CN115019170A - 一种基于辐射仿真数据的深度学习偏振遥感云检测方法 - Google Patents
一种基于辐射仿真数据的深度学习偏振遥感云检测方法 Download PDFInfo
- Publication number
- CN115019170A CN115019170A CN202210623966.5A CN202210623966A CN115019170A CN 115019170 A CN115019170 A CN 115019170A CN 202210623966 A CN202210623966 A CN 202210623966A CN 115019170 A CN115019170 A CN 115019170A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- cloud detection
- cloud
- model
- radiation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于辐射仿真数据的深度学习偏振遥感云检测方法。其特征是利用辐射传输模型计算大气辐射特性,获取大气顶辐射仿真数据;对大气顶的仿真数据进行敏感性分析,确定可用于偏振遥感云检测的信息;构建偏振遥感云检测训练数据集;基于SegNet模型,引入通道注意力机制搭建偏振遥感云检测方法模型,对模型及训练数据进行优化;通过实际观测数据验证云检测方法的有效性。该方法不需要大量实际观测数据作为训练数据集,从而有效降低了获取训练数据的成本;同时能有效解决实际观测数据难以对薄云进行有效标注,造成薄云检测精度不高的问题。
Description
(一)技术领域
本发明涉及光学偏振遥感领域,具体是设计一种基于辐射仿真数据的深度学习偏振遥感云检测方法,用于满足偏振遥感高精度云检测需求。
(二)背景技术
云的存在给大气参数及地表参数反演等遥感数据应用带来重大影响,引起大气校正不准确、归一化植被指数计算出现偏差、土地类型分类错误等一系列问题,准确地从遥感图像中标出云像元可以有效解决上述问题。偏振遥感不仅可以获取强度辐射信息,还能获取偏振辐射信息,从而获取更多可以表征云和地表特性的信息。机器学习具有强大的学习能力,能够充分挖掘数据中潜在的规律和特征,为数据分类提供决策依据。采用模拟数据作为训练数据,基于深度学进行偏振遥感云检测,解决目前基于深度学习云检测获取训练数据集成本高及薄云检测精度不高等问题。
相比于其他云检测方法,基于机器学习的云检测方法能实现自动云检测。Jeppesen等人提出了基于u-net结构的遥感网络(RS-net)用于云检测。Li等人将多尺度信息融合到卷积特征中,提出了一种多尺度卷积特征融合(MSCFF)云检测方法。Zhang等人基于上下块的深度网络使用小波变换和连续多尺度空间注意力进行云检测。Sun等人使用最小分量和卷积神经网络对卫星遥感图形进行云检测。Chen等人利用深度学习从多时相ZY-3卫星图像中去除厚云。Ji等人基于级联卷积神经网络对遥感图像进行云检测。Rozenhaimer等人基于卷积神经网络开发多模卫星图像云检测算法。目前,使用机器学习方法进行云检测之前,必须对大量实测遥感图像进行分类,再生成训练数据。因此,在遥感探测器发射之前,不能对云检测算法进行有效评估,大大增加了云检测算法的成本。此外,机器学习云检测算法在高反地表(冰/雪等)上空薄云的检测效果还有待进一步提高。
本发明所提出一种基于辐射仿真数据的深度学习偏振遥感云检测方法,该方法通过深度学习模型训练由辐射传输模型计算得到的偏振遥感仿真数据,挖掘出更多可用于云检测的深层特征,取得更好的云检测效果。
(三)发明内容
本发明的目的在于提供一种通过辐射仿真数据作为训练样本,减少获取训练样本成本、且增加训练样本数据量,利用SE-SegNet神经网络模型进行云检测的方法,以获取更高精度的偏振遥感云检测结果。
本发明的目的是通过以下技术手段实现的:
S101,利用辐射传输模型计算大气辐射特性,获取大气顶的辐射仿真数据;
S102,对大气顶辐射仿真数据进行敏感性分析,确定可用于偏振遥感云检测的信息;
S103,基于S102中的信息,构建偏振遥感云检测训练数据集;
S104,基于SegNet模型,引入通道注意力机制,搭建偏振遥感云检测方法模型;
S105,基于训练数据对偏振遥感云检测方法模型进行训练,并对训练数据集和方法模型进行优化;
S106,利用偏振遥感云检测方法模型预测偏振遥感实际观测数据,并与其他方法结果相比较,验证方法的有效性。
进一步,所述S101中所述的获取大气顶辐射特性仿真数据,其流程图如图5所示,设置辐射传输模型的参数,通过辐射传输软件仿真大气顶辐射特性,获取大气顶辐射特性仿真数据。
本发明的有益效果:本发明是基于辐射仿真数据对偏振遥感进行云检测,通过强度辐射、偏振辐射、多角度等多维信息,利用深度学习方法挖掘出更多可用于云检测的深层特征,实现偏振遥感高精度云检测,为偏振遥感数据应用有效提供保障。
(四)附图说明
图1为基于辐射仿真数据的深度学习偏振遥感云检测方法步骤示意图。
图2为SegNet神经网络示意图。
图3为通道注意力机制模块示意图。
图4为SE-SegNet网络结构示意图。
图5为构建云检测训练数据集示意图。
(五)具体实施方式
下面结合具体得实施例来进一步阐述本发明。
本发明实施例提供的一种基于辐射仿真数据的深度学习偏振遥感云检测方法步骤示意图,如图1所示,该方法包括如下步骤:
S101,根据云检测应用需求,准确设置输入参数,利用辐射传输模型计算辐射特性,得到大气顶层的仿真数据;
S102,对大气顶层的仿真数据进行多角度、多波段和波段间信息联合等敏感性分析,确定可用于云检测的有效信息;
S103,基于S102中的分析信息,利用构建偏振遥感云检测训练数据集,为基于深度学习开展云检测提供可靠的训练数据;
S104,基于SegNet模型,引入通道注意力机制,搭建偏振遥感云检测方法模型;
S105,基于训练数据对偏振遥感云检测方法模型进行训练,并对训练数据集和方法模型进行优化;
S106,利用偏振遥感云检测方法模型预测偏振遥感实际观测数据,并与其他方法结果相比较,验证方法的有效性。
如图5所示,在矢量辐射传输模型中,相应的地表、大气分子、气溶胶和云层等光学特性获取方法如下:
地表光学特性参数。利用辐射传输模型提供的地表BRDF计算模块,或者采用MODIS的MCD43B1产品提供的BRDF参数来计算地表BRDF。
