機器學習在衛(wèi)星資料中的應用

文 | 郝伊一 唐偉 周勇 王喆

1.中國氣象局氣象干部培訓學院 2.中國氣象局發(fā)展研究中心

衛(wèi)星在氣象預報、生態(tài)監(jiān)測、水利資源及開發(fā)等方面的應用非常廣泛。衛(wèi)星資料有圖像資料（衛(wèi)星云圖）和探測資料（定量數(shù)字資料）兩大類。以衛(wèi)星云圖為例，它是由氣象衛(wèi)星（或個別陸地衛(wèi)星）自上而下觀測到的云層覆蓋和地表面特征的圖像，利用衛(wèi)星云圖可以彌補常規(guī)探測資料的不足，為天氣分析和天氣預報提供依據(jù)，對提高預報準確率起了重要作用。對于衛(wèi)星資料的處理，傳統(tǒng)以閾值法、聚類法為主，21世紀以來由于人工智能的迅速發(fā)展，基于機器學習的方法陸續(xù)被提出。

機器學習是指通過計算機學習數(shù)據(jù)中的內(nèi)在規(guī)律性信息，獲得新的經(jīng)驗和知識，以提高計算機的智能性，使計算機能夠像人那樣去決策[1]。作為人工智能的技術基礎，與傳統(tǒng)的統(tǒng)計方法相比，機器學習不僅擁有通過算法對計算機數(shù)據(jù)進行快速處理的能力，還擁有統(tǒng)計模型所具有的對問題進行預測、分類的能力[2]，并且準確率較傳統(tǒng)方法有明顯提高。在當前的“大數(shù)據(jù)”時代，機器學習在海量的衛(wèi)星資料中有著巨大的應用潛力。本文簡要梳理了國內(nèi)外機器學習算法在衛(wèi)星資料的云識別、降水估計等相關領域的主要應用情況。

一、云檢測和分類

利用氣象衛(wèi)星云圖進行云的檢測和分類是基于“在衛(wèi)星觀測視角內(nèi)，地表和云有不同的特征”這一假設的基礎上進行的，云檢測和云分類是氣象衛(wèi)星云圖最基本也是最重要的研究內(nèi)容之一。

云檢測是利用云和晴空像元在不同光譜段上輻射特性的不同，采用多通道輻射信息，將衛(wèi)星觀測像元分為有云像元和晴空像元。已有研究利用神經(jīng)網(wǎng)絡、支持向量機、遷移學習、卷積神經(jīng)網(wǎng)絡等方法，成功地對衛(wèi)星圖像進行云檢測。師春香等人采用多閾值和人工神經(jīng)網(wǎng)絡相結(jié)合的方法，對日本靜止氣象衛(wèi)星GMS紅外云圖進行自動分割，輸出分割出的每一個云區(qū)，同時還包括云區(qū)的邊界鏈碼、起始點、周長、面積，并保留了原始圖像數(shù)據(jù)，結(jié)果顯示云檢測正確率達到90%以上[3]。宋小寧等人利用一種基于空間結(jié)構(gòu)分析和神經(jīng)網(wǎng)絡的云自動檢測算法，對美國極軌氣象衛(wèi)星Terra和Aqua上搭載的中分辨率成像光譜儀（MODIS）圖像進行了云檢測研究，研究表明利用MODIS圖像可成功地檢測云點像元[4]。胡根生等人提出一種云量自動評估和加權支持向量機相結(jié)合的云檢測算法對美國陸地衛(wèi)星（Landsat）圖像進行云檢測。結(jié)果表明，該方法既具有云量自動評估算法的云檢測優(yōu)勢，還對云量自動評估算法難以識別的半透明云有較好的檢測效果。[5]胡凱等人利用遷移學習中的多源加權（Tradaboost）算法（內(nèi)部采用極限學習機作為分類器）對我國環(huán)境與災害監(jiān)測預報小衛(wèi)星星座（HJ-1A/B）的衛(wèi)星圖像進行云的檢測，利用多人（多源）標注的大量厚云的樣本構(gòu)成多源輔助樣本集，利用少量標注的薄云樣本構(gòu)成目標樣本集。結(jié)果表明遷移學習可以充分利用容易獲得的大樣本厚云輔助樣本知識，對同類型有關聯(lián)的小樣本薄云分類器進行識別提高。[6]夏旻等人利用卷積神經(jīng)網(wǎng)絡方法，針對HJ-1A/B衛(wèi)星圖像進行云的檢測，并利用空間相關法計算總云量，結(jié)果表明，通過對卷積網(wǎng)絡結(jié)構(gòu)及參數(shù)的優(yōu)化，卷積神經(jīng)網(wǎng)絡可以很好地提取云圖的特征，云分類時厚云和薄云之間的過渡區(qū)域清晰，云的識別率以及云量計算的準確率都比傳統(tǒng)閾值法、動態(tài)閾值法以及極限學習機模型的結(jié)果要好。[7]

