闞 希，張永宏，曹 庭，王劍庚，田 偉

1.南京信息工程大學(xué)大氣科學(xué)學(xué)院,江蘇 南京 210044；2.南京信息工程大學(xué)信息與控制學(xué)院,江蘇 南京 210044；3.江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心,江蘇 南京 210044；4.南京信息工程大學(xué)大氣遙感學(xué)院,江蘇 南京 210044；5.南京信息工程大學(xué)計(jì)算機(jī)與軟件學(xué)院,江蘇 南京 210044

?

利用多光譜衛(wèi)星遙感和深度學(xué)習(xí)方法進(jìn)行青藏高原積雪判識

闞 希1，張永宏2,3，曹 庭2，王劍庚4，田 偉5

1.南京信息工程大學(xué)大氣科學(xué)學(xué)院,江蘇 南京 210044；2.南京信息工程大學(xué)信息與控制學(xué)院,江蘇 南京 210044；3.江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心,江蘇 南京 210044；4.南京信息工程大學(xué)大氣遙感學(xué)院,江蘇 南京 210044；5.南京信息工程大學(xué)計(jì)算機(jī)與軟件學(xué)院,江蘇 南京 210044

青藏高原積雪對全球氣候變化十分重要，針對已有積雪遙感判識方法中普遍采用的可見光與紅外光譜數(shù)據(jù)易受復(fù)雜地形與高海拔影響，導(dǎo)致青藏高原地區(qū)積雪判識精度較低的問題，提出了一種基于多光譜遙感與地理信息數(shù)據(jù)特征級融合的積雪遙感判識方法：以風(fēng)云三號衛(wèi)星可見光與紅外多光譜遙感資料與多要素地理信息作為數(shù)據(jù)源，由地面實(shí)測雪深數(shù)據(jù)與現(xiàn)有積雪產(chǎn)品交叉篩選出樣本標(biāo)簽，構(gòu)建并訓(xùn)練基于層疊去噪自編碼器(SDAE)的特征融合與分類網(wǎng)絡(luò)，從而有效辨識青藏高原遙感圖像中的云、積雪以及無雪地表。經(jīng)地面實(shí)測雪深數(shù)據(jù)驗(yàn)證，該方法分類精度顯著高于使用相同數(shù)據(jù)源的FY-3A/MULSS積雪產(chǎn)品，略高于國際主流積雪產(chǎn)品MOD10A1與MYD10A1，并且年均云覆蓋率最低。試驗(yàn)結(jié)果表明該方法可有效地減少云層對積雪判識的干擾，提升分類精度。

衛(wèi)星遙感;深度學(xué)習(xí);風(fēng)云三號;多光譜融合;青藏高原;積雪

積雪是多個地球科學(xué)領(lǐng)域的關(guān)鍵影響因素。在氣象與氣候?qū)W領(lǐng)域，積雪是響應(yīng)全球氣候變化的敏感指標(biāo)，此外，由于積雪對太陽輻射具有極高的反射率，雪蓋顯著影響了地表輻射的收支平衡，進(jìn)而通過一系列反饋機(jī)制深刻影響全球氣候變化與局地天氣過程[1]。在水文學(xué)領(lǐng)域，積雪形成的融雪徑流對于區(qū)域水文過程具有重要影響，季節(jié)性積雪也是中緯度地區(qū)主要淡水來源之一[2-4]。青藏高原擁有北半球中緯度地區(qū)海拔最高、范圍最廣的穩(wěn)定積雪區(qū)域，青藏高原的積雪是亞歐大陸上多條重要河流的源頭，因此對青藏高原積雪分布的準(zhǔn)確監(jiān)測，是研究全球氣候變化、局地天氣過程、水文循環(huán)、水資源管理、雪災(zāi)預(yù)警等重大課題的必要前提[5-7]。

基于衛(wèi)星遙感技術(shù)的積雪監(jiān)測方法因其時空分辨率高、監(jiān)測范圍廣等優(yōu)勢，成為當(dāng)代積雪監(jiān)測的主流方法[8-9]。已有的積雪遙感監(jiān)測方法普遍以歸一化差分積雪指數(shù)(NDSI)[10]作為積雪判識的主要依據(jù)。NDSI依賴于雪蓋與無雪地表在可見光與近紅外波段的反射率差異，然而部分種類的云與積雪在可見光與近紅外波段上的光譜特征非常相似，因此僅憑NDSI無法有效區(qū)分云與雪蓋，解決這一問題通常需要根據(jù)積雪表面與云頂?shù)臏囟炔町悾ㄟ^紅外波段的光譜信息進(jìn)一步區(qū)分云雪[11]。然而在實(shí)際應(yīng)用過程中發(fā)現(xiàn)，云頂與積雪表面的溫度都易受海拔、地形、氣溫等因素影響，難以通過人工統(tǒng)計(jì)與分析的方式確定溫度閾值來區(qū)分云雪。這一現(xiàn)象在地形復(fù)雜多變、地勢起伏劇烈、海拔極高的青藏高原地區(qū)尤其明顯[12]。青藏高原平均海拔在4 km以上，且有大量海拔超過6 km的高寒山區(qū)，山區(qū)地表溫度隨海拔攀升而快速下降。此外，即使在相同海拔帶，不同坡向區(qū)域的地表溫度也差異巨大。這使得青藏高原的云雪判識問題成為一個與海拔、地形、地表覆蓋類型等信息耦合的復(fù)雜非線性問題。已有研究表明，目前國際主流的衛(wèi)星遙感積雪產(chǎn)品在青藏高原地區(qū)的積雪誤判、漏判率都顯著高于其他地區(qū)[13]。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域一個新興的研究熱點(diǎn)，近年來在計(jì)算機(jī)視覺、語音識別等領(lǐng)域取得了良好成績。同時，隨著衛(wèi)星遙感數(shù)據(jù)的多元化和海量化，遙感大數(shù)據(jù)時代已經(jīng)到來[14]，而深度學(xué)習(xí)的一大優(yōu)勢在于它能有效應(yīng)對高維、海量數(shù)據(jù)進(jìn)行模式識別與分類，因此深度學(xué)習(xí)方法可作為處理遙感大數(shù)據(jù)分析與挖掘問題的有效手段，也正適用于高原山區(qū)多光譜遙感積雪判識問題。

