论文总字数：26995字

目 录

1 绪论 1

1.1 卫星云图的简介 1

1.2 传统的卫星云图识别 1

1.3卫星雷达云图简介 1

1.3.1雷达回波图的分类 1

1.3.2 雷达回波图的人工识别 1

1.4深度学习简介 2

1.4.1 深度学习的发展历程 2

1.4.2 深度学习的应用 4

1.5开发环境 5

1.5.1 Python语言 5

1.5.2 Anaconda环境 5

1.5.3 Tensorflow框架 6

2 深层神经网络 6

2.1深度学习与深层神经网络 6

2.1.1 线性模型的局限性 6

2.1.2 激活函数实现去线性算法 7

2.2损失函数定义 9

2.2.1 经典损失函数 10

2.2.2 自定义损失函数 11

2.3神经网络优化算法 13

2.4神经网络进一步优化 14

3 卷积神经网络搭建以及卷积网络模型的使用 16

3.1卷积神经网络简介 16

3.2卷积神经网络结构 17

3.2.1 卷积层 17

3.2.2 池化层 18

3.3经典卷积网络模型 19

3.3.1 Inception模型 19

3.3.2 LeNet-5模型 20

4 数据集的准备及训练 20

4.1雷达云图数据集的介绍 20

4.2雷达云图数据集的训练 21

5 实验结果与分析 25

6 总结 28

6.1对于算法的总结 28

6.2算法的进步以及不足 28

参考文献 29

致谢 30

基于深度学习的卫星云图分类研究

吕浩强

，China

Abstract：The global cloud covers is approximately 66% over land surfaces of the Earth, and it often appears and covers objects on the surface in remote sensing images, which makes much difficulty in image analysis tasks and object detection missions. Good cloud detection algorithms are always necessary especially before the implement of segmentation and object detection methods. In today's society, image recognition technology is everywhere, and image recognition is playing an important role in all aspects of life. However, there are obvious defects in the traditional satellite image identification, which can only be used to identify the weather conditions manually, which costs much resources and manpower, and the accuracy is not guaranteed. This article research is under the radar satellite cloud image as data sources, using Google company’s Tensorflow as the main framework, using the depth of the convolutional neural network learning algorithm, to improve the accuracy of satellite cloud image radar recognition, allowing the computer to automatically identify the cloud region weather conditions. This provides for some of the staff involved in meteorological research of a rapid identification of satellite cloud images.

Key words：Image recognition; Satellite radar cloud image; Convolutional neural network; Tensorflow; Weather conditions

1 绪论

卫星云图的简介

卫星云图是一种基于气象卫星仪器数据的图像，是天气预报和提前预报的重要信息来源。它捕捉大气中云层的分布，寻找天气系统，并验证绘制的地表气象图的正确性。它还可用于观测海冰分布，以确定海洋表面温度和中长期天气预报的海洋数据。该技术可以是一个单一的图像，显示各种各样的天气现象，提供一个非常有用的遥感数据，天气分析和预报。一般来说，卫星云团可以分为红外线卫星、可见光卫星云图和卫星云的彩色增强。

1.2 传统的卫星云图识别

在传统的卫星云图识别当中存在着明显的欠缺，往往只能通过人工来识别天气情况，这样既费力又费事，并且准确率还没有保障。本次研究的是卫星云图下的雷达云图作为数据源，采用谷歌公司的Tensorflow为主要框架，使用深度学习算法内的卷积神经网络，来提高卫星雷达云图识别的准确性，使得计算机能够自动识别雷达云图所在地区的天气状况。从而为一些从事关于气象研究的工作人员提供一个快速识别卫星云图的通道。