云分類是利用可見光和紅外通道觀測數(shù)據(jù)對云進行分類，從宏觀角度一般可將云分為：積雨云、厚卷云、薄卷云、雨層云、中云、低云和層云（霧）；根據(jù)云頂特性，可以從云的相態(tài)將云分為冰云、水云和混合相態(tài)云。已有研究利用神經(jīng)網(wǎng)絡、遺傳算法、支持向量機方法，成功地對衛(wèi)星圖像進行云分類。白慧卿識別了日本靜止氣象衛(wèi)星GMS云圖中的四類云系，并與傳統(tǒng)的統(tǒng)計識別方法進行了對比，結(jié)果表明神經(jīng)網(wǎng)絡方法更適合于云系的特征識別。[8]洪梅等人提出一種結(jié)合了遺傳算法全局尋優(yōu)、模糊C均值聚類算法局部尋優(yōu)、模糊減法聚類算法客觀估算聚類數(shù)三種方法的綜合方法（FSC-GA-FCM），對GMS-5衛(wèi)星云圖進行云分類判別。試驗結(jié)果表明，綜合方法的云分類效果明顯優(yōu)于單一的模糊C均值聚類算法和遺傳算法，可運用于實況云圖的云分類客觀、自動判別。[9]黃兵等人建立了自組織神經(jīng)網(wǎng)絡（SOFM）和概率神經(jīng)網(wǎng)絡（PNN）的綜合云分類器優(yōu)化方法，對GMS-5衛(wèi)星云圖多光譜云類樣本進行云分類，試驗結(jié)果表明，該方法可有效提高云類判別效果，分類結(jié)果的總正確率達到92.4%，Kappa系數(shù)為90.82，明顯優(yōu)于單一的統(tǒng)計分類器判別效果。[10]張振華等人采用兩層嵌套的BP人工神經(jīng)網(wǎng)絡模型，基于我國靜止氣象衛(wèi)星風云二號C星（FY-2C）可見光和紅外、水汽亮溫資料進行云分類研究，結(jié)果表明，嵌套模型的分類結(jié)果比傳統(tǒng)模型的分類結(jié)果更合理，特別是在中低云和薄卷云的云量和位置分辨能力上有了較大提高。[11]Lee Y等人應用多參數(shù)支持向量機方法全局優(yōu)化分類（MSVM）來模擬MODIS數(shù)據(jù)進行云的分類，取得很好的分類效果。[12]嚴衛(wèi)等人構(gòu)建了聯(lián)合美國云-氣溶膠激光雷達和紅外探路者衛(wèi)星（CALIPSO）和云探測衛(wèi)星（CloudSat）資料的云相態(tài)識別模型，并和溫度閾值法進行比較，結(jié)果表明支持向量機云相態(tài)識別技術具有較高的識別精度，能夠更為準確地反演云相態(tài)的垂直分布信息。[13]

