作者：查少均; 金炜; 何彩芬; 符冉迪; 李新征多通道对流云特征融合检测深度学习全卷积神经网络
摘要：强对流天气具有生命周期短、突发性强、破坏性大等特点,并时常伴随着多种灾难性天气,给经济发展、环境保护、人民生命财产安全等带来巨大威胁。目前目视解译的卫星云图对流云检测方法依赖于人的经验和知识,存在难于界定对流云团边界、云图的多光谱信息利用不足、小尺度对流云易出现漏检与误检等问题。本文基于FY-2G卫星的红外1通道云图及水汽与红外通道的亮温差,并借鉴U-net网络在图像分割中所具有的精确定位能力,提出了一种新的多通道特征融合Y型全卷积网络的对流云检测方法。该方法将U-net网络改造成具有双路输入的Y型全卷积网络,并将红外1通道云图和亮温差图像分别作为Y型网络的两路输入,经过卷积及下采样处理,提取不同通道的特征信息;为了使网络具有精细的目标检测能力,Y型全卷积网络保留U-net网络的卷积及上采样结构,同时通过卷积和上采样将两个输入分支不同层次的特征图融合,从而实现一种多层次、多通道特征融合的对流云检测方法;不同层次特征图的可视化及其与融合特征图的对比,表明了所构造的Y型网络在利用云图不同通道特征信息中的有效性。实验结果表明,本文方法的对流云检测准确率为87.34%,精确率为89.77%,召回率为82.10%,F1-综合评价指标为84.82%,各项性能指标均优于基于DeconvNet、U-net等传统网络模型的对流云检测方法;与阈值法、亮温差法和SVM等传统对流云检测方法相比,本文方法不仅在对流云边缘界定及小尺度对流云的检测上具有明显优势,而且检测准确率和计算效率均得到了显著的提高。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
