基于圖像熵的衛(wèi)星云圖分類方法

黃勇，張文建，郁凡

(1.南京信息工程大學(xué)，江蘇南京210044;2.安徽省氣象科學(xué)研究所，安徽合肥230031;3.南京大學(xué)，江蘇南京210093)

0 引言

氣象衛(wèi)星是監(jiān)測降水、降雪、冰雹等天氣現(xiàn)象的有效手段之一(張晰瑩和王承偉，2007;紀(jì)曉玲等，2010;王蕾等，2011;翟菁等，2011)。20世紀(jì)70年代，Barrett(1970)就開始利用每日一次的云圖資料估計(jì)降水量。之后，國外許多學(xué)者都在這方面開展了卓有成效的研究工作，逐漸形成“云指數(shù)法”(Adler and Mack，1984;陳渭民等，1995)和“生命史法”(Gfrith et al.，1978;Stout et al.，1979;中村和信和土屋喬，1985;Alder and Negri，1988)兩類基本的降水估算方法，并逐步將地面觀測、天氣雷達(dá)等資料以及聚類、小波分析和神經(jīng)網(wǎng)絡(luò)等新技術(shù)運(yùn)用其中(師春香等，2001a，2001b;郁凡，2003;阿邁德等，2004;桂海林和郁凡，2004;潘永地和姚益平，2005;李偉鋼等，2006)。

由于紅外/可見光通道僅能觀測到云頂?shù)男畔?，在降水監(jiān)測過程中，主要通過相關(guān)的模型方法，來推算地面降水量。而降水機(jī)制(暖云降水、冷云降水、混合性降水)的差異，會導(dǎo)致云頂信息與地面降水間關(guān)系的不同。因此，在衛(wèi)星降水估算中，有必要先進(jìn)行云的分類，之后再針對不同的云類型來設(shè)計(jì)估算模型，以提高精度。

云分類主要根據(jù)云的特性和形成過程來進(jìn)行類別劃分，通?？紤]的幾個(gè)因子是:云的外觀、高度、形成過程和云粒子組成等。20世紀(jì)70年代Koffler et al.(1973)就開始采用閾值方法，來進(jìn)行云和地表的劃分。隨著氣象衛(wèi)星通道信息的不斷豐富，多光譜閾值法得到了廣泛應(yīng)用。周偉和李萬彪(2003)利用GMS-5紅外多通道亮溫資料進(jìn)行云分類，準(zhǔn)確率接近70%。楊澄等(2002)將模式預(yù)報(bào)結(jié)果與多譜閾值法相結(jié)合，能較準(zhǔn)確地在GMS-5衛(wèi)星云圖上區(qū)分云與晴空，判別出高云和低云。另外，在固定閾值分類方法的基礎(chǔ)上，還發(fā)展出了動態(tài)閾值法和綜合閾值法，以提高分類的精度(譚永強(qiáng)等，2009;王昌雨等，2011)。

除采用簡單的閾值判別來進(jìn)行分類外，聚類方法、神經(jīng)網(wǎng)絡(luò)、圖像分析和人工智能等技術(shù)方法逐漸應(yīng)用到分類中。近20 a，聚類方法在衛(wèi)星云分類和降水估算中得以廣泛應(yīng)用，并不斷地加以完善(Adler and Negri，1988;楊揚(yáng)和戚建國，1996;王立志等，1998;洪梅等，2005，2006;尹躍等，2009)。而基于模仿生物大腦的結(jié)構(gòu)和功能而構(gòu)成的神經(jīng)網(wǎng)絡(luò)技術(shù)，在衛(wèi)星云圖分類中應(yīng)用的歷史，也可追溯到20世紀(jì)80年代末(Key et al.，1989)。許多研究都表明，神經(jīng)網(wǎng)絡(luò)技術(shù)是進(jìn)行云客觀分類的一種有效的分類方法(師春香等，2001a，2001b;師春香和瞿建華，2002;Wang et al.，2004;陳剛毅等，2005;張韌等，2006)。隨著圖像處理技術(shù)的廣泛應(yīng)用，費(fèi)文龍等(2007)提出了基于核心灰度的Mumford-Shah模型的云圖劃分方法，對兩個(gè)通道的衛(wèi)星云圖進(jìn)行分割，能夠更準(zhǔn)確地識別出中低云系。鄭君杰等(2005)則將圖像處理分析與人工智能技術(shù)兩者相結(jié)合，進(jìn)行紋理特征分析，并結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行云類的識別實(shí)驗(yàn)，證明了這種方法的有效性。

