融合多通道的卫星云图可为监测和预报天气状况提供更加全面可靠的信息。本文提出一种采用抗混叠移不变Contourlet变换(Aliasing-suppression and Shift-invariance Contourlet Transform,AS&SICT)的卫星云图融合方法。首先,为了克...融合多通道的卫星云图可为监测和预报天气状况提供更加全面可靠的信息。本文提出一种采用抗混叠移不变Contourlet变换(Aliasing-suppression and Shift-invariance Contourlet Transform,AS&SICT)的卫星云图融合方法。首先,为了克服原始Contourlet变换的频谱混叠及移变问题,将抗混叠滤波器组与非下采样方向滤波器组相结合,构造出AS&SICT;然后,对两通道卫星云图(红外与可见光)采用AS&SICT分解成低频及若干高频方向子带,对低频子带系数采取加权区域能量融合规则,而对高频子带系数采取加权区域方差融合规则进行融合处理;最后,对融合后系数进行抗混叠移不变Contourlet逆变换,得到融合云图。实验结果表明,本文方法融合的云图,由于增添了可见光云图的纹理细节信息,不仅提高了原始红外云图的分辨率,而且较好地保留了红外云图的亮温信息。展开更多
针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题,提出了一种基于深度度量学习的云图检索方法。首先设计了残差3D-2D卷积神经网络,以提取云图的空间及光谱特征。鉴于传统基于分类的深度网络所提取的特征可能存在类内差...针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题,提出了一种基于深度度量学习的云图检索方法。首先设计了残差3D-2D卷积神经网络,以提取云图的空间及光谱特征。鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题,采用三元组训练网络,依据云图之间的相似性将云图映射到度量空间中,以使同类云图在嵌入空间中的距离小于非同类云图。在模型训练时,通过对无损三元组损失函数增加正样本对间距离的约束,改善了传统三元组损失的收敛性能,提高了云图检索的精度。在此基础上,通过哈希学习,将度量空间中的云图特征变换成哈希码,在保证检索精度的条件下提高了检索效率。实验结果表明,在东南沿海云图数据集和北半球区域云图数据集上,本文算法的平均精度均值(mean average precision,mAP)分别达到75.14%和80.14%,优于其他对比方法。展开更多
遥感卫星具有覆盖范围广、连续观测等特点,被广泛应用于海雾识别相关研究。本文首先借助能够穿透云层,获取大气剖面信息的星载激光雷达(cloud-aerosol LiDAR with orthogonal polarization,CALIOP)对中高云、低云、海雾、晴空海表样本...遥感卫星具有覆盖范围广、连续观测等特点,被广泛应用于海雾识别相关研究。本文首先借助能够穿透云层,获取大气剖面信息的星载激光雷达(cloud-aerosol LiDAR with orthogonal polarization,CALIOP)对中高云、低云、海雾、晴空海表样本进行了标注。然后结合葵花8号卫星(Himawari-8)多通道数据提取了各类样本的亮温特征与纹理特征。最后根据海雾监测的需求,抽象出海雾监测的推理决策树,并据此建立深度神经决策树模型,实现了高精度监测夜间海雾的同时具备较强的可解释性。选择2020年6月5日夜间Himawari-8每时次连续观测数据进行测试,监测结果能够清晰地展现此次海雾事件的动态发展过程。同时本文方法海雾监测平均命中率(probability of detection,POD)为87.32%,平均误判率(false alarm ratio,FAR)为13.19%,平均临界成功指数(critical success index,CSI)为77.36%,为海上大雾的防灾减灾提供了一种新方法。展开更多
文摘融合多通道的卫星云图可为监测和预报天气状况提供更加全面可靠的信息。本文提出一种采用抗混叠移不变Contourlet变换(Aliasing-suppression and Shift-invariance Contourlet Transform,AS&SICT)的卫星云图融合方法。首先,为了克服原始Contourlet变换的频谱混叠及移变问题,将抗混叠滤波器组与非下采样方向滤波器组相结合,构造出AS&SICT;然后,对两通道卫星云图(红外与可见光)采用AS&SICT分解成低频及若干高频方向子带,对低频子带系数采取加权区域能量融合规则,而对高频子带系数采取加权区域方差融合规则进行融合处理;最后,对融合后系数进行抗混叠移不变Contourlet逆变换,得到融合云图。实验结果表明,本文方法融合的云图,由于增添了可见光云图的纹理细节信息,不仅提高了原始红外云图的分辨率,而且较好地保留了红外云图的亮温信息。
文摘针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题,提出了一种基于深度度量学习的云图检索方法。首先设计了残差3D-2D卷积神经网络,以提取云图的空间及光谱特征。鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题,采用三元组训练网络,依据云图之间的相似性将云图映射到度量空间中,以使同类云图在嵌入空间中的距离小于非同类云图。在模型训练时,通过对无损三元组损失函数增加正样本对间距离的约束,改善了传统三元组损失的收敛性能,提高了云图检索的精度。在此基础上,通过哈希学习,将度量空间中的云图特征变换成哈希码,在保证检索精度的条件下提高了检索效率。实验结果表明,在东南沿海云图数据集和北半球区域云图数据集上,本文算法的平均精度均值(mean average precision,mAP)分别达到75.14%和80.14%,优于其他对比方法。