基于機器學習的偏振遙感云檢測優(yōu)化算法研究

吳艷平

（安徽亳州新能源學校 安徽 亳州 236700）

0 引言

云是地球水循環(huán)的中間環(huán)節(jié)，是水汽在高空遇冷液化凝集而形成的一種可見聚合物，對地球水循環(huán)、地表輻射平衡的調(diào)節(jié)均有著重要意義。 通過遙感偏振技術對云進行檢測，是去除陸地氣溶膠物理特性的關鍵步驟，隨著研究的不斷深入，計算機算法應用于云的檢測已較為普遍，通過計算機算法和大氣遙感技術、人工智能技術的結合，能夠實現(xiàn)智能化、自動化的大氣監(jiān)測。 基于機器學習的云檢測算法逐漸成為研究的熱點［1］。 但現(xiàn)有偏振遙感云檢測中算法及數(shù)據(jù)在識別高反射率地表環(huán)境以及高反射云像時存在偏差，容易出現(xiàn)判定模糊等問題。 本文在現(xiàn)有偏振遙感云檢測算法基礎上，基于機器學習構建一種更具泛用性、實用性和可靠性的偏振遙感云檢測算法模型，以期為偏振遙感云檢測工作的優(yōu)化提供啟發(fā)與參考。

1 基本原理

1.1 偏振遙感的基本理論

在云和氣溶膠檢測與分析中，偏振信息更具特異性和靈敏性，檢測偏振信息更能夠體現(xiàn)云和氣溶膠的特性，我國廣泛應用偏振遙感技術實施云檢測。 目前，偏振遙感技術的常用偏振算法主要有兩種，分別是多角度偏振（polarization and directionality of the Earth’s reflectances，POLDER3）衛(wèi)星載荷和多角度偏振成像儀（directional polarimetric camera，DPC）衛(wèi)星載荷［2］。 基于490 nm、670 nm、865 nm 三個偏振頻段的托克斯矢量I、Q、U檢測來識別和鑒定陸地氣溶膠特性，算法規(guī)則為式（1）、式（2）所示：

式（1）、式（2）中，R代表反射率，RP代表偏振反射率，而I、Q、U則是對應的托克斯矢量數(shù)據(jù)，θS代表天頂角（太陽），將遙感數(shù)據(jù)代入對應算法，可得到與云有關氣溶膠的特質(zhì)信息，同時這兩個基本算法均支持可逆計算。

1.2 PSO?BP 神經(jīng)網(wǎng)絡模型

誤差逆向傳播算法（back propagation，BP）訓練的多層前饋網(wǎng)絡是一種常見的人工神經(jīng)網(wǎng)絡模型，用于解決分類、回歸和模式識別等問題。 它由輸入層、隱藏層和輸出層組成，每個層都由一系列神經(jīng)元（或稱為節(jié)點）組成。每個神經(jīng)元都與前一層的所有神經(jīng)元相連，并且每條連接都有一個表示連接強度的權重系數(shù)。

粒子群算法（particle swarm optimization，PSO）是一種元啟發(fā)式優(yōu)化算法，靈感來源于鳥群或魚群等群體在搜索食物或棲息地時的行為。 它通過模擬粒子在解空間中的移動和信息共享來尋找最優(yōu)解。 算法基本思想是將解空間看作是粒子的運動空間，每個粒子代表一個潛在解。 粒子在解空間中通過速度和位置進行搜索，通過與其他粒子的交互，不斷調(diào)整自己的位置和速度，以找到更優(yōu)的解。

雖然BP 神經(jīng)網(wǎng)絡和PSO 算法的核心規(guī)則不同，但兩者的連接權值與粒子群維度一致，能夠使用統(tǒng)一的計算公式計算權值。 如式（3）所示。

式（3）中，m、l、q分別代表輸入層、輸出層、隱藏層的節(jié)點數(shù)量；d為連接權值。 在迭代過程中，適應函數(shù)需要與BP網(wǎng)絡中的均方差保持一致，它不僅可以用于計算適應度值，還可作為評價函數(shù)［3］。 適應度函數(shù)E為式（4）所示：

式（4）中，N表示樣本總數(shù)，和分別表示樣本數(shù)據(jù)在第k個輸出節(jié)點的網(wǎng)絡輸出值和網(wǎng)絡期望輸出值。

2 基于機器學習的云檢測算法

2.1 算法基本流程

在POLDER3 衛(wèi)星載荷和DPC 衛(wèi)星載荷兩種算法基礎上進行算法構建，利用衛(wèi)星觀測數(shù)據(jù)進行測算，具體構建思路如下：

（1）首先對衛(wèi)星觀測數(shù)據(jù)進行提取和處理，其次遵循偏振遙感的基本原理［式（1）和式（2）］進行數(shù)據(jù)截取，最后共提取出4 個矢量方向上14 組有效數(shù)據(jù)，再根據(jù)算法公式分別計算出90 nm、670 nm 和865 nm 通道的偏振反射率。

