[发明专利]一种使用统一样本的深度学习卫星数据云检测算法

说明书

本发明公开一种使用统一样本的深度学习卫星数据云检测算法。该方法包括如下步骤：1、高光谱数据像元库的建立；2、多光谱数据模拟；3、基于神经网络的云检测；4、结果分析。首先基于高空间高光谱分辨率的AVIRIS数据，在不同地表类型上选择足够数量的云和晴空像元。基于待识别卫星数据的波谱响应函数及AVIRIS波段宽度来模拟待识别卫星的云和晴空像元的光谱反射率，作为神经网络的输入向量。将模拟出反射率输入到神经网络模型中，训练对应传感器的神经网络云检测模型，进行云检测。结合目视解译，对比分析不同下垫面及不同卫星传感器云检测结果的准确性。本发明方法可以实现云像元的检测，支持多种多光谱传感器的云检测，使云检测的适应性更加广泛。

技术领域

本发明涉及使用一种使用统一样本的深度学习卫星数据云检测算法。

背景技术

在光学遥感中，卫星数据的质量对遥感参数的反演精度影响很大，云层的遮挡是主导遥感数据质量的一个非常重要的原因。根据国际卫星云气候学项目，通常地表上66％的地方会有云层的存在，而且一般的卫星遥感平台会受到云层的影响，接收不到能量，从而降低了卫星影像的质量。

传感器接收到的电磁辐射信息中包含了地物的几何分布和地理信息，可以用于城市规划、海岸带检测、农业估产等。但由于卫星影像存在云层遮挡问题。云对电磁波有反射、透射、吸收和发射作用。利用遥感影像进行参数反演时，需要先判断像元是不是云像元。云检测是影像进行后续识别、分类和解译的关键，按云识别的形态可分为厚云、薄云、碎云等，不同形态的云识别的难易程度也不同。除此之外，云识别的准确性还与下垫面的类型有关。

传统的云检测方法可将其分为两类：阈值法和统计学习方法。阈值法因其原理简单、运算速度快，因而得到了广泛的应用，是目前遥感图像云检测众多方法中应用最多的方法。但是当地面覆盖了冰、雪、沙漠或薄卷云、层云和小积云时，很难将云和地面区分开来，因为大部分光谱方法只适用于特定的场景或是识别不同的云。其他性能好的阈值法大都只针对于某种特定的遥感器进行设计。统计学习的云检测方法，是基于样本数据，利用聚类分析、支持向量机(SVM)和人工神经网络等模式识别方法实现云检测。研究表明，基于统计学习的云检测方法的精度和普适性方面要优于阈值法，但方法较为复杂，效率较低。

因此，现有技术有待于更进一步的改进和发展。

发明内容

鉴于上述现有技术的不足，本发明提供的一种使用统一样本的深度学习卫星数据云检测算法，该方法以高光谱数据AVIRIS为基础，分别选取出云、非云样本，构成像元样本库；再进行多光谱数据模拟，基于模拟出的多光谱数据训练神经网络模型；最后，利用训练好的云检测模型进行云识别。结果表明，该方法可以实现卫星数据的高精度云识别。

为解决上述技术问题，本发明方案包括：

一种使用统一样本的深度学习卫星数据云检测算法，其包括以下步骤：

A、高光谱数据像元库的建立

基于高空间分辨率和高光谱分辨率的AVIRIS数据，利用目视解译的方法，在AVIRIS数据上采取厚云、薄云、碎云、云边缘等云的样本像元和植被、水体、裸地、城镇等晴空像元。选取云像元样本时，要注意需选取不同地表类型上的云，以便分析不同地表类型对云识别的影响。

B、多光谱数据模拟

基于待识别卫星数据的波谱响应函数以及AVIRIS的波段宽度来模拟出待识别卫星数据的多光谱数据的反射率数据，作为BP神经网络的输入向量。模拟待识别卫星数据的原理是基于多个窄波段的高光谱的表观反射率，将其加权合成以得到对应宽波段的表观反射率。

C、基于神经网络的云检测

分别将模拟出的待识别卫星数据的云和晴空像元的反射率值输入到云检测神经网络模型中，训练出对应传感器的神经网络云检测模型，再进行云检测。

D、结果分析