支持向量机在云检测中的应用

　　云检测是遥感图像应用过程中的一大难点,云检测结果的正确与否直接影响到大气和地表其他参数的反演结果。同时,气象卫星资料的分辨率与中尺度数值模式的分辨率相近,可以用卫星资料中云的信息改进模式的初始场,另一方面也可以用云的信息检验和订正数值模式的预报结果。

　　近年来,利用中分辨率成像光谱仪(MODIS)影像数据进行云检测已成为遥感领域的研究热点。国内外学者研究了各种多光谱综合的方法,使判别云的阈值更加精确。然而,阈值的确定具有一定的主观性和时间、空间上的局限性。有学者利用BP神经网络进行云检测[1],与阈值法相比,效果较好。但是,BP神经网络在训练样本较少时容易产生过拟合,由此建立的模型泛化能力差。另外,BP神经网络的结构难于确定、容易陷入局部极小值等问题至今仍未能很好的解决,这些都影响了神经网络方法的广泛应用。

　　20世纪90年代,以数学家Vapnik为代表的学派经过多年研究,发展了一套“统计学习理论”和以它为基础的“支持向量机”算法。这套新算法既能处理非线性数据,又能有效地限制过拟合,被认为是目前针对小样本分类和回归等问题的最佳理论,在文字识别、语音识别等方面应用已卓有成效[2～4]。鉴于此,本文试用SVMs算法进行云检测研究。

　　1　特征选取

　　本文采用中分辨率成像光谱仪1 km分辨率观测数据。MODIS在0.412～14.240μm内有36个波段(其中,可见光、近红外波段20个,热红外波段16个)。在实验中选择了如下波段,如表1所示:

　　(1)可见光波段0.66、0.87μm的反射率R0.66、R0.87。云在可见光波段0.66μm,反射率高,而植被、砂岩、水体的反射率小;在0.87μm波段,云与植被、砂岩的反射率差异相对0.66μm变小,因此R0.66、R0.87的联合使用有助于区分云和植被、砂岩、水体。另外在云检测中也得到广泛的应用。

　　(2)近红外1.38μm反射率R1.38。1.38μm位于水汽的吸收带,由于水汽的强烈吸收,地面的辐射很难到达传感器,利用这一点可以进行高云检测[5]。

　　(3)归一化雪盖指数积雪在波段0.555μm与1.64μm的反射特性差异明显,而低云的差异较小。实验表明将归一化雪盖指数与红外通道亮温结合起来,可以较好地检测冰雪下垫面上的低云。

　　(4)红外亮温差3.75μm透明度高,该波段的亮温受水汽的影响较11.03μm要弱得多,通常3.75μm图像的亮温比11.03μm的高,但是层状低云的云顶亮温在3.75μm确低于11.03μm,利用这一特点可以进行层状低云的检测。8.55μm对大气吸收很敏感,特别是水汽吸收,同样的,它对于表面发射辐射也很敏感。由于8.55μm处的地表发射辐射比11μm处要小,特别是植被比较少的地区尤甚,利用8.55μm和11.03μm的亮温差可以检测中高云[6～8]。