深度学习模型识别静止卫星图像海上强对流云团

强对流天气破坏力强,对海上航行和海洋开发都有着很大的影响,但由于其生命史短,且海上气象测站少,因此难以对其进行快速准确的监测。而静止气象卫星的覆盖范围广、时间分辨率高,因此成为了监测强对流天气的重要手段。本文提出了一种利用Himawari-8卫星影像,基于深度信念网络(DBN)进行强对流云团自动识别的方法。该方法分别提取每张图像的光谱特征TBB13、TBB08-TBB13和TBB13-TBB15,以及基于光谱特征TBB08-TBB13的纹理特征能量Energy和对比度Contrast,再参考CloudSat卫星的云分类产品自动构建样本集,利用此样本集训练DBN模型,以确定模型的参数和结构。使用训练完成的DBN模型进行强对流云团识别,并对识别结果进行后处理。通过典型案例分析和精度评定发现,新方法的临界成功指数CSI为71.28%,检测概率POD为84.83%,虚警率FAR为18.31%。结果表明,该方法可以有效识别处于初生到消散不同阶段的强对流云团,并在一定程度上去除检测结果中多余的卷云。与单波段阈值法、多波段阈值法和支持向量机这3种方法相比,文中提出的方法能够提高强对流云团的识别精度。

Detection of severe convective cloud over sea surface from geostationary meteorological satellite images based on deep learning