CN116778354B - 基于深度学习的可见光合成云图海上强对流云团识别方法 - Google Patents
基于深度学习的可见光合成云图海上强对流云团识别方法 Download PDFInfo
- Publication number
- CN116778354B CN116778354B CN202310989544.4A CN202310989544A CN116778354B CN 116778354 B CN116778354 B CN 116778354B CN 202310989544 A CN202310989544 A CN 202310989544A CN 116778354 B CN116778354 B CN 116778354B
- Authority
- CN
- China
- Prior art keywords
- cloud
- data
- image
- strong convection
- convection
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 239000002131 composite material Substances 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 230000005855 radiation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的可见光合成云图海上强对流云团识别方法,步骤如下:收集FY‑4B静止气象卫星数据进行预处理操作;采用红外水汽通道差法并进行人工目视判译标记强对流云团,统计强对流云团在不同通道差异,构建强对流云团数据集;训练深度神经网络;将原始静止卫星反射通道云图传入深度神经网络,得到强对流云团识别结果。本发明能够降低卷云误判为对流云的像元,能够从反射通道合成图像快速监测海上强对流云团,为强对流天气短临预报提供更精准的监测方法,对进一步提高海上强对流云团监测识别具有十分重要的意义。
Description
技术领域
本发明涉及气象遥感,特别是一种基于深度学习的可见光合成云图海上强对流云团识别方法。
背景技术
强对流天气主要指雷暴、短时强降水、大风、冰雹、龙卷等现象,在卫星云图上表现为强对流云团。在一定水汽条件下,不稳定的大气受下垫面以及热力作用影响形成对流云系,云顶高度高,内部存在猛烈垂直上升活动。海上强对流与陆地强对流生成与触发条件不同,在卫星云图上存在不同形态差异。陆地强对流常以飑线、内嵌于云系的雷暴体组成;海上强对流形式较为单一,常以雷暴单体形式存在。在海上对强对流天气监测主要依靠卫星遥感资料,监测方式是对强对流云团识别。对海上强对流云团进行识别有助于研究海上强对流云团生成、海上水文气象遥感探测能力等方面的提升。
目前静止气象卫星监测强对流云团多数采用单通道阈值法(例221K、245K),红外-水汽通道差法,后者相较前者能去除卷云影响。但这些方法对于卫星通道设置要求高,目前业务对强对流云团监测主要依靠多普勒天气雷达,卫星反射通道与红外通道云团,强对流云团在反射通道光谱特征与其他云类相似,纹理存在部分差异,反射通道的强对流云团识别主要依靠经验识别;强对流云团在红外通道可以看作黑体,其亮度温度可等效为实际温度,可以反应云顶亮温以及推算云顶高度,在红外通道标记强对流云团具有坚实的物理基础,因此需要采用强对流云团在红外、水汽通道的物理特性辅助标记反射通道的彩色合成图像。
综上所述,现有技术存在的问题是:
(1)目前可见光云图对强对流云团的识别基本依靠目视解译,采用现有方法无法直接从可见光云图获取强对流云团范围;
(2)多数卫星搭载可见光(反射)通道,缺失气象卫星的水汽通道,海量卫星资料难以运用;FY-4B搭载的快速成像仪GHI时空分辨率较高,但缺失强对流云团监测的运用。
发明内容
发明目的:本发明的目的是提供一种基于深度学习的可见光合成云图海上强对流云团识别方法,从而在缺失红外、水汽通道的载荷设置下,能够从反射通道合成图像直接识别强对流云团,提高了海上强对流云团可用卫星种类,为后续FY-4BGHI快速扫描仪识别强对流云团提供基础,对进一步提高海上强对流云团监测识别具有十分重要的意义。
技术方案:本发明所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法,包括以下步骤:
(1)收集FY-4B AGRI静止气象卫星数据,通过对数据预处理为等积投影的数据形式;
(2)将预处理后的资料划分为反射与红外波段,反射波段合成云图用于构建数据集,红外波段用于辅助识别对流云,在采用红外-水汽通道差法获取粗对流区域后根据人工目视解读剔除误判区域与新增漏判区域,得到对应时次的强对流云团数据集,划分训练集与测试集;
(3)构建一个基于U-Net网络的神经网络模型用于在反射波段合成云图上识别对流云,通过设置的网络层数在卷积过程中扩大感受野,根据输入的反射波段合成云图与对应的数据标签训练数据集;
(4)建立预测模型,能够读取上述模型训练的权重参数,将测试集中反射波段合成云图输入模型后,得到强对流云团预测结果。
所述步骤1具体为:
(1.1)收集全圆盘标称投影AGRI数据,数据中包含反射波段与红外波段数据;对数据进行辐射定标,分别读取数据集中数据文件与校正文件,将反射波段数据由原始DN值校正为反射率,将红外通道数据由原始DN值校正为亮度温度(Brightness Temperature,单位:K)。
(1.2)将经过辐射定标后的全圆盘数据进行集和地理插值为等经纬度数据,划定插值到等经纬度数据范围为105°E—160°E,0°—60°N,空间分辨率为0.04°。
(1.3)为消除卫星观测时存在的误差,对等经纬度数据进行中值滤波,采用中值滤波函数对AGRI第1、2、3、9、13通道的数据文件进行中值滤波,窗口大小设置为3×3,中值滤波函数为:
;
其中和/>代表数据灰度值,S代表模板窗口;
最后将数据转化为等积投影,空间分辨率为4KM。
所述步骤2具体为:
(2.1)对AGRI第1、2、3通道的数据进行优化的线性拉伸算法,计算每个波段累计直方图2.5%和97.5%对应的像元值,分别赋予a和b,计算最大拉伸值c和最小拉伸值d,计算公式如下:
;
;
在数据图像中,大于c的部分赋值255,小于d的部分赋值0,介于c和d之间的像元值采用如下公式进行计算:
;
其中data为经过优化的线性拉伸算法后得到的图像,拉伸后的图像值介于0-255之间。
对经过优化的线性拉伸的通道进行彩色合成,中心通道为0.47um的数据赋予蓝光波段,0.825um的数据赋予绿光波段,0.65um的数据赋予红光波段,得到反射通道的彩色合成图像。
(2.2)构建对应反射通道的彩色合成图像标签数据,对AGRI中心通道为6.25um(),10.8um(/>)的数据相减得到BTD(Brightness TemperatureDifference),设置一个阈值Threshold1,使得BTD图像上像素大于Threshold1的部分标记为255,代表为对流云,小于Threshold1的部分标记为0,代表非对流云,得到二值图,对二值图中对流云区域执行闭运算,得到对流云粗提取结果,之后根据反射通道的合成图像根据人工目视解译剔除误判为对流云的区域,新增漏判的对流云区域。
所述步骤3具体为:
(3.1)构建深度学习网络模型,所采用的海上强对流识别模型基于U-Net结构,包括编码(Encoder)和解码(Decoder)过程,层数设置为5层,其中:
下采样过程是编码过程,定义下采样操作为输入图像后连续经过两次卷积操作,两次卷积中卷积核大小设置为3×3,padding大小设置为1,每次卷积后紧接标准化模块与ReLU线性激活函数,保留层数为1-4的特征图传输给同层次上采样过程,下采样过程采用单次卷积代替,使得单次卷积过程得到的特征图与下采样特征图具有相同的大小。
上采样过程是解码过程,上采样过程中采用双线性插值法恢复到同层次下采样过程中的特征图大小,并连接同层次下采样过程的特征图,特征图通道数翻倍,对得到的特征图进行两次卷积操作,两次卷积中卷积核大小设置为3×3,padding大小设置为1,每次卷积后紧接标准化模块与ReLU线性激活函数,特征图连接操作仅适用于1-4层。
所述U-Net模型中损失函数BCELoss满足下式:
;
其中L代表样本标签,P代表预测值。
(3.2)将数据传入深度学习网络进行训练,保存模型得到的权重系数。
所述步骤4具体为:
(4.1)建立预测模型,将测试集反射通道合成图像传入模型后得到二值图像,1代表对流云,0代表非对流云,对预测图像与真值图像分别采用Canny算子监测边缘,Canny算子计算式如下所示:
;
代表处理后的像素灰度值,/>代表输入图像;最后分别将模型预测结果与真值结果叠加在彩色合成云图上,得到海上强对流云团监测结果。
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种基于深度学习的可见光合成云图海上强对流云团识别方法。
一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种基于深度学习的可见光合成云图海上强对流云团识别方法。
有益效果:与现有技术相比,本发明具有如下优点:本发明能够提高采用反射通道图像识别强对流图像物理基础,同时提出的方法能够避免单波段阈值法将卷云区域误判为对流云。
附图说明
图1为本发明所述方法的步骤流程图;
图2为制作的深度学习数据集单个示例示意图;
图3为构建的深度神经网络示意图;
图4为深度神经网络在反射通道海上强对流云团监测结果示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明基于FY-4B先进的静止轨道辐射成像仪AGRI中心波长为0.47um(),0.65um(/>),0.825um(/>),6.25um(/>)和10.8um(/>)数据进行数据预处理,插值到目标区域上,通过水汽-红外通道差法标记反射通道彩色合成图像制作数据集,将数据集传入基于U-Net网络的深度神经网络中训练,训练出来的模型可以直接通过反射通道彩色合成图像识别强对流云团,该方法极大提高气象业务中海上强对流云团识别能力,可以避免高层卷云误判为对流云的问题,本发明具体包括以下步骤,总结流程如图1所示:
基于深度学习的可见光合成云图海上强对流云团识别方法,基于目标区域的FY-4BAGRI传感器数据,执行以下步骤,训练出的模型可在仅使用反射通道合成图像监测海上强对流云团:
步骤1:收集FY-4B静止气象卫星资料,使用FY-4B上先进的静止轨道辐射成像仪(Advanced Geostationary Radiation Imager, AGRI)数据。依次对FY-4B标称投影进行辐射定标,空间插值操作,将数据插值到研究区范围内,将AGRI所有数据转化为Albers等面积投影。
步骤2:识别强对流云团目标与构建强对流云团数据库。对AGRI预处理后的数据进行处理,对各通道数据进行空间滤波。对AGRI反射通道中的0.47um(蓝),0.65um(红)和0.825um(近红外)三通道数据分别进行数据增强,进行彩色合成。采用水汽-红外通道差设定阈值获得强对流云团识别二值图,与增强后的反射通道数据进行数据标记。
步骤3:卷积神经网络的训练,构建U-Net模型为基础的卷积神经网络,对上述标记的强对流云团数据库进行学习训练。学习训练时采用反向传播算法,不断迭代直至误差损失最小,经过多次迭代直至损失函数收敛。模型输入参数为反射通道合成云图,模型真值具有物理基础的强对流云团监测二值图。最后对模型进行验证,检验模型准确率,保存模型训练参数。
步骤4:根据FY-4B气象卫星反射通道数据经数据增强的彩色合成图像,输入训练好的深度神经网络中,得到强对流云团监测结果。
首先收集历史FY-4BAGRI资料,对于原始FY-4B静止气象卫星AGRI数据,将数据划分为反射通道数据与红外通道数据,读取数据集中数据文件与校正文件,将反射通道数据由原始DN值校正为反射率,将红外通道数据由原始DN值校正为亮度温度(BrightnessTemperature,单位:K)。将获得的数据文件进行空间插值选择目标区域105°E—160°E,0°—60°N,空间分辨率为0.04°,将反射通道与红外通道标称投影数据插值到等经纬网矩阵中,将等经纬网数据转化为等积投影,转化后的坐标系每个像元值空间分辨率为4KM(等积投影采用参数为中心经度:130°E,双标准纬线为25°N、47°N)。
对图像进行预处理后,分别采用中值滤波函数对AGRI中心通道为0.47um(),0.65um(/>),0.825um(/>),6.25um(/>)和10.8um()的波段数据文件进行中值滤波,窗口大小设置为3×3,以减小图像噪声的干扰,中值滤波函数为:
;
其中和/>代表数据灰度值,S代表模板窗口。
图像数据集构建方式如下,对AGRI中心通道为0.47um(),0.65um(),0.825um(/>)的数据进行优化的线性拉伸算法,具体变化过程包括如下步骤:
(1)获取输入单波段数据的相对累计直方图,获取累计直方图2.5%和97.5%对应的像元值,分别赋予a和b。
(2)计算最大拉伸值c和最小拉伸值d,计算公式如下:
;
;
在数据图像中,大于c的部分赋值255,小于d的部分赋值0。
(3)介于c和d之间的像元值,计算公式如下:
;
其中data为经过优化的线性拉伸算法后得到的图像,拉伸后的图像值介于0-255之间。
对经过优化的线性拉伸算法进行彩色合成,中心通道为0.47um的数据赋予蓝光波段,0.825um的数据赋予绿光波段,0.65um的数据赋予红光波段,得到反射通道的彩色合成图像,最后将图像按照512×512×3的形状进行裁剪。
标签图像构建方式如下:对AGRI中心通道为6.25um(),10.8um(),的数据相减得到BTD(BrightnessTemperatureDifference),公式如下:
;
设置一个阈值Threshold1,使得BTD图像上像素大于Threshold1的部分标记为255,代表为对流云,小于Threshold1的部分标记为0,代表非对流云,得到二值图,最后将图像按照512×512×1的形状进行裁剪,与上述反射通道合成图像进行地理定位,得到数据图像与标签图像,如图2所示,经多次试验,采用Threshold1=-1.9时效果最好。将数据集划分为训练集与测试集,得到训练集共1780个样本,测试集共664个样本。
开始构建强对流云团识别模型,该深度神经网络基于U-Net结构,包括编码(Encoder)与解码(Encoder)结构,层数为5层,发明构建的深度神经网络结构如图3所示:
深度神经网络中下采样过程是编码过程,定义下采样操作为输入图像后连续经过两次卷积操作,两次卷积中卷积核大小设置为3×3,padding大小设置为1,每次卷积后紧接标准化模块与ReLU线性激活函数,保留层数为1-4的特征图传输给同层次上采样过程,下采样过程中使用最大池化,窗口选择为2×2。
深度神经网络中上采样过程是解码过程,上采样过程中采用双线性插值法恢复到同层次下采样过程中的特征图大小,并连接同层次下采样过程的特征图,特征图通道数翻倍,对得到的特征图进行两次卷积操作,两次卷积中卷积核大小设置为3×3,padding大小设置为1,每次卷积后紧接标准化模块与ReLU线性激活函数,特征图连接操作仅适用于1-4层。
所述U-Net模型中损失函数BCELoss满足下式:
;
其中L代表样本标签,P代表预测值。
构建基于U-Net的深度神经网络后,设置batch_size为10,学习率设置为0.00001,迭代100次,损失函数收敛,保存模型参数。将实时FY-4B反射图像裁剪为512×512×3的形状后传入模型获取模型预测二值图,得到模型预测出的海上强对流图像。