在眾多方法中，聚類方法、神經(jīng)網(wǎng)絡(luò)、圖像分析和人工智能等技術(shù)均需要掌握許多數(shù)理和圖像處理方面的專業(yè)知識。而閾值法則是一種原理通俗易懂，無需專業(yè)知識為基礎(chǔ)的分類技術(shù)。并且由于閾值法具有一定準(zhǔn)確率，使得該方法在實(shí)際工作中得以廣泛應(yīng)用。但是，閾值法中的閾值標(biāo)準(zhǔn)不具有普適性，具體的閾值會隨著地域、衛(wèi)星傳感器以及季節(jié)的不同而出現(xiàn)差異。因此，如何有效地確定閾值標(biāo)準(zhǔn)，是閾值法的一個(gè)關(guān)鍵。

本文針對閾值的不確定性，結(jié)合與降水量間有較好對應(yīng)關(guān)系的圖像熵這個(gè)紋理特征量(壽亦萱等，2005)，采用圖像自動分割技術(shù)——Kapur方法(Kapur et al.，1985)，在統(tǒng)計(jì)自動分類閾值的基礎(chǔ)上，來建立云圖的分類方法，并在2007年7月1—5日淮河流域的暴雨過程中進(jìn)行應(yīng)用檢驗(yàn)。

1 方法介紹

閾值分類法，就是通過從圖像信息中選擇一個(gè)或多個(gè)特征閾值，將圖像分成兩類或多類。Kapur方法是一種基于熵的經(jīng)典方法，對于簡單的兩類劃分問題，該方法通過優(yōu)化如下的準(zhǔn)則函數(shù)來選擇相應(yīng)的閾值:

其中:Hf(T)和Hb(T)分別表示目標(biāo)和背景類包含信息量的大小(熵);p(g)表示圖像所有像素中灰度級為p的像素點(diǎn)所占的比例;P(T)表示累加概率，即灰度級從0到T的像素點(diǎn)所占總像素?cái)?shù)目的比例;G代表最大可能的灰度級，即圖像具有256個(gè)灰度級時(shí)，G=255。

在兩類分割公式的基礎(chǔ)上，可以推導(dǎo)出k類劃分問題的公式:

在確定分類數(shù)目k的情況下，計(jì)算所對應(yīng)k-1個(gè)閾值組合的函數(shù)值，選擇當(dāng)目標(biāo)函數(shù)最大化時(shí)的k-1個(gè)閾值，作為分割閾值。在具體的方法實(shí)現(xiàn)過程中，采用了MATLAB本身所含的優(yōu)化函數(shù)fminsearch來進(jìn)行。

考慮到在FY2C業(yè)務(wù)產(chǎn)品中，分8個(gè)類別來進(jìn)行云圖劃分，而其中有兩個(gè)類別均包含有2種云型(國家衛(wèi)星氣象中心，2006)。因此，在自動分類中，首先，假設(shè)分類數(shù)k從2到10變化，并計(jì)算出每種分類數(shù)目下對應(yīng)的閾值;其次，求出最佳分類數(shù);而后，根據(jù)自動確定的最佳分類數(shù)，找出其對應(yīng)的閾值，作為最終的分類閾值;最后，對多個(gè)時(shí)次云圖分類數(shù)目和閾值的概率分布進(jìn)行統(tǒng)計(jì)分析，選取出現(xiàn)頻率最大的分類數(shù)目和閾值概率分布的峰值為標(biāo)準(zhǔn)，來進(jìn)行閾值分類。

