留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种人工神经网络云分类方法的改进与应用

张振华 苗春生 曾智华 师春香

张振华, 苗春生, 曾智华, 等. 一种人工神经网络云分类方法的改进与应用. 应用气象学报, 2012, 23(3): 355-363..
引用本文: 张振华, 苗春生, 曾智华, 等. 一种人工神经网络云分类方法的改进与应用. 应用气象学报, 2012, 23(3): 355-363.
Zhang Zhenhua, Miao Chunsheng, Zeng Zhihua, et al. Improvement and application of artificial neural networks to cloud classification. J Appl Meteor Sci, 2012, 23(3): 355-363.
Citation: Zhang Zhenhua, Miao Chunsheng, Zeng Zhihua, et al. Improvement and application of artificial neural networks to cloud classification. J Appl Meteor Sci, 2012, 23(3): 355-363.

一种人工神经网络云分类方法的改进与应用

资助项目: 

国家自然科学基金项目 40875039

国家自然科学基金项目 40921160381

详细信息
    通信作者:

    张振华, E-mail: guible1985@gmail.com

Improvement and Application of Artificial Neural Networks to Cloud Classification

  • 摘要: 采用2005—2009年FY-2C静止气象卫星可见光和红外自旋扫描辐射计的红外1(IR1)、红外2(IR2) 和水汽 (WV) 亮温资料,选取2449个云分类样本。设计两层嵌套的前向传递后向反馈 (BP) 人工神经网络模型,第1层网络选取IR1,IR2,WV亮温及IR1与WV亮温差和IR2与WV亮温差5个特征量,第2层网络选取特征量IR1与IR2亮温差,两层网络都采用一层隐含层且带有附加动量法的简单网络,降低了网络的冗余度。误差分析表明:嵌套BP人工神经网络模型的分类准确率在中云和薄卷云这两类上分别提高了42.7%和11.3%,整个分类模型的平均平方误差和标准化平均平方误差分别降低了6.1%和44.7%,相关系数提高了3.4%。通过3个个例的对比分析发现,嵌套模型的分类结果比传统模型的分类结果更合理,特别是在中低云和薄卷云的云量和位置分辨能力上有了较大提高。
  • 图  1  样本特征量概率分布

    Fig. 1  The probability distribution of cloud sample features

    图  2  BP人工神经网络模型图

    Fig. 2  The diagram of the BP artificial neural network model

    图  3  样本独立特征量

    Fig. 3  The independent features of cloud samples

    图  4  嵌套BP人工神经网络模型

    Fig. 4  The diagram of the nested BP neural network model

    图  5  传统和嵌套模型准确率对比

    Fig. 5  The comparison of accuracy rates of the nested and traditional models

    图  6  嵌套和传统BP人工神经网络模型云分类对比

    Fig. 6  The comparison of cloud classification products by the nested and traditional BP neural network models

    表  1  VISSR通道特征

    Table  1  Specifications of VISSR channels

    通道
    标号
    通道
    名称
    光谱
    范围/μm
    空间
    分辨率/km
    1 IR1 10.3~11.3 5
    2 IR2 11.5~12.5 5
    3 WV 6.3~7.6 5
    4 IR4 3.5~4.0 5
    5 VIS 0.55~0.90 1.25
    下载: 导出CSV

    表  2  云分类和样本信息

    Table  2  The information of classes and samples

    分类 样本数 备注
    强对流云 515 积雨云和发展旺盛的对流云
    厚卷云 244 较厚的密卷云和积雨云的卷云毡
    薄卷云 232 毛卷云、卷积云和较薄的密卷云
    中云 214 高层云、高积云
    低云 404 层积云、层云、雨层云
    海洋 435 晴空下的海洋
    陆地 405 晴空下的陆地
    下载: 导出CSV

    表  3  云分类特征量表

    Table  3  The selected features of the cloud classification

    云分类特征 描述
    IR1亮温 红外1通道的云顶亮温
    IR2亮温 红外2通道的云顶亮温
    WV亮温 水汽通道的云顶亮温
    IR1与IR2亮温差 红外1和红外2通道的分裂窗差
    IR1与WV亮温差 红外1和水汽通道的亮温差
    IR2与WV亮温差 红外2和水汽通道的亮温差
    下载: 导出CSV

