多层感知机结合辐射传输模型的复杂陆地表面云检测

云检测是卫星遥感数据预处理中至关重要的工作.本文将多层感知机和辐射传输模型相结合,利用可见光和近红外波段反射率信息从卫星影像中识别出云像元.该方法利用SBDART辐射传输模型,模拟获得了各种复杂陆地地表的反射率值数据集,为多层感知机提供训练样本.随后,用训练好的多层感知机模型区分FY-3D卫星MERSI II影像中的云像元和非云像元,利用CALIPSO垂直特性掩膜产品(Vertical Feature Mask,VFM)逐像元进行验证,并与MODIS云掩膜产品(MYD35)进行横向对比.结果表明,以VFM数据集为标准的情况下,多层感知机识别云的总正确率为76.25%,其中在夏季和低纬度地区效果最好,如赤道附近地表识别的准确率可达到91.74%,而在城市、农田和裸地等复杂地表类型条件下的云检测识别正确率分别为83.37%、84.52%和73.11%,分别高于MYD35产品的83.25%、83.31%和72.66%.为了进一步验证多层感知机结合辐射传输模型云检测方法的有效性,将辐射传输模型模拟得到的训练样本分别用于k-最近邻、朴素贝叶斯以及随机森林算法,并与本文多层感知机算法进行对比.结果表明,将多层感知机和辐射传输模型相结合具有更高的正确率.

结合辐射传输模拟与浅层神经网络的FY-3D MERSI影像云识别

本文结合辐射传输模型和机器学习提出了一种从FY-3D卫星MERSIⅡ传感器光学影像中识别云像元的方法CRMC(Combine Reflectance simulation and Machine learning for Cloud detection)。该方法通过设置变化的地物和大气内在光学特性IOPs(Inherent Optical Properties),达到考虑多种下垫面的二项反射特征和不同大气条件下气溶胶和云参数的目的。CRMC方法主要包含3个步骤:(1)通过聚类分析从MODIS二项反射参数产品中分离出11种典型下垫面地表反射参数;(2)将随机设置的气溶胶和云参数以及地表反射率参数(即IOPs)输入SBDART辐射传输模型,得到模拟的反射率值数据集,并以此训练浅层神经网络模型;(3)利用浅层神经网络模型逐像元预测云概率,并根据实际需要确定区分云像元和非云像元的云概率阈值。通过与CALIPSO垂直特性掩膜产品(VFM)逐像元对比验证发现,CRMC方法总正确率为79.6%,且在陆地和海面上分别为78.5%和81.2%。通过与MODIS云掩膜产品横向对比(MYD35)发现,当云阈值设定为0.2时,CRMC方法在陆地,主要是阔叶林、农田、城市和裸土等地表上的云识别效果较好,但在海面的云识别效果仍待进一步提高。

武汉地区大气特征的日变化及季节变化分析

大气温度和湿度是描述大气动力和热力状态的重要参数。重点分析武汉地区由微波辐射计测量获得的温度和湿度廓线、大气边界层高度(atmospheric boundary layer height,ABLH)以及液态水路径(liquid water path,LWP)廓线的日变化及季节性变化。首先在有云和无云情况下,对RPG⁃HATPRO型微波辐射计和探空气球的探测结果进行比较。微波辐射计反演得到的温度、湿度在2 km以下相较于探空气球偏低,2 km以上则均表现为偏高;观测精度会因天气条件的不同而变化,使用微波辐射计产品时,应着重考虑云的影响。然后分析2011—2015年各气象要素的日变化和季节变化,实现武汉地区对流层大气的热力学表征。ABLH从上午8时开始增加,下午15时达到最高值,之后开始下降,在夜间整体保持稳定。LWP在夜间含量要高于白天,冬季高于夏季。结合高度信息,分析得出相对湿度(relative humidity,RH)在0~1 km随高度的增加而上升,随后下降。对武汉地区气象参数的日变化与季节性变化进行观测与分析,为气象探测、大气污染研究、空气质量监测、天气预报等提供了可靠信息。