石小云

（中國海洋大學信息科學與工程學院，山東青島266100）

云的形態(tài)、分布、數(shù)量及其變化標志著大氣運動狀況。各種類型云的輻射特性以及其分布情況，很大程度上影響著天氣預報的準確性、氣候監(jiān)測的有效性和全球氣候變化等。氣象衛(wèi)星是從太空對地球及其大氣層進行氣象觀測的人造地球衛(wèi)星，人們接收氣象衛(wèi)星的衛(wèi)星云圖資料，對其進行云分析，不僅可以分析大范圍云系分布，研究天氣系統(tǒng)的演變規(guī)律，而且可以詳細地分析中小尺度云系[1]之間的相互作用。

最初衛(wèi)星云圖資料的利用依靠人工判識來解決，工作量大，耗時而且?guī)в泻艽蟮闹饔^性，因此，讓計算機對衛(wèi)星云圖進行快速、準確地自動分類一直是遙感領域的熱點和難點。

1 SOM網(wǎng)絡

1.1 SOM網(wǎng)絡簡介

自組織特征映射網(wǎng)絡也稱為Kohonen網(wǎng)絡，它是由荷蘭學者Teuvo Kohonen于1981年提出的。SOM網(wǎng)絡根據(jù)其學習規(guī)則，對輸入模式進行自動分類，即在無監(jiān)督的情況下，通過對輸入模式的反復學習，捕捉住各個輸入模式中所含的模式特征，并對其進行自組織，在競爭層將分類結(jié)果表現(xiàn)出來。SOM網(wǎng)絡的典型結(jié)構(gòu)如圖1所示。

1.2 SOM網(wǎng)絡的學習算法

SOM網(wǎng)絡算法[2]是無監(jiān)督學習算法的代表，能夠自動找出輸入數(shù)據(jù)之間的類似度，將相似的輸入在網(wǎng)絡上就近配置，因此是一種可以構(gòu)成對輸入數(shù)據(jù)有選擇地給予反應的網(wǎng)絡。

圖1 SOM神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)Fig.1 Basic structure of SOMneural network

SOM網(wǎng)絡的學習算法步驟如下：

1）網(wǎng)絡初始化

給輸入層和映射層之間權值的初始值賦隨機數(shù)。

2）輸入向量的輸入

把輸入向量x（x1，x2，x3，…xn）T輸入給輸入層。

3）計算映射層的權值向量和輸入向量的距離

映射層的第j個神經(jīng)元和輸入向量的距離，按式（1）給出：

式中ωij是輸入層的i神經(jīng)元和映射層的j神經(jīng)元之間的權值。

4）選擇與權值向量的距離最小的神經(jīng)元

計算并選擇使輸入向量和權值向量的距離最小的神經(jīng)元，如果dj為最小，稱其為勝出神經(jīng)元，記為j*，并給出其鄰接神經(jīng)元集合。

5）權值的學習

勝出的神經(jīng)元和位于其鄰接的神經(jīng)元的權值，按式（2）更新：

式中η是一個大于0小于1的常數(shù)，h（j，j*）是領域函數(shù)，用式（3）表示：

式中的σ2隨著學習的進行而減小，h（j，j*）的范圍隨著學習的進行而變窄，這樣領域函數(shù)可以起到產(chǎn)生有效映射的作用。

6）是否達到預先設定的要求

如達到要求則算法結(jié)束，否則，返回到步驟2），進入下一輪學習。

2 衛(wèi)星云圖的云分類

2.1 實驗數(shù)據(jù)

風云2C（FY-2C）[3]象衛(wèi)星是我國自己研制的第一代靜止氣象衛(wèi)星，于2004年10月19日發(fā)射成功，2009年11月23日8時停止業(yè)務運行。衛(wèi)星定點于105°E赤道上空，定點距地面36 000 km，主要有效載荷為紅外和可見光自旋掃描輻射器VISSR。

本文采用的實驗數(shù)據(jù)是國家氣象衛(wèi)星中心提供的風云2C衛(wèi)星的HDF格式[4]產(chǎn)品。該產(chǎn)品包含了5 kM分辨率的IR1-IR4通道數(shù)據(jù)和最高分辨率為1.25 kM的VIS通道數(shù)據(jù)，以及云分類數(shù)據(jù)等。本文采用2008年7月1日7時的衛(wèi)星數(shù)據(jù)，選取了201×201個數(shù)據(jù)點讀取紅外和可見光各通道數(shù)據(jù)，并進行歸一化處理。

2.2 特征選取

實驗中選取了9個特征組成特征向量，每個特征的含義見表1。選擇IR通道的數(shù)據(jù)和通道之間差別可以分析出不同溫度和高度的云團[5-6]。利用VIS圖像分辨率高的特點，計算其子塊的紋理特征以描述云的形態(tài)。

表1 特征向量的含義Tab.1 The meaning of each feature vector

3 實驗結(jié)果及分析

因為實驗結(jié)果輸出要求為8類，所以SOM網(wǎng)絡的競爭層選取二維的2×4的平面陣列，拓撲函數(shù)選擇hextop（），拓撲函數(shù)產(chǎn)生的8個神經(jīng)元的分布位置如圖2所示。

圖2 hextop產(chǎn)生的8個神經(jīng)元的分布位置Fig.2 Position of the 8 neural cells produced by hextop function

SOM網(wǎng)絡的距離函數(shù)選擇linkdist（），其他參數(shù)均取默認值。經(jīng)過MATLAB編程后得結(jié)果如圖3所示。

圖3 云分類結(jié)果Fig.3 Cloud classification results

通過對分類結(jié)果圖像和原始的IR，VIS云圖對比可以得出，利用SOM神經(jīng)網(wǎng)絡對衛(wèi)星云圖進行分類時，能夠有效地識別出云團的輪廓，形態(tài)及位置，為根據(jù)云團特征預報天氣及氣候變化打好基礎。

4 結(jié)束語

本文利用基于SOM神經(jīng)網(wǎng)絡的分類方法，網(wǎng)絡輸入層為云圖的9個不同的特征，競爭層采用2×4的二維拓撲結(jié)構(gòu)，選取了風云二C氣象衛(wèi)星的數(shù)據(jù)，利用MATLAB編程，得出分類結(jié)果數(shù)據(jù)，并顯示在圖像中。通過對結(jié)果的分析，說明利用該方法進行衛(wèi)星云圖的云分類是可行有效的。在云圖上提取更加有效的特征可以提高該分類器的準確率。

[1] 周偉，李萬彪.利用GMS-5紅外數(shù)據(jù)進行云的分類識別[J].北京大學學報：自然科學版，2003，39（1）:83-90.ZHOU Wei，LI Wan-biao.Classification and recognition of clouds using GSM-5 IR data[J].Journal of Peking University：Natural Science，2003，39（1）:83-90.

[2] 張德豐.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2009.

[3] 佚名.風云二號氣象衛(wèi)星[EB/OL].[2011-05-10].http://baike.baidu.com/view/329195.htm.

[4] 許健民，張文建，楊軍，等.風云二號衛(wèi)星業(yè)務產(chǎn)品與衛(wèi)星數(shù)據(jù)格式實用手冊[M].北京：氣象出版社，2008.

[5] LIU Yu，XIA Jun，SHI Chun-xiang，et al.An improved cloud classification algorithm for China FY-2C multi-channel images using artificial neural network[J].Sensors，2009（9）：5558-5579.

[6] Yoonkyung L，Wahba G，Ackerman S A.Cloud classification of satellite radiance data by multi-category support vector machines[J].Journal of Atmospheric and Oceanic Technology，2004，2（21）:159-169.