基于多粒度级联森林的云雪检测

论文总字数：23749字

目 录

0引言 1

1 传统云雪识别方法简介 1

1.1 多光谱云雪判识法 1

1.2 多通道和多时相资料复合 1

1.3 基于分形维数的云雪识别 2

1.4 过渡区特征法 3

1.5 基于多种纹理特征的特征提取 3

1.6 基于边界特征并利用改进的平均梯度和分形维数等纹理信息的云雪分类 4

2 本课题云雪算法分析 4

2.1 神经网络 4

2.1.1 卷积神经网络 6

2.1.2 卷积神经网络特征提取 6

2.2 支持向量机 7

2.2.1 特征向量提取 7

2.2.2 支持向量机原理 9

3 gcForest算法 11

3.1 决策树 11

3.2随机森林 14

3.3 级联森林 16

3.4 多粒度扫描 18

4 基于gcforest的云雪分类模型 19

5 仿真结果及分析 20

6 总结 24

参考文献 25

致谢 27

基于多粒度级联森林的云雪检测

蒋靖雯

，China

Abstract：For satellite images, traditional methods cannot take full use of their texture features and spectral features. Therefore, a new classification method of cloud amp; snow is proposed, which is based on multi-grained cascade forest. First, feature vectors are formed by multi-grained scanning. Then, the classification results were obtained through cascade forest training. Finally, improved multi-grained cascade forest was used to predict on HJ-1A/1B satellite image. According to the experimental results, the test accuracy of the multi-grained cascade forest on the single spectral data set was 83.98%, the training time was 505.34s, and the test time was 2.71s. Compared with other methods, the results are better than other methods. Therefore, the algorithm proposed in this paper can play an important role in cloud amp; snow detection and meteorological disaster prediction.

Key words： texture features；Spectral signature；cloud/snow recognition；Multi-Grained Cascade Forest

0引言

众所周知，雪灾给人们的生产和生活带来很大不便甚至灾难，其中，属农牧业最甚，那么，提前做好大雪预报工作就显得尤为重要，这有利于我们即时发现雪灾，以便采取有效措施，从而减少人畜伤亡。由于技术的限制，以前的雪灾监测还不太成熟，这就使得人们无法及时做出雪灾预防措施，从而导致损失甚至伤亡较重。但随着卫星遥感应用和计算机技术的迅速发展，技术有了很大提高，雪灾监测便也有了有效的观测手段。但仍然存在一些因素，给雪灾监测带来了一定的困难，如云的影响，云的干扰是对雪灾监测造成困难的最主要因素。目前大多是利用云和雪的纹及光谱特性来做云雪检测，然而，它们的光谱特征在一定的波段范围内(可见光和红外波段^[1])是很相似的，这就导致了云雪分类的困难，从而影响提取地面积雪信息的准确度，其中，低云的影响最为突出。此外，在航天应用^[2]中，云的存在也对遥感数据的获取造成严重干扰，从而使得数据的利用率大大降低。在飞机飞行，导弹和火箭发射过程中，云的存在也会造成很大的安全威胁，而且，也会降低火炮的发射精度。因此，研究更为有效的云雪识别方法从而准确完成云雪分类就显得尤为重要。

1 传统云雪识别方法简介

1.1 多光谱云雪判识法

我们用传统方法很难完成云和雪的识别，因为在可见光和远红外波段，云和积雪具有相似的光谱特征。云和雪的反射率在1.55—1.75um的近红外波段上有较大差异，换言之，这便是云雪识别的理想波段，利用这一光谱特征即可进行云雪识别。拥有5个观测通道的AVHRR是NOAA系列卫星^[3]上携带的扫描辐射仪，其中，位于中红外波段的通道3是目前所能接受到的数据中区分云和雪的最佳波段，波长范围在3.55—3.95um。

只有在消除云的影响的同时，不遗漏地表和积雪信息，才能从卫星观测图中提取到晴空数据。这就说明，云雪识别的工作具有非常重要的意义。这里采取了四组判识因子来进行云雪判识。即，通道1，2，3的反射率R1,R2,R3（根据公式得到通道3的反射辐射，通道3的反射率主要用于云雪识别验证）； 3，4，5这三个红外通道的亮度温度（根据不同物体的亮度温度的差异判别，雪的亮度温度数值大于云）；归一化植被指数NDVI（对于有植被的地表，NDVIgt;0；而沙漠，水体等NDVI）；通道3和4的亮温差。此外，针对高原地区因对流云系发展旺盛而难以获得同一时次大范围晴空数据的特点，采用多时次合成的方法对高原地区进行积雪信息提取。

多光谱云雪判识法，使得卫星图像在雪灾监测过程中有了很大的价值，但实际环境中的云和雪是比较复杂且多变的，在判识计算过程中会出现一些问题，如低云与少量地型雪、云与云下雪都难以区分。

剩余内容已隐藏，请支付后下载全文，论文总字数：23749字