NOAA氣象衛(wèi)星云檢測(cè)方法研究

NOAA氣象衛(wèi)星云檢測(cè)方法研究概述NOAA（NationalOceanicandAtmosphericAdministration）是美國(guó)國(guó)家海洋和大氣管理局的簡(jiǎn)稱，該機(jī)構(gòu)負(fù)責(zé)監(jiān)測(cè)和預(yù)報(bào)美國(guó)和全球的天氣、環(huán)境和氣候。NOAA的氣象衛(wèi)星能夠采集地球各地的圖像，包括云和氣候信息。因此，NOAA成為了全球掌握氣象信息和模型的重要機(jī)構(gòu)之一。NOAA氣象衛(wèi)星云檢測(cè)任務(wù)是指從氣象衛(wèi)星傳感器所采集的多光譜圖像中，自動(dòng)識(shí)別出云和非云像元，并抽取云像元的特征，以了解云的屬性。NOAA云檢測(cè)任務(wù)已經(jīng)成為了氣象學(xué)研究領(lǐng)域的一個(gè)熱點(diǎn)問題，目前已存在大量的研究工作和應(yīng)用案例。本文主要討論NOAA氣象衛(wèi)星云檢測(cè)方法的研究現(xiàn)狀和相關(guān)進(jìn)展。NOA?A氣象衛(wèi)星云檢測(cè)方法NOAA氣象衛(wèi)星云檢測(cè)方法可以分為兩種：傳統(tǒng)方法和機(jī)器學(xué)習(xí)方法。傳統(tǒng)方法是指使用一些特征來識(shí)別云和非云像元。特征可以包括顏色、紋理、形狀、邊緣等等。這些特征可以用來訓(xùn)練統(tǒng)計(jì)模型或其他監(jiān)督學(xué)習(xí)模型，從而檢測(cè)云，并進(jìn)一步分析云的屬性。傳統(tǒng)的方法主要包括閾值法、比率方法、角度方法和譜處理方法。閾值法：基于像素亮度的制定一個(gè)閾值，低于閾值的像元被歸為非云類別，高于閾值的為云類別。比率方法：通過光譜的比值，強(qiáng)調(diào)出檢測(cè)云的特征。典型的例子是NDVI指數(shù)，它是通過太陽輻射譜線的紅外波段和紅波段比值進(jìn)行云檢測(cè)的方法。角度法：基于植被光譜和非植被光譜存在角度差異的原理，來進(jìn)行云檢測(cè)的方法。譜處理方法：通過光譜處理技術(shù)來減少云外物體的干擾，提高云的檢測(cè)準(zhǔn)確性。典型的例子有PCA降維和SSR(SpectralShapeRatio).機(jī)器學(xué)習(xí)方法是指使用機(jī)器學(xué)習(xí)算法來訓(xùn)練模型，進(jìn)而對(duì)云進(jìn)行檢測(cè)。機(jī)器學(xué)習(xí)方法可以通過特征提取、特征選擇、分類器建模，來自動(dòng)化完成云檢測(cè)任務(wù)。在利用機(jī)器學(xué)習(xí)進(jìn)行云檢測(cè)的方法中，現(xiàn)在主要的方法是基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）?；贑NN的方法：根據(jù)像素的共享和權(quán)值共享的原則，構(gòu)建卷積網(wǎng)絡(luò)架構(gòu)，隨后由多層卷積和池化操作構(gòu)成，在輸出之前，加上全連接層，就得到了符合云檢測(cè)規(guī)律的網(wǎng)絡(luò)結(jié)構(gòu)。常用來處理高分辨率（High-Resolution）多光譜衛(wèi)星數(shù)據(jù)?；赗NN的方法：利用循環(huán)神經(jīng)網(wǎng)絡(luò)解決像素內(nèi)部的時(shí)序性問題，同時(shí)可以將序列信息相互依賴的時(shí)空結(jié)構(gòu)編碼進(jìn)網(wǎng)絡(luò)中，進(jìn)而提高云檢測(cè)的準(zhǔn)確性。同時(shí)在實(shí)際操作中，RNN可實(shí)現(xiàn)云檢測(cè)的同時(shí)，兼顧像素云量、云高、云溫等信息的跟蹤和預(yù)測(cè)，廣泛應(yīng)用于氣象災(zāi)害監(jiān)測(cè)、大氣污染監(jiān)測(cè)等領(lǐng)域。相關(guān)進(jìn)展NOAA氣象衛(wèi)星云檢測(cè)任務(wù)的研究不斷進(jìn)行，主要的進(jìn)展如下：增加數(shù)據(jù)量：針對(duì)傳統(tǒng)方法的局限性和深度學(xué)習(xí)的需求，研究人員不斷尋找、收集新的數(shù)據(jù)集，如Himawari-8、MODIS等。同時(shí)，數(shù)據(jù)集還在進(jìn)行特定領(lǐng)域、特定時(shí)間段的制定。不斷優(yōu)化現(xiàn)有方法：針對(duì)傳統(tǒng)方法的局限性、深度學(xué)習(xí)的原理，不斷對(duì)模型進(jìn)行改進(jìn)和優(yōu)化。如Fuzzyc-Means算法將模糊集合理論引入云檢測(cè)中，指出云和非云在灰色關(guān)系上的界限是模糊的，可以使云檢測(cè)結(jié)果更為準(zhǔn)確；對(duì)于傳統(tǒng)方法的不足，深度學(xué)習(xí)中的卷積和循環(huán)神經(jīng)網(wǎng)絡(luò)CNN和RNN，可以更好地發(fā)掘出多光譜數(shù)據(jù)中的云特征和時(shí)序依賴性，提高了云檢測(cè)的精度。開源工具：云檢測(cè)任務(wù)也成為了開源工具發(fā)展的一個(gè)熱點(diǎn)領(lǐng)域，例如R軟件包c(diǎn)loudmask，用于MODIS云檢測(cè)；Matlab軟件包CACTI(CloudandAerosolClassificationfromTropicalARgosandocianColorImagery)，主要用于CALIPSO衛(wèi)星資料的云檢測(cè)。結(jié)論本文介紹了NOAA氣象衛(wèi)星云檢測(cè)的方法和相關(guān)進(jìn)展。從傳統(tǒng)方法到機(jī)器學(xué)習(xí)方法，云檢測(cè)任務(wù)的研究不斷推陳出