    表  4  测试样本准确率 (单位:%)

    Table  4  The accuracy rates of test samples (unit: %)

    云分类 晴空 低云 中云 薄卷云 厚卷云 对流云
    晴空 97.379 2.620 0 0 0 0
    低云 3.465 92.574 3.960 0 0 0
    中云 0 31.250 67.708 0 1.042 0
    薄卷云 0 9.538 5.660 82.915 1.887 0
    厚卷云 0 0 0.806 0 87.903 11.290
    对流云 0 0 0 0 6.179 93.820
    下载: 导出CSV

    表  5  云分类模型参数

    Table  5  The parameters of each cloud classifier

    网络类型 输出层 隐含层 附加动量
    步长 层数 神经元个数 步长
    传统BP网络 0.1 1 16 1 0.7
    嵌套网络第1层 0.1 1 9 1 0.7
    嵌套网络第2层 0.1 1 6 1 0.7
    下载: 导出CSV

    表  6  准确率对比表

    Table  6  Accuracy rates of the traditional and nested models

    网络类型 EMS ENMS r
    传统网络 0.0479 0.1133 0.9385
    嵌套网络 0.045 0.0627 0.9708
    下载: 导出CSV
  • [1] Shenk W E, Neff R A, Holub R J. A multispectral cloud type identification method developed for tropical ocean areas with Nimbus-3 MRIR measurements (Medium Resolution Infrared Radiometer). Mon Wea Rev, 1976, 104(3): 284-291. doi:  10.1175/1520-0493(1976)104<0284:AMCTIM>2.0.CO;2
    [2] 张承福.神经网络系统.力学进展, 1988, 18(2): 145-160. http://cdmd.cnki.com.cn/Article/CDMD-10424-2004133649.htm
    [3] 张承福.人工神经网络在天气预报中的应用研究.气象, 1994, 20(6): 43-47. doi:  10.7519/j.issn.1000-0526.1994.06.008
    [4] 蔡煜东, 汪列, 姚林声.人工增雨有利条件的神经网络识别与估价.应用气象学报, 1994, 5(1): 125-128. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=19940121&flag=1
    [5] 张韧, 蒋国荣, 余志豪, 等.利用神经网络计算方法建立太平洋副高活动的预报模型.应用气象学报, 2000, 11(4): 474-483. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20000469&flag=1
    [6] 师春香, 卢乃锰, 张文建.卫星面降水估计人工神经网络方法.气候与环境研究, 2001, 6(4): 467-472. http://www.cnki.com.cn/Article/CJFDTOTAL-QHYH200104010.htm
    [7] 梁益同, 胡江林. NOAA卫星图像水体信息神经网络识别方法的探讨.应用气象学报, 2001, 12(1): 85-90. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20010111&flag=1
    [8] 熊秋芬, 胡江林, 夏军.神经网络方法在静止卫星多通道资料估算降水中的应用.气象, 2002, 28(9): 17-21. doi:  10.7519/j.issn.1000-0526.2002.09.004
    [9] 樊晓平, 彭展, 杨胜跃, 等.基于多层前馈型人工神经网络的抑郁症分类系统研究.计算机工程与应用, 2004, 40(13): 205-208. doi:  10.3321/j.issn:1002-8331.2004.13.067
    [10] 金龙, 吴建生, 林开平, 等.基于遗传算法的神经网络短期气候预测模型.高原气象, 2005, 24(6): 981-987. http://cpfd.cnki.com.cn/Article/CPFDTOTAL-ZGQX200312005034.htm
    [11] 邵利民, 傅刚, 曹祥村, 等. BP神经网络在台风路径预报中的应用.自然灾害学报, 2009, 18(6): 104-111. http://www.cnki.com.cn/Article/CJFDTOTAL-ZRZH200906018.htm
    [12] 黄小刚, 费建芳, 陈佩燕.利用神经网络方法建立热带气旋强度预报模型.应用气象学报, 2009, 20(6): 699-705. doi:  10.11898/1001-7313.20090607
    [13] 闵晶晶, 孙景荣, 刘还珠, 等.一种改进的BP算法及在降水预报中的应用.应用气象学报, 2010, 21(1): 55-62. doi:  10.11898/1001-7313.20100107