大气分子光学特性参数。基于瑞利散射计算大气分子散射特性,根据仪器光谱响应函数结合大气廓线,使用HITRAN2012数据库提供的大气分子吸收系数,采用逐线积分方法计算大气分子的吸收。
气溶胶光学特性参数。气溶胶的光学特性依赖于气溶胶的复折射率指数、粒子尺度分布、气溶胶光学厚度(AOD)等。输入对应的粒子形状、粒子尺度分布和粒子的复折射率、气溶胶粒子垂直分布等参数,再利用Mie散射理论或T-矩阵计算气溶胶对大气顶的辐射贡献。
云层光学特性参数。云层的散射特性主要由云层的光学厚度(COD)、云有效粒子半径、云粒子的形状等因素决定。本专利将利用Mie散射计算水云粒子的光学特性,在美国德州农工大学Yang教授团队公开的冰晶粒子散射数据库中提取相应条件下的数据作为冰云的光学特性参数。
对大气顶辐射仿真数据进行敏感性分析,以构建偏振遥感云检测训练数据集,相应分析如下:
多角度偏振反射率用于云检测。水云在140°散射角附近的偏振反射率存在一个明显的波峰,即水云的主虹区。因此,可以借助水云主虹区的特征,进行水云检测。
多谱段反射率用于云检测。利用氧气A波段的反射率比值X(763、765nm波段反射率)与空气质量因子m和表观压强Papp的关系,获取表观压强信息,根据表观压强信息判别是否有云(表观压强小说明高度越高,存在的云的概率越大)。
多谱段偏振反射率用于云检测。当云光学厚度大于3时,不同云顶压强下490nm和865nm波段的偏振反射率差ΔRp(ΔRp=Rp490nm-Rp865nm)随散射角的变化不同,可以利用ΔRp在散射角从80°到140°范围内对云顶压强变化敏感这一特点,获取云顶压强信息,从而实现云检测。
SE-SegNet神经网络云检测算法:
SE-SegNet网络的结构如图4,当该网络进行云检测时,各模块的主要功能如下:卷积层,通过卷积核在输入图像上移动,获取输入影像与权重矩阵的卷积,作为特征矩阵保存下来。卷积层作用在于不断挖掘卷云的深层特征,获取更复杂的细节特征,并通过迭代更新、共享权值传递特征。激活函数层,使用ReLU作为激活函数,增强对云特征的识别能力。池化层,降采样数据处理过程,通过简单的非线性操作减小所获取特征的大小,减小模型所需学习参数的数量,增大感受野、提高效率。上采样层,使图像恢复原本的大小,使图像分类后的特征得以放大。Softmax层,对像元进行晴空、云像元分类。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照具体的实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、结构部分均为公知技术。
Claims (4)
1.一种基于辐射仿真数据的深度学习偏振遥感云检测方法,其特征在于,所述步骤包括:
S101,准确的设置相应的地表、大气分子、气溶胶和云层等光学特性参数,利用辐射传输模型计算有云和无云条件下大气顶的辐射仿真数据;
S102,对大气顶辐射仿真数据进行敏感性分析,确定可用于偏振遥感云检测的信息;
S103,基于S102中的信息,构建偏振遥感云检测训练数据集;
S104,基于SegNet模型,引入通道注意力机制,搭建偏振遥感云检测方法模型;
S105,基于训练数据对偏振遥感云检测算法模型进行训练,并对训练数据集和方法模型进行优化;
S106,利用偏振遥感云检测方法模型预测偏振遥感实际观测数据,并与其他方法结果相比较,验证方法的有效性。
2.根据权利要求1所述的一种基于辐射仿真数据的深度学习偏振遥感云检测方法,其特征在于:S101中,利用辐射传输模型计算有云和无云大气条件下的大气顶辐射特性,但是需要准确的设置相应地表、大气分子、气溶胶和云层等光学特性参数。
3.根据权利要求1所述的一种基于辐射仿真数据的深度学习偏振遥感云检测方法,其特征在于:S102中,分析多角度、多波段和波段间信息联合等特征用于云检测。
4.根据权利要求1所述的一种基于辐射仿真数据的深度学习偏振遥感云检测方法,其特征在于:S104中,基于SegNet深度网络,如图2所示,引入通道注意力机制模块,如图3所示,搭建用于偏振遥感云检测方法模型SE-SegNet,如图4所示,使云检测对不同通道提供的信息有所侧重,增强有利于云检测的通道信息,抑制带来过多噪声的通道信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210623966.5A CN115019170A (zh) | 2022-06-02 | 2022-06-02 | 一种基于辐射仿真数据的深度学习偏振遥感云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210623966.5A CN115019170A (zh) | 2022-06-02 | 2022-06-02 | 一种基于辐射仿真数据的深度学习偏振遥感云检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115019170A true CN115019170A (zh) | 2022-09-06 |
Family
ID=83073261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210623966.5A Pending CN115019170A (zh) | 2022-06-02 | 2022-06-02 | 一种基于辐射仿真数据的深度学习偏振遥感云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019170A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188633A (zh) * | 2023-04-25 | 2023-05-30 | 之江实验室 | 一种仿真遥感影像生成的方法、装置、介质及电子设备 |
-
2022
- 2022-06-02 CN CN202210623966.5A patent/CN115019170A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188633A (zh) * | 2023-04-25 | 2023-05-30 | 之江实验室 | 一种仿真遥感影像生成的方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Richards et al. | Remote sensing digital image analysis | |
Zhao et al. | Road surface state recognition based on SVM optimization and image segmentation processing | |
Kale et al. | A research review on hyperspectral data processing and analysis algorithms | |
Wang et al. | Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China | |
CN112231983B (zh) | 面向遥感时空大数据的污染前体物排放源的类脑跨模态识别及并行处理方法 | |
Penasa et al. | Integration of intensity textures and local geometry descriptors from Terrestrial Laser Scanning to map chert in outcrops | |
Pan et al. | Monitoring asphalt pavement aging and damage conditions from low-altitude UAV imagery based on a CNN approach | |
CN110991430A (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
Wang et al. | An adaptive atmospheric correction algorithm for the effective adjacency effect correction of submeter-scale spatial resolution optical satellite images: Application to a WorldView-3 panchromatic image | |
Chen et al. | Accurate landslide detection leveraging UAV‐based aerial remote sensing | |
CN114972885A (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
CN115019170A (zh) | 一种基于辐射仿真数据的深度学习偏振遥感云检测方法 | |
Taghadosi et al. | Developing geographic weighted regression (GWR) technique for monitoring soil salinity using sentinel-2 multispectral imagery | |
Lin et al. | A novel convolutional neural network architecture of multispectral remote sensing images for automatic material classification | |
Weng et al. | Land use/land cover recognition in arid zone using a multi-dimensional multi-grained residual Forest☆ | |
Zhang et al. | Multi-feature embedded learning SVM for cloud detection in remote sensing images | |
Yang et al. | Residual dense autoencoder network for nonlinear hyperspectral unmixing | |
Hameed et al. | Convolutional Autoencoder‐Based Deep Learning Approach for Aerosol Emission Detection Using LiDAR Dataset | |
Chen et al. | A new method for automated monitoring of road pavement aging conditions based on recurrent neural network | |
Lou et al. | Recognition of thaw slumps based on machine learning and UAVs: A case study in the Qilian Mountains, northeastern Qinghai-Tibet Plateau | |
He et al. | Analysis of radar technology identification model for potential geologic hazard based on convolutional neural network and Harris Hawks optimization algorithm | |
Wang et al. | [Retracted] Remote Sensing Satellite Image‐Based Monitoring of Agricultural Ecosystem | |
Pingfang et al. | Cloud detection from visual band of satellite image based on variance of fractal dimension | |
CN115546569B (zh) | 一种基于注意力机制的数据分类优化方法及相关设备 | |
Jiang et al. | Dust storm detection of a convolutional neural network and a physical algorithm based on FY-4A satellite data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |