洪思弟, 賴紹鈞, 林志瑋,3,4, 丁啟祿, 劉金福,5,6

(1.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院，福建 福州 350002；2.福州市氣象局，福建 福州 350014；3.福建農(nóng)林大學(xué)林學(xué)院，福建 福州 350002；4.福建農(nóng)林大學(xué)林學(xué)博士后流動(dòng)站，福建 福州 350002；5.福建農(nóng)林大學(xué)海峽自然保護(hù)區(qū)研究中心，福建 福州 350002；6.生態(tài)與資源統(tǒng)計(jì)福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 福州 350002)

降雨量為某一地區(qū)某一時(shí)間內(nèi)的降水?dāng)?shù)據(jù)，具有地域性和時(shí)效性.降雨量高低直接影響到旱澇災(zāi)害的形成，進(jìn)而對(duì)人們?nèi)粘Ｉ钤斐捎绊慬1].中國(guó)作為全球旱澇災(zāi)害頻發(fā)的國(guó)家之一[2],2017年和2018年我國(guó)因洪澇和地質(zhì)災(zāi)害造成的直接經(jīng)濟(jì)損失共達(dá)2 971億元，因旱災(zāi)造成的直接經(jīng)濟(jì)損失亦共有630億元[3-4].通過(guò)檢測(cè)降雨量制定合理的防御旱澇措施，有助于減少旱澇災(zāi)害對(duì)國(guó)民經(jīng)濟(jì)造成的損失.氣象監(jiān)測(cè)站采用人工測(cè)量及自動(dòng)測(cè)量?jī)煞N手段進(jìn)行降雨量檢測(cè)，其中人工檢測(cè)是觀測(cè)員采用雨量器對(duì)降雨量進(jìn)行記錄；而自動(dòng)檢測(cè)是采用雙翻斗雨量傳感器，由匯集漏斗、計(jì)量翻斗和計(jì)數(shù)翻斗協(xié)同工作，從而計(jì)算得到降雨量大小.無(wú)論是人工檢測(cè)或是自動(dòng)檢測(cè)均能夠得到較為精確、可靠的降雨量數(shù)值.但是，氣象站點(diǎn)能夠得到的僅是小區(qū)域的降雨量，難以代表整個(gè)降雨地區(qū)的降雨量；且在暴雨期間，容易受限于通訊或者交通條件，延誤降雨情報(bào)的送達(dá)[5-9].而雷達(dá)監(jiān)測(cè)降雨量是通過(guò)向監(jiān)測(cè)區(qū)域發(fā)射雷達(dá)波束，使用雷達(dá)接收機(jī)回收該區(qū)域的回波功率，并接收雨滴直徑值，計(jì)算得到該區(qū)域的降雨量大小.張利平等[10]結(jié)合卡爾曼濾波法和增長(zhǎng)模繁殖法基于雷達(dá)監(jiān)測(cè)降雨量；謝亞楠等[11]闡述并分析了基于合成孔徑雷達(dá)的降雨數(shù)據(jù)的主要反演算法；陳新濤等[12]建立了基于地面S波段天氣雷達(dá)以及GPM微波成像儀和雙頻降水雷達(dá)觀測(cè)數(shù)據(jù)的反演算法.雖然雷達(dá)測(cè)量可有效解決傳統(tǒng)測(cè)量問題，得到降雨量分布情況，但由于雨滴容易受到風(fēng)力、蒸發(fā)等因素影響進(jìn)而改變其大小和分布，使得降雨量的測(cè)量呈現(xiàn)偏差，造成雷達(dá)測(cè)雨精度不高.不論是在氣象站點(diǎn)進(jìn)行人工或自動(dòng)檢測(cè)，或是采用雷達(dá)測(cè)量，均是以精確測(cè)量降雨量為目的，檢測(cè)過(guò)程耗時(shí)較長(zhǎng).人們通常采用降雨強(qiáng)度來(lái)表示降雨量等級(jí)，例如小雨、中雨、大雨等.網(wǎng)絡(luò)通訊設(shè)備以及視頻監(jiān)測(cè)設(shè)備的快速發(fā)展，使得視頻監(jiān)控圖像具有獲取方便、實(shí)時(shí)性及推廣容易等優(yōu)點(diǎn)，視頻監(jiān)控圖像已成為許多研究領(lǐng)域采用的重要手段[13-17].隨著深度學(xué)習(xí)理論的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)可自動(dòng)提取數(shù)據(jù)特征，并獲得較高的分類精度，被廣泛應(yīng)用于圖像處理領(lǐng)域[18-20].本文基于福州市8個(gè)氣象站點(diǎn)的降雨圖像與氣象站點(diǎn)檢測(cè)得到的各個(gè)時(shí)段內(nèi)的降雨量數(shù)據(jù)對(duì)降雨強(qiáng)度進(jìn)行劃分，結(jié)合深度學(xué)習(xí)理論，建立深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型，以期對(duì)洪澇災(zāi)害進(jìn)行實(shí)時(shí)監(jiān)測(cè)及預(yù)報(bào).

