基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究

doi:10.3969/j.issn.1673-503X.2019.03.011

气象与环境学报 ›› 2019, Vol. 35 ›› Issue (3): 87-93.doi: 10.3969/j.issn.1673-503X.2019.03.011

基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究

瞿建华, 鄢俊洁, 薛娟, 郭雪星

北京华云星地通科技有限公司, 北京 100081

收稿日期:2019-01-14 修回日期:2019-02-22 出版日期:2019-06-30 发布日期:2019-06-28
作者简介:瞿建华,男,1976年生,高级工程师,主要从事气象卫星遥感应用方面的研究,E-mail:qujh@cma.gov.cn。
基金资助:
风云三号（02）批地面应用系统"FY-3湿地遥感监测评价应用示范（FY-3（02）-UDS-1.7.1）"项目资助。

Research on the cloud detection model of FY3D/MERSI and EOS/MODIS based on deep learning

QU Jian-hua, YAN Jun-jie, XUE Juan, GUO Xue-xing

Beijing Huayun Shinetek Science and Technology Co., Ltd., Beijing 100081, China

Received:2019-01-14 Revised:2019-02-22 Online:2019-06-30 Published:2019-06-28

摘要/Abstract

摘要： 针对FY3D/MERSI和EOS/MODIS的云检测问题，提出了一种基于深度学习技术的全自动云检测算法，首次将深度学习引入到卫星影像云检测领域。本算法使用深度全卷积神经网络（Deep Convolutional Neural Networks）作为核心结构，基于EOS/MODIS基本云检测原理选择合适的通道作为特性向量参数，针对不同的场景进行分类和网络模型的训练，最终得到基于深度学习的云检测模型。经过EOS/MODIS数据和FY3D/MERSI数据的测试，云检测的精度达到98%以上，可以看出基于深度学习的云检测算法能够用于云检测，该算法具有效率高、精度高等特点，云检测效果理想。

关键词: FY3D/MERSI, EOS/MODIS, 云检测, 卷积神经网络, 深度学习

Abstract: Based on deep learning technology,a fully automatic cloud detection algorithm for FY3D/MERSI and EOS/MODIS image is proposed and is firstly introduced in cloud detection study.Using Deep Convolutional Neural Networks as core structure and choosing some appropriate channels as characteristic parameters based on MODIS basic cloud detection theory,classifying and network model training are conducted according to the different scenarios.As a result,cloud detection model based on deep learning is setup and its cloud detection accuracy is over 98% by testing EOS/MODIS and FY3D/MERSI data,indicating that the algorithm can be applied in cloud detection with the characteristics of high efficiency and high accuracy as well as ideal cloud detection effect.

Key words: FY3D/MERSI, EOS/MODIS, Cloud detection, Convolutional neural network, Deep learning

中图分类号:

P458.1⁺21

瞿建华, 鄢俊洁, 薛娟, 郭雪星. 基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究[J]. 气象与环境学报, 2019, 35(3): 87-93.

QU Jian-hua, YAN Jun-jie, XUE Juan, GUO Xue-xing. Research on the cloud detection model of FY3D/MERSI and EOS/MODIS based on deep learning[J]. Journal of Meteorology and Environment, 2019, 35(3): 87-93.

参考文献

[1] 宋小宁,赵英时.MODIS图象的云检测及分析[J].中国图象图形学报,2003,8(9):1079-1083.
[2] 周红妹,杨星卫,陆贤.NOAA气象卫星云检测方法的研究[J].遥感学报,1995(2):137-142.
[3] 杨亦萍,董晓刚,戴聪明,等.利用MODIS数据对北极夏季卷云特性的研究[J].红外与激光工程,2016,45(4):30-37.
[4] 赵忠明,朱重光.遥感图象中薄云的去除方法[J].环境遥感,1996,(3):195-199.
[5] 史加荣,马媛媛.深度学习的研究进展与发展[J].计算机工程与应用,2018,54(10):1-10.
[6] 周成伟.基于卷积神经网络的自然场景中数字识别[J].计算机技术与发展,2017,27(10):101-105.
[7] 刘玉洁,杨忠东.MODIS遥感信息处理原理与算法[M].北京:科学出版社,2001:109-130.
[8] 王剑,王英华,刘宏伟.基于深度卷积神经网络的PolSAR图像变化检测方法[J].系统工程与电子技术,2018,40(7):1457-1464.
[9] 许强,李伟,Loumbi P.深度卷积神经网络在SAR自动目标识别领域的应用综述[J].电讯科技,2018,58(1):106-112.
[10] Krizhevsky A,Sutskever I,Hinton G E.ImageNet classification with deep convolutional neural networks[C]//International Conference on Neural Information Processing Systems.Curran Associates Inc,2012:1097-1105.
[11] 许可.卷积神经网络在图像识别上的应用的研究[D].浙江大学,2012.
[12] 赵志宏,杨绍普,马增强.基于卷积神经网络LeNet-5的车牌字符识别研究[J].系统仿真学报,2010,22(3):638-641.
[13] 卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理,2016,31(1):1-17.
[14] Xia X L,Xu C,Nan B.Inception-v3 for flower classification[C].20172nd International Conference on Image,Vision and Computing(ICIVC).IEEE,2017:783-787.
[15] Szegedy C,Ioffe S,Vanhoucke V,et al.Inception-v4,inception-resNet and the impact of residual connections on learning[Z].2016.
[16] 张弛,刘钧,李旭光,等.基于可见光-红外图像信息融合的云状识别方法[J].气象与环境学报,2018,34(1):82-90.
[17] 刘荣高,刘洋,刘纪远.MODIS科学数据处理研究进展[J].自然科学进展,2009,19(2):141-147.

基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究

Research on the cloud detection model of FY3D/MERSI and EOS/MODIS based on deep learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	王秀娟, 姜忠宝, 马晓华, 冯旭. 吉林省一场暴雨的成因分析[J]. 气象与环境学报, 0, (): 1-8.
[2]	杨磊, 孙丽, 王东东, 陈传雷, 王瀛, 才奎志, 张岳. 2017年“海棠”台风影响辽宁不同区域极端暴雨成因分析[J]. 气象与环境学报, 2020, 36(1): 1-10.
[3]	徐璐璐, 李倩, 李慧琳, 韩梅, 罗箭宇, 孟鑫. 2018年9月丹东连续两次风雹天气的多尺度对比分析[J]. 气象与环境学报, 2019, 35(6): 1-7.
[4]	毛程燕, 李浩文, 龚理卿, 孙杭媛, 王健疆, 陈慧玲. 2018年一次非典型梅雨锋暴雨过程诊断分析[J]. 气象与环境学报, 2019, 35(6): 8-13.
[5]	谷秀杰, 苏爱芳, 张宁, 栗晗, 王友贺. 地形对豫东南一次极端暴雪影响分析[J]. 气象与环境学报, 2019, 35(6): 14-20.
[6]	翟丽萍, 黄明策, 赖珍权, 周云霞, 李佳颖. 广西区域性冰雹天气的云图特征分型研究[J]. 气象与环境学报, 2019, 35(6): 117-125.
[7]	郭润霞, 张文龙. 北京一次大雹天气过程的闪电活动特征分析[J]. 气象与环境学报, 2019, 35(3): 10-17.
[8]	田华, 张楠, 张楷翊, 杨静, 张慧辰. 国外公路交通气象研究进展[J]. 气象与环境学报, 2019, 35(3): 79-86.
[9]	马素艳, 伊娜娜, 赵斐, 张旭. 阻塞形势下内蒙古东南部地区一次冷涡暴雨过程水汽特征分析[J]. 气象与环境学报, 2019, 35(2): 1-8.
[10]	任丽, 张桂华, 赵玲, 林嘉楠. 黑龙江省春季两次罕见暖锋暴雨过程诊断分析[J]. 气象与环境学报, 2018, 34(6): 33-41.
[11]	李爽, 丁治英, 赵欢, 邢蕊, 康晓玉, 韩艳凤. 2014年辽宁地区一次短时暴雨过程多尺度特征分析[J]. 气象与环境学报, 2018, 34(6): 75-83.
[12]	翟振芳, 魏春璇, 邓斌, 纪元. 安徽省ECMWF数值模式降水预报性能的检验[J]. 气象与环境学报, 2017, 33(5): 1-9.
[13]	王宁, 秦玉琳, 姚帅, 王婷婷, 牛立强. 不同触发条件下吉林省一次极端暴雪大风天气过程诊断分析[J]. 气象与环境学报, 2017, 33(3): 1-9.
[14]	刘飞, 肖鹏, 黄宁立, 方哲卿, 谢潇. 上海地区两次强对流天气过程灾害成因及预警研究[J]. 气象与环境学报, 2017, 33(2): 28-36.
[15]	何志新, 江杨, 张苏, 姚叶青, 邱学兴. 同化GPS可降水量资料在安徽地区暴雨预报中的应用[J]. 气象与环境学报, 2017, 33(2): 18-27.