    [14] Lee J, Weger R C, Sengupta S K, et al. A neural network approach to cloud classification. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(5): 846-855. doi:  10.1109/36.58972
    [15] Bankert R L. Cloud classification of a AVHRR imagery in maritime regions using a probabilistic neural network. J Appl Meteor, 1994, 33(8): 909-918. doi:  10.1175/1520-0450(1994)033<0909:CCOAII>2.0.CO;2
    [16] Baum B A, Tovinkere V, Titlow J, et al. Automated cloud classification of global AVHRR data using a fuzzy logic approach. J Appl Meteor, 1997, 36(11): 1519-1540. doi:  10.1175/1520-0450(1997)036<1519:ACCOGA>2.0.CO;2
    [17] Tian B, Shaikh M A, Azimi-Sadjadi M R, et al. A study of cloud classification with neural networks using spectral and textural features. IEEE Transactions on Neural Networks, 1999, 10(1): 138-151. doi:  10.1109/72.737500
    [18] Liu Y, Xia J, Shi C X, et al. An improved cloud classification algorithm for China's FY-2C multi-channel images using artificial neural network. Sensors, 2009, 9(7): 5558-5579. doi:  10.3390/s90705558
    [19] 师春香, 瞿建华.用神经网络方法对NOAA-AVHRR资料进行云客观分类.气象学报, 2002, 60(2): 250-256. doi:  10.11676/qxxb2002.031
    [20] 师春香, 吴蓉璋, 项续康.多阈值和神经网络卫星云图云系自动分割试验.应用气象学报, 2001, 12(1): 70-78. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=20010108&flag=1
    [21] 国家卫星气象中心. 风云二号C卫星业务产品释用手册. 2005: 61-66.
    [22] 金龙.人工神经网络技术发展及在大气科学领域的应用.气象科技, 2004, 32(6): 385-392. http://www.cnki.com.cn/Article/CJFDTOTAL-QXKJ200406000.htm
    [23] Hsieh W W, Tang B. Applying neural network models to prediction and data analysis in meteorology and oceanography. Bull Amer Meteor Soc, 1998, 79(9): 1855-1870. doi:  10.1175/1520-0477(1998)079<1855:ANNMTP>2.0.CO;2
    [24] 金龙, 况雪源, 黄海洪, 等.人工神经网络预报模型的过拟合研究.气象科技, 2004, 62(1): 62-70. http://www.cnki.com.cn/Article/CJFDTOTAL-QXXB200401006.htm
    [25] 俞善贤, 钟元, 滕卫平.热带气旋路径人工神经元预报方法对比试验研究.热带气象学报, 2004, 20(5): 523-529. http://cpfd.cnki.com.cn/Article/CPFDTOTAL-ZGQX200312006032.htm
    [26] 陈渭民, 夏浣清, 陈光宇.卫星气象学.北京:气象出版社, 2003.
    [27] 胡金滨, 唐旭清.人工神经网络的BP算法及其应用.信息技术, 2004, 4(4): 1-4. http://cdmd.cnki.com.cn/Article/CDMD-10220-2002073238.htm
    [28] 郁凡, 陈渭民.双光谱云图的云分类探讨.南京气象学院学报, 1994, 17(1):117-124. http://www.cnki.com.cn/Article/CJFDTOTAL-NJQX199201012.htm
    [29] 吕砚山, 赵正琦. BP神经网络的优化及应用研究.北京化工大学学报, 2001, 28(1): 67-69. http://cdmd.cnki.com.cn/Article/CDMD-10157-1012302301.htm
    [30] 朱乾根, 林锦瑞, 寿绍文, 等.天气学原理和方法.北京:气象出版社, 2000: 515-521.
  • 加载中
图(6) / 表(6)
计量
  • 摘要浏览量:  3317
  • HTML全文浏览量:  1048
  • PDF下载量:  1720
  • 被引次数: 0
出版历程
  • 收稿日期:  2011-09-17
  • 修回日期:  2012-02-06
  • 刊出日期:  2012-06-30

目录

    /

    返回文章
    返回