1 試驗(yàn)數(shù)據(jù)

1.1 數(shù)據(jù)來(lái)源

選擇福州市作為研究區(qū)域.福州市屬于典型的河口盆地地貌，盆地四周群山環(huán)繞，氣候?qū)賮啛釒Ъ撅L(fēng)氣候，雨量充沛，少霜無(wú)雪，春季陰雨綿綿，夏季伴有雷雨天氣和熱帶風(fēng)暴，多臺(tái)風(fēng)，冬季有雨無(wú)雪，雨量較少[21].福州市內(nèi)有晉安區(qū)、長(zhǎng)樂區(qū)、福清市、連江縣、羅源縣、閩侯縣、閩清縣、永泰縣共8個(gè)氣象站點(diǎn)，主要承擔(dān)監(jiān)測(cè)并預(yù)報(bào)災(zāi)害性天氣、提出預(yù)防措施以及承擔(dān)日常的地方天氣預(yù)報(bào)等工作.通過(guò)氣象站，獲得福州市大量的天氣監(jiān)測(cè)圖像，對(duì)每張圖像按照標(biāo)準(zhǔn)[22]中1小時(shí)降水量等級(jí)劃分標(biāo)準(zhǔn)進(jìn)行降雨強(qiáng)度等級(jí)劃分，共劃分為6類(表1).其中福州市地形圖、8個(gè)氣象站點(diǎn)分布的地理位置以及獲得的天氣監(jiān)測(cè)圖像如圖1所示.

表1 降雨強(qiáng)度等級(jí)劃分標(biāo)準(zhǔn)

1.2 數(shù)據(jù)處理

通過(guò)研究歷史降雨圖像數(shù)據(jù)，對(duì)實(shí)時(shí)降雨圖像進(jìn)行降雨強(qiáng)度識(shí)別.試驗(yàn)數(shù)據(jù)包括福州市8個(gè)地區(qū)15 d共22 451張圖像數(shù)據(jù)，其中包含連續(xù)暴雨、“納莎”臺(tái)風(fēng)等天氣情況.按照標(biāo)準(zhǔn)[22]中1小時(shí)降水量等級(jí)劃分標(biāo)準(zhǔn)和各地區(qū)每小時(shí)降雨量數(shù)據(jù)，采用人工標(biāo)注的方法對(duì)每張?jiān)囼?yàn)數(shù)據(jù)標(biāo)注降雨強(qiáng)度.由于數(shù)據(jù)是由紅外攝影機(jī)收集而來(lái)，紅外攝影機(jī)在晚上開啟紅外線攝像模式，紅外線穿透云霧能力強(qiáng)，雨紋能夠清晰被觀察到;白天取得彩色光學(xué)圖像，受光照強(qiáng)度影響，難以觀察到雨紋.因白天和晚上圖像存在差異，將試驗(yàn)數(shù)據(jù)劃分為白天、晚上和混和數(shù)據(jù)集.對(duì)于模型訓(xùn)練集和測(cè)試集進(jìn)行劃分，將混合數(shù)據(jù)集、白天數(shù)據(jù)集以及晚上數(shù)據(jù)集分別按照氣象站點(diǎn)，把各氣象站點(diǎn)中不同降雨強(qiáng)度影像數(shù)據(jù)按7∶3比例劃分為訓(xùn)練集和測(cè)試集，具體數(shù)據(jù)分布見表2.

