洪思弟, 賴紹鈞, 林志瑋,3,4, 丁啟祿, 劉金福,5,6

(1.福建農(nóng)林大學(xué)計算機(jī)與信息學(xué)院，福建 福州 350002；2.福州市氣象局，福建 福州 350014；3.福建農(nóng)林大學(xué)林學(xué)院，福建 福州 350002；4.福建農(nóng)林大學(xué)林學(xué)博士后流動站，福建 福州 350002；5.福建農(nóng)林大學(xué)海峽自然保護(hù)區(qū)研究中心，福建 福州 350002；6.生態(tài)與資源統(tǒng)計福建省高校重點(diǎn)實驗室，福建 福州 350002)

降雨量為某一地區(qū)某一時間內(nèi)的降水?dāng)?shù)據(jù)，具有地域性和時效性.降雨量高低直接影響到旱澇災(zāi)害的形成，進(jìn)而對人們?nèi)粘Ｉ钤斐捎绊慬1].中國作為全球旱澇災(zāi)害頻發(fā)的國家之一[2],2017年和2018年我國因洪澇和地質(zhì)災(zāi)害造成的直接經(jīng)濟(jì)損失共達(dá)2 971億元，因旱災(zāi)造成的直接經(jīng)濟(jì)損失亦共有630億元[3-4].通過檢測降雨量制定合理的防御旱澇措施，有助于減少旱澇災(zāi)害對國民經(jīng)濟(jì)造成的損失.氣象監(jiān)測站采用人工測量及自動測量兩種手段進(jìn)行降雨量檢測，其中人工檢測是觀測員采用雨量器對降雨量進(jìn)行記錄；而自動檢測是采用雙翻斗雨量傳感器，由匯集漏斗、計量翻斗和計數(shù)翻斗協(xié)同工作，從而計算得到降雨量大小.無論是人工檢測或是自動檢測均能夠得到較為精確、可靠的降雨量數(shù)值.但是，氣象站點(diǎn)能夠得到的僅是小區(qū)域的降雨量，難以代表整個降雨地區(qū)的降雨量；且在暴雨期間，容易受限于通訊或者交通條件，延誤降雨情報的送達(dá)[5-9].而雷達(dá)監(jiān)測降雨量是通過向監(jiān)測區(qū)域發(fā)射雷達(dá)波束，使用雷達(dá)接收機(jī)回收該區(qū)域的回波功率，并接收雨滴直徑值，計算得到該區(qū)域的降雨量大小.張利平等[10]結(jié)合卡爾曼濾波法和增長模繁殖法基于雷達(dá)監(jiān)測降雨量；謝亞楠等[11]闡述并分析了基于合成孔徑雷達(dá)的降雨數(shù)據(jù)的主要反演算法；陳新濤等[12]建立了基于地面S波段天氣雷達(dá)以及GPM微波成像儀和雙頻降水雷達(dá)觀測數(shù)據(jù)的反演算法.雖然雷達(dá)測量可有效解決傳統(tǒng)測量問題，得到降雨量分布情況，但由于雨滴容易受到風(fēng)力、蒸發(fā)等因素影響進(jìn)而改變其大小和分布，使得降雨量的測量呈現(xiàn)偏差，造成雷達(dá)測雨精度不高.不論是在氣象站點(diǎn)進(jìn)行人工或自動檢測，或是采用雷達(dá)測量，均是以精確測量降雨量為目的，檢測過程耗時較長.人們通常采用降雨強(qiáng)度來表示降雨量等級，例如小雨、中雨、大雨等.網(wǎng)絡(luò)通訊設(shè)備以及視頻監(jiān)測設(shè)備的快速發(fā)展，使得視頻監(jiān)控圖像具有獲取方便、實時性及推廣容易等優(yōu)點(diǎn)，視頻監(jiān)控圖像已成為許多研究領(lǐng)域采用的重要手段[13-17].隨著深度學(xué)習(xí)理論的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)可自動提取數(shù)據(jù)特征，并獲得較高的分類精度，被廣泛應(yīng)用于圖像處理領(lǐng)域[18-20].本文基于福州市8個氣象站點(diǎn)的降雨圖像與氣象站點(diǎn)檢測得到的各個時段內(nèi)的降雨量數(shù)據(jù)對降雨強(qiáng)度進(jìn)行劃分，結(jié)合深度學(xué)習(xí)理論，建立深度卷積神經(jīng)網(wǎng)絡(luò)識別模型，以期對洪澇災(zāi)害進(jìn)行實時監(jiān)測及預(yù)報.