文獻(xiàn)[15]提出的深度置信網(wǎng)絡(luò)(deep belief network,DBN)被認(rèn)為是第一種深度學(xué)習(xí)架構(gòu)，隨后又出現(xiàn)了多種經(jīng)典的深度學(xué)習(xí)架構(gòu)，這些架構(gòu)按訓(xùn)練方式的不同大致可分為兩類[16]：①有監(jiān)督深度學(xué)習(xí)架構(gòu)，如深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)[17]，循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)[18]等；②無監(jiān)督或半監(jiān)督深度學(xué)習(xí)架構(gòu)，如前文所述的深度置信網(wǎng)絡(luò)DBN，基于受限玻爾茲曼機(jī)的深度玻爾茲曼機(jī)(deep boltzmann machines,DBM)[19]，以及層疊去噪自編碼器(stacked denoising auto-encoders,SDAE)[20-21]等。有監(jiān)督深度學(xué)習(xí)模型通常適用于能提供大量有標(biāo)簽訓(xùn)練樣本用于訓(xùn)練的任務(wù)，如面向目標(biāo)檢測任務(wù)的CNN類網(wǎng)絡(luò)Fast R-CNN[22]，以及面向自然語義理解的RNN類網(wǎng)絡(luò)LSTM[23]等。而有監(jiān)督深度學(xué)習(xí)并不適用于青藏高原地區(qū)的遙感積雪判識任務(wù)，這是由于該任務(wù)所需的樣本標(biāo)簽通常來源于地面氣象站的每日積雪觀測數(shù)據(jù)，但在地廣人稀、地形復(fù)雜的青藏高原地區(qū)，地面氣象站數(shù)量稀少、分布稀疏，因此無法供足夠多的真實(shí)客觀且具有空間代表性的標(biāo)簽樣本用于有監(jiān)督訓(xùn)練。而如果使用無監(jiān)督或半監(jiān)督深度學(xué)習(xí)架構(gòu)，大量遙感數(shù)據(jù)則可提供足夠的無標(biāo)簽訓(xùn)練樣本用于無監(jiān)督預(yù)訓(xùn)練，只需要在最后的全局微調(diào)階段使用少量帶標(biāo)簽樣本進(jìn)行有監(jiān)督學(xué)習(xí)。因此，本文選擇無監(jiān)督或半監(jiān)督類型的深度學(xué)習(xí)架構(gòu)用于青藏高原的遙感積雪判識。進(jìn)一步而言，受當(dāng)?shù)鼗A(chǔ)設(shè)施條件的限制，地面氣象站提供的樣本標(biāo)簽無法保證100%的客觀準(zhǔn)確，并且衛(wèi)星遙感數(shù)據(jù)中也偶爾出現(xiàn)缺測或異常值，因此與DBN和DBM比較，對輸入數(shù)據(jù)中的噪聲干擾更具穩(wěn)健性的SDAE更適合本文任務(wù)。

因此，本文選擇基于SDAE的深度學(xué)習(xí)方法對包含多光譜衛(wèi)星遙感與地理信息的遙感大數(shù)據(jù)進(jìn)行特征提取與分類識別，從而達(dá)到準(zhǔn)確判識青藏高原積雪的目的，主要流程為：構(gòu)建與訓(xùn)練基于SDAE的深度學(xué)習(xí)模型，將多光譜衛(wèi)星遙感與地理信息數(shù)據(jù)作為輸入，通過大量無標(biāo)簽樣本對網(wǎng)絡(luò)進(jìn)行逐層貪婪預(yù)訓(xùn)練，再通過有監(jiān)督訓(xùn)練對網(wǎng)絡(luò)進(jìn)行全局微調(diào)，訓(xùn)練完成后的網(wǎng)絡(luò)即可有效辨識青藏高原遙感圖像中的云、積雪以及無雪地表，從而繪制出青藏高原積雪分布圖。本文方法的技術(shù)流程圖如圖1所示。

圖1 技術(shù)流程Fig.1 Flow chart of method

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域概況

青藏高原是全球平均海拔最高的高原，有“世界屋脊”和“世界第三極”之稱，平均海拔在4 km以上，中南部的喜馬拉雅山脈有多個山峰超過8 km。青藏高原西起帕米爾高原，東至橫斷山脈，南至喜馬拉雅山脈南緣，北起昆侖山至祁連山北側(cè)，總面積近300萬km2。受地形、地貌和大氣環(huán)流的影響，該區(qū)域氣候復(fù)雜多樣，主要為高寒氣候：冬季嚴(yán)寒，夏季溫暖，全年溫差小，日溫差大。青藏高原區(qū)域降水量變化較大且分布不均，總體上，降水量與氣溫大致都是自東南向西北遞減[24]。

1.2 數(shù)據(jù)來源

1.2.1 多光譜衛(wèi)星遙感數(shù)據(jù)

本文采用國家衛(wèi)星氣象中心提供的風(fēng)云三號A星(FY-3A)所搭載的可見光紅外掃描輻射計(jì)(VIRR)的多光譜遙感資料FY-3A/VIRR作為主要數(shù)據(jù)來源。FY-3A/VIRR擁有10個光譜通道，其中第1、7、8、9通道為可見光波段，第2、6、10通道為近紅外波段，第3、4、5通道為熱紅外波段，星下點(diǎn)空間分辨率為1.1 km，F(xiàn)Y-3A/VIRR各通道光譜信息參考文獻(xiàn)[25]。

1.2.2 地理信息數(shù)據(jù)

地理信息數(shù)據(jù)包括數(shù)字高程數(shù)據(jù)、坡度與坡向數(shù)據(jù)、地表覆蓋類型數(shù)據(jù)。本文采用GTOPO30(Global 30 Arc-Second Elevation)作為高程數(shù)據(jù)，青藏高原區(qū)域數(shù)字高程及地面氣象觀測站分布如圖2所示。坡度與坡向數(shù)據(jù)由高程數(shù)據(jù)計(jì)算得到，通過高程、坡向以及坡度數(shù)據(jù)可以反映該區(qū)域的地勢特征。地表覆蓋類型數(shù)據(jù)源自國家基礎(chǔ)地理信息中心發(fā)布的全球30 m分辨率地表覆蓋遙感制圖(GlobalLand30)，包括耕地、森林、草地、灌木地、濕地、水體、苔原、人造地表、裸地、冰川和永久積雪共10種地表覆蓋類型。

圖2 青藏高原區(qū)域數(shù)字高程及地面氣象觀測站分布Fig.2 QT Plateau digital elevation and meteorological stations

1.2.3 現(xiàn)有遙感積雪產(chǎn)品

本文選擇美國國家雪冰數(shù)據(jù)中心(NSIDC)提供的MODIS逐日積雪產(chǎn)品MOD10A1和MYD10A1數(shù)據(jù)，以及中國氣象局衛(wèi)星氣象中心提供的基于FY-3A衛(wèi)星多傳感器融合的FY-3A/MULSS每日雪蓋產(chǎn)品，用于深度學(xué)習(xí)模型無標(biāo)簽樣本的交叉篩選，以及與本文方法結(jié)果的對比和驗(yàn)證。所選數(shù)據(jù)時間范圍為2011年1月1日至2013年12月31日。

1.2.4 地面實(shí)測雪深數(shù)據(jù)

地面氣象站實(shí)測雪深數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)(data.cma.cn)提供的每日雪深資料集。本文選取使用了青藏高原范圍內(nèi)106個站點(diǎn)，時段為2011年至2013年。每日雪深大于2 cm則認(rèn)為當(dāng)天該氣象站所在位置有積雪，否則為無雪，以此作為本文的標(biāo)簽樣本與對比驗(yàn)證的客觀參考標(biāo)準(zhǔn)。

2 研究方法

2.1 多光譜遙感數(shù)據(jù)預(yù)處理

FY-3A/VIRR數(shù)據(jù)預(yù)處理主要分為可見光與近紅外通道數(shù)據(jù)定標(biāo)、熱紅外通道數(shù)據(jù)定標(biāo)、太陽天頂角訂正、幾何校正、圖像拼接和裁剪。預(yù)處理流程如圖3所示。

圖3 遙感數(shù)據(jù)預(yù)處理流程Fig.3 Multispectral remote sensing data pre-processing

可見光與近紅外通道數(shù)據(jù)定標(biāo)是指將原始光譜數(shù)據(jù)轉(zhuǎn)化為反射率數(shù)據(jù)。熱紅外通道數(shù)據(jù)定標(biāo)包括星上線性定標(biāo)、輻亮度非線性訂正、等效黑體亮溫計(jì)算，用于將原始光譜數(shù)據(jù)轉(zhuǎn)化為亮度溫度值。對于極軌衛(wèi)星而言，其拍攝的衛(wèi)星圖像中各像元不同的空間位置導(dǎo)致各像元所處位置的太陽高度角也各不相同，因此需要通過太陽高度角訂正，將不同空間位置的反射率修正為在統(tǒng)一太陽直射角度下的反射率值。幾何校正采用地理位置查找表法(geographic lookup table，GLT)進(jìn)行投影變換，利用FY-3A/VIRR數(shù)據(jù)自帶的經(jīng)緯度數(shù)據(jù)生成地理位置查找表，然后根據(jù)該表將原圖像數(shù)據(jù)投影轉(zhuǎn)換為0.01°等經(jīng)緯度圖像。最終通過圖像拼接與裁剪，得到青藏高原區(qū)域的多光譜遙感數(shù)據(jù)。

2.2 多光譜遙感與地理信息融合的積雪判識方法

多光譜衛(wèi)星遙感資料的數(shù)據(jù)規(guī)模巨大，不同波段的光譜信息與多種地理信息要素之間有著復(fù)雜的非線性關(guān)系，因此本文構(gòu)建與訓(xùn)練一個基于SDAE的深度學(xué)習(xí)網(wǎng)絡(luò)模型對多光譜遙感數(shù)據(jù)與地理信息數(shù)據(jù)進(jìn)行特征表達(dá)與分類。

2.2.1 層疊去噪自動編碼網(wǎng)絡(luò)原理

層疊自動編碼器是當(dāng)今主流深度學(xué)習(xí)架構(gòu)之一。自動編碼器(auto-encoder,AE)是該架構(gòu)的基本組成單元。本質(zhì)上，AE是一種單隱層神經(jīng)網(wǎng)絡(luò)，但是AE的輸出層并不用于輸出分類或擬合結(jié)果，而是要求輸出盡可能與輸入相同。AE網(wǎng)絡(luò)的迭代訓(xùn)練過程如圖4所示，輸入信號由編碼器轉(zhuǎn)化為特征編碼，再通過解碼器轉(zhuǎn)化為重構(gòu)信號，然后計(jì)算重構(gòu)信號與輸入信號的誤差，并將誤差逆?zhèn)鞑ィㄟ^調(diào)節(jié)AE網(wǎng)絡(luò)各神經(jīng)元間連接的權(quán)值使誤差下降。通過控制隱藏層神經(jīng)元數(shù)量，或?qū)﹄[藏層的編碼加入限制條件，可以使AE學(xué)習(xí)到對輸入數(shù)據(jù)的特殊表達(dá)方式：如果隱藏層的單元數(shù)量小于輸入層，則AE能實(shí)現(xiàn)對輸入數(shù)據(jù)的降維表達(dá)；如果隱藏層單元數(shù)量大于輸入層，并加入稀疏性限制，那么AE能實(shí)現(xiàn)對輸入數(shù)據(jù)的稀疏表達(dá)。值得一提的是，這一訓(xùn)練過程是無監(jiān)督的，并不需要預(yù)先知道訓(xùn)練樣本的分類標(biāo)簽，而這對于缺乏足夠多的地面觀測記錄來制作含標(biāo)簽訓(xùn)練樣本的青藏高原區(qū)域，無監(jiān)督訓(xùn)練的優(yōu)勢顯得尤為重要。

(1)

(2)

式(1)和式(2)中，W∈Rm×n為輸入層與隱藏層間所有連接的權(quán)值矩陣；WT∈Rn×m為隱藏層與輸出層間所有連接的權(quán)值矩陣；解碼過程中的權(quán)值矩陣WT是編碼過程中權(quán)值矩陣W的轉(zhuǎn)置矩陣；b1∈Rn×1為輸入層至隱藏層間的偏置向量，b2∈Rm×1為隱藏層至輸出層間的偏置向量；激活函數(shù)S為Sigmoid函數(shù)，如式(3)所示

(3)

式中，e為自然常數(shù)。

圖4 自動編碼器學(xué)習(xí)過程Fig.4 Training process of AE

(4)

(5)

(6)

(7)

(8)

步驟1:隨機(jī)初始化所有網(wǎng)絡(luò)參數(shù)W、b1、b2。

步驟2:計(jì)算前向傳播過程中所有神經(jīng)元的輸入與輸出值，計(jì)算方法如式(9)與式(10)所示

(9)

(10)

步驟3：計(jì)算當(dāng)前網(wǎng)絡(luò)狀態(tài)下的損失函數(shù)L(W,b1,b2)，判斷損失函數(shù)是否達(dá)到期望的最小值，如果是，則完成AE網(wǎng)絡(luò)訓(xùn)練，當(dāng)前W,b1,b2即為訓(xùn)練所得最優(yōu)參數(shù)；如果不是，則繼續(xù)下一步。

(11)

(12)

在所得殘差基礎(chǔ)上，使用梯度下降法將殘差逆?zhèn)鞑?，更新網(wǎng)絡(luò)參數(shù)W、b1、b2，如式(13)所示

(13)

(14)

(15)