1.3卫星雷达云图简介

回波图像是气象雷达发射微波信号，然后天气信息被探测到之后，再次在雷达屏幕上显示图像。我们可以根据雷达回波图的颜色强弱来判断，判断降雨强度，雨区范围等。

1.3.1雷达回波图的分类

降水强度是用地面雷达反射雷达波的降水量来测量的。当地的雷达基本反射率是在dBZ(分贝)测量的回波强度(反射率)的显示。“反射率”是指在达到降水量后返回到雷达接收器的传输功率，与雷达天线距离为1米的参考功率密度相比。雷达发出短脉冲的能量，如果脉冲击中一个物体(雨滴、雪花、虫、鸟等)，雷达波就分散在各个方向。一小部分分散的能量被定向回雷达。该反射信号在其监听期间被雷达接收。计算机分析了返回的雷达波的强度，到达物体和返回的时间，以及脉冲的频移。这些回波多种多样，可将回波分为两大类：气象回波和非气象回波。

①气象回波：大气中的云、降水中的各种水汽凝结（凝华）物对电磁波的后向散射和大气中温、压、湿是引起气象回波的重要因素。

②非气象回波：这类回波直接由地物、飞机等飞行项目标物对电磁波的反射及由雷达的性能而引起的虚假回波。这些回波包括地物回波，超折射回波，同波长干扰回波，飞机、船只等的回波，海浪回波，由天线辐射特性造成的虚假回波。

1.3.2 雷达回波图的人工识别

①雨区的面积的确定通常是通过回波图的颜色，在回波图中，绿色所对应的区域通常是降雨的标志。一般来说，可能有雨的地方被标为浅绿色，而一定有雨的地方被标为深绿色。图1.1从河北西北到山西中部，出现了雨。

图1.1华北地区雷达基本反射率

③识别降雨未来趋势：如图1.2所示，影响西南华南一带的降雨系统呈现东北-西南走向，稳定向东偏南方向缓慢移动。从14：40和14：50两张图上可以看到，降雨带移动缓慢，强度变化不大。

图1.2雷达多时动态图

1.4深度学习简介

谷歌DeepMind的AlphaGo程序在与韩国围棋大师李世石(Lee Sedol)的最后一场比赛中获胜，以4-1的比分获胜，进一步证明了人工智能项目的里程碑式的成就。在结果公布之后，谷歌DeepMind的联合创始人Demis Hassabis称比赛是“有史以来最令人难以置信的比赛之一”，AlphaGo在一个早期的错误之后，发起了一场“令人兴奋的”复出。在此次比赛之后，以AlphaGo为代表的只能机器在全世界掀起了一股热潮，而在这股热潮的背后，深度学习是推动其发展的主要动力。

1.4.1 深度学习的发展历程

机器学习是人工智能的一个分支，而深度学习可以称为机器学习的子领域。这门学科的发展演变为人工智能-gt;机器学习-gt;深度学习。“深度学习”一词最初是由Igor Aizenberg和他的同事在2000年左右讨论人工神经网络时使用的。从那时起，这个词就真正开始取代人工智能的对话，尽管有其他的研究分支正在进行，比如自然语言处理，或者NLP。而深度学习主要经历了一下几个过程：

①1943年，神经网络的第一个数学模型。

Warren McCulloch教授和Walter Pitts教授与1943年在论文中提出来了最早的神经网络模型。图1.3对比了人类神经元结构和McCulloch-Pitts Neuron结构。显然，对于机器和深度学习来说，我们需要对人脑的神经网络有一个既定的认识。沃尔特·皮茨(Walter Pitts)，一位逻辑学家，以及神经学家沃伦·麦卡洛克(Warren McCulloch)，在1943年给了我们这一难题，当时他们创造了神经网络的第一个数学模型。他们发表在其开创性著作《神经活动中的思想的逻辑演算》中，提出了一种数学和算法的结合，旨在模仿人类的思维过程。

他们的模型——通常被称为McCulloch-Pitts神经元——仍然是今天的标准(尽管它已经进化了多年)。

（a）人类神经元结构

剩余内容已隐藏，请支付后下载全文，论文总字数：26995字

相关图片展示：