2 個(gè)例概況與衛(wèi)星云圖處理

2007年淮河流域發(fā)生了自1954年以來的流域性大洪水，從2007年6月30日開始，副熱帶高壓開始增強(qiáng)控制長江以南大部分地區(qū)，中低層切變維持在淮河流域，受中高緯度西風(fēng)槽及中低層切變的共同影響，流域出現(xiàn)持續(xù)性強(qiáng)降水過程。

在云圖處理方面，對逐小時(shí)FY2C衛(wèi)星的紅外通道亮溫信息進(jìn)行投影變換和灰度轉(zhuǎn)化兩個(gè)方面的處理。1)采用等經(jīng)緯度(0.05°×0.05°)投影(范圍:80～130°E，45～15°N)方法進(jìn)行區(qū)域衛(wèi)星資料的重采樣。2)限定研究區(qū)域內(nèi)云系的亮溫變化區(qū)間為(165 K，290 K)，根據(jù)公式G=255－(T－165)×2，進(jìn)行亮溫T與云圖上像素點(diǎn)灰度值G之間的轉(zhuǎn)換，生成相應(yīng)的衛(wèi)星云圖。

3 應(yīng)用分析

采用Kapur方法對2007年7月1—5日FY2C云圖進(jìn)行自動分割。由圖1可見，劃分為10類的頻率最大(占到了45%)，即將云圖自動劃分為10種類別的時(shí)次最多。對應(yīng)的概率分布曲線(圖2)表明，不論何種步長，均出現(xiàn)了9個(gè)明顯的峰值，說明在峰值附近小區(qū)間內(nèi)的閾值出現(xiàn)概率較大。這正好與自動將云圖劃分成10類頻次最高相呼應(yīng)。即可以在9個(gè)峰值附近選取閾值，來將云圖劃分為10類(具體的閾值選用1 K步長概率曲線的9個(gè)峰值)。

圖1 分類類別數(shù)目的概率分布Fig.1 Probabilities of different classification numbers

由于GOES氣象衛(wèi)星使用手冊中已有增強(qiáng)顯示對流系統(tǒng)的處理方法(NESDIS/NOAA，1983)，處理曲線如圖3所示，由此可以提取增強(qiáng)處理的8個(gè)亮溫閾值(GOES閾值)來進(jìn)行云圖的分類?？紤]到273 K為冰—水相態(tài)變化的轉(zhuǎn)折點(diǎn)，而在云圖預(yù)處理中已將亮溫高于290 K的區(qū)域認(rèn)為是非云區(qū)，因此在GOES閾值中增加273 K這一閾值，并去除高于290 K的閾值。在應(yīng)用檢驗(yàn)過程中，將利用Kapur方法所建立的閾值(新亮溫閾值)與GOES閾值進(jìn)行對比(表1)?？梢钥闯?，兩閾值總體上較接近。為分析閾值分類與地面降水的關(guān)系，分別統(tǒng)計(jì)各云層中不同等級降水(小雨:0.1～2.5 mm/h;中雨:2.6～8.0 mm/h;大雨:8.1～15.9 mm/h;暴雨:≥16 mm/h)出現(xiàn)的概率。為便于比較，將新閾值結(jié)果中的10個(gè)分層壓縮成9個(gè)(云層3和云層4合并成一個(gè))。

圖2 1 K(a)、2 K(b)、3 K(c)、4 K(d)溫度步長的TBB閾值概率分布Fig.2 Probabilities of TBB thresholds of(a)1 K，(b)2 K，(c)3 K，and(d)4 K temperature spans

圖3 云圖多閾值曲線增強(qiáng)示意圖(取自《GOES使用手冊》(NESDIS/NOAA，1983))Fig.3 Infrared enhancement curve of GOES(from GOES User’s Guide(NESDIS/NOAA，1983))