步驟5：完成本次迭代，返回執(zhí)行步驟2。

多個自動編碼器層疊級聯(lián)就構(gòu)成層疊自編碼網(wǎng)絡(luò)(SAE)，以上一級AE隱藏層所輸出的特征向量作為下一級AE隱藏層的輸入，并只有當(dāng)上一層訓(xùn)練達(dá)到要求的情況下才開始對下一層進(jìn)行訓(xùn)練，以這種被稱為“貪婪逐層訓(xùn)練”的方式對整個SAE網(wǎng)絡(luò)進(jìn)行訓(xùn)練，SAE的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 層疊去噪自動編碼模型逐層訓(xùn)練過程Fig.5 Pre-training process of SDAE

層疊去噪自編碼網(wǎng)絡(luò)(SDAE)是對SAE的有效改進(jìn)，為使SAE學(xué)習(xí)到的特征表達(dá)更具穩(wěn)健性，SDAE會以一定的概率分布，隨機(jī)的在訓(xùn)練樣本中加入噪聲(隨機(jī)將各隱藏層單元的輸入置零)。由于AE的訓(xùn)練機(jī)制要求輸出數(shù)據(jù)盡量近似被噪聲污染前的輸入數(shù)據(jù)，這迫使SDAE自主學(xué)習(xí)如何去除輸入數(shù)據(jù)中的噪聲干擾。最終，SDAE將學(xué)會對輸入數(shù)據(jù)噪聲干擾更穩(wěn)健的特征表達(dá)，從而增強(qiáng)SDAE處理實(shí)際問題的泛化能力。

2.2.2 訓(xùn)練樣本制備

2.2.2.1 無監(jiān)督訓(xùn)練樣本制備

預(yù)處理后的多光譜遙感數(shù)據(jù)以多層圖像疊加的形式保存，各種地理信息數(shù)據(jù)也是以二維矩陣的形式存在，因此需要將原始數(shù)據(jù)轉(zhuǎn)化為SDAE輸入數(shù)據(jù)所需的數(shù)據(jù)結(jié)構(gòu)，本文訓(xùn)練樣本數(shù)據(jù)集預(yù)處理過程如圖6所示。

圖6 訓(xùn)練樣本數(shù)據(jù)集制備過程Fig.6 The preparation process of training samples

2.2.2.2 有監(jiān)督訓(xùn)練樣本篩選與制備

對于積雪判識問題，若在地面氣象站分布密集的地區(qū)，通常將地面雪深觀測記錄作為樣本標(biāo)簽，然而青藏高原區(qū)域的地面氣象站分布密度極低，且分布不均，青藏高原西北部甚至有數(shù)萬平方千米的高寒無人區(qū)至今沒有氣象觀測記錄。因此，在地面雪深觀測記錄提供的含標(biāo)簽訓(xùn)練樣本數(shù)量不足的情況下，本文采用多種衛(wèi)星遙感積雪產(chǎn)品(MOD10A1、MYD10A1以及FY-3A/MULSS)交叉驗(yàn)證的方法來篩選樣本，以增加含標(biāo)簽樣本數(shù)量。

首先對3種積雪產(chǎn)品作一致性檢驗(yàn)，如果同一日的積雪產(chǎn)品在同一像元位置處的判識結(jié)果一致，則該像元處的樣本及判識結(jié)果即被篩選出作為候選含標(biāo)簽樣本。已有研究表明，MOD10A1與MYD10A1在青藏高原區(qū)域的年平均分類準(zhǔn)確率都可達(dá)90%以上，F(xiàn)Y-3A/MULSS積雪產(chǎn)品的年平均分類準(zhǔn)確率也可達(dá)80%以上，因此3種積雪產(chǎn)品在同一位置作出相同的錯誤判斷的概率相當(dāng)?shù)汀１仨氈赋龅氖?，該篩選方法并不能保證所有樣本標(biāo)簽是百分之百客觀正確的，然而SDAE網(wǎng)絡(luò)本身對少量標(biāo)簽污染具有一定穩(wěn)健性，并且SDAE隱藏層的稀疏表達(dá)機(jī)制也有助于降低錯誤樣本標(biāo)簽的干擾。因此在訓(xùn)練樣本足夠多的情況下，少數(shù)的錯誤標(biāo)簽樣本對積雪判識網(wǎng)絡(luò)的性能固然會造成一定負(fù)面影響，但與本文方法對積雪判識準(zhǔn)確性的整體提升相比，該負(fù)面影響完全在可承受范圍內(nèi)。

2.2.3 SADE網(wǎng)絡(luò)構(gòu)建與預(yù)訓(xùn)練

針對不同的任務(wù)目標(biāo)，SDAE網(wǎng)絡(luò)的結(jié)構(gòu)也各有不同。為使SDAE網(wǎng)絡(luò)學(xué)習(xí)到多光譜遙感數(shù)據(jù)與地理信息間的復(fù)雜非線性關(guān)系，本文設(shè)計(jì)的SDAE網(wǎng)絡(luò)采用三隱藏層結(jié)構(gòu)，并使第1隱藏層的單元數(shù)量大幅高于輸入數(shù)據(jù)維數(shù)，然后逐層減少單元數(shù)量。輸入數(shù)據(jù)通過第1隱藏層被投影到更高維的空間，然后通過后續(xù)隱藏層達(dá)到特征提取與降維的目的。本文方法中，輸入數(shù)據(jù)維數(shù)為linput=14，其中含F(xiàn)Y-3A/VIRR數(shù)據(jù)共10個波段的光譜數(shù)據(jù)，以及由海拔、坡度、坡向、地表覆蓋類型組成的4個地理信息要素。SDAE網(wǎng)絡(luò)第1隱藏層單元數(shù)量為l1=80，第2隱藏層l2=10，第3隱藏層l3=3。即14維的輸入向量先升維并稀疏編碼為80維的特征向量，然后降維表達(dá)為10維，最終輸出3維的特征向量。

深度學(xué)習(xí)網(wǎng)絡(luò)的參數(shù)設(shè)置是由具體的網(wǎng)絡(luò)結(jié)構(gòu)、應(yīng)用需求，以及硬件計(jì)算資源等因素綜合決定的。本文針對實(shí)際應(yīng)用目標(biāo)進(jìn)行大量的調(diào)參試驗(yàn)，盡量在兩對互相對立的訓(xùn)練目標(biāo)中取得平衡：①既要盡量提高對硬件計(jì)算資源的利用率，又要確保計(jì)算規(guī)模不超過硬件負(fù)擔(dān)極限，以至訓(xùn)練進(jìn)程崩潰；②既要盡量提高訓(xùn)練結(jié)果的準(zhǔn)確率，又要避免訓(xùn)練的耗時過長。由于訓(xùn)練樣本的數(shù)據(jù)量極大，計(jì)算資源有限，每次調(diào)參試驗(yàn)短則數(shù)小時，長則數(shù)天，且各參數(shù)之間互相影響，因此在有限時間內(nèi)將所有參數(shù)調(diào)至最優(yōu)并不現(xiàn)實(shí)，只需把握到大致合適的參數(shù)取值范圍，即可達(dá)到期望的訓(xùn)練效果。