表2 降雨圖像數(shù)據(jù)分布情況

2 研究方法

2.1 整體流程

試驗(yàn)整體流程分為三部分(圖2)，(1)依據(jù)福州市氣象局提供的每小時(shí)降雨量數(shù)據(jù)采用人工標(biāo)注的方式對(duì)原始數(shù)據(jù)進(jìn)行降雨強(qiáng)度標(biāo)定，并劃分為白天、晚上和混合3個(gè)數(shù)據(jù)集；(2)基于深度卷積神經(jīng)網(wǎng)絡(luò)DenseNet模型，分別建立3種不同網(wǎng)絡(luò)深度的卷積集神經(jīng)網(wǎng)絡(luò)，利用3個(gè)數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)，為每個(gè)數(shù)據(jù)集各自訓(xùn)練3個(gè)不同深度的識(shí)別模型，共得到9個(gè)識(shí)別模型；(3)對(duì)輸入測(cè)試數(shù)據(jù)進(jìn)行圖像降雨強(qiáng)度識(shí)別，得到最終識(shí)別結(jié)果.模型的訓(xùn)練與測(cè)試均采用相同類型的數(shù)據(jù)集，即70%白天數(shù)據(jù)用于訓(xùn)練，30%白天數(shù)據(jù)用于測(cè)試，訓(xùn)練與測(cè)試數(shù)據(jù)不重復(fù).

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[23-24]屬于前饋神經(jīng)網(wǎng)絡(luò)，具有較強(qiáng)的特征提取及分類能力，被廣泛應(yīng)用于圖像處理領(lǐng)域，如圖像分類[23]、圖像分割[24-25]以及圖像定位[26]等.卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、激活函數(shù)、池化層以及全連接層構(gòu)成，不同組合表現(xiàn)出不同的模型效果.

卷積層采用不同權(quán)重的卷積核對(duì)輸入圖像進(jìn)行卷積計(jì)算，抽取圖像分類特征.卷積計(jì)算通過(guò)引入非線性激活函數(shù)，使卷積神經(jīng)網(wǎng)絡(luò)能夠擬合復(fù)雜的非線性函數(shù).提取有效分類特征，其中激活函數(shù)主要有Sigmoid函數(shù)、雙曲正切Tanh函數(shù)、修正線性單元Relu函數(shù).Sigmoid及Tanh函數(shù)分別將輸入值值域調(diào)整至[0，1]及[-1，1]，兩種激活函數(shù)均具有函數(shù)單調(diào)性，且具有光滑作用.但對(duì)于Sigmoid函數(shù)和Tanh函數(shù)采用指數(shù)運(yùn)算，計(jì)算量大，且其導(dǎo)函數(shù)容易導(dǎo)致網(wǎng)絡(luò)訓(xùn)練梯度不正常.Relu函數(shù)是對(duì)輸入值與0比較后取最大值，具有單邊抑制性以及稀疏激活性，且形式簡(jiǎn)單，計(jì)算方便.因此，本文采用Relu函數(shù)作為網(wǎng)絡(luò)激活函數(shù)，具體公式表示如下：

f(x)=max(0,x)

(1)

池化操作類似卷積操作，目的是在減小經(jīng)過(guò)卷積層運(yùn)算后的特征矩陣大小，進(jìn)而減少下一層操作的參數(shù)量以及計(jì)算量.最常采用的池化操作為最大池化和平均池化，即通過(guò)固定大小的窗口，在輸入數(shù)據(jù)上滑動(dòng)窗口且不重疊，對(duì)滑動(dòng)窗口內(nèi)的數(shù)據(jù)取最大值或均值，以保留主要特征.全連接層起到分類器的作用.層內(nèi)結(jié)點(diǎn)數(shù)量與類別數(shù)目相同，每個(gè)結(jié)點(diǎn)與上一層所有結(jié)點(diǎn)相連，連線上以權(quán)重關(guān)連上下層節(jié)點(diǎn)間關(guān)系，其輸出分別表示各個(gè)類別的識(shí)別機(jī)率，即通過(guò)對(duì)上一層輸出的特征進(jìn)行加權(quán)求和，得到各個(gè)類別的分?jǐn)?shù).