表1 紅外1通道分層的TBB值Table 1 TBB values of different layers in IR1 cloud image

GOES閾值的云類劃分結(jié)果(表2)中，云層1和2均以無雨為主，比例分別為98%和96%，僅有零星小雨出現(xiàn)。云層3雖仍以無雨為主(占85%)，但是小雨比例已上升到13%，并出現(xiàn)了小范圍(2%)的中雨。云層4中無雨的比例減小到66%，而小雨和中雨分別占24和9%，且出現(xiàn)少量(1%)大雨。云層5～9中各種等級的降水均有發(fā)生，但存在無雨比重最大、隨雨強(qiáng)增大而比例減小的特點(diǎn)。

表2 GOES閾值結(jié)果中各云層中不同等級降水的比例Table 2 Probabilities of various precipitations in different cloud layers by GOES enhance thresholds

新閾值結(jié)果中，各雨強(qiáng)在云層中的分布特征(表3)與GOES閾值(表2)相近，只是在具體的數(shù)值上有所差異。

表3 新閾值結(jié)果中各云層中不同等級降水的比例Table 3 Probabilities of various precipitations in different cloud layers by new criterion thresholds

1)從無雨比重的分布來看，在云層4處，GOES閾值結(jié)果中無雨的比重要小于新閾值，即具有更大的降水概率;在云層8中，這種差異正好相反，新閾值結(jié)果中無雨的比重降到最低，僅為35%，而GOES閾值結(jié)果中雖然也降到了最低，但比重卻有42%。

2)從各云層小雨出現(xiàn)概率的分布可以看出，兩閾值結(jié)果僅在云層4、5和8存在差異。新閾值劃分出的云層4和8中出現(xiàn)小雨的概率大于GOES閾值，而在云層5中卻正好相反。中雨出現(xiàn)概率僅僅在云層8中存在差異，新閾值的比例偏高。

3)在大雨和暴雨出現(xiàn)概率的分布上，兩閾值的規(guī)律總體相近，均隨亮溫的降低呈單調(diào)上升的變化。僅在云層7處存在明顯差異，新閾值的概率大。

上述分析表明，兩種閾值在該過程中區(qū)分降水的效果相當(dāng)，也就是說雖然閾值有小的差異，但對降水有著相同的指示意義。

圖4給出了各云層不同等級降水的概率變化。可見，與總體的變化趨勢有所不同，云層9中無雨的比重要大于云層8。即雖然云層9的云頂亮溫更低，但是降水概率卻要小一些。也就是說，當(dāng)亮溫達(dá)到某一界限值時(shí)(191 K左右)，降水概率隨著云頂亮溫降低而增加的變化趨勢開始出現(xiàn)轉(zhuǎn)折，開始隨亮溫降低而降低。這一現(xiàn)象存在兩個(gè)可能因素:1)與降水類型和云體的發(fā)展有關(guān)，層狀云相對穩(wěn)定，云頂亮溫不會太低，而當(dāng)亮溫達(dá)到191 K附近時(shí)，一般代表的是對流云。當(dāng)對流云發(fā)展旺盛時(shí)，上升氣流較強(qiáng)，云頂高度高，亮溫低。此時(shí)，雖然上升氣流區(qū)云頂亮溫很低，但是由于云中以上升氣流為主，不利于降水的發(fā)生，降水發(fā)生的概率降低。2)這一區(qū)間高層卷云的存在對降水識別造成一定影響，高層的卷云雖然云頂亮溫很低，但是卻不會產(chǎn)生降水。由于分析的是淮河流域的夏季暴雨過程，因此主要以對流性降水為主，故因素1為造成這一異常的主要原因。