（2）首先以像元的經(jīng)緯度為依據(jù)對衛(wèi)星信息數(shù)據(jù)進行分類和匹配，識別和鑒別不同地表環(huán)境下的偏振遙感數(shù)據(jù)參數(shù)；其次建立典型數(shù)據(jù)模型，并基于其建立機器學習模型，初步完成識別和鑒別不同條件下氣象云或氣溶膠現(xiàn)象。

（3）首先對訓練好的偏振遙感云檢測模型進行測試，其次通過將衛(wèi)星觀測數(shù)據(jù)輸入機器學習模型；最后通過比對實際數(shù)據(jù)和機器學習模型運算數(shù)據(jù)來檢驗算法的準確性，再根據(jù)結果進行調(diào)整與優(yōu)化，直至調(diào)試至最佳狀態(tài)。

2.2 多特征量數(shù)據(jù)集的選取

為提高算法構建效率，確保算法模型有效性，有必要就POLDER3 載荷和星載激光雷達（cloud?aerosol lidar with orthogonal polarization，CALIOP）載荷在云檢測中的特性進行分析。 依據(jù)偏振遙感的算法規(guī)則，從以下幾方面對算法特性進行描述［4］：

（1）反射率

不同波段代表了不同的地表條件，如443 nm 波段的反射率能夠有效區(qū)別晴空和云的像元，兩個不同的像元在這一波段有著最大的對比度，因此想要識別與鑒別兩個像元，可選用該波段；而在670 nm 的波段中，云的反射率最高、地表的反射率最低，因此想要降低復雜地表對云檢測結果的影響，可在該波段下進行遙感信息分析，也可將參數(shù)設定在670 nm 來尋找對比度較低圖像中的亮云。

（2）偏振反射率

通過調(diào)整偏振反射率能夠識別和鑒別圖像中的不同構成，490 nm 的波段偏振反射核心對象是大氣分子，670 nm 的波段偏振反射核心對象是云和晴空，而在865 nm 波段的偏振反射核心則是云，因此選擇不同的偏振反射率可以使圖像顯示不同的要素，可根據(jù)實際數(shù)據(jù)分析需要來設置合適的偏振反射率參數(shù)。

（3）多角度觀測

POLDER3 載荷搭載于衛(wèi)星時，支持從多個角度對同一目標進行觀測，通過多角度觀測能夠獲得更具代表性和典型性的圖像數(shù)據(jù)，因此POLDER3 載荷在識別云與地表信息上有著極高的靈敏度和特異度。

（4）波段組合

通過不同的波段組合能夠定向獲取遙感信息，比如云在670 nm 和865 nm 的波段有著較高的反射率，在近紅外波段的670 nm 和可見光波段的865 nm 處，云的反射率非常接近，而無云的晴空在這兩個波段的反射率則相對較低，因此可以通過波段組合的方式來更高效地識別云和晴空。

3 云檢測模型的搭建與測試

根據(jù)特征變量的性質(zhì)和數(shù)據(jù)規(guī)模，選擇適合的機器學習算法模型，如支持向量機、人工神經(jīng)網(wǎng)絡等。 使用訓練集對選定的模型進行訓練和調(diào)優(yōu)，以得到較好的云檢測模型。 使用獨立的測試數(shù)據(jù)集對訓練好的模型進行測試和驗證，評估云檢測算法的準確性和效果，并進行調(diào)整和優(yōu)化［5］。 將訓練好的模型應用到實際，并根據(jù)實際情況進行優(yōu)化調(diào)整，以進一步提高準確性和效率。

3.1 PSO?BP 神經(jīng)網(wǎng)絡云檢測模型搭建

選擇偏振遙感數(shù)據(jù)，通過將經(jīng)算法處理的數(shù)據(jù)與實際數(shù)據(jù)進行比對，以檢驗算法的有效性。 本研究中所用數(shù)據(jù)集包共包含了22 270 個像元點，在數(shù)據(jù)規(guī)模上可保證數(shù)據(jù)分析結果的普遍性。

在云檢測模型上綜合PSO 和BP 兩種檢測規(guī)則，建立一個具有5 層神經(jīng)網(wǎng)絡、以sigmoid 函數(shù)為激活函數(shù)的具有啟示性和自我優(yōu)化能力的云檢測模型，經(jīng)過46 次迭代時系統(tǒng)提示達到了最佳適應度。 初始化BP 神經(jīng)網(wǎng)絡權值和閾值，然后遵循混合算法的一般運行邏輯進行反復訓練，直至訓練精度達到偏振遙感云檢測的靈敏度需求［6］。

采用交叉驗證法進一步優(yōu)化網(wǎng)絡模型和超參數(shù)，從預先準備的數(shù)據(jù)集包中隨機選取15%的數(shù)據(jù)量進行模型測試，通過反復演算來檢驗最佳效果，檢驗新構建模型算法的有效性。 設定云檢測概率閾值為60%，隨機從數(shù)據(jù)集包中選取15%的數(shù)據(jù)再進行測試，結果顯示測試的擬合率達到0.919，該結果說明了構建的PSO?BPNN 算法具有較高的魯棒性、靈敏度，在理論上是一種較為優(yōu)質(zhì)的偏振遙感云檢測模型。

