基于機器學習的偏振遙感云檢測優化算法研究

吳艷平

（安徽亳州新能源學校 安徽 亳州 236700）

0 引言

云是地球水循環的中間環節，是水汽在高空遇冷液化凝集而形成的一種可見聚合物，對地球水循環、地表輻射平衡的調節均有著重要意義。 通過遙感偏振技術對云進行檢測，是去除陸地氣溶膠物理特性的關鍵步驟，隨著研究的不斷深入，計算機算法應用于云的檢測已較為普遍，通過計算機算法和大氣遙感技術、人工智能技術的結合，能夠實現智能化、自動化的大氣監測。 基于機器學習的云檢測算法逐漸成為研究的熱點［1］。 但現有偏振遙感云檢測中算法及數據在識別高反射率地表環境以及高反射云像時存在偏差，容易出現判定模糊等問題。 本文在現有偏振遙感云檢測算法基礎上，基于機器學習構建一種更具泛用性、實用性和可靠性的偏振遙感云檢測算法模型，以期為偏振遙感云檢測工作的優化提供啟發與參考。

1 基本原理

1.1 偏振遙感的基本理論

在云和氣溶膠檢測與分析中，偏振信息更具特異性和靈敏性，檢測偏振信息更能夠體現云和氣溶膠的特性，我國廣泛應用偏振遙感技術實施云檢測。 目前，偏振遙感技術的常用偏振算法主要有兩種，分別是多角度偏振（polarization and directionality of the Earth’s reflectances，POLDER3）衛星載荷和多角度偏振成像儀（directional polarimetric camera，DPC）衛星載荷［2］。 基于490 nm、670 nm、865 nm 三個偏振頻段的托克斯矢量I、Q、U檢測來識別和鑒定陸地氣溶膠特性，算法規則為式（1）、式（2）所示：

式（1）、式（2）中，R代表反射率，RP代表偏振反射率，而I、Q、U則是對應的托克斯矢量數據，θS代表天頂角（太陽），將遙感數據代入對應算法，可得到與云有關氣溶膠的特質信息，同時這兩個基本算法均支持可逆計算。

1.2 PSO?BP 神經網絡模型

誤差逆向傳播算法（back propagation，BP）訓練的多層前饋網絡是一種常見的人工神經網絡模型，用于解決分類、回歸和模式識別等問題。 它由輸入層、隱藏層和輸出層組成，每個層都由一系列神經元（或稱為節點）組成。每個神經元都與前一層的所有神經元相連，并且每條連接都有一個表示連接強度的權重系數。

粒子群算法（particle swarm optimization，PSO）是一種元啟發式優化算法，靈感來源于鳥群或魚群等群體在搜索食物或棲息地時的行為。 它通過模擬粒子在解空間中的移動和信息共享來尋找最優解。 算法基本思想是將解空間看作是粒子的運動空間，每個粒子代表一個潛在解。 粒子在解空間中通過速度和位置進行搜索，通過與其他粒子的交互，不斷調整自己的位置和速度，以找到更優的解。

雖然BP 神經網絡和PSO 算法的核心規則不同，但兩者的連接權值與粒子群維度一致，能夠使用統一的計算公式計算權值。 如式（3）所示。

式（3）中，m、l、q分別代表輸入層、輸出層、隱藏層的節點數量；d為連接權值。 在迭代過程中，適應函數需要與BP網絡中的均方差保持一致，它不僅可以用于計算適應度值，還可作為評價函數［3］。 適應度函數E為式（4）所示：

式（4）中，N表示樣本總數，和分別表示樣本數據在第k個輸出節點的網絡輸出值和網絡期望輸出值。

2 基于機器學習的云檢測算法

2.1 算法基本流程

在POLDER3 衛星載荷和DPC 衛星載荷兩種算法基礎上進行算法構建，利用衛星觀測數據進行測算，具體構建思路如下：

（1）首先對衛星觀測數據進行提取和處理，其次遵循偏振遙感的基本原理［式（1）和式（2）］進行數據截取，最后共提取出4 個矢量方向上14 組有效數據，再根據算法公式分別計算出90 nm、670 nm 和865 nm 通道的偏振反射率。

