首页|基于随机森林和卷积神经网络的FY-4A号卫星沙尘监测研究

基于随机森林和卷积神经网络的FY-4A号卫星沙尘监测研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
利用归一化差值沙尘指数NDDI(Normalized Difference Dust Index)、随机森林RF(Random For-ests)和卷积神经网络CNN(Convolutional Neural Networks)算法结合对地静止风云四号气象卫星(FY-4A)中多通道扫描成像辐射计AGRI(Advanced Geostationary Radiation Imager)数据对塔里木盆地沙尘进行监测研究.结果表明,AGRI数据计算得NDDIAGR1沙尘指数在监测沙尘时,需要针对不同时间的AGRI数据取不同的阈值;并且对云和陆地的交错区域,以及一些植被覆盖和荒漠交错区域存在错误识别.RF建立的沙尘监测模型,测试样本精确度(Precision)、召回率(Recall)、F1-score的值都达100％,训练样本的交叉验证精度平均值为99.5％;CNN模型中,训练样本和测试样本的精确值(Accuracy)和损失函数值(Loss)都分别为99.9％和0.1％;因此RF和CNN模型都具有较强的沙尘监测能力.在实际沙尘监测中CNN相比RF在识别沙尘与非沙尘交界处更加精确,RF和CNN在沙尘识别过程中都易将部分沙尘与云混合区域以及戈壁错误识别成沙尘.
Sand and Dust Monitoring Using FY-4A Satellite Data based on the Random Forests and Convolutional Neural Networks

姜红、何清、曾晓青、唐冶、赵克明、窦新英

展开 >

新疆维吾尔自治区气象台,新疆乌鲁木齐 830002

中亚大气科学研究中心,新疆乌鲁木齐 830002

国家气象中心,北京 100081

沙尘 随机森林 卷积神经网络 风云四号卫星 机器学习

CAAS2019112019QZKK010206

2021

10.7522/j.issn.1000-0534.2020.00060

高原气象
中国科学院寒区旱区环境与工程研究所

高原气象

CSTPCDCSCD北大核心
影响因子：2.193
ISSN：1000-0534
年,卷(期)：2021.40(3)
  • 12
  • 14