2.3 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

DenseNet卷積神經(jīng)網(wǎng)絡(luò)具有特征重復(fù)利用以及計(jì)算量小等優(yōu)點(diǎn)，主要采用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)不具備的密集連接，并降低卷積層的卷積核數(shù)目.DenseNet網(wǎng)絡(luò)主要由Dense block和Transition layer構(gòu)成，具體模型結(jié)構(gòu)見圖3.從圖3中可以看到，DenseNet網(wǎng)絡(luò)首先對(duì)輸入采用大小為7×7的卷積核進(jìn)行卷積操作，并將卷積得到的特徵圖進(jìn)行最大池化運(yùn)算；其次，通過(guò)4個(gè)Dense block和3個(gè)Transition layer穿插連接，最后進(jìn)行全局平均池化并分類.

Dense block結(jié)構(gòu)由一個(gè)輸入層和多個(gè)Residual block結(jié)構(gòu)構(gòu)成.Residual block[31]主要由兩層不同卷積層組成，第一層的卷積核大小為1×1，第二層的卷積核為3×3，具體結(jié)構(gòu)見圖4.其中Residual block之間采用密集連接，每個(gè)Residual block的輸入均由其前面的所有Residual block輸出的特征圖串聯(lián)得到.如第三個(gè)Residual block的輸入是將第一個(gè)及第二個(gè)Residual block的輸出特征圖串聯(lián)起來(lái)，也就是使得每個(gè)Residual block都包含了前面所有Residual block的輸出特征.因?yàn)樘卣髦貜?fù)利用導(dǎo)致特征維度增加，所以DenseNet網(wǎng)絡(luò)通過(guò)減少訓(xùn)練時(shí)卷積層的卷積核數(shù)目來(lái)降低特征維度；而卷積核的數(shù)量與卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)計(jì)算密切相關(guān)，卷積核數(shù)量的顯著減少，使得網(wǎng)絡(luò)參數(shù)量驟減，從而提高特征在卷積神經(jīng)網(wǎng)絡(luò)中的傳輸效率.

Transition layer結(jié)構(gòu)用于連接Dense block，每個(gè)Transition layer均由一個(gè)卷積層和平均池化層構(gòu)成，卷積層中的卷積核大小為1×1，結(jié)構(gòu)見圖5.其中，卷積層通過(guò)控制卷積核的通道數(shù)改變前一層輸出特征圖的數(shù)量；池化層通過(guò)控制卷積核的大小及卷積核移動(dòng)步長(zhǎng)改變前一層輸出特征圖的大小，以達(dá)到降維效果.通過(guò)Transition layer進(jìn)行降維操作，每經(jīng)過(guò)一層Transition layer，輸出的特征圖數(shù)量均減少且尺寸減半，進(jìn)一步減少整個(gè)網(wǎng)絡(luò)模型的參數(shù)使用量.特征圖的尺寸大小與網(wǎng)絡(luò)的計(jì)算速度相關(guān)，因此DenseNet網(wǎng)絡(luò)通過(guò)減小特征圖尺寸及減少數(shù)量來(lái)加快計(jì)算速度.

圖4 Dense block結(jié)構(gòu)示意圖

Fig.4 Structure diagram of Dense block

圖5 Transition layer結(jié)構(gòu)示意圖

Fig.5 Schematic diagram of Transition layer structure

根據(jù)Dense block中Residual block數(shù)量的差異，構(gòu)造出不同層數(shù)的DenseNet網(wǎng)絡(luò)框架.本研究采用DenseNet-63，DenseNet-121和DenseNet-169模型，各個(gè)網(wǎng)絡(luò)具體參數(shù)見表3.在表3中，RB×3表示3個(gè)Residual block，Dense Block(1)和Transition Layer(1)分別表示第一個(gè)Dense Block和第一層Transition Layer，可以看出不同層數(shù)的DenseNet網(wǎng)絡(luò)均首先通過(guò)一樣的卷積核以及池化層；之后通過(guò)4個(gè)由不同數(shù)量的Residual block所組成的Dense Block和3個(gè)Transition Layer；最后進(jìn)行分類.其中DenseNet-63中Dense Block分別有3、6、12、8個(gè)Residual block；DenseNet-121是它的兩倍，分別有6、12、24、16個(gè)Residual block；而DenseNet-169則在第三和第四個(gè)Dense Block及121層均有所增加，為32個(gè).

3 結(jié)果與分析

本研究的試驗(yàn)環(huán)境為Ubuntu 16.04，采用英偉達(dá)(NVDIA)顯卡.對(duì)試驗(yàn)數(shù)據(jù)采取隨機(jī)抽樣，進(jìn)行訓(xùn)練集與測(cè)試集的劃分.模型的參數(shù)設(shè)置為：學(xué)習(xí)率為0.0004，Batch Size為16，Epoc為400.試驗(yàn)精度采用分類精度(Accuracy)度量模型的分類效果，其公式為：

(2)

式中，n為測(cè)試樣本總數(shù)，當(dāng)測(cè)試樣本被分類正確時(shí)xi為1，被分類錯(cuò)誤時(shí)xi為0.

采用Kappa系數(shù)度量模型分類結(jié)果的一致性，其公式為：

(3)

假設(shè)一個(gè)只有兩種類別(1和2)的數(shù)據(jù)集，結(jié)果見表4.po計(jì)算公式見式(4)，結(jié)果與式(2)的Accuracy一致；pe計(jì)算公式見式(5)，稱為理論一致率.

(4)

(5)

式中，a表示圖像真實(shí)類別為1且被正確分類的數(shù)量，d表示圖像真實(shí)類別為2且被正確分類的數(shù)量，b表示圖像真實(shí)類別為2且被分類為類別1的數(shù)量，c表示圖像真實(shí)類別為1且被分類為類別2的數(shù)量.

表3 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表1)

1)RB=Residual block，表示1×1卷積+3×3卷積.

表4 混淆矩陣示意圖

3.1 不同數(shù)據(jù)集及不同網(wǎng)絡(luò)深度的對(duì)比

為了探究數(shù)據(jù)集間的差異，并體現(xiàn)DenseNet網(wǎng)絡(luò)的穩(wěn)健性，且考慮到網(wǎng)絡(luò)層數(shù)量(網(wǎng)絡(luò)深度)將影響模型擬合能力，采用白天(D)、晚上(N)和混合數(shù)據(jù)集(M)分別訓(xùn)練了3個(gè)不同深度的DenseNet模型.總共建立了9個(gè)模型，即DenseNet-63-D, DenseNet-63-N, DenseNet-63-M, DenseNet-121-D, DenseNet-121-N, DenseNet-121-M, DenseNet-169-D, DenseNet-169-N, DenseNet-169-M.模型的命名規(guī)則為“網(wǎng)絡(luò)主框架名稱—網(wǎng)絡(luò)深度—數(shù)據(jù)集類型”，例如DenseNet-63-D、DenseNet-63-N及DenseNet-63-M表示采用的DenseNet網(wǎng)絡(luò)為主框架，3個(gè)模型深度皆為63層，分別使用白天數(shù)據(jù)集、晚上數(shù)據(jù)集及混合數(shù)據(jù)集訓(xùn)練分類模型.其中總體識(shí)別精度和Kappa系數(shù)的結(jié)果見表5.所有模型的Kappa系數(shù)均大于或等于0.80，表明DenseNet模型的識(shí)別結(jié)果與實(shí)際結(jié)果具有高度的一致性，且所有模型總體識(shí)別精度均高于86%，最高達(dá)88.41%.從圖6可知，該模型在不同數(shù)據(jù)集下的訓(xùn)練損失值均收斂于一較低的穩(wěn)定值，訓(xùn)練損失值平穩(wěn)后，不同數(shù)據(jù)集對(duì)不同網(wǎng)絡(luò)深度模型的識(shí)別精度相似并穩(wěn)定在80%以上，表明該模型具有好的穩(wěn)定性、可行性，且適用性強(qiáng).

通過(guò)不同數(shù)據(jù)集的分析，并比較白天和晚上降雨圖像數(shù)據(jù)集的識(shí)別結(jié)果，DenseNet-63、DenseNet-121、DenseNet-169三個(gè)模型均在白天降雨圖像數(shù)據(jù)集取得最高的識(shí)別精確度.通過(guò)觀察不同降雨強(qiáng)度下的白天圖像，發(fā)現(xiàn)這些圖像最大的區(qū)別在于其云層變化(圖7).因?yàn)榻涤炅繌?qiáng)度受云層厚度的影響，云層厚度變化導(dǎo)致云層顏色的深淺變化，所以云層變化成為模型識(shí)別的主要特征.而晚上的圖像拍攝開啟了紅外線模式，紅外線穿透云霧能力強(qiáng)，在晚上能夠不受霧氣干擾,使得雨紋能夠清晰被觀察到.從圖8可以觀察到晚上圖像具有明顯雨紋，且雨紋方向受風(fēng)向影響；晚上圖像中雨紋有垂直向下和斜向下的情況，較白天復(fù)雜.因此白天雨量圖像的的識(shí)別精度略高于晚上圖像.采用混合數(shù)據(jù)集將白天與晚上的數(shù)據(jù)進(jìn)行糅合，提高了混合數(shù)據(jù)集的數(shù)據(jù)復(fù)雜性；與淺層網(wǎng)絡(luò)的分類結(jié)果相比，深層網(wǎng)絡(luò)模型在混合數(shù)據(jù)集方面的識(shí)別精度更高.

表5 不同數(shù)據(jù)集在不同深度DenseNet模型的識(shí)別精度和Kappa系數(shù)

從不同模型深度分析可知，白天和晚上的降雨圖像數(shù)據(jù)集均在DenseNet-121取得最好識(shí)別精度，而混合數(shù)據(jù)集在DenseNet-169取得最好的識(shí)別精確度.主要是因?yàn)橥ㄟ^(guò)晚上的圖像能夠清晰地觀察到雨紋變化，而白天的圖像不易觀察到雨紋，主要依據(jù)云層變化來(lái)對(duì)降雨量進(jìn)行識(shí)別.不論是白天還是晚上的雨圖，其背景變化只出現(xiàn)在不同站點(diǎn)之間，因此特征的識(shí)別集中于晚上圖片中的雨紋以及白天圖片的云層變化，特征提取更簡(jiǎn)單.DenseNet模型使用121層網(wǎng)絡(luò)時(shí)便能較好抽取及學(xué)習(xí)雨紋及云層變化，可達(dá)到較好的識(shí)別精度；而更深的169層網(wǎng)絡(luò)在更深的網(wǎng)絡(luò)層已經(jīng)提取不到有用的雨紋及云層特征，使得169層網(wǎng)絡(luò)分類精度較121層網(wǎng)絡(luò)低.當(dāng)數(shù)據(jù)混合了白天和晚上的雨圖時(shí)，依據(jù)雨紋以及云層的變化來(lái)識(shí)別，識(shí)別特征與單獨(dú)晚上數(shù)據(jù)或者白天數(shù)據(jù)相比均更為復(fù)雜，此時(shí)更深層網(wǎng)絡(luò)能夠達(dá)到更好的分類精度.

綜上所述，DenseNet模型在不同的數(shù)據(jù)集上存在識(shí)別精度差異，導(dǎo)致此差異的主要原因是白天和晚上攝像頭的拍攝模式不同，使得晚上數(shù)據(jù)集的識(shí)別精度高于白天數(shù)據(jù)集；而模型在采用不同網(wǎng)絡(luò)深度時(shí)亦存在識(shí)別精度差異，主要受到不同數(shù)據(jù)集特征抽取的影響.因此，本文基于各數(shù)據(jù)集得到識(shí)別效果最好的模型，依次為DenseNet-121-D、DenseNet-121-N和DenseNet-169-M模型.

3.2 不同氣象站點(diǎn)的降雨強(qiáng)度識(shí)別

依據(jù)各數(shù)據(jù)集下識(shí)別精度最高的模型，繪制各氣象站點(diǎn)的DenseNet-121-D、DenseNet-121-N和DenseNet-169-M模型識(shí)別精度柱狀圖(圖9)，其中各氣象站點(diǎn)識(shí)別正確率均高于80%.此外，通過(guò)計(jì)算各模型在不同氣象站點(diǎn)下識(shí)別精度的方差來(lái)檢驗(yàn)?zāi)Ｐ途鹊姆€(wěn)定性，計(jì)算得到的方差均非常小，其中最大的方差僅為0.07%，識(shí)別精度未存在明顯波動(dòng)，具有一定的穩(wěn)定性.表明DenseNet模型對(duì)不同氣象站點(diǎn)降雨量影像數(shù)據(jù)的分類精度較為穩(wěn)定，具有一定的適用性.

