基于CALIOP和MODIS的北極地區(qū)海霧檢測研究

陳標,吳東,2?

(1中國海洋大學信息科學與工程學院,山東 青島 266100;2青島海洋科學與技術試點國家實驗室區(qū)域海洋動力學與數(shù)值模擬功能實驗室,山東 青島 266200)

0 引 言

霧是一種分布比較廣泛的災害性天氣,世界氣象組織定義水平能見度小于1 km時為霧,但這一概念很難在衛(wèi)星探測中使用。在科學研究中通常把與海面相接觸的云看作海霧。此外,由于MODIS只能看到云的云頂,又把云頂高度小于指定高度的云定義為海霧。海霧能造成社會和生態(tài)問題,尤其是對航行、捕撈、海水養(yǎng)殖具有重要影響。極地地區(qū)海霧探測比較困難,首先極地地區(qū)地面站較少,人類活動較少,沒有足夠的海霧測量信息;其次,海霧在遙感影像中比較抽象,無法用人眼進行辨別;最后,極地海面存在大量浮冰,給極地海霧檢測造成困難。正交偏振云-氣溶膠激光雷達(CALIOP)可以提供精確、高分辨率的大氣散射層垂直剖面測量,在確定光學薄云的位置和探測多層云的發(fā)生方面具有優(yōu)勢[1],其長期觀測數(shù)據(jù)可為云霧檢測提供更多有價值的信息。極地地區(qū)具有更高頻次的海霧分布[2],給北極航行和勘察進度造成挑戰(zhàn),根據(jù)我國第三次和第四次北極考察記錄顯示,海霧環(huán)境下開展科學考察的概率均超過50%[3]。衛(wèi)星影像探測云霧的機制是通過探測云頂?shù)谋粍蛹t外輻射或散射。Ellrod[4]通過評估10～12μm和3～4μm的窄帶亮溫來檢測夜間海霧,兩者的差異隨著云的厚度的增加而增加。在白天,來自太陽的反射信號超過了發(fā)射信號,會使該方法失效。然而,低液態(tài)水云的近紅外反射率比地表或卷云的反射率要亮得多,通常會產(chǎn)生一個大的幅亮度差異,對于白天探測霧和低層云非常有用[5]。Lee等[6]發(fā)現(xiàn)短波紅外通道圖像上有較好的低云輪廓,這是因為水滴產(chǎn)生的反射率比云層或地面積雪高得多。Zhang和Yi[7]使用云頂亮溫和海表溫度差,再通過統(tǒng)計得到合適的閾值來檢測海霧,Yi等[8]將該方法應用到MODIS極地地區(qū)數(shù)據(jù),并取得了不錯的效果。王崢等[9]使用藍光和近紅外反射率的差值再輔以統(tǒng)計分析的閾值來檢測海霧。Heo等[10]將雙通道差分法、基于拉普拉斯算法的霧紋理和風速綜合考慮用于海霧監(jiān)測,與雙通道差分法相比,該組合方法的Heidke預測分數(shù)提高了5%～6%,誤檢率降低了10%。Lee等[11]提出了基于太陽天頂角的動態(tài)閾值法來解決連續(xù)海霧觀測問題,尤其是黎明和黃昏,結(jié)果顯示除了被薄卷云覆蓋的高緯度地區(qū),該方法可以對海霧的形成到消退過程進行比較好的檢測,估算的霧面積與地面結(jié)果相吻合。

