吳文涵,麻金繼,孫二昌,郭金雨,楊光,王宇瑤

(安徽師范大學(xué)地理與旅游學(xué)院, 安徽 蕪湖, 241000)

0 引 言

根據(jù)國際衛(wèi)星云氣候?qū)W計劃(ISCCP)統(tǒng)計,云覆蓋了地球表面的60%～70%[1],云能夠提供淡水、清潔大氣、調(diào)節(jié)天氣和氣候,在全球氣候中扮演著重要的角色,決定了人類賴以生存的地球環(huán)境狀態(tài)[2]。精確的云檢測與云相態(tài)判識對地氣輻射收支系統(tǒng)及云光學(xué)性質(zhì)等方面的研究具有重要影響意義。隨著遙感技術(shù)的發(fā)展,遙感衛(wèi)星影像分辨率不斷提高,然而傳感器卻常常受到云層的干擾,因此該研究領(lǐng)域存在巨大的挑戰(zhàn),同時也富有深遠(yuǎn)意義。

閾值法是云檢測研究中較為傳統(tǒng)且成熟的方法,通?；诠庾V或頻率信息。閾值法中閾值的確定易受到主觀人為、地點以及季節(jié)等因素的影響,通常不可孤立使用,需要結(jié)合其他信息或技術(shù)手段提高檢測精度,推廣性較差。云相態(tài)是指云物理特征或云微物理參量的重要特征,其決定了云的輻射特性,從而影響地球上的能量和水分循環(huán)[3]。云相態(tài)判識方法一般為聯(lián)合多光譜數(shù)據(jù)用閾值法計算,但由于檢測目的不同,所選波段和方法存在一定差異。1994 年Strabala 等[4]利用中心波長為8.5、11、12μm 的三光譜數(shù)據(jù),采用兩組亮溫差值法,結(jié)合閾值比較來識別云相態(tài)。之后三光譜法簡化成雙光譜法,用8.5μm 和11μm 兩個波段檢測云相態(tài),并在部分?jǐn)?shù)據(jù)中取得了較好的結(jié)果[5]。但此類方法依賴于特定的儀器與波段,普適性較差。

衛(wèi)星遙感數(shù)據(jù)在當(dāng)今社會的生產(chǎn)和生活中都扮演著至關(guān)重要的角色,農(nóng)業(yè)、工業(yè)、環(huán)境等領(lǐng)域的研究均離不開衛(wèi)星遙感數(shù)據(jù)的支持。隨著高精度傳感器的發(fā)展,大量衛(wèi)星圖像數(shù)據(jù)被采集和儲存。傳統(tǒng)研究方法無法滿足大規(guī)模、高維度數(shù)據(jù)的高效挖掘與處理,促使了深度學(xué)習(xí)技術(shù)在遙感領(lǐng)域的快速發(fā)展。近年來深度學(xué)習(xí)已被應(yīng)用于云檢測及云相態(tài)判識領(lǐng)域,如Segal-Rozenhaimer 等[6]提出了一種卷積神經(jīng)網(wǎng)絡(luò)算法,用于從WV-2 和S-2 衛(wèi)星圖像中檢測云和云陰影場,嘗試?yán)眯l(wèi)星圖像中固有的光譜和空間信息進行云檢測;He 等[7]提出了一種使用支持向量機算法進行云檢測的新方法,該方法可以從陸地或海洋中清楚地識別云;Yang 等[8]提出了一種基于監(jiān)督反向傳播神經(jīng)網(wǎng)絡(luò)和無監(jiān)督自組織特征圖神經(jīng)網(wǎng)絡(luò)云相態(tài)檢索方法,研究結(jié)果表明該方法在區(qū)分云相態(tài)方面令人滿意。但目前利用深度學(xué)習(xí)方法結(jié)合多波段衛(wèi)星數(shù)據(jù)進行云檢測及云相態(tài)反演的研究還不夠充分,因此本文提出使用中分辨率成像光譜儀(MODIS)云產(chǎn)品并融合不同波段構(gòu)建豐富優(yōu)質(zhì)的云檢測與云相態(tài)判識數(shù)據(jù)庫,選擇目前深度學(xué)習(xí)領(lǐng)域成熟的高性能Deeplab V3+網(wǎng)絡(luò)框架進行適應(yīng)性調(diào)整并訓(xùn)練。與傳統(tǒng)方法相比,本研究方法結(jié)合了遙感影像多波段信息,特征提取能力強,訓(xùn)練預(yù)測過程高效快捷。

1 原理與方法

1.1 深度學(xué)習(xí)

深度學(xué)習(xí)是機器學(xué)習(xí)中新興研究領(lǐng)域之一,迄今已在語音識別、圖像理解、自然語言處理、視頻推薦等應(yīng)用領(lǐng)域引發(fā)了突破性的變革。自2006 年Hinton 等[9]提出深度學(xué)習(xí)的概念以來,深度學(xué)習(xí)發(fā)展迅速。目前,深度學(xué)習(xí)主流算法中的卷積神經(jīng)網(wǎng)(CNN)在圖像處理方面表現(xiàn)出色,被廣泛應(yīng)用于計算機視覺領(lǐng)域。早期的卷積神經(jīng)網(wǎng)絡(luò)是Lecun 在1998 年提出的LeNet-5[10],用于解決手寫數(shù)字識別任務(wù)。隨后AlexNet[11]、ResNet[12]等模型也被相繼提出,這些方法在圖像識別中得到廣泛應(yīng)用,其中ResNet 的推廣性非常好,進而推動了Deeplab 系列模型的發(fā)展。

隨著遙感技術(shù)的發(fā)展,遙感影像承載的信息愈加豐富和多元,傳統(tǒng)的研究方式不足以滿足高容量、高質(zhì)量、高效率、高精度的工作需求,而深度學(xué)習(xí)在計算機視覺領(lǐng)域取得的重大突破與飛速發(fā)展[13?16]推動了其在遙感領(lǐng)域的應(yīng)用。

近年來,深度學(xué)習(xí)在遙感影像分類與識別方面的應(yīng)用使得分類效果得到了進一步優(yōu)化,前人利用遙感高分辨率和高光譜影像進行的研究證明了深度學(xué)習(xí)能夠充分提取遙感影像特征, 成效顯著。例如水體提取[17,18]、建筑物檢測[19?21]、土地分類及其變化監(jiān)測[22?25]等,深度學(xué)習(xí)的各種模型在眾多領(lǐng)域均展現(xiàn)了較好的準(zhǔn)確率與魯棒性。

1.2 Deeplab V3+云參量反演模型

研究中采用的Deeplab V3+模型[26]結(jié)合了空間金字塔結(jié)構(gòu)和編解碼結(jié)構(gòu)兩種方法的優(yōu)點,一方面通過池操作探測輸入特征來編碼多尺度的上下文信息,另一方面通過添加一個簡單而有效的解碼器模塊,優(yōu)化分割結(jié)果,形成了一個更快、更強的編解碼網(wǎng)絡(luò)。

卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層和全連接層兩部分組成。卷積層可生成任意大小的特征圖,而全連接層的輸入則需要具有固定的尺寸。為了消除輸入圖像固定大小的弊端,空間金字塔池化模塊[27]被提出,Deeplab V3+采用的空間金字塔池化利用多尺度信息,在多個分割基準(zhǔn)上取得了令人滿意的結(jié)果。編解碼結(jié)構(gòu)網(wǎng)絡(luò)近年來已成功應(yīng)用于眾多計算機視覺任務(wù)中,Deeplab V3+模型采用并改進了該結(jié)構(gòu),將簡單有效的解碼器模塊用于恢復(fù)對象邊界。此外Deeplab V3+模型還改進了Xception 模型,Xception 模型具有良好的圖像分類能力,其計算速度較快。

在采用Deeplab V3+模型進行云檢測與云相態(tài)判識研究時,為了適應(yīng)包含多波段信息的MODIS 遙感影像樣本的輸入,根據(jù)輸入波段特性及MODIS 云產(chǎn)品屬性動態(tài)調(diào)整網(wǎng)絡(luò)參數(shù),模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。從圖中可以看出,首先將云檢測、云相態(tài)判識樣本經(jīng)過預(yù)處理后輸入模型中,進入深度卷積網(wǎng)絡(luò)(DCNN)提取得到高級語義特征和低級語義特征。高級語義特征進入到空洞空間卷積池化金字塔(ASPP),分別與四個空洞卷積層和一個池化層進行卷積和池化,得到五個特征圖。隨后再通過1×1 的卷積進行運算和上采樣操作。與分辨率相同的低級語義特征圖合并后,再通過3×3 的細(xì)化卷積進行細(xì)化,之后通過4 倍雙線性上采樣得到預(yù)測結(jié)果。

圖1 基于Deeplab V3+的云檢測與云相態(tài)判識模型Fig.1 Cloud detection and cloud phase detection model based on Deeplab V3+

2 樣本庫選取與建立

2.1 MODIS 云產(chǎn)品

中分辨率成像光譜儀(MODIS)是NASA 地球觀測系統(tǒng)(EOS)以及“行星任務(wù)”(MTPE)計劃的關(guān)鍵儀器,搭載在Terra 和Aqua 兩顆衛(wèi)星上。MODIS 是具有490 個檢測器的無源成像光譜輻射儀,用于提供大范圍全球動態(tài)測量數(shù)據(jù),包括云層覆蓋的變化、地球能量輻射變化、海洋陸地以及低空變化過程。

MODIS 云產(chǎn)品是從Terra 和Aqua 衛(wèi)星上的MODIS 傳感器產(chǎn)生的主要大氣產(chǎn)品之一。該產(chǎn)品將紅外和可見光觀測數(shù)據(jù)結(jié)合起來,包含像素級別的云頂特性、云層光學(xué)特性的像素級檢索、有效粒子半徑等,以確定云物理和輻射屬性。

2.2 波段選擇與數(shù)據(jù)增強

參考MODIS 云產(chǎn)品生產(chǎn)過程及Ben-Dor 等[28]研究中采用的波段,在中國區(qū)域內(nèi)選取了2020 年夏季的Terra 衛(wèi)星數(shù)據(jù)產(chǎn)品并分別采用了4 種不同波段融合作為樣本特征值,完成了云檢測、云相態(tài)判識的8 種獨立樣本數(shù)據(jù)庫的建立,并在不同數(shù)據(jù)庫上完成云檢測與云相態(tài)判識研究的對比實驗。

在云檢測研究中,將1B 級MOD02 1km 數(shù)據(jù)作為原始輸入圖像,MOD35 云掩膜產(chǎn)品作為與之對應(yīng)的標(biāo)簽數(shù)據(jù)。其中MOD02 影像通過4 種不同的波段組合方式形成了4 種獨立的數(shù)據(jù)集,第一種為真彩色1、3、4 波段,共3 個波段,數(shù)據(jù)庫定義名稱為M-B3;第二種是在真彩色組合方式上加上近紅外波段,分別為1、2、3、4 波段,共4 個波段,數(shù)據(jù)庫定義名稱為M-B4;第三種是根據(jù)MODIS 官方提供的MOD35 算法進行波段選取,分別為1、2、4、6、20、26、29、31、32 波段,共9 個波段,數(shù)據(jù)庫定義名稱為M-B9;第四種是將MODIS 所含的36 個波段全部信息作為輸入,數(shù)據(jù)庫定義名稱為M-B36。與以上4 種獨立的數(shù)據(jù)集對應(yīng)的標(biāo)簽分為云和非云兩類。因此在云檢測中形成了4 種獨立的樣本數(shù)據(jù)庫M-B3、M-B4、M-B9、M-B36。

在云相態(tài)判識研究中,將1B 級MOD02 1km 數(shù)據(jù)作為原始輸入圖像,MOD06 云產(chǎn)品云光學(xué)特性子集數(shù)據(jù)作為與之對應(yīng)的標(biāo)簽數(shù)據(jù)。其中MOD02 影像通過4 種不同的波段組合方式形成了4 種獨立的數(shù)據(jù)集,第一種為真彩色1、3、4 波段,共3 個波段,數(shù)據(jù)庫定義名稱為P-B3;第二種是將MODIS 官方應(yīng)用于云相態(tài)判識任務(wù)的相關(guān)波段作為樣本,分別為28、29、30、31 波段,共4 個波段,數(shù)據(jù)庫定義名稱為P-B4;第三種是選取云檢測的相關(guān)波段,分別為1、2、4、6、20、26、28、29、31、32 波段,共10 個波段,數(shù)據(jù)庫定義名稱為P-B10;第四種是將MODIS 所含的36 個波段全部信息作為輸入,數(shù)據(jù)庫定義名稱為P-B36。與以上4 種獨立的數(shù)據(jù)集對應(yīng)的標(biāo)簽數(shù)據(jù)被分為三類: 晴空、水云和冰云。因此在云相態(tài)判識中形成了4 種獨立的樣本數(shù)據(jù)庫P-B3、P-B4、P-B10、P-B36。

數(shù)據(jù)增強是深度學(xué)習(xí)領(lǐng)域擴充數(shù)據(jù)樣本規(guī)模的一種有效方法。為提高模型的泛化能力與魯棒性,進行了數(shù)據(jù)增強,即通過圖形變換或增加噪聲等方法增加訓(xùn)練樣本的數(shù)據(jù)量。通過gamma 變換、旋轉(zhuǎn)、均值濾波、增加噪聲、翻轉(zhuǎn)等變換,最終形成8 種尺寸為256×256、數(shù)量為10000 的樣本庫。

3 實驗與討論

3.1 實驗設(shè)置

為驗證MODIS 影像不同波段對云檢測及云相態(tài)判識性能的影響,通過數(shù)據(jù)預(yù)處理分別形成云檢測、云相態(tài)判識的8 種獨立樣本庫。在實驗過程中,每個樣本庫中隨機設(shè)置75%的樣本用于訓(xùn)練,25%的樣本用于驗證,以確保樣本的隨機性、均衡性及可行性。針對云檢測及云相態(tài)判識工作設(shè)置了兩項實驗:

1)云檢測實驗,將云檢測樣本數(shù)據(jù)庫M-B3、M-B4、M-B9 及M-B36 輸入模型進行訓(xùn)練,并將所得的4個模型用于云檢測預(yù)測。

2)云相態(tài)判識實驗,將云相態(tài)判識樣本數(shù)據(jù)庫P-B3、P-B4、P-B10 及P-B36 輸入模型進行訓(xùn)練,并將所得的4 個模型用于云相態(tài)判識預(yù)測。

以上兩項實驗旨在探索結(jié)合了不同波段信息的深度學(xué)習(xí)網(wǎng)絡(luò)模型在云檢測及云相態(tài)判識精度方面是否存在差異,并通過定量結(jié)果對比探索該深度學(xué)習(xí)模式下最優(yōu)的波段融合方案。

上述訓(xùn)練算法在配置為Intel i7-7700、4.20 GHz CPU、32GB RAM 和NVIDIA GeForce GTX 1060 GPU的PC 上使用Python 3.7 實現(xiàn),使用Pycharm 作為實驗的軟件環(huán)境。實驗中將訓(xùn)練批量大小設(shè)置為6,最大訓(xùn)練時期設(shè)置為100,學(xué)習(xí)率為0.0001,并使用Adam 優(yōu)化器進行優(yōu)化。

3.2 實驗評價指標(biāo)

為了驗證方法的有效性,采用像素精度A、平均像素精度Am、交并比I以及平均交并比Im進行精度評價,這四項指標(biāo)均介于(0,1)之間,值越接近1,則表示分割性能越好。其計算公式[29]分別為

式中k表示圖像分類總數(shù),Pi,j表示屬于第i類被分類成j類的像素數(shù),mi表示標(biāo)簽為第i類的像素總數(shù)。

3.3 結(jié)果分析

3.3.1 云檢測結(jié)果分析

(1)云檢測模型性能比對

采用softmax 作為網(wǎng)絡(luò)輸出層的激活函數(shù),并應(yīng)用categorical crossentropy 損失函數(shù),在每個訓(xùn)練周期之后,分別計算訓(xùn)練結(jié)果在訓(xùn)練集和驗證集上的準(zhǔn)確率和損失值,以觀察訓(xùn)練過程中的變化趨勢,并監(jiān)視模型以避免過度擬合。在此過程中,可根據(jù)準(zhǔn)確率和損失值的變化對模型參數(shù)進行調(diào)整以達(dá)到最佳效果。為更直觀地展現(xiàn)將不同波段作為特征值輸入模型后訓(xùn)練效果的差異,將模型在云檢測4 個數(shù)據(jù)庫中訓(xùn)練的擬合過程展示出來并作對比。圖2 展示了模型在云檢測M-B3、M-B4、M-B9 及M-B36 數(shù)據(jù)庫上訓(xùn)練的準(zhǔn)確率和損失值變化。表1 從定量層面展示了云檢測模型在完成100 次訓(xùn)練后訓(xùn)練集和驗證集的精度與損失。多數(shù)情況下,在實驗前期常出現(xiàn)驗證集損失值突然增大的現(xiàn)象,這是在模型訓(xùn)練初期的正?，F(xiàn)象,因為該模型仍然不穩(wěn)定并且不能很好地推廣。但當(dāng)模型穩(wěn)定時,驗證損失會接近訓(xùn)練損失的最小值并在該值附近波動。

圖2 Deeplab V3+模型在云檢測各數(shù)據(jù)庫中訓(xùn)練精度與損失變化圖。(a)M-B3 數(shù)據(jù)庫;(b)M-B4 數(shù)據(jù)庫;(c)M-B9 數(shù)據(jù)庫;(d)M-B36 數(shù)據(jù)庫Fig.2 Variation of training accuracy and loss of Deeplab V3+model in different cloud detection databases.(a)M-B3 database;(b)M-B4 database;(c)M-B9 database;(d)M-B36 database

表1 基于Deeplab V3+的云檢測驗證集精度與損失量化表Table 1 Cloud detection training accuracy and loss quantification table based on Deeplab V3+

在云檢測任務(wù)中,模型在M-B3 數(shù)據(jù)庫上訓(xùn)練時驗證集上的損失震蕩幅度較大且不易收斂,如圖2(a)所示,圖中縱坐標(biāo)表示訓(xùn)練集和驗證集上的精度值或損失值,橫坐標(biāo)表示所有樣本的訓(xùn)練次數(shù),其最終驗證集精度雖達(dá)到0.91,但其驗證集損失隨著迭代次數(shù)的不斷增大卻無法持續(xù)收斂,已產(chǎn)生過擬合情況。而隨著波段數(shù)量增大,模型在M-B4、M-B9 及M-B36 數(shù)據(jù)庫驗證集上的損失震蕩幅度明顯減小,驗證集上的精度也明顯提高,且并無過擬合現(xiàn)象發(fā)生,如圖2(b)、(c)、(d)所示。經(jīng)過比對,當(dāng)36 個波段作為特征值輸入模型訓(xùn)練時,效果最佳,精度達(dá)到0.94。

(2)云檢測預(yù)測結(jié)果

為直觀地展示云檢測預(yù)測結(jié)果,選取一組預(yù)測影像,如圖3 所示,其中圖3(a)是真彩色影像,圖3(b)為與真彩色影像對應(yīng)的云掩膜產(chǎn)品,即標(biāo)簽數(shù)據(jù),圖3(c)、(d)、(e)、(f)分別為該云檢測模型在M-B3、M-B4、M-B9 和M-B36 數(shù)據(jù)庫上訓(xùn)練所得模型的預(yù)測結(jié)果圖像。從圖中可以看出,模型在M-B3、M-B4 數(shù)據(jù)庫上的表現(xiàn)較差,無法判斷云與晴空的分布;在M-B9、M-B36 數(shù)據(jù)庫上可以較清晰地區(qū)分云與晴空,分類效果較好。

圖3 基于Deeplab V3+的云檢測預(yù)測結(jié)果。(a)原始圖像;(b)標(biāo)簽;(c)M-B3 結(jié)果;(d)M-B4 結(jié)果;(e)M-B9 結(jié)果;(f)M-B36 結(jié)果Fig.3 Cloud detection prediction results based on Deeplab V3+. (a)Original image;(b)label;(c)M-B3 result;(d)M-B4 result;(e)M-B9 result;(f)M-B36 result

為了更加清晰地對比模型在M-B9、M-B36 數(shù)據(jù)庫上的預(yù)測能力,選取82 張1354×2030 尺寸的影像作為測試集, 并采用4 種指標(biāo)對比兩個模型在測試集上的精度,如表2 所示。從表中數(shù)值可以看出,模型在M-B36 數(shù)據(jù)庫中的預(yù)測能力明顯高于M-B9 數(shù)據(jù)庫,與9 波段預(yù)測結(jié)果比較,在平均像素精度檢驗上36 波段結(jié)果高出15%,而在平均交并比精度檢驗方面也高出31%,因此將36 波段作為特征值進行訓(xùn)練得到的模型預(yù)測能力更強。

表2 云檢測精度評價結(jié)果Table 2 Evaluation results of cloud detection

3.3.2 云相態(tài)判識結(jié)果分析

(1)云相態(tài)判識模型性能比對

與云檢測任務(wù)相同,圖4 展示了模型在云相態(tài)判識P-B3、P-B4、P-B10 及P-B36 數(shù)據(jù)庫上訓(xùn)練的準(zhǔn)確率和損失值變化。表3 從定量層面展示了云相態(tài)判識模型在完成100 次訓(xùn)練后訓(xùn)練集和驗證集的精度與損失。在云相態(tài)判識任務(wù)中,模型在P-B3 數(shù)據(jù)庫上訓(xùn)練過程中雖精度高達(dá)0.91,但驗證集的損失震蕩幅度較大且一直未出現(xiàn)收斂趨勢,最終損失高達(dá)1.14,無法完成模型學(xué)習(xí)任務(wù),如圖3(a)所示。模型在P-B4 數(shù)據(jù)庫上震蕩減小,但在訓(xùn)練次數(shù)接近100 時驗證集損失不再收斂并出現(xiàn)了明顯的過擬合現(xiàn)象,如圖3(b)所示。而在P-B10 和P-B36 數(shù)據(jù)庫上,模型收斂較好,驗證集精度分別高達(dá)0.88 和0.90,且驗證集損失也降低到0.3 以下,如圖3(c)、(d)所示。經(jīng)過結(jié)果比對,當(dāng)將36 波段作為特征值輸入模型訓(xùn)練時,效果最佳。

表3 基于Deeplab V3+的云相態(tài)判識驗證集精度與損失量化表Table 3 Cloud phase detection training accuracy and loss quantification table based on Deeplab V3+

圖4 Deeplab V3+模型在云相態(tài)判識各數(shù)據(jù)庫中訓(xùn)練精度與損失變化圖。(a)M-B3 數(shù)據(jù)庫;(b)M-B4 數(shù)據(jù)庫;(c)M-B10 數(shù)據(jù)庫;(d)M-B36 數(shù)據(jù)庫Fig.4 Variation of training accuracy and loss of Deeplab V3+model in different cloud phase detection databases.(a)M-B3 database;(b)M-B4 database;(c)M-B10 database;(d)M-B36 database

(2)云相態(tài)判識結(jié)果

與云檢測實驗相同,在云相態(tài)判識實驗中,選取了一組預(yù)測影像,如圖5 所示。其中圖5(a)是真彩色影像,圖5(b)為真彩色影像對應(yīng)的云相態(tài)產(chǎn)品,即標(biāo)簽數(shù)據(jù),圖5(c)、(d)、(e)、(f)分別為該云檢測模型在P-B3、P-B4、P-B10 和P-B36 數(shù)據(jù)庫上的預(yù)測結(jié)果圖像。從圖中可以看出,模型在P-B3 數(shù)據(jù)庫上的表現(xiàn)較差,無法判斷云的相態(tài),在P-B4 數(shù)據(jù)庫上缺失了部分冰云的有效識別,在P-B10、P-B36 數(shù)據(jù)庫上表現(xiàn)較好。

圖5 基于Deeplab V3+的云相態(tài)預(yù)測結(jié)果。(a)原始圖像;(b)標(biāo)簽;(c)P-B3 結(jié)果;(d)P-B4 結(jié)果;(e)P-B10 結(jié)果;(f)P-B36 結(jié)果Fig.5 Cloud phase detection prediction results based on Deeplab V3+. (a)Original image;(b)label;(c)P-B3 result;(d)P-B4 result;(e)P-B10 result;(f)P-B36 result

針對模型在P-B10、P-B36 數(shù)據(jù)庫上的表現(xiàn), 對其預(yù)測能力做了定量分析,結(jié)果如表4 所示。模型在P-B10 數(shù)據(jù)庫上預(yù)測能力整體較差,而在P-B36 數(shù)據(jù)庫上預(yù)測精度均超過0.7。兩者對比而言,在P-B36 數(shù)據(jù)庫上平均像素精度檢驗結(jié)果相較于在P-B10 數(shù)據(jù)庫上高出13%,而在平均交并比精度檢驗方面也高出29%,因此模型在P-B36 數(shù)據(jù)庫上整體表現(xiàn)更優(yōu)。

表4 云相態(tài)判識精度評價結(jié)果Table 4 Evaluation results of cloud phase detection

4 結(jié) 論

觀測和了解云的分布及云相態(tài)是了解氣候變化最重要的前提之一,準(zhǔn)確地探測云的分布及特性對提高衛(wèi)星數(shù)據(jù)的利用也具有重要意義。隨著人工智能技術(shù)的發(fā)展,深度學(xué)習(xí)方法在圖像處理和計算機視覺領(lǐng)域取得了重大突破。在此研究中,基于深度學(xué)習(xí)方法提出了一種結(jié)合多波段遙感影像的云檢測及云相態(tài)判識的方法,該方法基于Deeplab V3+架構(gòu)并以MODIS 數(shù)據(jù)多波段融合為特征值分別進行云檢測、云相態(tài)判識。在實驗中,通過對比Deeplab V3+訓(xùn)練模型在由MODIS 數(shù)據(jù)不同波段信息融合所形成的數(shù)據(jù)庫中的精度來判斷適應(yīng)于云檢測和云相態(tài)判識的最優(yōu)樣本選取方案。發(fā)現(xiàn)在一定條件下,由于波段融合的樣本預(yù)處理方式,各波段樣本在輸入模型進行訓(xùn)練時計算效率差異較小,因此增加樣本的波段數(shù)對于深度學(xué)習(xí)模型計算效率的影響微乎其微。MODIS 影像中的36 個波段作為樣本在保持了與其他樣本相同訓(xùn)練時間的基礎(chǔ)上,增加了樣本信息,提高了模型的精度,因此在云檢測與云相態(tài)判識中36 波段作為樣本時預(yù)測效果最佳。此時獲得的最佳云檢測與云相態(tài)判識模型應(yīng)用于預(yù)測任務(wù)不僅能達(dá)到高精度要求,并且能夠快速獲得預(yù)測結(jié)果。相較于傳統(tǒng)方法,該方法充分體現(xiàn)了深度學(xué)習(xí)的優(yōu)勢,可以較好地應(yīng)用于云檢測及云相態(tài)判識研究。但針對薄云識別或下墊面存在冰雪等特殊情況時,模型預(yù)測將受到一定程度的干擾,因此在今后的研究中,將進一步優(yōu)化模型,并將其應(yīng)用于其他衛(wèi)星遙感數(shù)據(jù)。