1 試驗數(shù)據(jù)

1.1 數(shù)據(jù)來源

選擇福州市作為研究區(qū)域.福州市屬于典型的河口盆地地貌，盆地四周群山環(huán)繞，氣候?qū)賮啛釒Ъ撅L(fēng)氣候，雨量充沛，少霜無雪，春季陰雨綿綿，夏季伴有雷雨天氣和熱帶風(fēng)暴，多臺風(fēng)，冬季有雨無雪，雨量較少[21].福州市內(nèi)有晉安區(qū)、長樂區(qū)、福清市、連江縣、羅源縣、閩侯縣、閩清縣、永泰縣共8個氣象站點(diǎn)，主要承擔(dān)監(jiān)測并預(yù)報災(zāi)害性天氣、提出預(yù)防措施以及承擔(dān)日常的地方天氣預(yù)報等工作.通過氣象站，獲得福州市大量的天氣監(jiān)測圖像，對每張圖像按照標(biāo)準(zhǔn)[22]中1小時降水量等級劃分標(biāo)準(zhǔn)進(jìn)行降雨強(qiáng)度等級劃分，共劃分為6類(表1).其中福州市地形圖、8個氣象站點(diǎn)分布的地理位置以及獲得的天氣監(jiān)測圖像如圖1所示.

表1 降雨強(qiáng)度等級劃分標(biāo)準(zhǔn)

1.2 數(shù)據(jù)處理

通過研究歷史降雨圖像數(shù)據(jù)，對實時降雨圖像進(jìn)行降雨強(qiáng)度識別.試驗數(shù)據(jù)包括福州市8個地區(qū)15 d共22 451張圖像數(shù)據(jù)，其中包含連續(xù)暴雨、“納莎”臺風(fēng)等天氣情況.按照標(biāo)準(zhǔn)[22]中1小時降水量等級劃分標(biāo)準(zhǔn)和各地區(qū)每小時降雨量數(shù)據(jù)，采用人工標(biāo)注的方法對每張試驗數(shù)據(jù)標(biāo)注降雨強(qiáng)度.由于數(shù)據(jù)是由紅外攝影機(jī)收集而來，紅外攝影機(jī)在晚上開啟紅外線攝像模式，紅外線穿透云霧能力強(qiáng)，雨紋能夠清晰被觀察到;白天取得彩色光學(xué)圖像，受光照強(qiáng)度影響，難以觀察到雨紋.因白天和晚上圖像存在差異，將試驗數(shù)據(jù)劃分為白天、晚上和混和數(shù)據(jù)集.對于模型訓(xùn)練集和測試集進(jìn)行劃分，將混合數(shù)據(jù)集、白天數(shù)據(jù)集以及晚上數(shù)據(jù)集分別按照氣象站點(diǎn)，把各氣象站點(diǎn)中不同降雨強(qiáng)度影像數(shù)據(jù)按7∶3比例劃分為訓(xùn)練集和測試集，具體數(shù)據(jù)分布見表2.