估計云的厚度和高度也是一種常見的檢測霧和低云的方法[12-14],通過先檢測云霧的高度,再判斷是低云或霧。而通過高度隨溫度的變化關系,就可以根據(jù)云頂?shù)牧翜貋砉烙嬙聘?然后再估計云的厚度。由于MODIS檢測薄的卷云和多層云的能力有限,且不同的傳感器之間檢測的結(jié)果有很大的差異[15],因此高精度的云霧頂高度的檢測仍然是一個挑戰(zhàn)[16]。在海霧的遙感檢測中,云頂高度的估計是其重要的一環(huán)。一些檢測方法需要首先將目標分類為高云和低云,再從低云中識別霧;另一種方法直接將云頂高度低于某一高度認為是霧。云頂高度除了應用在海霧檢測中,同時也是氣候?qū)W中海霧檢測的輔助參數(shù)[17]。MODIS的云產(chǎn)品數(shù)據(jù)MOD06是通過CO2切片技術來反演云頂壓力,而云頂高度和云頂壓力相關,已有研究證明MODIS云產(chǎn)品的云頂高度和CALIOP有明顯差異,原因是CALIOP對薄云更敏感[16]。神經(jīng)網(wǎng)絡被應用于云的屬性反演,Hakansson等[18]使用多層感知機網(wǎng)絡對云頂高度和云頂壓力進行反演,結(jié)果表明神經(jīng)網(wǎng)絡具有良好的中心性,誤差分布范圍窄,檢索量大,誤差小。Kox等[19]使用BP神經(jīng)網(wǎng)絡檢測卷云的高度和光學厚度。孟恒等[20]使用神經(jīng)網(wǎng)絡采用“葵花8”的數(shù)據(jù)進行云高反演,結(jié)果顯示BP神經(jīng)網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)絡(RNN)對于傳統(tǒng)云頂高反演誤差較大的缺點有著明顯的改善,BP神經(jīng)網(wǎng)絡的結(jié)果最優(yōu)。此外,為了準確地描述輻射和能量平衡,云頂高度也是必須的基本參數(shù)[16],因此云頂高度的高精度遙測方法具有很高的研究價值。

機器學習逐漸被應用到海霧檢測中來[21-23],為海霧檢測提供了新的途徑。Daegeun等[21]提出了一種結(jié)合無監(jiān)督學習技術的夜間海霧檢測算法,并采用CALIOP進行了驗證,結(jié)果表明該算法在局部域內(nèi)的檢出率為0.753。Zhu等[22]將語義分割的方法應用到MODIS的海霧檢測中,在16幅影像中海霧檢出率為0.92。

與其他地區(qū)相比,極地地區(qū)海霧檢測的研究更少,主要由于極地地區(qū)地面觀測數(shù)據(jù)缺乏,觀測區(qū)域被限制在海岸線附近,無法對大洋進行觀測。而2006年升空的CALIOP繞地球沿軌道飛行,不受地理條件的限制。CALIOP還具有探測光學厚度可達0.01左右的非常小的積云和薄卷云的能力[24]。Liu[25]將一種特征檢測方法應用到CALIOP上來檢測云和氣溶膠的頂部和基底。Wu等[1]使用該傳感器給出了CALIOP觀測的一年內(nèi)全球云層發(fā)生頻率、云發(fā)生頻率的水平和垂直分布、全球云頂高度統(tǒng)計及其季節(jié)變化。Weisz等[16]利用主動傳感器CALIOP獲得的綜合性云分布信息,正確地評價了AIRS和MODIS云頂壓力反演的云頂高度。CALIOP傳感器能夠?qū)θ虻拇髿膺M行垂直剖面的測量,其探測值可以得到保證,已證明可以用來檢測海霧[26-28]。自2006年以來,CALIOP已經(jīng)積累了大量數(shù)據(jù),可以探測海霧的CALIOP在高緯度地區(qū)能夠進行更密集的觀測[2],可以滿足機器學習對數(shù)據(jù)量的要求。而深度神經(jīng)網(wǎng)絡(DNN)是一種強大的特征提取算法,能夠更全面地處理MODIS各波段信息。本研究基于MODIS和CALIPSO衛(wèi)星數(shù)據(jù),在已有的云霧檢測方法基礎上,利用DNN神經(jīng)網(wǎng)絡模型反演極地地區(qū)云高,進而識別海霧,可用來解決極地地區(qū)現(xiàn)場觀測數(shù)據(jù)匱乏的問題。并且分析了云頂高檢測結(jié)果,統(tǒng)計了極地地區(qū)海霧和云信息,對比了不同波段對云頂高度檢測的影響。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域