4 結(jié)論與討論

本文介紹了一種利用Kapur方法進(jìn)行自動分割云圖，并通過統(tǒng)計(jì)分析來確定云圖分類閾值的衛(wèi)星云圖分類方法。從2007年7年初暴雨過程應(yīng)用檢驗(yàn)的結(jié)果來看，該方法得到的分類閾值與美國GOES衛(wèi)星使用手冊中對流系統(tǒng)的增強(qiáng)顯示閾值之間雖然存在著一定的差異，但對降水的指示意義卻存在著相近的規(guī)律。

根據(jù)兩閾值以及各云層中出現(xiàn)最多的降水等級，制作降水等級落區(qū)分布圖(圖5a)，將圖中云頂亮溫低于290 K的變化軸(橫坐標(biāo))劃分為7個(gè)區(qū)間。

區(qū)間1為290～273 K。在該區(qū)間內(nèi)只可能發(fā)生小雨量級的降水。

圖4 各云層不同等級降水的概率變化a.無雨;b.小雨和中雨;c.大雨和暴雨Fig.4 Probabilities of various precipitations in different cloud layersa.no rainfall;b.light rain and moderate rain;c.heavy rain and storm rainfall

圖5 不同降水等級發(fā)生區(qū)間圖a.兩閾值獨(dú)立劃分;b.兩閾值綜合劃分Fig.5 Relationship of rainfall and cloud top temperaturea.classification with all thresholds in Table 1;b.classification with synthetical thresholds

區(qū)間2為273～266 K。如果采用GOES閾值則該區(qū)間為中等降水發(fā)生區(qū)，而根據(jù)新閾值，該區(qū)間則僅屬于小雨發(fā)生區(qū)域，并不會產(chǎn)生中雨等級的降水。因此，區(qū)間2為小雨發(fā)生區(qū)，不會發(fā)生中雨等級的降水。

區(qū)間3為266～245 K。此為新閾值中云層3A和3B所處區(qū)段，這一區(qū)間內(nèi)能夠發(fā)生小雨與中雨等級的降水。

區(qū)間4為245～241 K。在兩閾值中，此云層均為開始出現(xiàn)大雨的云層，由于GOES閾值中上界閾值低，因此可以認(rèn)為新閾值245 K偏大，區(qū)間4應(yīng)該為小到中雨發(fā)生的云層，而不會發(fā)生中雨以上強(qiáng)度的降水。

區(qū)間5為241～230 K。在兩閾值中，該區(qū)段內(nèi)的云層均有大雨等級的降水產(chǎn)生，因此該區(qū)間為小到大雨發(fā)生的區(qū)間。

區(qū)間6為230～223 K。在兩閾值中，該云層均為開始出現(xiàn)暴雨的云層，由于新閾值的上界閾值低，因此可以認(rèn)為GOES閾值的標(biāo)準(zhǔn)230 K偏大，區(qū)間6應(yīng)該為小到大雨發(fā)生的云層，而不會發(fā)生大雨以上強(qiáng)度的降水。

區(qū)間7為小于223 K。在兩閾值中，該區(qū)段內(nèi)的云層均有暴雨量級的降水產(chǎn)生，因此該區(qū)間為所有等級降水的發(fā)生區(qū)間。

綜上可見，對于2007年7年初暴雨過程來說，區(qū)間290～266 K僅會發(fā)生小雨，266～241 K會發(fā)生小到中雨，241～223 K會發(fā)生小雨、中雨和暴雨，而當(dāng)亮溫低于223 K時(shí)則可能發(fā)生所有等級的降水(圖5b)。

總的來說，在Kapur法自動分割云圖基礎(chǔ)上，通過統(tǒng)計(jì)來確定云圖閾值分類方法中的閾值，是一種可行的技術(shù)思路，且分類結(jié)果與地面實(shí)況降水之間有著較好的對應(yīng)關(guān)系。這也說明，該方法能夠在衛(wèi)星估算降水過程中增強(qiáng)對不同類型降水的識別能力，是一種有效的衛(wèi)星云圖分類方法。

阿邁德·迪狄安·迪阿羅，劉曉陽，毛節(jié)泰，等.2004.衛(wèi)星雷達(dá)聯(lián)合重構(gòu)大尺度流域降水場［J］.高原氣象，23(1):11-17.