3.3 不同降雨強(qiáng)度等級(jí)識(shí)別結(jié)果的對(duì)比

依據(jù)6個(gè)等級(jí)的降雨強(qiáng)度類別繪制折線圖，呈現(xiàn)DenseNet-121-D、DenseNet-121-N和DenseNet-169-M模型在各等級(jí)降雨量下的分類效果；并依據(jù)白天和晚上數(shù)據(jù)集的數(shù)據(jù)繪制柱狀圖，呈現(xiàn)白天和晚上數(shù)據(jù)集占總數(shù)據(jù)集的百分比，結(jié)果見圖10.從圖10可以看到零星小雨、小雨以及中雨在各數(shù)據(jù)集及各模型中具有更為穩(wěn)定的識(shí)別正確率；大雨識(shí)別正確率有小幅度的振蕩，暴雨識(shí)別正確率振蕩的最為明顯，且正確率相較前三類呈下降趨勢(shì).主要原因在于各雨類數(shù)據(jù)量分布的差異，其中大雨和暴雨圖片數(shù)分別占總數(shù)的4.39%和1.03%，在DenseNet-121-D和DenseNet-121-N模型上大暴雨圖像分類正確率均為0；DenseNet-169-M模型上大暴雨圖像分類正確率則為33.3%.白天正確率為0是因?yàn)榘滋煳词占酱蟊┯陥D像數(shù)據(jù)，因此只對(duì)其余5個(gè)降雨強(qiáng)度等級(jí)進(jìn)行訓(xùn)練并測(cè)試;而晚上數(shù)據(jù)集只收集到12張大暴雨圖像,僅占總數(shù)據(jù)的0.05%，其中訓(xùn)練圖像占大暴雨數(shù)據(jù)的70%,即對(duì)9張圖像進(jìn)行訓(xùn)練，對(duì)其余3張圖像進(jìn)行測(cè)試.數(shù)據(jù)量太小導(dǎo)致模型訓(xùn)練該類別時(shí)引入了更多的數(shù)據(jù)噪聲，即訓(xùn)練過(guò)程受其他類別圖像的影響，導(dǎo)致該類別的分類特征不精確，出現(xiàn)全部測(cè)試錯(cuò)誤，或是在DenseNet-169-M模型上，只有1張測(cè)試圖像分類正確，得到的正確率僅為33.3%.大雨、暴雨和大暴雨的正確率波動(dòng)幅度較大、數(shù)據(jù)量小導(dǎo)致計(jì)算正確率的基數(shù)小、斜率大.由此可知識(shí)別錯(cuò)誤的數(shù)目極易影響到識(shí)別正確率，導(dǎo)致其變化幅度更大，而且模型分類能力的優(yōu)劣與訓(xùn)練數(shù)據(jù)相關(guān).因此，大雨、暴雨和大暴雨正確率比數(shù)據(jù)量大的降雨強(qiáng)度等級(jí)有所降低，模型間正確率波動(dòng)更大.但由于數(shù)據(jù)量少，因此對(duì)整體的效果影響很小.綜上所述，不同等級(jí)的降雨強(qiáng)度存在較大的識(shí)別精度差異是由于試驗(yàn)數(shù)據(jù)在各個(gè)等級(jí)之間分布不均勻.

3.4 DenseNet網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果的對(duì)比

將DenseNet網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果進(jìn)行比較，包含AlexNet、VGG及Inception；并對(duì)各個(gè)網(wǎng)絡(luò)的參數(shù)量進(jìn)行對(duì)比，結(jié)果見表6.AlexNet網(wǎng)絡(luò)由5個(gè)卷積層和3個(gè)全連接層簡(jiǎn)單拼構(gòu)而成，其卷積層采用大小為11×11及5×5等的卷積核進(jìn)行卷積操作；VGG網(wǎng)絡(luò)與AlexNet相比，其卷積層采用大小為3×3的卷積核代替11×11及5×5等大尺寸卷積核進(jìn)行卷積操作；而Inception網(wǎng)絡(luò)是通過(guò)Inception block獲取不同感受野的特征圖，并對(duì)其進(jìn)行堆疊，以此學(xué)習(xí)更復(fù)雜的特征.Inception block由4個(gè)分支組成，第一個(gè)分支只有一層卷積層，采用大小為1×1的卷積核進(jìn)行卷積操作；第二個(gè)分支由兩層卷積層組成，依序采用大小為1×1及3×3的卷積核分別進(jìn)行卷積操作；第三個(gè)分支由3層卷積層組成，第一層卷積層采用大小為1×1的卷積核，而第二、三層各自采用大小為3×3卷積核進(jìn)行卷積操作；第四個(gè)分支由一層池化層和一層卷積層所組成，池化層采用大小為3×3的卷積核進(jìn)行操作，卷積層則使用大小為1×1的卷積核.

表6 DenseNet框架與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果的比較

深層的特征圖比淺層的特征圖具有更大的感受野，這是卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)之一.DenseNet通過(guò)密集連接將淺層與深層的特征圖進(jìn)行串聯(lián)，實(shí)現(xiàn)不同感受野的特征圖堆疊，其混疊程度比Inception高，因此DenseNet網(wǎng)絡(luò)能夠較好地描述更復(fù)雜的數(shù)據(jù).表6中DenseNet網(wǎng)絡(luò)在晚上數(shù)據(jù)集中的分類正確率分別比AlexNet、Vgg-19及Inception-V2 高8.32%，5.61%及3.79%；白天數(shù)據(jù)集上的分類正確率分別比AlexNet、Vgg-19及Inception-V2 高1.06%、1.49%及1.62%；在混合數(shù)據(jù)集中的分類正確率分別比AlexNet、Vgg-19及Inception-V2高 2.50%、1.89%及2.23%；在參數(shù)量上，DenseNet-63的參數(shù)量比AlexNet、VGG-19及Inception-V2分別下降20倍、60倍及4倍以上. DenseNet網(wǎng)絡(luò)具有最好的分類結(jié)果，且具有最少的網(wǎng)絡(luò)參數(shù)量.由于晚上數(shù)據(jù)集比白天數(shù)據(jù)集復(fù)雜，白天數(shù)據(jù)集的分類精度均達(dá)到86%以上，而晚上數(shù)據(jù)集的分類精度最大值僅83.46%，最小值僅78.93%.由此可見白天數(shù)據(jù)集能夠提取到更優(yōu)的分類特征，難以處理更復(fù)雜的晚上數(shù)據(jù)集；但是，DenseNet在不同數(shù)據(jù)集上均保持87%左右的分類正確率，表明DenseNet網(wǎng)絡(luò)在處理更復(fù)雜的數(shù)據(jù)時(shí)具有一定的優(yōu)勢(shì).綜上所述，DenseNet網(wǎng)絡(luò)與其它傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，具有更好的數(shù)據(jù)適應(yīng)性和可行性.

4 小結(jié)

本文基于深度學(xué)習(xí)理論，通過(guò)降雨圖像數(shù)據(jù)構(gòu)建DenseNet深度卷積網(wǎng)絡(luò)降雨強(qiáng)度識(shí)別模型，利用福州市8個(gè)氣象站點(diǎn)的降雨圖像數(shù)據(jù)進(jìn)行建模.結(jié)果表明DenseNet模型的識(shí)別正確率最高值達(dá)到88.41%，最低值為86.90%.通過(guò)對(duì)比不同氣象站點(diǎn)的識(shí)別正確率，發(fā)現(xiàn)該模型對(duì)不同氣象站點(diǎn)的降雨圖像具有良好的穩(wěn)定性；通過(guò)對(duì)比不同數(shù)據(jù)集的識(shí)別正確率，發(fā)現(xiàn)白天數(shù)據(jù)比晚上數(shù)據(jù)具有更高的識(shí)別精度；通過(guò)對(duì)比不同深度的網(wǎng)絡(luò)模型，發(fā)現(xiàn)混合數(shù)據(jù)比單獨(dú)晚上或白天數(shù)據(jù)復(fù)雜，導(dǎo)致其在模型深度上的識(shí)別精度不一致；通過(guò)對(duì)比不同等級(jí)降雨強(qiáng)度的識(shí)別正確率，發(fā)現(xiàn)由于各個(gè)等級(jí)降雨強(qiáng)度數(shù)據(jù)的不均衡導(dǎo)致該模型對(duì)數(shù)據(jù)量較大的零星小雨、小雨、中雨三類雨圖具有良好的穩(wěn)定性，而大雨、暴雨和大暴雨數(shù)據(jù)由于占比極小，導(dǎo)致識(shí)別正確率下降且不穩(wěn)定.綜上所述，本文構(gòu)建的降雨強(qiáng)度識(shí)別框架具有識(shí)別精度高、泛化能力強(qiáng)、實(shí)時(shí)監(jiān)測(cè)降雨強(qiáng)度等級(jí)等優(yōu)勢(shì)，在降雨強(qiáng)度識(shí)別中具有可行性.