研究區(qū)域選擇范圍如圖1所示,其中的線是由CALIOP的眾多測量點連成,從CALIOP的觀測軌跡可知其在該區(qū)域進行了較為密集的觀測。而且,自從2006年以來,CALIOP積累了豐富的海霧觀測數(shù)據(jù),足以進行極地海域的海霧研究。

圖1 2015年5月1–31日CALIOP觀測路徑圖Fig.1 The Measuring Path of CALIOP from May 1 to 31,2015

1.2 數(shù)據(jù)介紹

CALIOP是世界上首個星載云和氣溶膠激光雷達,它的水平分辨率為333 m,垂直分辨率為30～60 m,能夠提供全球氣溶膠和云的垂直廓線信息。CALIOP有三個通道,分別是532 nm平行通道、532 nm垂直通道和1064 nm通道,可以用來區(qū)分氣溶膠的顆粒大小和檢測云的相態(tài)(冰云或水云)。本研究使用的垂直分類特征(VFM)數(shù)據(jù)產(chǎn)品為CALIOP官方發(fā)布的分類產(chǎn)品,其根據(jù)觀測到的后向散射和偏振態(tài)信息,將觀測目標分類為晴空、云、平流層和對流層的氣溶膠、表面、下表面、無信號、不可測區(qū)域,如圖2所示。

圖2 2015年5月6日CALIOP的VFM數(shù)據(jù)Fig.2 VFM of CALIOP on May 6,2015

MODIS具有較高的光譜分辨率和空間分辨率的特點,這大大提高了其觀測云霧的能力。其波段范圍為0.4～14μm,共36個波段,空間分辨率為250、500、1000 m。MODIS以垂直于飛行軌跡的掃描方式對地球進行觀測,刈幅寬度為2330 km。圖3是繪制的MODIS真彩色影像,其中線條是CALIOP同步觀測點,可以看到MODIS具有很廣的觀測范圍。MODIS可以獲得來自大氣、海洋和陸地表面的信息,因為其數(shù)據(jù)產(chǎn)品較豐富,受到了廣泛關注和使用。

圖3 2015年5月6日MODIS真彩色影像Fig.3 True color image of MODIS on May 6,2015

CALIOP和MODIS同屬于A-Train系列衛(wèi)星,A-Train是美國宇航局及其國際合作伙伴聯(lián)合研制的衛(wèi)星編隊,目的是為了實現(xiàn)對同一區(qū)域進行高空間、高時間分辨率的同步觀測,A-Train提供了對同一目的區(qū)域不同傳感器的同步觀測數(shù)據(jù)。CALIOP和MODIS觀測時間間隔在80～200 s范圍內(nèi),在該時間間隔內(nèi),云霧有可能會發(fā)生形成、消散和漂移等現(xiàn)象,導致引入錯誤的匹配數(shù)據(jù)到訓練數(shù)據(jù)集中,而且無法通過人工來對MODIS影像的云高進行判讀,這都給數(shù)據(jù)處理帶來了挑戰(zhàn)。為了應對該問題,本研究對同步數(shù)據(jù)的匹配做了比較嚴格的限制。MODIS和CALIOP時間差大約為73 s,可以認為是準同步觀測。在同步觀測位置匹配的過程中,為了保證CALIOP和MODIS測量的是同一個目標,并消除觀測時間差帶來的影響,對同步觀測位置做了比較嚴格的限制。在時間維度上,CALIOP比MODIS的觀測時間晚73 s左右,因此限制最大觀測時間差為120 s;在空間維度上,CALIOP在地面點上的光斑直徑為70 m左右,同樣為了保證兩傳感器同步觀測的觀測中心足夠小,限制測量距離小于80 m。選取研究區(qū)域內(nèi)2015年5–6月13540條數(shù)據(jù)作為訓練集,2016年5–6月14986條數(shù)據(jù)作為測試集,共28526條數(shù)據(jù)。