最終確定本文SDAE網(wǎng)絡(luò)的主要參數(shù)為：學(xué)習(xí)率為0.5，正則化約束項(xiàng)權(quán)值系數(shù)為0.000 3，稀疏性懲罰項(xiàng)的期望激活率為0.05，隱含層丟失率為0.1，輸入數(shù)據(jù)加噪率為0.05。其中，學(xué)習(xí)率越大，單次迭代的訓(xùn)練耗時越短，但學(xué)習(xí)率過大則會引發(fā)代價函數(shù)振蕩，導(dǎo)致誤差無法收斂；反之，學(xué)習(xí)率過小則會使訓(xùn)練誤差收斂過慢，使網(wǎng)絡(luò)陷入局部最優(yōu)難以自拔。通過多次嘗試發(fā)現(xiàn)，本文應(yīng)用目標(biāo)下的學(xué)習(xí)率大于2或小于0.1都會導(dǎo)致訓(xùn)練誤差難以收斂，取0.5則能既兼顧效率又保證誤差收斂(合理范圍內(nèi)的其他值亦可訓(xùn)練成功，只是訓(xùn)練準(zhǔn)確率與訓(xùn)練耗時會發(fā)生微小變動)。其他參數(shù)使用類似方式得到，約束項(xiàng)權(quán)值系數(shù)與稀疏性懲罰項(xiàng)期望激活率主要用于防止訓(xùn)練過擬合，然而在具備海量訓(xùn)練樣本用于預(yù)訓(xùn)練的情況下不易出現(xiàn)過擬合，因此只需取很小的值。而隱含層丟失率與輸入數(shù)據(jù)加噪率主要用于增強(qiáng)網(wǎng)絡(luò)對輸入數(shù)據(jù)噪聲干擾的穩(wěn)健性，從而提高網(wǎng)絡(luò)的泛化能力，設(shè)置過大同樣會導(dǎo)致訓(xùn)練誤差無法收斂，本文試驗(yàn)中發(fā)現(xiàn)該組參數(shù)分別設(shè)置為0.1與0.05已接近極限值，超過該值易導(dǎo)致訓(xùn)練失敗，但是基于網(wǎng)絡(luò)抗干擾能力越強(qiáng)越好的原則，本文取上述極限值。通過以上參數(shù)設(shè)置建立網(wǎng)絡(luò)后，即可采用逐層貪婪訓(xùn)練的方式對整個網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，從而使網(wǎng)絡(luò)能對多光譜遙感數(shù)據(jù)與地理信息數(shù)據(jù)進(jìn)行有效的特征表達(dá)，使提取到的特征更易于后續(xù)的分類識別。

2.2.4 有監(jiān)督全局微調(diào)

經(jīng)無監(jiān)督預(yù)訓(xùn)練后的SDAE網(wǎng)絡(luò)已具備良好的表達(dá)多光譜信息與地理信息間非線性關(guān)系的能力，這可有效避免傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)因隨機(jī)初始化而易陷入局部最優(yōu)的缺陷，再通過有標(biāo)簽訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行有監(jiān)督全局微調(diào)與分類訓(xùn)練，就可將每個輸入樣本分為云、雪以及無雪地表3種類別。最終的分類網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 SDAE積雪判識網(wǎng)絡(luò)模型Fig.7 The architecture of SDAE network for snow recognition

(17)

(18)

3 試驗(yàn)結(jié)果與分析

為驗(yàn)證本文方法的可靠性，設(shè)計(jì)試驗(yàn)將2011年與2012年青藏高原地區(qū)FY-3A/VIRR數(shù)據(jù)以及相關(guān)地理信息數(shù)據(jù)用于SDAE網(wǎng)絡(luò)訓(xùn)練，提取出2000萬個無標(biāo)簽訓(xùn)練樣本用于無監(jiān)督訓(xùn)練，并以青藏高原106個氣象站在這兩年間記錄的5萬多個每日積雪觀測數(shù)據(jù)(已剔除占總量近20%的缺測、無效填充值以及低置信度觀測記錄)。為了增加網(wǎng)絡(luò)的泛化能力，通過3.2.4節(jié)所述的方法從已有積雪產(chǎn)品中提取更多含標(biāo)簽樣本，最終將有標(biāo)簽訓(xùn)練樣本擴(kuò)充至100萬個。用于深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練的硬件設(shè)備為：Intel Xeon E5-2650 v2 CPU，雙CPU，每個CPU含8核心，共16個計(jì)算核心；內(nèi)存32 GB；顯卡為Nvidia GTX970，4 GB顯存。本次試驗(yàn)所用訓(xùn)練樣本總數(shù)達(dá)千萬級，無監(jiān)督訓(xùn)練的迭代次數(shù)達(dá)400次，有監(jiān)督全局微調(diào)的訓(xùn)練次數(shù)達(dá)200次，總訓(xùn)練耗時長達(dá)26 h 45 min。雖然訓(xùn)練耗時較長，但訓(xùn)練完畢的分類網(wǎng)絡(luò)處理青藏高原一天的遙感數(shù)據(jù)(經(jīng)預(yù)處理后)只需不到2 s即可得到分類結(jié)果。

以2013年青藏高原地區(qū)FY-3A/VIRR數(shù)據(jù)與地理信息數(shù)據(jù)作為測試集，通過本文方法制得該年積雪產(chǎn)品，命名為FY-3A/DL。最終FY-3A/DL與MOD10A1、MYD10A1、FY-3A/MULSS由地面氣象站實(shí)測雪深數(shù)據(jù)驗(yàn)證，得到各自的分類精度以及各分類目標(biāo)覆蓋率。在驗(yàn)證過程中，由于無法得知在積雪產(chǎn)品識別為云的區(qū)域，其云層之下是否有雪，因此在普遍采用地面站驗(yàn)證方法中，通常不用云覆蓋下地面站數(shù)據(jù)驗(yàn)證精度；而如果某天整個青藏高原區(qū)域云量過多，即超過60%的地面氣象站被云遮蔽，則其余無云站點(diǎn)的驗(yàn)證結(jié)果不具足夠的空間代表性，因此當(dāng)天的精度數(shù)據(jù)不納入統(tǒng)計(jì)。此外，通過分析青藏高原地區(qū)的地面氣象資料可知，當(dāng)?shù)叵募?6～8月)極少觀測到降雪，即使部分高寒山區(qū)在夏可能發(fā)生短時降雪，但發(fā)生概率很低，且因氣溫較高而難形成過夜的積雪，這段時期下文稱為非積雪季；當(dāng)?shù)亟笛┲饕l(fā)生在每年1～5月、9～12月，下文稱為積雪季。