基于機器學習的優(yōu)化算法可以有效地提高偏振遙感云檢測的準確性和效率，并且可以根據(jù)實際情況進行調(diào)整和優(yōu)化，以適應不同的遙感數(shù)據(jù)和場景。 從而在遙感數(shù)據(jù)處理和應用中有更好的應用前景［7］。

3.2 基于POLDER3 數(shù)據(jù)的云檢測結果

選取POLDER3 －L1B 在2007 年8 月1 日的數(shù)據(jù)，其中包含了常規(guī)地表環(huán)境以及高反射地表環(huán)境，將這些數(shù)據(jù)提交到構建的PSO?BPNN 云檢測算法進行重復檢測，將檢測結果與已知數(shù)據(jù)進行比對，以此來檢驗PSO?BPNN 云檢測算法的靈敏度和可靠性。

為了驗證實驗的有效性和科學性，進行了多種算法的試驗結果對比驗證，主要有POLDER 官方算法、中分辨率成像光譜儀（moderate resolution imaging spectroradiometer，MODIS）官方算法、BP 神經(jīng)網(wǎng)絡法以及經(jīng)過PSO 優(yōu)化的BP 神經(jīng)網(wǎng)絡法。 其中，POLDER 官方算法和MODIS 官方算法采用傳統(tǒng)的閾值法進行云檢測。 POLDER 算法是根據(jù)單個像元的反射率、偏振反射率、表觀壓強和方向等多個閾值進行云檢測，而MODIS 官方算法則利用多通道反射率和亮溫的閾值法進行云識別。

在本研究中，選擇相同的地區(qū)和時間范圍，對比POLDER3 官方云檢測產(chǎn)品和MODIS 衛(wèi)星的MOD06＿L2云檢測產(chǎn)品進行對比驗證。 其中，MOD06＿L2 數(shù)據(jù)的空間分辨率為1 km，高于POLDER3－L1B 的6 km，每個像元的尺寸約為POLDER3－L1B 的1／36。

為了便于觀察和鑒別，遵循目視法的基本理念，對不同區(qū)域進行著色標記，官方確認的云像元、晴空分別標記為藍色和黃色，而官方未確認的像元則標記為綠色。 通過目視觀察發(fā)現(xiàn)在官方衛(wèi)星的遙感圖像中，未確定區(qū)域主要存在于云像元和晴空的交界處，主要原因是存在閾值模糊的問題，這提示衛(wèi)星載荷算法無法有效識別偏振遙感閾值模糊的部分，導致這一結果的原因主要與云的反射率有關，當云層較厚時，云的反射率明顯提高，而云的邊緣區(qū)域厚度較低，因此反射情況并不理想，最終導致邊緣模糊的問題。 出現(xiàn)這一現(xiàn)象，說明官方傳統(tǒng)閾值算法可以有效篩選出云像元，但如果云本身厚度不足或處于高反射性的地表上時，傳統(tǒng)閾值算法的不確定性增加，最終可能導致云像元識別錯誤的問題。 本研究構建的PSO?BPNN 云檢測法能夠避免這一問題，提高反射性云和地表的識別能力，因此能夠識別出更多的云像元。

為了便于觀測與統(tǒng)計，在測試時以MODIS 云檢測結果中每36 個像元為一個比對窗口，如果一個比對窗口內(nèi)云像元的數(shù)量占半數(shù)以上，則將該比對窗口標記為云，如果一個比對窗口內(nèi)云像元數(shù)量占半數(shù)以下，則將該比對窗口標記為晴空。 使用新構建的算法對每一個比對窗口進行重新識別與檢測，通過對比檢測結果來評價PSO?BPNN云檢測算法的靈敏度和準確度，結果顯示在對比對窗口像元的評價上，新算法與MODIS 云檢測保持著高度的一致性，符合率大于90%，而在具體的圖像上，PSO?BPNN 云檢測算法的結果對比度與分辨率更高，在云像邊緣和薄云識別上仍保持著較高的靈敏度與準確度［8］。 因此，PSO?BPNN 云檢測算法比當前廣泛應用的偏振遙感云檢測算法更加高效，在像元識別上與常規(guī)算法保持高度一致，在高反射區(qū)域的識別上卻優(yōu)于常規(guī)算法。

4 結語

傳統(tǒng)偏振遙感經(jīng)驗閾值云檢測測算規(guī)則在高反射云層和地表同時出現(xiàn)時存在識別模糊的問題，為了解決這一問題，本文提出了一種同時結合主動和被動遙感衛(wèi)星載荷的機器學習云檢測算法，利用BP 網(wǎng)絡和PSO 算法的啟示性和可訓練特點，不斷提高算法在偏振遙感云檢測中的魯棒性，最終建立了一種適用于多種地表上空云的檢測模型。 測試結果表明，基于PSO?BPNN 的云檢測算法有更高的精度和靈敏度，與官方數(shù)據(jù)保持高度一致性。