2 研究方法

使用云高法來檢測海霧,第一步檢測云高,第二步根據(jù)云頂高度確定是否為海霧,并分析了不同通道對海霧檢測的貢獻度,詳細流程如圖4所示。

圖4 技術路線圖Fig.4 Technology Roadmap

由于極地地區(qū)地面觀測數(shù)據(jù)缺乏,而不受地理條件限制的CALIOP獲得的高分辨率大氣垂直剖面信息可以幫助我們更好地了解大氣中的云霧。CALIOP從上方測云頂不存在遮擋問題,有天然的優(yōu)勢。CALIOP還具有很強的云霧檢測能力[24],國內(nèi)外有很多學者也基于該衛(wèi)星對全球的云霧分布進行研究[1,16,25]。本研究使用CALIOP觀測數(shù)據(jù)作為真值,對海霧檢測模型進行優(yōu)化。首先使用MODIS數(shù)據(jù)和CALIOP數(shù)據(jù)經(jīng)過回歸分析,來反演云頂高度,然后根據(jù)云頂高度確定海霧。使用CALIOP VFM數(shù)據(jù)統(tǒng)計研究區(qū)域內(nèi)的霧頂高度,結(jié)果如圖5所示。由圖可知,在檢出的236853個海霧樣點中,霧頂高度小于1.5 km的占94.5%。Zhang和Yi[7]的統(tǒng)計研究表明海霧的頂部高度一般小于1.5 km,因此本研究將云頂高度小于1.5 km的云認為海霧。人工神經(jīng)網(wǎng)絡也被應用在大氣科學中,例如云檢測、云光學厚度和云頂高度。借鑒Hakansson等[18]和孟恒等[20]提出的神經(jīng)網(wǎng)絡檢測云高的方法,對MODIS所有波段數(shù)據(jù)進行分析,然后再進一步探究不同波段對海霧檢測的貢獻程度。

圖5 2018年研究區(qū)域的霧頂高度分布圖Fig.5 The fog top height distribution of the study area in 2018

近年來涌現(xiàn)了一系列深度學習方法,在數(shù)據(jù)特征提取和模型過擬合方面取得了非常高的成效,該方法能夠從數(shù)據(jù)中提取復雜的特征,無需進行大量的特征設計工作,使用未經(jīng)過波段運算的數(shù)據(jù)也可以取得較為優(yōu)秀的結(jié)果。因此,下面使用MODIS所有波段進行分析,然后再進一步探究不同波段對海霧檢測的貢獻程度。

2.1 模型選擇

近年來,機器學習憑借著其特征提取能力被應用到很多領域,如經(jīng)典的BP神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡(CNN)和RNN。Hakansson等[18]使用BP神經(jīng)網(wǎng)絡對云頂高度和云頂壓力進行了反演,并與MODIS相關產(chǎn)品進行對比。孟恒等[20]使用BP、CNN、RNN三種方法對葵花衛(wèi)星的云高進行了估計,研究表明BP神經(jīng)網(wǎng)絡的結(jié)果優(yōu)于CNN和RNN。CNN精度不高的原因是其會將周圍未觀測區(qū)域的觀測數(shù)據(jù)輸入到模型,由于CALIOP只能和MODIS在一條線上形成同步觀測,將周圍未觀測區(qū)域引入到模型會降低數(shù)據(jù)集質(zhì)量。RNN常被用來處理序列問題,但是MODIS和CALIOP在行進過程中的觀測序列為不同目標,且差異較大(MODIS水平分辨率1 km),而RNN不能很好地處理這種在時間和目標同時改變的測量序列。因此本研究使用BP神經(jīng)網(wǎng)絡反演云頂高度,考慮到BP神經(jīng)網(wǎng)絡模型比較小,還使用了更多層的深度神經(jīng)網(wǎng)絡DNN對云高進行反演,并與MODIS的云高產(chǎn)品進行比較分析。

