基于bp神经网络的卫星云检测技术.docxVIP

基于bp神经网络的卫星云检测技术 云检测是卫星数据反演的重要内容。检测结果直接影响全球和地表各种参数的反演质量。一般来说,云比下垫面有较高的反射率和较低的温度,所以可以通过采用可见光波段和红外窗区的阈值法来进行检测。随着MODIS等高光谱分辨率探测器的相继出现,国内外学者研究了各种多光谱综合的方法,使判别云与晴空的阈值更加精确,误差大大减小。然而,阈值的确定具有一定的主观性,而且也有时间和区域上的局限性,即由于不同时相、不同地区的光谱性质的差异,其云检测阈值也不可能相同。并且由于设置多组阈值判别,使检测速度较慢。 目前,虽然有许多学者在多通道阈值基础上研究了更加精确的检测方法,如同态滤波法、空间相关检测法、统计分析法、聚类法等,但这些方法对高光谱分辨率卫星观测数据的光谱利用率低,且算法复杂,检测速度慢。因此,美国MODIS技术开发小组仍主要采用多光谱阈值法作为业务应用方法。 本文运用人工神经网络自动云检测算法对MODIS数据进行了云与晴空的分离实验。结果表明,与阈值法相比,效果较好,且具有时间和空间上的灵活性,使用经过训练后的网络进行云检测的过程简单易行,可使检测速度比阈值算法有所提高,具有一定的实用意义。 1 bp算法原理 人工神经网络模型及学习算法目前已有几十种,根据本文的实际问题,并考虑算法的实用性,选择了结构规范且易于实现的多层前馈网络MFNN(multilayer feedforward neural networks)的反向传播BP(back propagation)学习算法,简称BP算法。 BP学习算法由正向传播和反向传播组成。正向传播中,输入信号从输入层经隐含层到输出层,若输出层得到了期望的值,学习算法结束;否则,进行反向传播。反向传播是将误差信号(即期望输出与实际输出的误差)按原连接通路反向计算,由梯度下降法调整各层神经元的权值和阈值,使误差信号减小。 前层结点至后层节点通过权和作用函数连接,本文选择对称型Sigmoid函数为作用函数,算法学习步骤如下: (1)设置各初始权值和阈值的初始值:wji(0)、θji(0)为小的随机数,i为前层结点,j为后层结点; (2)提供训练样本:输入特征矢量Xk,k=1,2,…,p;期望输出dk,k=1,2,…,p;对每个输入样本进行迭代。 (3)计算网络隐层单元的状态,实际输出及指标函数: oki=fi(∑i∑iwjioki+θj);k为输出层时,实际输出yk=oki,指标函数e=12e=12∑Ρ∑P(dk-yk)2,若e满足精度要求,结束迭代,否则继续。本文f(x)=a×1-exp(-bx)1+exp(-bv)f(x)=a×1?exp(?bx)1+exp(?bv),其中:a=1.716;b=2/3。 (4)计算局部梯度δkj: 当k为输出层时,δkj=fj′(dk-yk); 当k为隐含层时,δkj=fj′∑δkmwmj。 (5)修正权值和阈值: wji(t+1)=wji(t)+ηδjokj+α[wji(t)-wji(t-1)]?θj(t+1)=θj(t)+ηδj+α[θj(t)-θj(t-1)]。wji(t+1)=wji(t)+ηδjokj+α[wji(t)?wji(t?1)]?θj(t+1)=θj(t)+ηδj+α[θj(t)?θj(t?1)]。 其中:η为学习步长;α为动量因子。 BP算法是多层神经网络的一个非常有效的算法,它完成了一个从输入n维到输出m维的非线形映射。用这种算法解决云与晴空的判识问题,只要提取云与晴空的差异明显的n维特征,不管这些特征统计分布是怎样的,也无须由分布特征寻求判别阈值。只要将其输入神经网络,则网络通过充分恰当的学习便能够自动将其判识为云或晴空。 2 云检测的方法及应用 本文云检测实验的卫星云图数据为中分辨率成像光谱仪(MODIS) 1 km分辨率观测数据。MODIS在0.412～14.24 μm内有36个波段(其中:可见光～近红外波段20个,热红外波段16个),为云检测提供了针对性强的波段数据,其多光谱特性大大提高了云晴空分离的准确性。根据以往国内外学者对针对云检测波段数据的研究成果,并结合MODIS波段数据特点反复实验观察后,选取以下特征。 (1)可见光波段0.66 μm及0.87 μm反照率R0.66和R0.87 单一通道反射率云检测在检测黑暗背景亮云时很有效,并且0.66 μm云和植被的反照率有很大差异,而0.87 μm两者反射特征相似。利用R0.66/R0.87及归一化植被指数ΙΝDV(R0.87-R0.66R0.87+R0.66)INDV(R0.87?R0.66R0.87+R0.66)进行云检测的方法也得到广泛使用。 (2)近红外1.38 μm反照率R1.38 1.38 μm位于水汽吸收带,由于在该波段有水汽的强烈吸收,因此地