圖8給出2013年在青藏高原地區(qū)本文方法與多種積雪產(chǎn)品經(jīng)地面站數(shù)據(jù)驗(yàn)證后得到的周平均分類精度曲線對比?？梢娝蟹e雪產(chǎn)品的分類精度都呈現(xiàn)非積雪季較高，而在積雪季較低的形態(tài)，進(jìn)一步分析發(fā)現(xiàn)由于青藏高原在非積雪季很少出現(xiàn)大范圍、長時間的降雪過程，青藏高原在非積雪季依然存在的積雪為高海拔山區(qū)的常年積雪，雪蓋范圍相對穩(wěn)定，因此在這段時期傳統(tǒng)方法能很好處理，深度學(xué)習(xí)方法并沒有明顯優(yōu)勢。2013年4種積雪產(chǎn)品的年均精度符合圖8的周平均精度走勢對比：本文方法年平均精度最高，達(dá)93.96%，略高于MOD10A1的93.55%與MYD10A1的93.83%，顯著高于使用相同衛(wèi)星數(shù)據(jù)源的FY-3A/MULSS(90.51%)，證明本文方法能夠?qū)a(chǎn)風(fēng)云衛(wèi)星數(shù)據(jù)發(fā)揮出超過美國MODIS衛(wèi)星數(shù)據(jù)的積雪檢測水平。

圖8 青藏高原地區(qū)2013年本文方法與多種雪產(chǎn)品周平均分類精度對比Fig.8 Weekly average accuracy curves of various snow cover products over the QT Plateau in 2013

值得注意的是，從圖8直觀上看，本文方法在積雪季的分類精度與MOD10A1、MYD10A1相近，而在非積雪季則低于MOD10A1，然而年均精度卻顯示MOD10A1在是三者中最低的，這是因?yàn)樵诰闰?yàn)證規(guī)則中，高云量天數(shù)的精度并不納入周平均與年平均精度統(tǒng)計(jì)，而在每年云量持續(xù)較高的6—8月，周平均精度只統(tǒng)計(jì)各周云量較少的少數(shù)幾天數(shù)據(jù)，而年均精度則統(tǒng)計(jì)全年所有符合統(tǒng)計(jì)標(biāo)準(zhǔn)的天數(shù)，這導(dǎo)致非積雪季對年平均精度的貢獻(xiàn)明顯小于積雪季，因此雖然在非積雪季MOD10A1的周平均精度高于其他產(chǎn)品，其年均精度卻略低于MYD10A1與本文方法。

本文方法與多種積雪產(chǎn)品的實(shí)際效果對比如圖9所示。圖9(a)為2013年2月9日青藏高原區(qū)域的衛(wèi)星遙感彩色合成圖像，可見當(dāng)天青藏高原地區(qū)云量較高，遙感積雪產(chǎn)品易出現(xiàn)大量云雪誤判。圖9(b)、圖9(c)、圖9(d)、圖9(e)分別為MOD10A1、MYD10A1、FY-3A/MULSS以及本文方法的積雪產(chǎn)品效果，經(jīng)地面觀測數(shù)據(jù)驗(yàn)證，本文方法當(dāng)天的誤判率最低(16.39%)，大幅低于FY-3A/MULSS(29.85%)，低于MYD10A1(21.62%)以及MOD10A1(18.18%)。此外，經(jīng)大量人工檢驗(yàn)后發(fā)現(xiàn)遙感積雪產(chǎn)品與人眼直接觀察感受到的云量相比普遍偏高，但研究過程中發(fā)現(xiàn)，事實(shí)上云量的高低并不影響積雪分類精度統(tǒng)計(jì)，主要因?yàn)樵谄毡槭┬械姆e雪產(chǎn)品精度統(tǒng)計(jì)方法中，被云遮蔽的氣象站不參與驗(yàn)證。這帶來一個現(xiàn)實(shí)問題：常規(guī)方法在晴空無云條件下的積雪判識精度極高，而在云雪難分的區(qū)域，只要都判斷為云，則無論這個判斷是否正確，都不會影響當(dāng)天的積雪分類精度。因此在統(tǒng)計(jì)意義上，如果要獲得較高的分類精度，只需將所有云雪難辨的像元都判為云即可，但這樣就失去了科學(xué)意義。因此，為了評價分類精度相當(dāng)?shù)膬煞N積雪產(chǎn)品哪種積雪檢出率更高，本文在將分類精度作為首要指標(biāo)的前提下，將云覆蓋率與積雪覆蓋率作為考察實(shí)際分類效果的次級指標(biāo)：僅當(dāng)兩種積雪產(chǎn)品在分類精度非常接近的情況下，云量較少的那種積雪產(chǎn)品才被認(rèn)為比較接近真實(shí)情況；如果兩種積雪產(chǎn)品分類精度差距較大，則云覆蓋率失去比較意義。圖9的實(shí)際分類效果的對比顯示，本文方法分類精度最高，且云覆蓋率35.56%也是所有積雪產(chǎn)品中最低，進(jìn)一步比較可知，當(dāng)天的MOD10A1與MYD10A1產(chǎn)品誤判率較低，但是云覆蓋率過高；FY-3A/MULSS產(chǎn)品當(dāng)天的誤判率成為所有方法中最高，其云覆蓋率雖低也毫無意義。

圖9 青藏高原2013年2月9日多種積雪產(chǎn)品效果對比Fig.9 Snow cover images over the QT Plateau on February 9,2013

圖10為2013年青藏高原地區(qū)本文方法與其他積雪產(chǎn)品各種類別的周平均覆蓋率曲線對比。圖10(a)為云的周平均覆蓋率曲線對比，可見本文方法的云覆蓋率最低，MOD10A1最高。圖10(b)為無雪地物的周平均覆蓋率曲線對比，本文方法與FY-3A/MULSS非常接近，MOD10A1最低。圖10(c)為積雪覆蓋率的周平均覆蓋率曲線對比，本文方法的積雪覆蓋率最高，略高于FY-3A/MULSS，MOD10A1最低。

表1給出本文方法與MYD10A1、MOD10A1、FY-3A/MULSS的年均分類精度以及各分類目標(biāo)的年均覆蓋率對比?？梢姳疚姆椒ǚ诸惥却蠓鶅?yōu)于使用相同衛(wèi)星遙感數(shù)據(jù)的FY-3A/MULSS，并略高于MYD10A1與MOD10A1。此外，本文方法的年均云覆蓋率最低，F(xiàn)Y-3A/MULSS產(chǎn)品云覆蓋率雖比MYD10A1低13.71%，然而FY-3A/MULSS的分類正確率最低，這意味著FY-3A/MULSS雖然去除了大量的云，但也因此將大量云像元誤判為積雪。本文方法的年均云覆蓋率為35.01%，在所有積雪產(chǎn)品中最低，可見本文方法在確保分類精度不下降的前提下，盡可能降低了云的覆蓋率。

表1 本文方法與多種積雪產(chǎn)品各項(xiàng)性能指標(biāo)對比

4 結(jié) 論

通過構(gòu)建與訓(xùn)練一個SDAE深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)對青藏高原地區(qū)的多光譜遙感圖像與多要素地理信息的融合與特征提取，并用于自動分類識別，最終繪制出青藏高原積雪分布圖，與傳統(tǒng)的基于NDSI的遙感反演方法相比，該方法能更好地適應(yīng)目標(biāo)區(qū)域復(fù)雜的地形與地理特點(diǎn)。試驗(yàn)驗(yàn)證表明，該方法所得積雪產(chǎn)品在分類精度上相比使用相同衛(wèi)星數(shù)據(jù)源的FY3A/MULSS積雪產(chǎn)品有大幅提升，并略微超過國際主流的積雪產(chǎn)品MOD10A1與MYD10A1；在去云效果上，本文方法的云覆蓋率最低，積雪覆蓋率最高。以上結(jié)果足以證明該方法的有效性與優(yōu)越性。然而，本文方法也有不少可改進(jìn)之處：①通過精度對比發(fā)現(xiàn)本文方法在夏季效果不如傳統(tǒng)方法，下一步將根據(jù)青藏高原氣候特征，訓(xùn)練季節(jié)性的積雪判識深度網(wǎng)絡(luò)，這些季節(jié)性深度網(wǎng)絡(luò)將更好表達(dá)積雪與云層在不同季節(jié)下的光譜特征差異，組合使用這些季節(jié)性網(wǎng)絡(luò)可進(jìn)一步提高積雪產(chǎn)品整體的分類精度；②本文方法目前僅針對青藏高原地區(qū)，因此地區(qū)適用性不足，下一步將實(shí)現(xiàn)把本文方法擴(kuò)展應(yīng)用到其他區(qū)域，使深度網(wǎng)絡(luò)能學(xué)習(xí)各種不同地形特征下的積雪信息；③僅使用FY-3A/VIRR作為唯一的衛(wèi)星遙感多光譜數(shù)據(jù)，數(shù)據(jù)支撐不足，目前已開展基于MODIS多光譜遙感數(shù)據(jù)的深度學(xué)習(xí)積雪檢測的研究，其分類結(jié)果與MODIS積雪產(chǎn)品的精度相對比，能更好地論證深度學(xué)習(xí)方法對于解決遙感大數(shù)據(jù)問題的有效性和適用性。

[1] YANG Kun,WU Hui,QIN Jun,et al.Recent Climate Changes over the Tibetan Plateau and Their Impacts on Energy and Water Cycle: A Review[J].Global and Planetary Change,2014,112: 79-91.

[2] DIETZ A J,KUENZER C,GESSNER U,et al.Remote Sensing of Snow-A Review of Available Methods[J].International Journal of Remote Sensing,2012,33(13): 4094-4134.

[3] KLEIN A G,HALL D K,NOLIN A W.Development of A Prototype Snow Albedo Algorithm for the NASA MODIS Instrument[C] ∥Proceedings of the 57th Eastern Snow Conference.Syracuse,New York: [s.n.],2000: 15-17.

[4] JAIN S K,GOSWAMI A,SARAF A K.Accuracy Assessment of MODIS,NOAA and IRS Data in Snow Cover Mapping under Himalayan Conditions[J].International Journal of Remote Sensing,2008,29(20): 5863-5878.

[5] ZHOU Xiuji,ZHAO Ping,CHEN Junming,et al.Impacts of Thermodynamic Processes over the Tibetan Plateau on the Northern Hemispheric Climate[J].Science in China Series D: Earth Sciences,2009,52(11): 1679-1693.

[6] HUANG Jie,KANGS Shichang,ZHANG Qiangong,et al.Spatial Distribution and Magnification Processes of Mercury in Snow from High-Elevation Glaciers in the Tibetan Plateau[J].Atmospheric Environment,2012,46: 140-146.

[7] 王葉堂,何勇,侯書貴.2000-2005年青藏高原積雪時空變化分析[J].冰川凍土,2007,29(6): 855-861.

WANG Yetang,HE Yong,HOU Shugui.Analysis of the Temporal and Spatial Variations of Snow Cover over the Tibetan Plateau Based on MODIS[J].Journal of Glaciology and Geocryology,2007,29(6): 855-861.

[8] 都偉冰,李均力,包安明,等.高山冰川多時相多角度遙感信息提取方法[J].測繪學(xué)報,2015,44(1): 59-66.DOI: 10.11947/j.AGCS.2015.20130514.

DU Weibing,LI Junli,BAO Anming,et al.Information Extraction Method of Alpine Glaciers with Multitemporal and Multiangle Remote Sensing[J].Acta Geodaetica et Cartographica Sinica,2015,44(1): 59-66.DOI: 10.11947/j.AGCS.2015.20130514.

[9] 李震,施建成.高光譜遙感積雪制圖算法及驗(yàn)證[J].測繪學(xué)報,2001,30(1): 67-73.DOI: 10.3321/j.issn:1001-1595.2001.01.013.

LI Zhen,SHI Jiancheng.Snow Mapping Algorithm Development and Validation Using Hyperspectral Data[J].Acta Geodaetica et Cartographica Sinica,2001,30(1): 67-73.DOI: 10.3321/j.issn:1001-1595.2001.01.013.

[10] HALL D K,RIGGS G A,SALOMONSON V V,et al.MODIS Snow-Cover Products[J].Remote Sensing of Environment,2002,83(1-2): 181-194.

[11] RIGGS G A,HALL D K.Reduction of Cloud Obscuration in the MODIS Snow Data Product[C]∥Proceedings of the 60th Eastern Snow Conference.Sherbrooke,Québec: [s.n.],2003: 205-212.

[12] YANG Juntao,JIANG Lingmei,MéNARD C B,et al.Evaluation of Snow Products over the Tibetan Plateau[J].Hydrological Processes,2015,29(15): 3247-3260.

[13] 劉洵,金鑫,柯長青.中國穩(wěn)定積雪區(qū)IMS雪冰產(chǎn)品精度評價[J].冰川凍土,2014,36(3): 500-507.

LIU Xun,JIN Xin,KE Changqing.Accuracy Evaluation of the IMS Snow and Ice Products in Stable Snow Covers Regions in China[J].Journal of Glaciology and Geocryology,2014,36(3): 500-507.

[14] 李德仁,張良培,夏桂松.遙感大數(shù)據(jù)自動分析與數(shù)據(jù)挖掘[J].測繪學(xué)報,2014,43(12): 1211-1216.DOI: 10.13485/j.cnki.11-2089.2014.0187.LI Deren,ZHANG Liangpei,XIA Guisong.Automatic Analysis and Mining of Remote Sensing Big Data[J].Acta Geodaetica et Cartographica Sinica,2014,43(12): 1211-1216.DOI: 10.13485/j.cnki.11-2089.2014.0187.

[15] HINTON G,OSINDERO S,TEH Y W.A Fast Learning Algorithm for Deep Belief Nets[J].Neural Computation,2006,18(7): 1527-1554.

[16] 郭麗麗,丁世飛.深度學(xué)習(xí)研究進(jìn)展[J].計(jì)算機(jī)科學(xué),2015,42(5): 28-33.

GUO Lili,DING Shifei.Research Progress on Deep Learning[J].Computer Science,2015,42(5): 28-33.

[17] KRIZHEVSKY A,SUTSKEVER I,HINTON G E.ImageNet Classification with Deep Convolutional Neural Networks[C]∥Advances in Neural Information Processing Systems.Red Hook,NY: Curran Associates,2012: 1097-1105.

[19] SALAKHUTDINOV R,HINTON G E.Deep Boltzmann Machines[J].Journal of Machine Learning Research,2009,5(2): 448-455.(請核對頁碼)

[20] VINCENT P,LAROCHELLE H,BENGIO Y,et al.Extracting and Composing Robust Features with Denoising Autoencoders[C]∥Proceedings of the 25th International Conference on Machine Learning.New York: ACM Press,2008: 1096-1103.

[21] VINCENT P,LAROCHELLE H,LAJOIE I,et al.Stacked Denoising Autoencoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion[J].Journal of Machine Learning Research,2010,11: 3371-3408.

[22] GIRSHICK R.Fast R-CNN[C]∥Proceedings of the IEEE International Conference on Computer Vision.Santiago,Chile: IEEE,2015: 1440-1448.

[23] SUTSKEVER I,VINYALS O,LE Q V.Sequence to Sequence Learning with Neural Networks[C]∥Advances in Neural Information Processing Systems.2014,4: 3104-3112.

[24] 秦小靜,孫建,陳濤.青藏高原溫度與降水的時空變化研究[J].成都大學(xué)學(xué)報(自然科學(xué)版),2015,34(2): 191-195.

QIN Xiaojing,SUN Jian,CHEN Tao.Study on Spatiotemporal Variation of Temperature and Precipitation in Qinghai-Tibetan Plateau from 1974 to 2013[J].Journal of Chengdu University (Natural Science Edition),2015,34(2): 191-195.

[25] 楊軍,董超華,盧乃錳,等.中國新一代極軌氣象衛(wèi)星——風(fēng)云三號[J].氣象學(xué)報,2009,67(4): 501-509.

YANG Jun,DONG Chaohua,LU Neimeng,et al.FY-3A: the New Generation Polar-Orbiting Meteorological Satellite of China[J].Acta Meteorologica Sinica,2009,67(4): 501-509.

(責(zé)任編輯：張艷玲)

Snow Cover Recognition for Qinghai-Tibetan Plateau Using Deep Learning and Multispectral Remote Sensing

KAN Xi1,ZHANG Yonghong2,3,CAO Ting2,WANG Jiangeng4,TIAN Wei5

1.School of Atmospheric Science,Nanjing University of Information Science & Technology,Nanjing 210044,China; 2.School of Information & Control,Nanjing University of Information Science & Technology,Nanjing 210044,China; 3.Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology,Nanjing 210044,China; 4.School of Atmospheric Physics,Nanjing University of Information Science & Technology,Nanjing 210044,China; 5.School of Computer & Software,Nanjing University of Information Science & Technology,Nanjing 210044,China

Snow cover in Qinghai-Tibetan plateau (QT plateau) is very important to global climate change.Because of the complex topography and high altitude,the recognition accuracies of existing snow cover products in QT plateau are significantly lower than flat areas.This paper proposed a new method of snow cover recognition for QT plateau based on deep learning.The multispectral remote sensing data from Chinese meteorological satellite FY-3A and the multiple geographic elements information are put together as the data sources,the insitu snow depth measurements and existing snow cover products are used for selecting the labeled samples.A stacked denoising auto-encoders (SDAE) network was built and trained for feature extraction and classification,this network can be used as a classifier for distinguishing the snow cover from cloud and other snow-free surface features.The recognition results are verified by snow depth data of meteorological station observations,verification results show that the recognition accuracy of this method is significantly higher than the snow product FY-3A/MULSS,which is using the same remote sensing data source FY-3A,and slightly higher than the widely used snow products MOD10A1 and MYD10A1，and the cloud coverage rate of this method is the lowest.According to the validation results,this method can effectively improve the accuracy of snow cover recognition,and reduce the interference of clouds.

satellite remote sensing; deep learning; FengYun-3; multispectral data fusion; Qinghai-Tibetan plateau; snow cover

The National Natural Science Foundation of China(Nos.91337102;41401481); Natural Science Foundation of Jiangsu Province (Nos.BK20140997;14KJB170017)

KAN Xi(1987—),male,PhD candidate,majors in deep learning and satellite remote sensing image recognition.

ZHANG Yonghong

闞希，張永宏，曹庭，等.利用多光譜衛(wèi)星遙感和深度學(xué)習(xí)方法進(jìn)行青藏高原積雪判識[J].測繪學(xué)報，2016,45(10)：1210-1221.

10.11947/j.AGCS.2016.20160183.

KAN Xi,ZHANG Yonghong,CAO Ting,et al.Snow Cover Recognition for Qinghai-Tibetan Plateau Using Deep Learning and Multispectral Remote Sensing[J].Acta Geodaetica et Cartographica Sinica,2016,45(10):1210-1221.DOI:10.11947/j.AGCS.2016.20160183.

P237：TP79

A

1001-1595(2016)10-1210-12

國家自然科學(xué)基金(91337102;41401481);江蘇省自然科學(xué)基金(BK20140997;14KJB170017)

2016-04-22

修回日期：2016-08-31

闞希(1987—)，男，博士生，研究方向?yàn)樯疃葘W(xué)習(xí)與衛(wèi)星遙感圖像識別。

E-mail：kanxi@nuist.edu.cn

張永宏

E-mail：zyh@nuist.edu.cn