2.2 模型介紹及訓練

2.2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡能夠?qū)碗s非線性系統(tǒng)進行建模。輸入層為MODIS各波段信息,共有36個節(jié)點,輸出為云頂高度,有一個隱藏層,共有128個節(jié)點。使用整流線性單元(ReLU)作為中間層的激活函數(shù),優(yōu)化器為Adam,損失函數(shù)為均方誤差(MSE)。

2.2.2 深度神經(jīng)網(wǎng)絡

DNN也能夠為復雜非線性系統(tǒng)提供建模,其多出的層次為模型提供了更高的抽象層次,因而提高了模型的能力。本研究使用的網(wǎng)絡結(jié)構(gòu)如圖6所示,首先,模型的第一層是具有36個節(jié)點的輸入層,與MODIS多波段數(shù)據(jù)對應,然后串聯(lián)了三個模塊(Block),每個模塊內(nèi)的結(jié)構(gòu)如圖6(b)所示,每個塊含有兩個全連接層,第一層的參數(shù)為64,第二層為32。DNN存在退化問題,即隨著層數(shù)的增加,DNN的近似能力逐漸增加,訓練的難度也逐漸增加,甚至得到精度更差的模型,使用殘差網(wǎng)絡可以解決退化問題[29],因此本研究在每個塊的起點和終點使用殘差結(jié)構(gòu)連接起來。此外,在每一層后添加批歸一化層,使每層輸入數(shù)據(jù)的分布相對穩(wěn)定,加快模型學習速度[30]。最后,為了使模型具有更好的非線性能力,在批歸一化后添加ReLU,輸出層為沒有使用激活函數(shù)的單個線性層,這是因為ReLU激活函數(shù)會限制輸出范圍為整數(shù)。除了模型的結(jié)構(gòu)外,初始化方式為Kaiming初始化,優(yōu)化器選用了Adam,損失函數(shù)是均方誤差函數(shù)(MSE)。

圖6 DNN網(wǎng)絡架構(gòu)(a)和Block中的詳細結(jié)構(gòu)(b)Fig.6 The network of DNN(a)and the detailed structure in the block(b)

2.3 不同波段對云高檢測的貢獻率分析

為了驗證不同波段對海霧檢測的貢獻度,使用部分波段缺失法研究了不同波段對云高檢測的影響。為了研究某波段對海霧檢測的貢獻度,首先構(gòu)建缺失了該波段的缺失數(shù)據(jù)集,并對該缺失數(shù)據(jù)集訓練一個模型,如果模型精度降低,證明該波段對海霧的檢測有貢獻。

MODIS有36個波段,如果對每一個波段缺失后構(gòu)建數(shù)據(jù)集,那么將會訓練36個模型,計算量較大,并且由于很多波段具有相同或相似的物理性質(zhì),可能缺失該波段后其他相似波段也能提供足夠的信息,進而無法確定不同波段對模型精度的貢獻度。因此,將MODIS 36個波段分成5組,分別對每組數(shù)據(jù)進行缺失對照,使用的分組情況如表1所示。