表2 降雨圖像數(shù)據(jù)分布情況

2 研究方法

2.1 整體流程

試驗整體流程分為三部分(圖2)，(1)依據(jù)福州市氣象局提供的每小時降雨量數(shù)據(jù)采用人工標(biāo)注的方式對原始數(shù)據(jù)進(jìn)行降雨強(qiáng)度標(biāo)定，并劃分為白天、晚上和混合3個數(shù)據(jù)集；(2)基于深度卷積神經(jīng)網(wǎng)絡(luò)DenseNet模型，分別建立3種不同網(wǎng)絡(luò)深度的卷積集神經(jīng)網(wǎng)絡(luò)，利用3個數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)，為每個數(shù)據(jù)集各自訓(xùn)練3個不同深度的識別模型，共得到9個識別模型；(3)對輸入測試數(shù)據(jù)進(jìn)行圖像降雨強(qiáng)度識別，得到最終識別結(jié)果.模型的訓(xùn)練與測試均采用相同類型的數(shù)據(jù)集，即70%白天數(shù)據(jù)用于訓(xùn)練，30%白天數(shù)據(jù)用于測試，訓(xùn)練與測試數(shù)據(jù)不重復(fù).

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[23-24]屬于前饋神經(jīng)網(wǎng)絡(luò)，具有較強(qiáng)的特征提取及分類能力，被廣泛應(yīng)用于圖像處理領(lǐng)域，如圖像分類[23]、圖像分割[24-25]以及圖像定位[26]等.卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、激活函數(shù)、池化層以及全連接層構(gòu)成，不同組合表現(xiàn)出不同的模型效果.

卷積層采用不同權(quán)重的卷積核對輸入圖像進(jìn)行卷積計算，抽取圖像分類特征.卷積計算通過引入非線性激活函數(shù)，使卷積神經(jīng)網(wǎng)絡(luò)能夠擬合復(fù)雜的非線性函數(shù).提取有效分類特征，其中激活函數(shù)主要有Sigmoid函數(shù)、雙曲正切Tanh函數(shù)、修正線性單元Relu函數(shù).Sigmoid及Tanh函數(shù)分別將輸入值值域調(diào)整至[0，1]及[-1，1]，兩種激活函數(shù)均具有函數(shù)單調(diào)性，且具有光滑作用.但對于Sigmoid函數(shù)和Tanh函數(shù)采用指數(shù)運(yùn)算，計算量大，且其導(dǎo)函數(shù)容易導(dǎo)致網(wǎng)絡(luò)訓(xùn)練梯度不正常.Relu函數(shù)是對輸入值與0比較后取最大值，具有單邊抑制性以及稀疏激活性，且形式簡單，計算方便.因此，本文采用Relu函數(shù)作為網(wǎng)絡(luò)激活函數(shù)，具體公式表示如下：

f(x)=max(0,x)

(1)

池化操作類似卷積操作，目的是在減小經(jīng)過卷積層運(yùn)算后的特征矩陣大小，進(jìn)而減少下一層操作的參數(shù)量以及計算量.最常采用的池化操作為最大池化和平均池化，即通過固定大小的窗口，在輸入數(shù)據(jù)上滑動窗口且不重疊，對滑動窗口內(nèi)的數(shù)據(jù)取最大值或均值，以保留主要特征.全連接層起到分類器的作用.層內(nèi)結(jié)點(diǎn)數(shù)量與類別數(shù)目相同，每個結(jié)點(diǎn)與上一層所有結(jié)點(diǎn)相連，連線上以權(quán)重關(guān)連上下層節(jié)點(diǎn)間關(guān)系，其輸出分別表示各個類別的識別機(jī)率，即通過對上一層輸出的特征進(jìn)行加權(quán)求和，得到各個類別的分?jǐn)?shù).

2.3 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

DenseNet卷積神經(jīng)網(wǎng)絡(luò)具有特征重復(fù)利用以及計算量小等優(yōu)點(diǎn)，主要采用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)不具備的密集連接，并降低卷積層的卷積核數(shù)目.DenseNet網(wǎng)絡(luò)主要由Dense block和Transition layer構(gòu)成，具體模型結(jié)構(gòu)見圖3.從圖3中可以看到，DenseNet網(wǎng)絡(luò)首先對輸入采用大小為7×7的卷積核進(jìn)行卷積操作，并將卷積得到的特徵圖進(jìn)行最大池化運(yùn)算；其次，通過4個Dense block和3個Transition layer穿插連接，最后進(jìn)行全局平均池化并分類.

Dense block結(jié)構(gòu)由一個輸入層和多個Residual block結(jié)構(gòu)構(gòu)成.Residual block[31]主要由兩層不同卷積層組成，第一層的卷積核大小為1×1，第二層的卷積核為3×3，具體結(jié)構(gòu)見圖4.其中Residual block之間采用密集連接，每個Residual block的輸入均由其前面的所有Residual block輸出的特征圖串聯(lián)得到.如第三個Residual block的輸入是將第一個及第二個Residual block的輸出特征圖串聯(lián)起來，也就是使得每個Residual block都包含了前面所有Residual block的輸出特征.因為特征重復(fù)利用導(dǎo)致特征維度增加，所以DenseNet網(wǎng)絡(luò)通過減少訓(xùn)練時卷積層的卷積核數(shù)目來降低特征維度；而卷積核的數(shù)量與卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)計算密切相關(guān)，卷積核數(shù)量的顯著減少，使得網(wǎng)絡(luò)參數(shù)量驟減，從而提高特征在卷積神經(jīng)網(wǎng)絡(luò)中的傳輸效率.

Transition layer結(jié)構(gòu)用于連接Dense block，每個Transition layer均由一個卷積層和平均池化層構(gòu)成，卷積層中的卷積核大小為1×1，結(jié)構(gòu)見圖5.其中，卷積層通過控制卷積核的通道數(shù)改變前一層輸出特征圖的數(shù)量；池化層通過控制卷積核的大小及卷積核移動步長改變前一層輸出特征圖的大小，以達(dá)到降維效果.通過Transition layer進(jìn)行降維操作，每經(jīng)過一層Transition layer，輸出的特征圖數(shù)量均減少且尺寸減半，進(jìn)一步減少整個網(wǎng)絡(luò)模型的參數(shù)使用量.特征圖的尺寸大小與網(wǎng)絡(luò)的計算速度相關(guān)，因此DenseNet網(wǎng)絡(luò)通過減小特征圖尺寸及減少數(shù)量來加快計算速度.

圖4 Dense block結(jié)構(gòu)示意圖

Fig.4 Structure diagram of Dense block

圖5 Transition layer結(jié)構(gòu)示意圖

Fig.5 Schematic diagram of Transition layer structure

根據(jù)Dense block中Residual block數(shù)量的差異，構(gòu)造出不同層數(shù)的DenseNet網(wǎng)絡(luò)框架.本研究采用DenseNet-63，DenseNet-121和DenseNet-169模型，各個網(wǎng)絡(luò)具體參數(shù)見表3.在表3中，RB×3表示3個Residual block，Dense Block(1)和Transition Layer(1)分別表示第一個Dense Block和第一層Transition Layer，可以看出不同層數(shù)的DenseNet網(wǎng)絡(luò)均首先通過一樣的卷積核以及池化層；之后通過4個由不同數(shù)量的Residual block所組成的Dense Block和3個Transition Layer；最后進(jìn)行分類.其中DenseNet-63中Dense Block分別有3、6、12、8個Residual block；DenseNet-121是它的兩倍，分別有6、12、24、16個Residual block；而DenseNet-169則在第三和第四個Dense Block及121層均有所增加，為32個.

3 結(jié)果與分析

本研究的試驗環(huán)境為Ubuntu 16.04，采用英偉達(dá)(NVDIA)顯卡.對試驗數(shù)據(jù)采取隨機(jī)抽樣，進(jìn)行訓(xùn)練集與測試集的劃分.模型的參數(shù)設(shè)置為：學(xué)習(xí)率為0.0004，Batch Size為16，Epoc為400.試驗精度采用分類精度(Accuracy)度量模型的分類效果，其公式為：

(2)

式中，n為測試樣本總數(shù)，當(dāng)測試樣本被分類正確時xi為1，被分類錯誤時xi為0.

采用Kappa系數(shù)度量模型分類結(jié)果的一致性，其公式為：

(3)

假設(shè)一個只有兩種類別(1和2)的數(shù)據(jù)集，結(jié)果見表4.po計算公式見式(4)，結(jié)果與式(2)的Accuracy一致；pe計算公式見式(5)，稱為理論一致率.

(4)

(5)

式中，a表示圖像真實類別為1且被正確分類的數(shù)量，d表示圖像真實類別為2且被正確分類的數(shù)量，b表示圖像真實類別為2且被分類為類別1的數(shù)量，c表示圖像真實類別為1且被分類為類別2的數(shù)量.

表3 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表1)

1)RB=Residual block，表示1×1卷積+3×3卷積.

表4 混淆矩陣示意圖

3.1 不同數(shù)據(jù)集及不同網(wǎng)絡(luò)深度的對比

為了探究數(shù)據(jù)集間的差異，并體現(xiàn)DenseNet網(wǎng)絡(luò)的穩(wěn)健性，且考慮到網(wǎng)絡(luò)層數(shù)量(網(wǎng)絡(luò)深度)將影響模型擬合能力，采用白天(D)、晚上(N)和混合數(shù)據(jù)集(M)分別訓(xùn)練了3個不同深度的DenseNet模型.總共建立了9個模型，即DenseNet-63-D, DenseNet-63-N, DenseNet-63-M, DenseNet-121-D, DenseNet-121-N, DenseNet-121-M, DenseNet-169-D, DenseNet-169-N, DenseNet-169-M.模型的命名規(guī)則為“網(wǎng)絡(luò)主框架名稱—網(wǎng)絡(luò)深度—數(shù)據(jù)集類型”，例如DenseNet-63-D、DenseNet-63-N及DenseNet-63-M表示采用的DenseNet網(wǎng)絡(luò)為主框架，3個模型深度皆為63層，分別使用白天數(shù)據(jù)集、晚上數(shù)據(jù)集及混合數(shù)據(jù)集訓(xùn)練分類模型.其中總體識別精度和Kappa系數(shù)的結(jié)果見表5.所有模型的Kappa系數(shù)均大于或等于0.80，表明DenseNet模型的識別結(jié)果與實際結(jié)果具有高度的一致性，且所有模型總體識別精度均高于86%，最高達(dá)88.41%.從圖6可知，該模型在不同數(shù)據(jù)集下的訓(xùn)練損失值均收斂于一較低的穩(wěn)定值，訓(xùn)練損失值平穩(wěn)后，不同數(shù)據(jù)集對不同網(wǎng)絡(luò)深度模型的識別精度相似并穩(wěn)定在80%以上，表明該模型具有好的穩(wěn)定性、可行性，且適用性強(qiáng).

通過不同數(shù)據(jù)集的分析，并比較白天和晚上降雨圖像數(shù)據(jù)集的識別結(jié)果，DenseNet-63、DenseNet-121、DenseNet-169三個模型均在白天降雨圖像數(shù)據(jù)集取得最高的識別精確度.通過觀察不同降雨強(qiáng)度下的白天圖像，發(fā)現(xiàn)這些圖像最大的區(qū)別在于其云層變化(圖7).因為降雨量強(qiáng)度受云層厚度的影響，云層厚度變化導(dǎo)致云層顏色的深淺變化，所以云層變化成為模型識別的主要特征.而晚上的圖像拍攝開啟了紅外線模式，紅外線穿透云霧能力強(qiáng)，在晚上能夠不受霧氣干擾,使得雨紋能夠清晰被觀察到.從圖8可以觀察到晚上圖像具有明顯雨紋，且雨紋方向受風(fēng)向影響；晚上圖像中雨紋有垂直向下和斜向下的情況，較白天復(fù)雜.因此白天雨量圖像的的識別精度略高于晚上圖像.采用混合數(shù)據(jù)集將白天與晚上的數(shù)據(jù)進(jìn)行糅合，提高了混合數(shù)據(jù)集的數(shù)據(jù)復(fù)雜性；與淺層網(wǎng)絡(luò)的分類結(jié)果相比，深層網(wǎng)絡(luò)模型在混合數(shù)據(jù)集方面的識別精度更高.

表5 不同數(shù)據(jù)集在不同深度DenseNet模型的識別精度和Kappa系數(shù)

從不同模型深度分析可知，白天和晚上的降雨圖像數(shù)據(jù)集均在DenseNet-121取得最好識別精度，而混合數(shù)據(jù)集在DenseNet-169取得最好的識別精確度.主要是因為通過晚上的圖像能夠清晰地觀察到雨紋變化，而白天的圖像不易觀察到雨紋，主要依據(jù)云層變化來對降雨量進(jìn)行識別.不論是白天還是晚上的雨圖，其背景變化只出現(xiàn)在不同站點(diǎn)之間，因此特征的識別集中于晚上圖片中的雨紋以及白天圖片的云層變化，特征提取更簡單.DenseNet模型使用121層網(wǎng)絡(luò)時便能較好抽取及學(xué)習(xí)雨紋及云層變化，可達(dá)到較好的識別精度；而更深的169層網(wǎng)絡(luò)在更深的網(wǎng)絡(luò)層已經(jīng)提取不到有用的雨紋及云層特征，使得169層網(wǎng)絡(luò)分類精度較121層網(wǎng)絡(luò)低.當(dāng)數(shù)據(jù)混合了白天和晚上的雨圖時，依據(jù)雨紋以及云層的變化來識別，識別特征與單獨(dú)晚上數(shù)據(jù)或者白天數(shù)據(jù)相比均更為復(fù)雜，此時更深層網(wǎng)絡(luò)能夠達(dá)到更好的分類精度.

綜上所述，DenseNet模型在不同的數(shù)據(jù)集上存在識別精度差異，導(dǎo)致此差異的主要原因是白天和晚上攝像頭的拍攝模式不同，使得晚上數(shù)據(jù)集的識別精度高于白天數(shù)據(jù)集；而模型在采用不同網(wǎng)絡(luò)深度時亦存在識別精度差異，主要受到不同數(shù)據(jù)集特征抽取的影響.因此，本文基于各數(shù)據(jù)集得到識別效果最好的模型，依次為DenseNet-121-D、DenseNet-121-N和DenseNet-169-M模型.

3.2 不同氣象站點(diǎn)的降雨強(qiáng)度識別

依據(jù)各數(shù)據(jù)集下識別精度最高的模型，繪制各氣象站點(diǎn)的DenseNet-121-D、DenseNet-121-N和DenseNet-169-M模型識別精度柱狀圖(圖9)，其中各氣象站點(diǎn)識別正確率均高于80%.此外，通過計算各模型在不同氣象站點(diǎn)下識別精度的方差來檢驗?zāi)Ｐ途鹊姆€(wěn)定性，計算得到的方差均非常小，其中最大的方差僅為0.07%，識別精度未存在明顯波動，具有一定的穩(wěn)定性.表明DenseNet模型對不同氣象站點(diǎn)降雨量影像數(shù)據(jù)的分類精度較為穩(wěn)定，具有一定的適用性.

3.3 不同降雨強(qiáng)度等級識別結(jié)果的對比

依據(jù)6個等級的降雨強(qiáng)度類別繪制折線圖，呈現(xiàn)DenseNet-121-D、DenseNet-121-N和DenseNet-169-M模型在各等級降雨量下的分類效果；并依據(jù)白天和晚上數(shù)據(jù)集的數(shù)據(jù)繪制柱狀圖，呈現(xiàn)白天和晚上數(shù)據(jù)集占總數(shù)據(jù)集的百分比，結(jié)果見圖10.從圖10可以看到零星小雨、小雨以及中雨在各數(shù)據(jù)集及各模型中具有更為穩(wěn)定的識別正確率；大雨識別正確率有小幅度的振蕩，暴雨識別正確率振蕩的最為明顯，且正確率相較前三類呈下降趨勢.主要原因在于各雨類數(shù)據(jù)量分布的差異，其中大雨和暴雨圖片數(shù)分別占總數(shù)的4.39%和1.03%，在DenseNet-121-D和DenseNet-121-N模型上大暴雨圖像分類正確率均為0；DenseNet-169-M模型上大暴雨圖像分類正確率則為33.3%.白天正確率為0是因為白天未收集到大暴雨圖像數(shù)據(jù)，因此只對其余5個降雨強(qiáng)度等級進(jìn)行訓(xùn)練并測試;而晚上數(shù)據(jù)集只收集到12張大暴雨圖像,僅占總數(shù)據(jù)的0.05%，其中訓(xùn)練圖像占大暴雨數(shù)據(jù)的70%,即對9張圖像進(jìn)行訓(xùn)練，對其余3張圖像進(jìn)行測試.數(shù)據(jù)量太小導(dǎo)致模型訓(xùn)練該類別時引入了更多的數(shù)據(jù)噪聲，即訓(xùn)練過程受其他類別圖像的影響，導(dǎo)致該類別的分類特征不精確，出現(xiàn)全部測試錯誤，或是在DenseNet-169-M模型上，只有1張測試圖像分類正確，得到的正確率僅為33.3%.大雨、暴雨和大暴雨的正確率波動幅度較大、數(shù)據(jù)量小導(dǎo)致計算正確率的基數(shù)小、斜率大.由此可知識別錯誤的數(shù)目極易影響到識別正確率，導(dǎo)致其變化幅度更大，而且模型分類能力的優(yōu)劣與訓(xùn)練數(shù)據(jù)相關(guān).因此，大雨、暴雨和大暴雨正確率比數(shù)據(jù)量大的降雨強(qiáng)度等級有所降低，模型間正確率波動更大.但由于數(shù)據(jù)量少，因此對整體的效果影響很小.綜上所述，不同等級的降雨強(qiáng)度存在較大的識別精度差異是由于試驗數(shù)據(jù)在各個等級之間分布不均勻.

3.4 DenseNet網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)識別結(jié)果的對比

將DenseNet網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的識別結(jié)果進(jìn)行比較，包含AlexNet、VGG及Inception；并對各個網(wǎng)絡(luò)的參數(shù)量進(jìn)行對比，結(jié)果見表6.AlexNet網(wǎng)絡(luò)由5個卷積層和3個全連接層簡單拼構(gòu)而成，其卷積層采用大小為11×11及5×5等的卷積核進(jìn)行卷積操作；VGG網(wǎng)絡(luò)與AlexNet相比，其卷積層采用大小為3×3的卷積核代替11×11及5×5等大尺寸卷積核進(jìn)行卷積操作；而Inception網(wǎng)絡(luò)是通過Inception block獲取不同感受野的特征圖，并對其進(jìn)行堆疊，以此學(xué)習(xí)更復(fù)雜的特征.Inception block由4個分支組成，第一個分支只有一層卷積層，采用大小為1×1的卷積核進(jìn)行卷積操作；第二個分支由兩層卷積層組成，依序采用大小為1×1及3×3的卷積核分別進(jìn)行卷積操作；第三個分支由3層卷積層組成，第一層卷積層采用大小為1×1的卷積核，而第二、三層各自采用大小為3×3卷積核進(jìn)行卷積操作；第四個分支由一層池化層和一層卷積層所組成，池化層采用大小為3×3的卷積核進(jìn)行操作，卷積層則使用大小為1×1的卷積核.

表6 DenseNet框架與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)識別結(jié)果的比較

深層的特征圖比淺層的特征圖具有更大的感受野，這是卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)之一.DenseNet通過密集連接將淺層與深層的特征圖進(jìn)行串聯(lián)，實現(xiàn)不同感受野的特征圖堆疊，其混疊程度比Inception高，因此DenseNet網(wǎng)絡(luò)能夠較好地描述更復(fù)雜的數(shù)據(jù).表6中DenseNet網(wǎng)絡(luò)在晚上數(shù)據(jù)集中的分類正確率分別比AlexNet、Vgg-19及Inception-V2 高8.32%，5.61%及3.79%；白天數(shù)據(jù)集上的分類正確率分別比AlexNet、Vgg-19及Inception-V2 高1.06%、1.49%及1.62%；在混合數(shù)據(jù)集中的分類正確率分別比AlexNet、Vgg-19及Inception-V2高 2.50%、1.89%及2.23%；在參數(shù)量上，DenseNet-63的參數(shù)量比AlexNet、VGG-19及Inception-V2分別下降20倍、60倍及4倍以上. DenseNet網(wǎng)絡(luò)具有最好的分類結(jié)果，且具有最少的網(wǎng)絡(luò)參數(shù)量.由于晚上數(shù)據(jù)集比白天數(shù)據(jù)集復(fù)雜，白天數(shù)據(jù)集的分類精度均達(dá)到86%以上，而晚上數(shù)據(jù)集的分類精度最大值僅83.46%，最小值僅78.93%.由此可見白天數(shù)據(jù)集能夠提取到更優(yōu)的分類特征，難以處理更復(fù)雜的晚上數(shù)據(jù)集；但是，DenseNet在不同數(shù)據(jù)集上均保持87%左右的分類正確率，表明DenseNet網(wǎng)絡(luò)在處理更復(fù)雜的數(shù)據(jù)時具有一定的優(yōu)勢.綜上所述，DenseNet網(wǎng)絡(luò)與其它傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，具有更好的數(shù)據(jù)適應(yīng)性和可行性.

4 小結(jié)

本文基于深度學(xué)習(xí)理論，通過降雨圖像數(shù)據(jù)構(gòu)建DenseNet深度卷積網(wǎng)絡(luò)降雨強(qiáng)度識別模型，利用福州市8個氣象站點(diǎn)的降雨圖像數(shù)據(jù)進(jìn)行建模.結(jié)果表明DenseNet模型的識別正確率最高值達(dá)到88.41%，最低值為86.90%.通過對比不同氣象站點(diǎn)的識別正確率，發(fā)現(xiàn)該模型對不同氣象站點(diǎn)的降雨圖像具有良好的穩(wěn)定性；通過對比不同數(shù)據(jù)集的識別正確率，發(fā)現(xiàn)白天數(shù)據(jù)比晚上數(shù)據(jù)具有更高的識別精度；通過對比不同深度的網(wǎng)絡(luò)模型，發(fā)現(xiàn)混合數(shù)據(jù)比單獨(dú)晚上或白天數(shù)據(jù)復(fù)雜，導(dǎo)致其在模型深度上的識別精度不一致；通過對比不同等級降雨強(qiáng)度的識別正確率，發(fā)現(xiàn)由于各個等級降雨強(qiáng)度數(shù)據(jù)的不均衡導(dǎo)致該模型對數(shù)據(jù)量較大的零星小雨、小雨、中雨三類雨圖具有良好的穩(wěn)定性，而大雨、暴雨和大暴雨數(shù)據(jù)由于占比極小，導(dǎo)致識別正確率下降且不穩(wěn)定.綜上所述，本文構(gòu)建的降雨強(qiáng)度識別框架具有識別精度高、泛化能力強(qiáng)、實時監(jiān)測降雨強(qiáng)度等級等優(yōu)勢，在降雨強(qiáng)度識別中具有可行性.