張偉，馬衛(wèi)民，曹洋

基于PSO-SVM的MODⅠS數(shù)據(jù)海上云檢測(cè)

張偉，馬衛(wèi)民，曹洋

（中國(guó)衛(wèi)星海上測(cè)控部,江蘇江陰214431）

為利用中分辨率成像光譜儀（MODIS）數(shù)據(jù)實(shí)現(xiàn)海上云的檢測(cè)，提出一種結(jié)合粒子群優(yōu)化算法（PSO）與支持向量機(jī)（SVM）的檢測(cè)方法。根據(jù)海洋下墊面的特點(diǎn)，選取了合適的特征量，利用具有較強(qiáng)全局搜索能力的粒子群優(yōu)化算法對(duì)支持向量機(jī)中的參數(shù)進(jìn)行優(yōu)化調(diào)整，改善了支持向量機(jī)的分類性能，試驗(yàn)結(jié)果表明，該方法能獲得較高的分類精度，可以較好的實(shí)現(xiàn)海上云的檢測(cè)。

海上云檢測(cè);粒子群優(yōu)化算法;支持向量機(jī)

1 引言

通過(guò)衛(wèi)星遙感獲得海洋信息是海洋研究的重要方法之一，其能保證較高的時(shí)間分辨率和空間分辨率。但海上云的存在，會(huì)較大的影響遙感反演的準(zhǔn)確性，從而導(dǎo)致海洋信息定量化產(chǎn)品精度的降低。近年來(lái)利用中分辨率成像光譜儀（MODIS）影像數(shù)據(jù)進(jìn)行云檢測(cè)是遙感領(lǐng)域的研究熱點(diǎn)，一部分研究是通過(guò)光譜分析、設(shè)置閾值形成算法，一部分研究則是基于統(tǒng)計(jì)理論進(jìn)行研究，這都取得了一定的效果。

支持向量機(jī)（Support Vector Machine,SVM）是Cortes和Vapnik于20世紀(jì)90年代首先提出的，它以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中[1]。該算法自提出后就開(kāi)始廣泛的應(yīng)用于文本分類、語(yǔ)音識(shí)別、故障識(shí)別和預(yù)測(cè)等領(lǐng)域，都取得了較好的效果[2-3]。但該算法應(yīng)用在云檢測(cè)上并不多見(jiàn)，赫英明等[4]運(yùn)用支持向量機(jī)軟件包Libsvm進(jìn)行了云檢測(cè)，證明了支持向量機(jī)方法在遙感影像分類中的優(yōu)勢(shì)。本文旨在利用支持向量機(jī)實(shí)現(xiàn)海上云檢測(cè)，同時(shí)利用粒子群算法（Particle Swarm Optimization,PSO）搜索支持向量機(jī)的最優(yōu)參數(shù)組合（懲罰參數(shù)C，核參數(shù)σ），改善支持向量機(jī)的分類性能，使其更好的應(yīng)用于海上云檢測(cè)。

2 支持向量機(jī)理論及特征量選取

2.1支持向量機(jī)理論

支持向量機(jī)的基本思想可以概括為：對(duì)于非線性可分樣本，通過(guò)核函數(shù)，將輸入樣本空間映射到一個(gè)高維乃至無(wú)窮維的線性特征空間，然后在這個(gè)特征空間中應(yīng)用線性學(xué)習(xí)機(jī)的方法解決樣本空間中的高度非線性分類和回歸等問(wèn)題。

標(biāo)準(zhǔn)的C-支持向量分類機(jī)算法如下[5]：

給定訓(xùn)練集T={(x1,y1),···,(xl,yl)}∈(Rn×Y)，式中，xi∈Rn,yi∈Y={1,-1},i=1,···,l。選取適當(dāng)?shù)暮撕瘮?shù)K(x,x')以及懲罰參數(shù)C＞0，構(gòu)造并求解凸二次規(guī)劃問(wèn)題：

得解α*=(,···,。

選取位于開(kāi)區(qū)間（0，C）中的α*的分量，按公式（2）計(jì)算出b*：

表1 所選波段及器主要應(yīng)用領(lǐng)域

2.2特征選取

（1）紅外波段11μm通道BT11。在晴空條件下，11μm上的輻射主要來(lái)自下墊面，大氣的貢獻(xiàn)很小，能夠較好的反映地表輻射物的特性[6]。由于海面溫度比較均一穩(wěn)定，而云的亮溫也平均保持在一個(gè)比較低的值，二者之間有比較穩(wěn)定的溫度差，所以該通道可以較好的應(yīng)用于海上云的檢測(cè)。

（2）近紅外波段1.38μm通道反射率R1.38。1.38μm通道處于水汽吸收帶，低層的反射會(huì)由于水汽的吸收而減弱，而高層卷云具有相對(duì)較高的反射率，從而使高層的薄卷云得以檢測(cè)出來(lái)[7-8]。

（3）可見(jiàn)光波段0.66μm、0.87μm通道反射率R0.66、R0.87?？梢?jiàn)光波段0.66μm處，晴空數(shù)據(jù)具有較低的反射率，厚云則有高的反射率[9]；由于水體在0.87μm具有較強(qiáng)的吸收特性，因此水面上的反射主要來(lái)自瑞利散射和氣溶膠散射[6]。這些散射的影響較小，更能突出云；而(R0.66-R0.87)(R0.66+R0.87)以及R0.66R0.87也常被用來(lái)區(qū)分云和下墊面[10-11]。

（4）紅外亮溫差BTD11-3.75、BTD11-8.6。3.75μm通道位于3.5—4μm的中紅外窗口，受水汽的影響較11μm要弱的多，通常3.75μm通道的亮溫比11μm高，但是層狀低云的云頂亮溫卻相反，所以可以利用11μm和3.75μm通道的亮溫差異進(jìn)行云檢測(cè)，該方法可以有效的檢測(cè)到層狀低云。8.6μm對(duì)大氣吸收很敏感，特別是水汽吸收，同樣的，它對(duì)于表面發(fā)射輻射也很敏感。由于8.6μm處的地表發(fā)射輻射比11μm處要小，利用8.6μm和11μm的亮溫差可以檢測(cè)中高云[12-13]。

綜上所述，本文采用BT11、R1.38、R0.66、R0.87、BTD11-3.75、BTD11-8.6六個(gè)特征量進(jìn)行云檢測(cè)。表1為所選波段及其主要應(yīng)用領(lǐng)域。

3 支持向量機(jī)參數(shù)優(yōu)化

3.1粒子群算法

支持向量機(jī)對(duì)參數(shù)的選擇非常敏感，參數(shù)的取值直接影響著支持向量機(jī)學(xué)習(xí)能力和推廣能力。針對(duì)這個(gè)問(wèn)題，許多學(xué)者從不同的角度進(jìn)行了討論和研究，都取得了一定的效果，但也存在著一些不足，例如收斂速度慢、精度低等等[14-16]。美國(guó)電氣工程師Eberhart和社會(huì)心理學(xué)家Kennedy于1995年基于鳥(niǎo)群覓食行為提出了粒子群優(yōu)化算法，該算法概念簡(jiǎn)單、實(shí)現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少，是一種高效的搜索算法。目前許多學(xué)者應(yīng)用該算法實(shí)現(xiàn)對(duì)支持向量機(jī)參數(shù)的選擇，通過(guò)試驗(yàn)表明，粒子群算法可以較好的應(yīng)用于支持向量機(jī)參數(shù)選擇[17-18]。

粒子群算法描述如下[19]：

設(shè)粒子群群體規(guī)模為m，zi=(zi1,zi2,···,ziD)為第i個(gè)粒子(i=1,2,···,m)的D維位置矢量，vi=(vi1,vi2,···,viD)為第i個(gè)粒子的飛行速度，pi=(pi1,pi2,···,piD)為粒子迄今為止搜索到的最優(yōu)位置，pg=(pg1,pg2,···,pgD)為整個(gè)粒子群迄今為止搜索到的最優(yōu)位置。在每次迭代中，粒子根據(jù)下式更新速度和位置：

式中，i=1,2,…m，d=1,2,…,D，k是迭代次數(shù)，r1和r2為[0,1]之間的隨機(jī)數(shù)，c1和c2為學(xué)習(xí)因子。

3.2PSO-SVM參數(shù)優(yōu)化模型

（1）對(duì)訓(xùn)練樣本集進(jìn)行歸一化處理。由于各特征量單位、量級(jí)并不一致，為避免運(yùn)算過(guò)程中大數(shù)“吃”小數(shù)現(xiàn)象，故將每一維的數(shù)據(jù)歸一化到[-1，1]之間；

（2）對(duì)PSO進(jìn)行初始化，隨機(jī)產(chǎn)生一組{C，σ}作為粒子的初始位置；

（3）計(jì)算每個(gè)粒子的適應(yīng)度。將表征個(gè)體的參數(shù)C和σ代人SVM中進(jìn)行訓(xùn)練和預(yù)測(cè)，將SVM的預(yù)測(cè)結(jié)果同樣本真實(shí)值一起構(gòu)成個(gè)體適應(yīng)度函數(shù)如式（5）所示：

式中，f表示適應(yīng)度值，n為樣本數(shù)，y(i)表示預(yù)測(cè)值，y'(i)為樣本真實(shí)值；

（4）根據(jù)粒子的適應(yīng)度值來(lái)更新粒子本身和群體所對(duì)應(yīng)的最佳適應(yīng)度值及最優(yōu)位置，利用式（3）、式（4）對(duì)粒子的速度和位置進(jìn)行調(diào)整，得到新的粒子位置，即得到新的SVM參數(shù)組合{C，σ}；

（5）如未滿足最大迭代次數(shù)或滿足結(jié)束條件，返回步驟（3），否則輸出最優(yōu)參數(shù)組合。

將最終得到的最優(yōu)參數(shù)組合{C,σ}重新訓(xùn)練樣本集，得到分類器模型，即可用于預(yù)測(cè)。

4 算法實(shí)現(xiàn)及案例分析

4.1海上云檢測(cè)算法實(shí)現(xiàn)

根據(jù)以上理論及算法，整個(gè)海上云檢測(cè)的具體實(shí)現(xiàn)步驟如下：

（1）對(duì)數(shù)據(jù)源進(jìn)行預(yù)處理，提取各特征量值，形成訓(xùn)練樣本集及測(cè)試樣本集，并進(jìn)行歸一化處理；

（2）按照PSO-SVM參數(shù)優(yōu)化模型對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練，得到最優(yōu)參數(shù)組合{C，σ}及其分類器模型；

（3）利用步驟（2）得到分類器模型對(duì)測(cè)試樣本集進(jìn)行預(yù)測(cè)。

4.2案例分析

基于上述新算法實(shí)現(xiàn)步驟，對(duì)2009年3月28日2時(shí)40分（世界時(shí)）MODIS數(shù)據(jù)進(jìn)行云檢測(cè)，數(shù)據(jù)分辨率為1 km，經(jīng)過(guò)定標(biāo)計(jì)算和幾何校正處理，選取測(cè)試樣本數(shù)據(jù)范圍為112.0°—118.0°E，12.0°—20.0°N，位于中國(guó)南海區(qū)域。圖1—3分別為波段1、31及云檢測(cè)結(jié)果圖。圖1中暖色表示反射率較高，圖2中暖色表示溫度較低，圖3中白色表示云，黑色表示晴空。

比較圖1—3，圖左上角具有較高反射率、較高溫度的云，左下角具有較低反射率、較低溫度的云，都被較好的辨別出來(lái)了（見(jiàn)圖3）；右下角有大片的成絲縷狀結(jié)構(gòu)的卷云系也被較好的檢測(cè)出來(lái)。

圖1 MODIS 0.66 μm通道

圖2 MODIS 11 μm通道

圖3 云檢測(cè)結(jié)果

利用臺(tái)灣大學(xué)Chih Wei Hsu等人開(kāi)發(fā)的Libsvm支持向量機(jī)工具包中的grid.py程序也可以得到一組優(yōu)化參數(shù)組合{C，σ}，為驗(yàn)證本文算法對(duì)云的檢測(cè)能力，以及PSO-SVM參數(shù)優(yōu)化模型的優(yōu)勢(shì)，本文參照NASA發(fā)布的MOD35云掩膜產(chǎn)品，比較了通過(guò)Libsvm與本文算法得到的云檢測(cè)結(jié)果，其對(duì)比結(jié)果如表2。本文在不同季節(jié)、區(qū)域MODIS數(shù)據(jù)中提取6000多個(gè)樣本數(shù)據(jù)，在進(jìn)行訓(xùn)練時(shí)，將6000多個(gè)樣本數(shù)據(jù)隨機(jī)的分成訓(xùn)練樣本及驗(yàn)證樣本，其中訓(xùn)練樣本取4000多個(gè)，剩下的則作為驗(yàn)證樣本，最終獲得表2所示的訓(xùn)練樣本分類精度；本文分析的案例包含480000個(gè)數(shù)據(jù)，但計(jì)算測(cè)試樣本分類精度時(shí)僅使用NASA認(rèn)為確定的晴空和云數(shù)據(jù)，共310793個(gè)數(shù)據(jù)。通過(guò)比較可以看出PSO-SVM參數(shù)優(yōu)化模式在尋找最優(yōu)參數(shù)組合{C，σ}上的優(yōu)勢(shì)，同時(shí)測(cè)試樣本的較高分類精度也表明支持向量機(jī)可以較好的應(yīng)用于海上云檢測(cè)。

表2 不同參數(shù)優(yōu)化方式下分類性能對(duì)比

5 結(jié)論

本文根據(jù)海洋下墊面的特征，結(jié)合MODIS資料，選取了適當(dāng)?shù)奶卣髁?。利用支持向量機(jī)在小樣本分類方面的優(yōu)勢(shì)，應(yīng)用于海上云的檢測(cè)，同時(shí)利用粒子群算法容易實(shí)現(xiàn)、收斂速度快的特點(diǎn)，對(duì)支持向量機(jī)中的重要參數(shù)進(jìn)行了優(yōu)化調(diào)整。試驗(yàn)結(jié)果表明，本方法分類精度較高，可以較好的實(shí)現(xiàn)海上云檢測(cè)，為海上云的識(shí)別提供了一種簡(jiǎn)單易行的方法。

[1]Vapnik V N.Nature of Statistical Learning Theory[M].New York: John-Wiley,1995．

[2]Christopher J C B.A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery, 1998,12(2):121-167．

[3]邊肇祺,張學(xué)工.模式識(shí)別[M].北京:清華大學(xué)出版社,2000:1-5.

[4]赫英明,王漢杰,姜祝輝.支持向量機(jī)在云檢測(cè)中的應(yīng)用[J].解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,10(2):191-194.

[5]鄧乃揚(yáng),田英杰.支持向量機(jī):理論、算法與拓展[M].北京:科學(xué)出版社,2009.

[6]王家成,楊世植,麻金繼,等.東南沿海MODIS圖像自動(dòng)云檢測(cè)的實(shí)現(xiàn)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2006,31(3):270-273.

[7]Gao B,Goetz F H.Cirrus Cloud Detection from Airborne Imaging Spectrometer Data Using the 1.38 Water Vapor Band[J].Journal of Geophysical Research Letter,1993,20(4):301-304.

[8]Gao B.Selection of 1.375 MODIS Channel for Remote Sensing of Cirrus Clouds and Stratospheric Aerosols from Space[J].American Meteorological Society,1995:4231-4237.

[9]Chen P Y,Srinivasan R,Fedosejevs G,et al.An automated cloud detection method for daily NOAA-14 AVHRR data for texas,USA [J].International Journal of Remote Sensing,2002,23(15): 2939-2950.

[10]李微,方圣輝,佃袁勇,等.基于光譜分析的MODIS云檢測(cè)算法研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2005,30(5):435-443.

[11]Andrews M D,Ardanuy P E.A generalized scenario for cloud detection using MODIS-n[A].Geoscience and Remote Sensing Symposium,1990:1487-1489.

[12]Saunders R W.An Automated Scheme for the Removal of Cloud Contamination from AVHRR Radiances over Western Europe[J]. International Journal of Remote Sensing,1986,7(7):867-886.

[13]Ackerman S,Strabala K,Menzel P,et al.Discriminating clear-sky from cloud with MODIS-Algorithm Theoretical Basis Document [R].2002.

[14]Cherkassky V,Ma Y.Practical selection of SVM parameters and noise estimation for SVM regression[J].Neural Networks,2004, 17(1):113-126.

[15]董春曦,饒鮮,楊紹全,等.支持向量機(jī)參數(shù)選擇方法研究[J].系統(tǒng)工程與電子技術(shù),2004,26(8):1117-1120.

[16]袁小芳,王耀南.基于混沌優(yōu)化算法的支持向量機(jī)參數(shù)選取方法[J].控制與決策,2006,21(1):111-113.

[17]姚全珠,蔡婕.基于PSO的LS-SVM特征選擇與參數(shù)優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(1):134-136.

[18]任江濤,趙少東,許盛燦,等.基于二進(jìn)制PSO算法的特征選擇及SVM參數(shù)同步優(yōu)化[J].計(jì)算機(jī)科學(xué),2007,34(6):179-182.

[19]紀(jì)震,廖惠連,吳青華.粒子群算法及應(yīng)用[M].北京:科學(xué)出版社,2009:17-18.

Cloud over sea detection of MODⅠS data based on PSO-SVM

ZHANG Wei，MAWei-min，CAO Yang
（China Satellite Maritime Tracking and Controlling Department,Jiangyin 214431,China）

In order to detect the cloud over sea using the moderate resolution imaging spectroradiometer data,a new method was introduced based on the Particle Swarm Optimization and Support Vector Machine.According to the characteristic of surface of sea,appropriate feature was selected.A better parameter value was obtained by using particle swarm optimization which has better global searching ability,which improved the classification performance of Support Vector Machine.The test results indicate that the method can obtain higher classification accuracy and has good performance of detecting the cloud over sea.

cloud over sea detection；particle swarm optimization；support vector machine

P732

A

1003-0239（2014）04-0092-05

10.11737/j.issn.1003-0239.2014.04.013

2013-06-02

國(guó)家自然科學(xué)基金（41275113）

張偉(1986-)，男，工程師，主要從事衛(wèi)星資料遙感反演應(yīng)用方面研究。E-mail：zhwyule@sina.cn