表1 根據(jù)波長將波段進行分組Table 1 Bands are grouped according to wavelength

3 結(jié) 果

3.1 云頂高度檢測結(jié)果對比分析

分別對MODIS的云高產(chǎn)品、BP神經(jīng)網(wǎng)絡反演的云高和DNN反演的云高進行對比分析,其中MYD06使用的數(shù)據(jù)為2016年5月和6月采集的數(shù)據(jù),BP神經(jīng)網(wǎng)絡和DNN使用2015年5月和6月的數(shù)據(jù)作為訓練集,2016年5月和6月的數(shù)據(jù)作為測試集,其反演結(jié)果的平均誤差和均方誤差如表2所示。從結(jié)果可以看出,使用DNN反演云頂高度的平均絕對誤差約為701.140 m,優(yōu)于MODIS云高產(chǎn)品的結(jié)果(低約1774.280 m),優(yōu)于BP神經(jīng)網(wǎng)絡的結(jié)果(低約781.005 m),無論是平均絕對誤差還是平方根誤差,DNN都表現(xiàn)出了比較優(yōu)異的性能。

表2 MODIS云高產(chǎn)品、BP神經(jīng)網(wǎng)絡和DNN的反演云頂高度結(jié)果對比Table 2 Comparison of the inverted cloud top heights of MODIS production,BP neural network and DNN

模型的訓練過程如圖7所示,其中橫軸為訓練的迭代次數(shù),共對整個訓練集迭代了300次,縱軸為平方損失值。從BP神經(jīng)網(wǎng)絡和DNN訓練集的曲線可知,經(jīng)過250次迭代后損失值都不再下降,沒有出現(xiàn)比較大的波動,說明模型很好地提取了MODIS數(shù)據(jù)各個波段的信息。

圖7 BP(a)和DNN(b)損失曲線Fig.7 Loss of BP(a)and DNN(b)

從BP神經(jīng)網(wǎng)絡和DNN測試集的曲線可知,隨著訓練次數(shù)的增加,訓練集和測試集的損失值逐漸下降并趨于穩(wěn)定,無明顯的跳變,說明模型很好地擬合了云頂高度的真實反演函數(shù),沒有過擬合。在訓練的過程中,BP和DNN在訓練集上都將損失降低到了0.012,但是在測試集上BP的損失值為0.024,DNN在測試集上的損失值為0.015。

模型的好壞不僅與整個測試集的均方誤差有關,誤差在不同海拔高度的分布也是比較重要的一點。CALIOP激光雷達是第一個也是唯一一個能夠獲得全球云層高分辨率垂直剖面的激光雷達系統(tǒng),它能夠幫助研究人員更好地了解大氣中的云霧信息,具有較高的水平分辨率和垂直分辨率,并且在大洋區(qū)域也能提供豐富的大氣觀測信息,因此使用CALIOP對其模型的反演精度進行驗證。如圖8所示,其中橫軸為CALIOP測得的云頂高度,縱軸為模型反演的云頂高度,色標是落在該區(qū)域的頻數(shù),斜線為CALIOP和反演結(jié)果完全相同的點,BP神經(jīng)網(wǎng)絡和CALIOP對比結(jié)果[圖8(a)]斜線呈圓柱狀分布,對于7～10 km的高云反演精度較好,但是對于0～3 km的低云會有明顯的高估,偏差為1 km;DNN和CALIOP對比結(jié)果[圖8(b)]沿斜線呈紡錘形,DNN反演結(jié)果與CALIOP實測結(jié)果比較接近,并圍繞著實測值上下波動,無顯著的估計偏差。

圖8 模型反演的云頂高度和CALIOP的實測結(jié)果對比圖。(a)BP反演結(jié)果;(b)DNN反演結(jié)果Fig.8 Comparison diagram of cloud top height inversion result and measured by CALIOP.(a)Inversed by BP;(b)inversed by DNN

3.2 極地地區(qū)海霧和云頂高度統(tǒng)計分析

使用2016年5–6月共83199條數(shù)據(jù)對研究區(qū)域的海霧云頂高度的統(tǒng)計直方圖如圖9所示。由圖可知,隨著海拔的升高,云呈下降趨勢,將云頂高度小于1.5 km的云粗略地定義為海霧,其占比約為13.6%。使用該結(jié)果對極地地區(qū)的云頂高度進行統(tǒng)計,43.6%云的云頂高度低于4 km,50.26%云的云頂高度在4～10 km,僅有6.1%的云頂高度高于10 km,這一研究結(jié)果與Wu等[1]給出的極地地區(qū)云頂高度隨海拔高度的分布基本吻合。

