模型结构。所述基于多维密集连接卷积神经网络的卫星云图云量计算方法的进一步设计在于，所述步骤1-3)中每一密集连接模块在进行卷积之后都加入设定的卷积操作作为瓶颈层。所述基于多维密集连接卷积神经网络的卫星云图云量计算方法的进一步设计在于，所述步骤(3)的具体包括：通过神经网络输出的云分类结果得到厚云像素亮度的下界Icld和晴空像素亮度的上界Iclr，根据式(1)求得云图上每个像素的云量Ac：Ac＝(I-Iclr)/(Icld-Iclr)(1)其中，I为单个像素接收机的亮度，根据每个像素的云量最终得到云图上所有像素的总云量。本专利技术的有益效果为：本专利技术的基于多维密集连接卷积神经网络的卫星云图云量计算方法通过多维输入实现多光谱特征的有效利用，通过密集连接解决了深度卷积神经网络梯度扩散、训练时间过长的问题。通过实验结果对比、该模型可以很好地提取云图特征，提高多光谱云图检测的准确率，并且相对于其它模型，泛化能力也有比较大的提升。附图说明图1是本专利技术的基于多维密集连接卷积神经网络的卫星云图云量计算方法的流程图。图2是本专利技术中用到的密集连接卷积神经网络结构图。图3是本专利技术中用到的基于多维密集连接卷积神经网络的云图检测模型。具体实施方式以下将结合附图，对本专利技术的技术方案进行详细说明。本实施例的多维密集连接卷积神经网络提取网络的卫星云图云量计算方法中采用的网络模型包括：多维输入部分，包括将多通道遥感云图导入进密集连接模块，相较于传统的的单通道和三通道有了很大的改进。密集连接部分，包括以密集连接方式来连接的卷积神经网络，密集连接网络如图2第L层的输出等于将0到L-1层的输出特征图进行通道的合并，然后再进行非线性变化，即：xl＝Hl([x0本文档来自技高网...

【技术保护点】
1.一种基于多维密集连接卷积神经网络的卫星云图云量计算方法，其特征在于包括如下步骤：步骤1)多维密集连接神经网络模型结构的训练：通过已标注的样本(Xi,Yi)，对该多维密集连接神经网络进行学习，通过预测值与真实值的误差来进行反向传播得到最优的模型参数，其中，Xi为一个多维的nxn的图像块，Yi表示Xi对应的云的分类，n满足10≤n≤50，i表示第i个样本，i＝1,2,3,...,p，p为样本总数；网络模型的输出层采用监督学习的方式实现云的分类学习；步骤2)卫星图片云分类：将卫星图片分成每个像素大小为nxn的小块，作为神经网络的输入数据，并得到整个神经网络的输出，通过输出值进行最终分类，根据输出的最大值判定云的种类；步骤3)卫星图片云量计算：根据步骤2)中云的种类，采用空间相关方法计算云图上的总云量。

【技术特征摘要】
1.一种基于多维密集连接卷积神经网络的卫星云图云量计算方法，其特征在于包括如下步骤：步骤1)多维密集连接神经网络模型结构的训练：通过已标注的样本(Xi,Yi)，对该多维密集连接神经网络进行学习，通过预测值与真实值的误差来进行反向传播得到最优的模型参数，其中，Xi为一个多维的nxn的图像块，Yi表示Xi对应的云的分类，n满足10≤n≤50，i表示第i个样本，i＝1,2,3,...,p，p为样本总数；网络模型的输出层采用监督学习的方式实现云的分类学习；步骤2)卫星图片云分类：将卫星图片分成每个像素大小为nxn的小块，作为神经网络的输入数据，并得到整个神经网络的输出，通过输出值进行最终分类，根据输出的最大值判定云的种类；步骤3)卫星图片云量计算：根据步骤2)中云的种类，采用空间相关方法计算云图上的总云量。2.根据权利要求1所述基于多维密集连接卷积神经网络的卫星云图云量计算方法，其特征在于步骤1)中云的分类包括厚云、薄云及晴空。3.根据权利要求1所述基于多维密集连接卷积神经网络的卫星云图云量计算方法，其特征在于网络模型包括：多维输入部分，将多通道遥感云图导入进密集连接模块；密集连接部分，包括以密集连接方式连接的卷积神经网络，过渡模块，设于两密集连接模块之间，用于减少通道数量。4.根据权利要求3所述基于多维密集连接卷积神经网络的卫星云图云量计算方法，其特征在于密集连接部分的卷积神经网络第L层的输出等于将0到L-1层的输出特征图进行通道的合并，再进行非线性变化...

【专利技术属性】
技术研发人员：夏旻，施必成，刘万安，宋稳柱，张旭，王杰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32