陳剛毅，丁旭羲，趙麗妍.2005.用模糊神經(jīng)網(wǎng)絡(luò)自動識別云的技術(shù)研究［J］.大氣科學(xué)，29(5):837-844.

陳渭民，劉雅芳，郁凡.1995.利用靜止氣象衛(wèi)星資料估算青藏高原降水的初步探討［J］.南京氣象學(xué)院學(xué)報(bào)，18(3):433-438.

費(fèi)文龍，呂紅，韋志輝.2007.基于Mumford-Shah模型的衛(wèi)星云圖分割方法［C］//全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用(CACIS)學(xué)術(shù)會議.寧波:1272-1278.

桂海林，郁凡.2004.用神經(jīng)網(wǎng)絡(luò)進(jìn)行多波段衛(wèi)星信息的降水估測［J］.氣象科學(xué)，24(2):177-184.

國家衛(wèi)星氣象中心.2006.風(fēng)云二號C衛(wèi)星業(yè)務(wù)產(chǎn)品釋用手冊［R］.61-66.

洪梅，張韌，萬齊林，等.2005.模糊聚類與遺傳算法相結(jié)合的衛(wèi)星云圖云分類［J］.地球物理學(xué)進(jìn)展，20(4):1009-1014.

洪梅，張韌，孫照渤.2006.多光譜衛(wèi)星云圖的高維特征聚類與降水天氣判別［J］.遙感學(xué)報(bào)，10(2):184-190.

紀(jì)曉玲，馮建民，穆建華，等.2010.寧夏北部一次短時(shí)暴雨中尺度對流系統(tǒng)的特征分析［J］.大氣科學(xué)學(xué)報(bào)，33(6):711-718.

李偉鋼，Ramirez M C V，F(xiàn)erreira N J，等.2006.氣象衛(wèi)星云圖的多分辨小波分解及人工神經(jīng)網(wǎng)絡(luò)降水估計(jì)研究［J］.南京氣象學(xué)院學(xué)報(bào)，23(2):277-282.

潘永地，姚益平.2005.地面雨量計(jì)結(jié)合衛(wèi)星水汽通道資料估算面降水量［J］.氣象，30(9):28-30.

師春香，吳蓉璋，項(xiàng)續(xù)康.2001a.多閾值和神經(jīng)網(wǎng)絡(luò)衛(wèi)星云圖云系自動分割試驗(yàn)［J］.應(yīng)用氣象學(xué)報(bào)，12(1):70-78.

師春香，盧乃錳，張文建.2001b.衛(wèi)星面降水估計(jì)人工神經(jīng)網(wǎng)絡(luò)方法［J］.氣候與環(huán)境研究，6(4):467-472.

師春香，瞿建華.2002.用神經(jīng)網(wǎng)絡(luò)方法對NOAA/AVHRR資料進(jìn)行云客觀分類［J］.氣象學(xué)報(bào)，60(2):250-255.

壽亦萱，張穎超，趙忠明，等.2005.暴雨過程的衛(wèi)星云圖紋理特征研究［J］.南京氣象學(xué)院學(xué)報(bào)，28(3):337-343.

譚永強(qiáng)，費(fèi)建芳，石漢青.2009.基于多種底圖的云檢測［J］.氣象科學(xué)，29(1):52-57.

王昌雨，孔玉壽，強(qiáng)學(xué)民，等.2011.地球同步衛(wèi)星資料的一種云地分離綜合處理技術(shù)［J］.氣象科學(xué)，31(1):40-45.

王蕾，黃慰軍，黃鎮(zhèn)，等.2011.新疆兩次暴雨過程云系的MODIS三光譜特征分析［J］.氣象科學(xué)，31(1):107-112.