二、降水估計

氣象衛(wèi)星的降水估計（降水分類）是指根據(jù)天氣學云的知識,利用云圖識別原理來估計一些天氣系統(tǒng)的降水分布（或是識別出產(chǎn)生降水的主要云類），具有重要的應用價值。[14]已有研究人員利用人工神經(jīng)網(wǎng)絡、支持向量機、隨機森林等方法，成功地利用衛(wèi)星資料進行降水估計。

利用日本GMS衛(wèi)星紅外圖像和地面資料估計降雨率，Kou-Lin Hsu等人提出一種基于自適應人工神經(jīng)網(wǎng)絡的降水估計算法，結(jié)果顯著提高了對不同地理區(qū)域、不同時間降水特征的估計性能。[15]熊秋芬等人采用人工神經(jīng)網(wǎng)絡方法對GMS衛(wèi)星多通道資料進行地面降水估計，結(jié)果表明，該方法提供的客觀定量的降水量估算平均相關系數(shù)為0.57，較使用單通道紅外云圖資料和簡單閾值和函數(shù)方法更佳。[16]夏雙等人基于三層前向型反向傳播神經(jīng)網(wǎng)絡的衛(wèi)星降水估算模型，利用我國FY-2C數(shù)據(jù)對藏北高原進行了降水估計研究。結(jié)果表明，人工神經(jīng)網(wǎng)絡能較好地刻畫該地域衛(wèi)星降水特征的非線性規(guī)律，三層前向型反向傳播神經(jīng)網(wǎng)絡衛(wèi)星降水估算模型的估算結(jié)果與雨量計實測值間的相關性可以達到0.57。[17]劉建朝等人利用支持向量機方法，基于FY-2C/D資料和我國氣象部門預報業(yè)務系統(tǒng)Micaps 1小時雨量資料，建立預測降水與非降水的分類模型。結(jié)果表明，降水類的預測準確率在40%～60%,非降水類的預測準確率在90%以上。[18]Bellerby T等人結(jié)合美國靜止氣象衛(wèi)星GOES衛(wèi)星圖像和熱帶降雨測量任務衛(wèi)星（TRMM）降水雷達數(shù)據(jù)，生成巴西某地區(qū)0.12°的空間分辨率、半小時的降水估計，將相應的降水雷達觀測值與四波段GOES圖像數(shù)據(jù)進行匹配，形成人工神經(jīng)網(wǎng)絡訓練數(shù)據(jù)集，將多個GOES像素的統(tǒng)計信息與每次降水觀測進行匹配，將云紋理和變化速率的信息納入到估計過程中。結(jié)果表明降水雷達和GOES數(shù)據(jù)的組合可以用來生成大尺度長時間序列的高時空分辨率降水估計。[19]Grimes D I F等人將歐洲靜止氣象衛(wèi)星Meteosat的熱紅外圖像中獲得的冷云期（CCD）圖像與數(shù)值天氣模式分析數(shù)據(jù)一起作為人工神經(jīng)網(wǎng)絡輸入，得到非洲地區(qū)的降水估計，結(jié)果比標準CCD方法有一定改進，特別是對較大降雨量的改進很明顯。[20]

三、其他應用

除了云識別和降水估計以外，衛(wèi)星資料在氣象資料反演、災害性天氣識別、生態(tài)監(jiān)測等方面也有很多成功應用，在防災減災救災和生態(tài)文明建設中可以發(fā)揮重要作用。

1.氣象衛(wèi)星資料反演

氣象衛(wèi)星資料反演是指將衛(wèi)星探測的原始數(shù)據(jù)經(jīng)一定的變換、訂正與計算, 反求出表征衛(wèi)星探測對象某種特性狀態(tài)的演算過程。在地面觀測數(shù)據(jù)不足時，氣象衛(wèi)星資料反演得到的均勻的、高時空分辨率的氣象要素資料具有很高的價值。胡文東等人利用BP人工神經(jīng)網(wǎng)絡和最優(yōu)擬合回歸方法，基于日本GMS-5衛(wèi)星紅外資料，建立了反演大氣相對濕度場的數(shù)學模型。[21]鮑艷松等人利用人工神經(jīng)網(wǎng)絡方法，研究了我國靜止氣象衛(wèi)星風云四號的高光譜紅外載荷大氣溫度廓線反演方法。[22]涂滿紅等人研究了基于中國北斗導航衛(wèi)星反射信號的支持向量機海面風速反演方法。[23]

2.災害性天氣識別

災害性天氣識別是對人民生命財產(chǎn)有嚴重威脅、對工農(nóng)業(yè)和交通運輸會造成重大損失的天氣進行歸類和定性。[24]利用我國極軌氣象衛(wèi)星風云一號D星（FY-1D）遙感數(shù)據(jù)，劉年慶等人提出了一種基于支持向量機的大霧判別方法。[25]Lakshmanan V等人基于美國GOES衛(wèi)星和多普勒天氣雷達（WSR-88D）獲得的反射率數(shù)據(jù)和云頂紅外溫度資料，研究了一種用于識別不同尺度風暴的天氣圖像的分層K均值聚類方法。[26]周康輝等人利用模糊邏輯算法，結(jié)合風云氣象衛(wèi)星的紅外亮溫和地面氣象觀測、雷達等多源數(shù)據(jù)，實現(xiàn)了雷暴大風與非雷暴大風的有效識別和實時監(jiān)測。[27]

3.衛(wèi)星生態(tài)監(jiān)測

衛(wèi)星生態(tài)監(jiān)測是利用衛(wèi)星監(jiān)測天氣、農(nóng)作物生長狀況、森林病蟲害、空氣和地表水的污染情況等，其最大的優(yōu)點是覆蓋面寬，可以獲得人工難以到達的高山、叢林資料。楊俊濤等人利用決策樹分類方法，基于美國靜止氣象衛(wèi)星GOES數(shù)據(jù)生成了雪蓋產(chǎn)品，同時融合被動微波輻射計（AMSR-E）雪水當量產(chǎn)品進行雪蓋聯(lián)合監(jiān)測。[28]梁益同等人利用神經(jīng)網(wǎng)絡方法實現(xiàn)了基于美國極軌氣象衛(wèi)星NOAA的森林火點自動識別。[29]樓琇林等人利用美國NOAA衛(wèi)星可見光和熱紅外波段遙感數(shù)據(jù)，研究了基于人工神經(jīng)網(wǎng)絡的赤潮監(jiān)測方法。[30]Roberts D A等人基于光譜混合分析和決策樹分類方法，利用1975年至1999年期間在三個相鄰地區(qū)獲得的33個Landsat場景，描述了巴西隆多尼亞中部超過80000km土地覆蓋的時空變化。[31]彭靜等人對美國Landsat影像資料進行決策樹分類，得到土地利用/覆蓋分類圖像，來研究背景城市熱島的時空變化；[32]李建楠等人采用監(jiān)督分類支持向量機方法，利用美國Landsat衛(wèi)星遙感影像進行了呼和浩特地區(qū)地表覆蓋類型的識別。[33]何文莉等人基于我國環(huán)境與災害監(jiān)測預報衛(wèi)星HJ-1A/B數(shù)據(jù)對濕地地表類型進行識別，提取了鄱陽湖自然濕地的湖泊濕地類型變化數(shù)據(jù)。[34]

四、小結(jié)

目前，我國有8顆風云氣象衛(wèi)星在軌業(yè)務運行，為全球93個國家和地區(qū)提供服務，是世界氣象組織全球業(yè)務應用氣象衛(wèi)星序列的重要成員。風云衛(wèi)星數(shù)據(jù)逐日遞增，僅2018年的數(shù)據(jù)服務總量就達到近5PB，如何認識、理解和用好衛(wèi)星數(shù)據(jù)是當前的一個重大課題。未來應加強機器學習的應用，提高風云衛(wèi)星資料中云識別、降水估計、災害性天氣識別等信息提取和判別的準確性，同時在生態(tài)監(jiān)測中發(fā)揮重要作用，為國家防災減災、經(jīng)濟建設、生態(tài)文明建設等提供科技支撐。