（2）首先以像元的經緯度為依據對衛星信息數據進行分類和匹配，識別和鑒別不同地表環境下的偏振遙感數據參數；其次建立典型數據模型，并基于其建立機器學習模型，初步完成識別和鑒別不同條件下氣象云或氣溶膠現象。

（3）首先對訓練好的偏振遙感云檢測模型進行測試，其次通過將衛星觀測數據輸入機器學習模型；最后通過比對實際數據和機器學習模型運算數據來檢驗算法的準確性，再根據結果進行調整與優化，直至調試至最佳狀態。

2.2 多特征量數據集的選取

為提高算法構建效率，確保算法模型有效性，有必要就POLDER3 載荷和星載激光雷達（cloud?aerosol lidar with orthogonal polarization，CALIOP）載荷在云檢測中的特性進行分析。 依據偏振遙感的算法規則，從以下幾方面對算法特性進行描述［4］：

（1）反射率

不同波段代表了不同的地表條件，如443 nm 波段的反射率能夠有效區別晴空和云的像元，兩個不同的像元在這一波段有著最大的對比度，因此想要識別與鑒別兩個像元，可選用該波段；而在670 nm 的波段中，云的反射率最高、地表的反射率最低，因此想要降低復雜地表對云檢測結果的影響，可在該波段下進行遙感信息分析，也可將參數設定在670 nm 來尋找對比度較低圖像中的亮云。

（2）偏振反射率

通過調整偏振反射率能夠識別和鑒別圖像中的不同構成，490 nm 的波段偏振反射核心對象是大氣分子，670 nm 的波段偏振反射核心對象是云和晴空，而在865 nm 波段的偏振反射核心則是云，因此選擇不同的偏振反射率可以使圖像顯示不同的要素，可根據實際數據分析需要來設置合適的偏振反射率參數。

（3）多角度觀測

POLDER3 載荷搭載于衛星時，支持從多個角度對同一目標進行觀測，通過多角度觀測能夠獲得更具代表性和典型性的圖像數據，因此POLDER3 載荷在識別云與地表信息上有著極高的靈敏度和特異度。

（4）波段組合

通過不同的波段組合能夠定向獲取遙感信息，比如云在670 nm 和865 nm 的波段有著較高的反射率，在近紅外波段的670 nm 和可見光波段的865 nm 處，云的反射率非常接近，而無云的晴空在這兩個波段的反射率則相對較低，因此可以通過波段組合的方式來更高效地識別云和晴空。

3 云檢測模型的搭建與測試

根據特征變量的性質和數據規模，選擇適合的機器學習算法模型，如支持向量機、人工神經網絡等。 使用訓練集對選定的模型進行訓練和調優，以得到較好的云檢測模型。 使用獨立的測試數據集對訓練好的模型進行測試和驗證，評估云檢測算法的準確性和效果，并進行調整和優化［5］。 將訓練好的模型應用到實際，并根據實際情況進行優化調整，以進一步提高準確性和效率。

3.1 PSO?BP 神經網絡云檢測模型搭建

選擇偏振遙感數據，通過將經算法處理的數據與實際數據進行比對，以檢驗算法的有效性。 本研究中所用數據集包共包含了22 270 個像元點，在數據規模上可保證數據分析結果的普遍性。

在云檢測模型上綜合PSO 和BP 兩種檢測規則，建立一個具有5 層神經網絡、以sigmoid 函數為激活函數的具有啟示性和自我優化能力的云檢測模型，經過46 次迭代時系統提示達到了最佳適應度。 初始化BP 神經網絡權值和閾值，然后遵循混合算法的一般運行邏輯進行反復訓練，直至訓練精度達到偏振遙感云檢測的靈敏度需求［6］。

采用交叉驗證法進一步優化網絡模型和超參數，從預先準備的數據集包中隨機選取15%的數據量進行模型測試，通過反復演算來檢驗最佳效果，檢驗新構建模型算法的有效性。 設定云檢測概率閾值為60%，隨機從數據集包中選取15%的數據再進行測試，結果顯示測試的擬合率達到0.919，該結果說明了構建的PSO?BPNN 算法具有較高的魯棒性、靈敏度，在理論上是一種較為優質的偏振遙感云檢測模型。

基于機器學習的優化算法可以有效地提高偏振遙感云檢測的準確性和效率，并且可以根據實際情況進行調整和優化，以適應不同的遙感數據和場景。 從而在遙感數據處理和應用中有更好的應用前景［7］。

3.2 基于POLDER3 數據的云檢測結果

選取POLDER3 －L1B 在2007 年8 月1 日的數據，其中包含了常規地表環境以及高反射地表環境，將這些數據提交到構建的PSO?BPNN 云檢測算法進行重復檢測，將檢測結果與已知數據進行比對，以此來檢驗PSO?BPNN 云檢測算法的靈敏度和可靠性。

為了驗證實驗的有效性和科學性，進行了多種算法的試驗結果對比驗證，主要有POLDER 官方算法、中分辨率成像光譜儀（moderate resolution imaging spectroradiometer，MODIS）官方算法、BP 神經網絡法以及經過PSO 優化的BP 神經網絡法。 其中，POLDER 官方算法和MODIS 官方算法采用傳統的閾值法進行云檢測。 POLDER 算法是根據單個像元的反射率、偏振反射率、表觀壓強和方向等多個閾值進行云檢測，而MODIS 官方算法則利用多通道反射率和亮溫的閾值法進行云識別。

在本研究中，選擇相同的地區和時間范圍，對比POLDER3 官方云檢測產品和MODIS 衛星的MOD06＿L2云檢測產品進行對比驗證。 其中，MOD06＿L2 數據的空間分辨率為1 km，高于POLDER3－L1B 的6 km，每個像元的尺寸約為POLDER3－L1B 的1／36。

為了便于觀察和鑒別，遵循目視法的基本理念，對不同區域進行著色標記，官方確認的云像元、晴空分別標記為藍色和黃色，而官方未確認的像元則標記為綠色。 通過目視觀察發現在官方衛星的遙感圖像中，未確定區域主要存在于云像元和晴空的交界處，主要原因是存在閾值模糊的問題，這提示衛星載荷算法無法有效識別偏振遙感閾值模糊的部分，導致這一結果的原因主要與云的反射率有關，當云層較厚時，云的反射率明顯提高，而云的邊緣區域厚度較低，因此反射情況并不理想，最終導致邊緣模糊的問題。 出現這一現象，說明官方傳統閾值算法可以有效篩選出云像元，但如果云本身厚度不足或處于高反射性的地表上時，傳統閾值算法的不確定性增加，最終可能導致云像元識別錯誤的問題。 本研究構建的PSO?BPNN 云檢測法能夠避免這一問題，提高反射性云和地表的識別能力，因此能夠識別出更多的云像元。

為了便于觀測與統計，在測試時以MODIS 云檢測結果中每36 個像元為一個比對窗口，如果一個比對窗口內云像元的數量占半數以上，則將該比對窗口標記為云，如果一個比對窗口內云像元數量占半數以下，則將該比對窗口標記為晴空。 使用新構建的算法對每一個比對窗口進行重新識別與檢測，通過對比檢測結果來評價PSO?BPNN云檢測算法的靈敏度和準確度，結果顯示在對比對窗口像元的評價上，新算法與MODIS 云檢測保持著高度的一致性，符合率大于90%，而在具體的圖像上，PSO?BPNN 云檢測算法的結果對比度與分辨率更高，在云像邊緣和薄云識別上仍保持著較高的靈敏度與準確度［8］。 因此，PSO?BPNN 云檢測算法比當前廣泛應用的偏振遙感云檢測算法更加高效，在像元識別上與常規算法保持高度一致，在高反射區域的識別上卻優于常規算法。

4 結語

傳統偏振遙感經驗閾值云檢測測算規則在高反射云層和地表同時出現時存在識別模糊的問題，為了解決這一問題，本文提出了一種同時結合主動和被動遙感衛星載荷的機器學習云檢測算法，利用BP 網絡和PSO 算法的啟示性和可訓練特點，不斷提高算法在偏振遙感云檢測中的魯棒性，最終建立了一種適用于多種地表上空云的檢測模型。 測試結果表明，基于PSO?BPNN 的云檢測算法有更高的精度和靈敏度，與官方數據保持高度一致性。