王立志，李俊，周鳳仙.1998.GMS-5四通道云圖的自動分類及其在定量降水估算中的應(yīng)用［J］.大氣科學(xué)，22(3):371-378.

楊澄，袁招洪，顧松山.2002.用多譜閾值法進(jìn)行GMS-5衛(wèi)星云圖云型分類的研究［J］.南京氣象學(xué)院學(xué)報(bào)，25(6):274-254.

楊揚(yáng)，戚建國.1996.數(shù)字衛(wèi)星云圖估算面雨量的應(yīng)用試驗(yàn)［J］.氣象，21(3):35-39.

尹躍，李萬彪，姚展予，等.2009.利用FY-2C資料對西北太平洋海域云分類的研究［J］.北京大學(xué)學(xué)報(bào):自然科學(xué)版，45(2):257-262.

郁凡.2003.多光譜衛(wèi)星圖像降水強(qiáng)度場的分析［J］.氣象學(xué)報(bào)，61(3):334-345.

張韌，王彥磊，劉巍，等.2006.自組織與概率神經(jīng)網(wǎng)絡(luò)優(yōu)化的衛(wèi)星云圖云類判別［C］//第六屆世界自動化智能控制會議文集.濟(jì)南:41-45.

張晰瑩，王承偉.2007.高緯地區(qū)罕見的MCC衛(wèi)星云圖特征分析［J］.南京氣象學(xué)院學(xué)報(bào)，30(3):390-395.

翟菁，黃勇，胡雯，等.2011.強(qiáng)對流系統(tǒng)中對流云合并的觀測分析［J］.氣象科學(xué)，31(1):100-106.

鄭君杰，黃峰，張韌，等.2005.基于紋理與分形理論的氣象衛(wèi)星云圖目標(biāo)物識別［J］.氣象科學(xué)，25(3):244-248.

中村和信，土屋喬.1985.由日本GMS的空間平均資料推定降水量［J］.天氣(日)，32(10):505-572.

周偉，李萬彪.2003.利用GMS-5紅外資料進(jìn)行云的分類識別［J］.北京大學(xué)學(xué)報(bào):自然科學(xué)版，39(1):83-90.

Adler R F，Mack R A.1984.Thunderstorm cloud height-rainfall rate relations for use with satellite rainfall estimation techniques［J］.J Climate Appl Meteor，23:280-296.

Adler R F，Negri A J.1988.A satellite infrared technique to estimate tropical convective and stratiform rainfal1［J］.J Appl Meteor，27(1):30-51.

Barrett E C.1970.The estimation of monthly rainfall from satellite data［J］.Mon Wea Rev，98(2):322-327.

Gfrith C G，Woodley W L，Grube P G，et a1.l978.Rain estimation from geosynchronous satellite imagery——Visible and infrared studies［J］.Mon Wea Rev，106(8):ll53-ll71.

Kapur J N，Sahoo P K，Wong A K C.1985.A new method for gray-level picture thresholding using the entropy of the histogram［J］.Computer Vision，Graphics，and Image Processing，29(3):273-285.

Key J，Maslanik J A，Schweiger A J.1989.Classification of merged AVHRR and SMMR arctic data with neural networks［J］.Photogrammetric Engineering and Remote Sensing，55(9):1331-1338.

Koffler R，DeCotiis A G，Rao P K.1973.A procedure for estimating cloud amount and height from satellite infrared radiation data［J］.Mon Wea Rev，101(3):240-243.

NESDIS/NOAA.1983.The GOES User's Guide［R］.

Stout J E，Martin D W，Sikdar D N.1979.Estimating GATE rainfall with geosynchronous satellite images［J］.Mon Wea Rev，107(5):585-598.

Wang J，Azimi-Sadjadi M R，Reinke D.2004.A temporally adaptive classifier for multispectral imagery［J］.IEEE Transactions on Neural Networks，15(1):159-165.