圖9 極地地區(qū)的云頂高度統(tǒng)計直方圖Fig.9 Statistical histogram of cloud top height in polar regions

3.3 不同波段對DNN云頂高度檢測結(jié)果的影響

對缺失不同波段信息的數(shù)據(jù)集的訓練結(jié)果如表3所示。缺失一些波段信息后,模型精度都有不同程度的下降,尤其是缺少了中紅外波段和遠紅外波段的數(shù)據(jù),與全波段相比,平均絕對誤差分別增加了837.022 m和731.169 m,均方根誤差分別增加了1061.803 m和909.705 m。

表3 缺失數(shù)據(jù)集訓練結(jié)果與全波段訓練結(jié)果對比Table 3 Comparison between manually missing datasets and full-band datasets

同樣使用CALIOP對缺失后的模型的反演精度進行驗證,結(jié)果如圖10所示,其中橫軸為CALIOP測得的云頂高度,縱軸為模型反演的云頂高度,斜線為CALIOP和反演結(jié)果完全相同的點。從圖中可以看到,缺失了一系列通道后,精度都有了不同程度的下降,其中缺失可見光通道對精度的影響最低,整體趨勢沿斜線上下分布。缺失了中紅外通道的數(shù)據(jù)精度降低最大,在0～2 km的低云區(qū)域出現(xiàn)估計值偏高,7～10 km的高云出現(xiàn)估計值偏低的狀況。

圖10 在缺失數(shù)據(jù)集上模型反演的云頂高度和CALIOP的實測結(jié)果對比圖。(a)全波段數(shù)據(jù);(b)缺失可見光;(c)缺失近紅外;(d)缺失短波紅外;(e)缺失中紅外;(f)缺失遠紅外Fig.10 Comparison diagram of cloud top height measured by CALIOP and inversed by DNN in manually missing datasets.(a)Full band;(b)without visible;(c)without near infrared;(d)without short-wave infrared;(e)without middle infrared;(f)without far infrared

4 結(jié) 論

1)DNN的云高反演結(jié)果最好,BP神經(jīng)網(wǎng)絡次之,DNN和BP神經(jīng)網(wǎng)絡反演結(jié)果比MODIS云高產(chǎn)品有明顯改善。DNN反演云頂高度的平均絕對誤差約701.140 m,優(yōu)于MODIS云高產(chǎn)品(低約1774.280 m),優(yōu)于BP神經(jīng)網(wǎng)絡的反演結(jié)果(低約781.005 m)。DNN能夠很好地對云頂高度進行建模分析,對海霧檢測提供依據(jù)。

2)從訓練結(jié)果可以看出,DNN能夠很好地反演云頂高度。隨著訓練的進行,測試集Loss曲線逐漸降低,無明顯的過擬合現(xiàn)象,表明DNN的云高反演結(jié)果比較穩(wěn)定。并且,減少輸入數(shù)據(jù)的波段數(shù)會導致模型精度都有不同程度的降低,證明這種深層次的DNN能夠有效地將各個波段的特征提取出來,將沒有經(jīng)過特征設計(波段選擇和波段運算)的數(shù)據(jù)直接輸入到DNN中進行運算是可行的。

3)從缺失數(shù)據(jù)集訓練的模型結(jié)果可知,可見光和紅外的缺失都導致云頂高度反演精度有一定程度的下降,其中可見光對精度的影響最低,中紅外數(shù)據(jù)對云頂高度的反演影響最大,這是由于太陽天頂角較大,衛(wèi)星獲得的輻射也相對較低,從而可見光通道提供的信息較少。相對于波段較少的傳感器,具有更多紅外通道的高光譜傳感器在DNN反演云頂高度的應用上具有更高的精度。