对预测图像与真值图像分别采用Canny算子监测边缘,Canny算子计算式如下所示:
;
代表处理后的像素灰度值,/>代表输入图像。最后分别将模型预测结果与真值结果叠加在彩色合成云图上,得到海上强对流云团监测结果。
综上所述,利用本方法得到的强对流云团标记如图4所示。图4中展示了经Canny监测边缘的海上强对流云团真值与模型预测图像,表明模型能够从卫星反射通道快速提取强对流云团,其中色调较黑的边缘代表海上强对流云团的真值,色调较白的边缘代表海上强对流云团模型预测结果,可以看出,模型预测结果与真值大致吻合,反映了海上强对流云团范围,同时云系内的卷云等噪声没有被模型误判为强对流云团。
Claims (7)
1.一种基于深度学习的可见光合成云图海上强对流云团识别方法,其特征在于,包括以下步骤:
(1)收集FY-4B AGRI静止气象卫星数据,通过对数据预处理为等积投影的数据形式;
(2)将预处理后的资料划分为反射与红外波段,反射波段合成云图用于构建数据集,红外波段用于辅助识别对流云,在采用红外-水汽通道差法获取粗对流区域后根据人工目视解读剔除误判区域与新增漏判区域,得到对应时次的强对流云团数据集,划分训练集与测试集;
(3)构建一个基于U-Net网络的神经网络模型用于在反射波段合成云图上识别对流云,通过设置的网络层数在卷积过程中扩大感受野,根据输入的反射波段合成云图与对应的数据标签训练数据集;
(4)建立预测模型,能够读取上述模型训练的权重参数,将测试集中反射波段合成云图输入模型后,得到强对流云团预测结果。
2.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法,其特征在于,所述步骤1具体为:
(1.1)收集全圆盘标称投影AGRI数据,数据中包含反射波段与红外波段数据;对数据进行辐射定标,分别读取数据集中数据文件与校正文件,将反射波段数据由原始DN值校正为反射率,将红外通道数据由原始DN值校正为亮度温度;
(1.2)将经过辐射定标后的全圆盘数据进行集和地理插值为等经纬度数据,划定插值到等经纬度数据范围为105°E—160°E,0°—60°N,空间分辨率为0.04°;
(1.3)为消除卫星观测时存在的误差,对等经纬度数据进行中值滤波,采用中值滤波函数对AGRI第1、2、3、9、13通道的数据文件进行中值滤波,窗口大小设置为3×3,中值滤波函数为:
;
其中和/>代表数据灰度值,S代表模板窗口;
最后将数据转化为等积投影,空间分辨率为4KM。
3.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法,其特征在于,所述步骤2具体为:
(2.1)对AGRI第1、2、3通道的数据进行优化的线性拉伸算法,计算每个波段累计直方图2.5%和97.5%对应的像元值,分别赋予a和b,计算最大拉伸值c和最小拉伸值d,计算公式如下:
;
;
在数据图像中,大于c的部分赋值255,小于d的部分赋值0,介于c和d之间的像元值采用如下公式进行计算:
;
其中data为经过优化的线性拉伸算法后得到的图像,拉伸后的图像值介于0-255之间;
对经过优化的线性拉伸的通道进行彩色合成,中心通道为0.47um的数据赋予蓝光波段,0.825um的数据赋予绿光波段,0.65um的数据赋予红光波段,得到反射通道的彩色合成图像;
(2.2)构建对应反射通道的彩色合成图像标签数据,对AGRI中心通道为6.25um,10.8um的数据相减得到BTD,设置一个阈值Threshold1,使得BTD图像上像素大于Threshold1的部分标记为255,代表为对流云,小于Threshold1的部分标记为0,代表非对流云,得到二值图,对二值图中对流云区域执行闭运算,得到对流云粗提取结果,之后根据反射通道的合成图像根据人工目视解译剔除误判为对流云的区域,新增漏判的对流云区域。
4.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法,其特征在于,所述步骤3具体为:
(3.1)构建深度学习网络模型,所采用的海上强对流识别模型基于U-Net结构,包括编码和解码过程,层数设置为5层,其中:
下采样过程是编码过程,定义下采样操作为输入图像后连续经过两次卷积操作,两次卷积中卷积核大小设置为3×3,padding大小设置为1,每次卷积后紧接标准化模块与ReLU线性激活函数,保留层数为1-4的特征图传输给同层次上采样过程,下采样过程采用单次卷积代替,使得单次卷积过程得到的特征图与下采样特征图具有相同的大小;
上采样过程是解码过程,上采样过程中采用双线性插值法恢复到同层次下采样过程中的特征图大小,并连接同层次下采样过程的特征图,特征图通道数翻倍,对得到的特征图进行两次卷积操作,两次卷积中卷积核大小设置为3×3,padding大小设置为1,每次卷积后紧接标准化模块与ReLU线性激活函数,特征图连接操作仅适用于1-4层;
所述U-Net模型中损失函数BCELoss满足下式:
;
其中L代表样本标签,P代表预测值;
(3.2)将数据传入深度学习网络进行训练,保存模型得到的权重系数。
5.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法,其特征在于,所述步骤4具体为:
(4.1)建立预测模型,将测试集反射通道合成图像传入模型后得到二值图像,1代表对流云,0代表非对流云,对预测图像与真值图像分别采用Canny算子监测边缘,Canny算子计算式如下所示:
;
代表处理后的像素灰度值,/>代表输入图像;最后分别将模型预测结果与真值结果叠加在彩色合成云图上,得到海上强对流云团监测结果。
6.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法。
7.一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989544.4A CN116778354B (zh) | 2023-08-08 | 2023-08-08 | 基于深度学习的可见光合成云图海上强对流云团识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989544.4A CN116778354B (zh) | 2023-08-08 | 2023-08-08 | 基于深度学习的可见光合成云图海上强对流云团识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778354A CN116778354A (zh) | 2023-09-19 |
CN116778354B true CN116778354B (zh) | 2023-11-21 |
Family
ID=87989711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310989544.4A Active CN116778354B (zh) | 2023-08-08 | 2023-08-08 | 基于深度学习的可见光合成云图海上强对流云团识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778354B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152637A (zh) * | 2023-10-30 | 2023-12-01 | 中国海洋大学 | 基于fy-4a卫星云图预测序列的强对流云识别方法 |
CN117495723B (zh) * | 2023-12-29 | 2024-03-19 | 中国石油大学(华东) | 基于分波段处理的不成对数据遥感图像薄云去除方法 |
CN117523420B (zh) * | 2024-01-08 | 2024-04-19 | 南京信息工程大学 | 一种基于雷达产品数据的闪电落区识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
CN110942111A (zh) * | 2019-12-31 | 2020-03-31 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
CN111666903A (zh) * | 2020-06-10 | 2020-09-15 | 中国电子科技集团公司第二十八研究所 | 一种卫星云图中雷暴云团的识别方法 |
CN112924974A (zh) * | 2021-01-21 | 2021-06-08 | 中国气象科学研究院 | 一种利用dbscan聚类算法识别云团的方法、装置及电子设备 |
CN114170528A (zh) * | 2021-12-01 | 2022-03-11 | 天津大学 | 一种基于卫星云图的强对流区域识别方法 |
CN115437036A (zh) * | 2022-08-25 | 2022-12-06 | 张立霞 | 一种基于葵花卫星的对流初生预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10769432B2 (en) * | 2018-10-10 | 2020-09-08 | Drvision Technologies Llc | Automated parameterization image pattern recognition method |
-
2023
- 2023-08-08 CN CN202310989544.4A patent/CN116778354B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
CN110942111A (zh) * | 2019-12-31 | 2020-03-31 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
CN111666903A (zh) * | 2020-06-10 | 2020-09-15 | 中国电子科技集团公司第二十八研究所 | 一种卫星云图中雷暴云团的识别方法 |
CN112924974A (zh) * | 2021-01-21 | 2021-06-08 | 中国气象科学研究院 | 一种利用dbscan聚类算法识别云团的方法、装置及电子设备 |
CN114170528A (zh) * | 2021-12-01 | 2022-03-11 | 天津大学 | 一种基于卫星云图的强对流区域识别方法 |
CN115437036A (zh) * | 2022-08-25 | 2022-12-06 | 张立霞 | 一种基于葵花卫星的对流初生预报方法 |
Non-Patent Citations (5)
Title |
---|
onvection-UNet: A Deep Convolutional Neural Network for Convection Detection based on the Geo High-speed Imager of Fengyun-4B;Yufei Wang;《2023 International Conference on Pattern Recognition, Machine Vision and Intelligent Algorithms (PRMVIA)》;163-168 * |
Radar Composite Reflectivity Reconstruction Based on FY-4A Using Deep Learning;Ling Yang 等;《Sensors》;第23卷(第1期);1-14 * |
地震绕射波弱信号U-net网络提取方法;盛同杰 等;《地球物理学报》;第66卷(第3期);1192-1204 * |
改进U-Net的风云四号卫星降水估计算法研究;黄杰 等;《计算机工程与应用》;第59卷(第11期);285-293 * |
深度学习模型识别静止卫星图像海上强对流云团;郑益勤 等;遥感学报;1-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116778354A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116778354B (zh) | 基于深度学习的可见光合成云图海上强对流云团识别方法 | |
CN113936142B (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
CN111914686B (zh) | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 | |
CN113673586B (zh) | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN112419155B (zh) | 一种全极化合成孔径雷达影像超分辨率重建方法 | |
CN112949550B (zh) | 一种基于深度学习的水体识别方法、系统和介质 | |
CN113534158B (zh) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 | |
CN111428862B (zh) | 一种极类不平衡时空联合对流初生短临预报方法 | |
CN116310883B (zh) | 基于遥感图像时空融合的农业灾害预测方法及相关设备 | |
CN111983732A (zh) | 一种基于深度学习的降水强度估计方法 | |
CN113221813B (zh) | 一种海岸线遥感提取方法 | |
CN113935249B (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
CN113567981A (zh) | 一种基于sar影像的洪涝风险区自动提取方法 | |
CN115830466A (zh) | 一种基于深度孪生神经网络的冰川变化遥感检测方法 | |
CN117008217A (zh) | 一种融合自注意力模块与Unet模型的短时强降水预报方法 | |
CN113705340B (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
CN117077437A (zh) | 基于多源卫星的极区海表净辐射模型构建和确定方法 | |
CN113269028B (zh) | 一种基于深度卷积神经网络的水体变化检测方法和系统 | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
CN117115666A (zh) | 基于多源数据的高原湖泊提取方法、装置、设备及介质 | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
CN115546658B (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 | |
CN115862010B (zh) | 一种基于语义分割模型的高分遥感影像水体提取方法 | |
CN114913430A (zh) | 一种基于高分影像和Unet阴影检测的物体高度识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |