免费文献传递   相关文献

Method for Recognising the Unusual High Temperature Points through NOAA/AVHRR Data

一种识别NOAA/AVHRR数据异常高温点方法的研究*



全 文 :第 6 卷 第 6 期
1 9 9 3 年 1 2 月
林 业 科 学 研 究
FO R E ST R E S E A R C H
V o l
.
6
,
N o
.
6
D e e
. ,
1 9 0 3
一种识别NOAA / AV HR R数据异常高温点方法的研究 *
纪 平 易浩若 白黎娜 张彦忠
关钮词 B P网络 、 K L变换、 异常高温点
近年来 , 极轨气象卫星 ( N O A A ) 的应用范围已 由气象扩展到海水温度 、 海冰 、 水涝灾
害、 森林火灾和草地火灾等方面的监测 , 植被宏观监测及城市热岛现象研究等广阔领域 , 应
用技术正向高水平发展 , 其目标是 : 定量化应用研究的开展 , 如农作物估产研究等; 提高宏
观监测精度和准确率的各种方法的研究和应用 。
针对宏观监测森林火灾提高报准率的问题 , 目前 已有监测森林火灾的方法 , 主要是根据
N O A A / A V H R R C H 3 ( 3
.
5 5一 3 . 93 终m ) 数据异常, 得出判断结论 , 这种作 法 的报 准 率
低 , 且不同地域的适应性差 , 对此 , 作者进行了大量研究 , 在对我国不同地区的多轨N O A A /
A V H R R IB数据进行处理 、 分析 、 对比后 , 得出如下看法 : ¹ 用A V H R R C H 3 监测森 林
火灾的干扰除来自卫星一地面接收站系统 自身的噪声外 , 主要来自地表地物对太阳辐射的反
射 , 其中有水体、 无植被地 区地表土壤 、 砂地 、 岩石 、 冰雪等的反射 , 也有少植被的沼泽、
盐碱地的反射等等 , 称为非高温点干扰 。 º 对监测森林火灾来说 , 草地火 、 工业用火 、 农用
火等也是影响报准率的重要干扰因素 , 称为非林火点干扰 。 在研究中 , 为 了提高报准率和具
备不同地域的适应性 , 把监测森林火灾问题从方法上分解为两个步骤 : 第一 , 识别N O A A 盯
A V H R R数据的异常高温点 , 排除非高温点干扰 。 第二 , 识别异常高温点中的林火点 , 排除
非林火点的干扰。 在排除非高温点干扰的方法研究 中, 据林火等真实高温点与非高温干扰点
分别对 N O A A 洲A V H R R各通道数据反映的差异 , 采用人工神 经 网 络 方 法 , 将 N OA A 盯
A V H R R I
, 2 , 3 , 4作为对异常高温点的描述 , 即网络的输入单元 。 训练好的网络在对几幅
图象中异常高温点的识别上取得了较高的精度〔‘〕, 但也有极个别高温点未被识别 。 针对这‘
问题 , 提出了在 K L 变换基础上 , 对异常高温点进行采样 、 网络选择 、 训练、 测试的方法 ,
满意地完成了高温点与非高温点的识别工作 。
1 BP网络及其算法修正
本方法中依然采用 B P网络 , 含一个隐层 , S 型转换函数 , 现将其算法及修正叙述如下 。
1
.
1 B P算法
BP网络的学习过程是有监督学习过程 , 可以分为正向和反 向传播 两 步 , 在 正 向传 播
中 , 网络通过现有连接权将给定输入正向传播 , 在输出层获得各单元的实际输出 ; 在反向传
播中 , 网络将实际输出与期望输出产生的一般误差逆向传回输入层 , 以获得调整各连接权所
19 93一 02一10收稿 。
纪平助理研究员 , 易浩若 , 白黎娜 , 张彦忠 ( 中国林业科学 研究院资源信 息研究 所 北京 10 0 0 91
平本研究为 “八五 ” 国家科技攻关项 目 “西南林区 等火灾监测评价 ” 的阶段成果 ,
69 6 林 小 科 学 研 究
需的各 一单元参考误差川 , 具体算法过程为 :
¹ 权值和节点偏移的初始化 ; º 给定输入向最X 和所希望的输 出向量 T ;
出向肚犷 ; 匀梯度计算 , 对输出层 :
占‘ = (T ‘一 Y 。) f ’ i (艺 , W 。, Y , + 乡‘)
对 隐层 : 咨‘ = f ’ ‘( 艺 ,班‘, y , + 8 ‘) 艺泌、附、 ‘
其中 i , j 为第 £ , J 个节点 , 寿为第 k 个样本 , f 为转换函数 ; ½ 权值学习
八附 。s = 月占尤W ‘
即 班 ‘j (秃+ 1) = W ; , ( 掩) + 刀d , Y ,
6 卷
» 计算实际输
、,户夕,于、J.119†nOJ任矛扭、户‘了r
其中 月为学习率 ; ¾返回º 直到收 敛 仁5 1; 算法
框图见图 1 。
1
.
2 算法修正
传统的B P网络学习算法 , 由于采用的是梯
度下降法 , 因此 (3) 式中 的 月 ( 学 习 率 ) 不
可取得过大 , 但 月太小又影响了算法的收敛速
度 , 为改善这种情况 , 对 ( 3) 式作如下修改 :
八班‘, = 月d‘Y ‘+ 仅△才‘i ( 5 )
其中 。 为一可选比例 数 , 这 样 若 △‘, 增 强 ,
a △W ‘, )降增加这种增强趋势 , 若八班 。, 产生 振
荡 , △a 甲 ‘, 将抵消这种行为 , 使得算法可 以在
一个低学习率下快速收敛 , 试验的结果也表明
a = 0
.
8 比a 二 。. 4 , a 二 。 l付的收敛速 度 要 快 得
多 。
图工 B P 算法框田
2 计算试验
2 . 1 样本点描述及试验教据选取
研究分常高温 汽的 目的 , 是为 了判别该点是否为林火点 , 从对N O 八A数据进行 处 理 后
的图爪 分听来看, 仅对林 火而言 , 人V H R R CH I 主要显示了烟和云 的分布 , A V H R R C H Z
反映 二‘植 波烧毁的情况 , A V H R R C H 3的亮点就是异常高温点 , A V H R R CH 4 、 CH S主要
表现的是大 气下垫层温度 , 据上述分析 , 将其作为对异常高温点的描述川 。 但 由 于 该 描 述
方式的不完整性 , 加上噪声等因素的影响 , 使个另l]点不 能被网络正确识 别 。 为 此 , 作 者 对
N O A 火9 / 人V H 尺尺数据进行 了K L 变换〔‘1, 变换后的特征分量对林火而言主要代表 : 第一 主
特征为植被情况 ; 第二主特征为火 I纷清况 ; 第三主特征是烟 ; 第四主特征是过火迹地 ; 第五
主特征为噪声 , 所以 , 仍然选择四个分 爪的矢 以来描述 一个异常高温点 , 所不同的是这四个
分 录为K L 变换后的1一4主特征 。
从儿幅火灾卫星图象中选取了 4 幅 , 其中有特大林火 , 也有小而积林 火, 有草场火 , 也
有计 划火烧火 , 图象中 坠火点的象元点个数总共为 137 个 , 川其 , !, 19 8个火点及6 0 个非火点作
为训练数据 , 32 于火点及 10 0个 作火点为测试数据 。
台期 纪 平等 : 一种识别N O A A / A V H R R 数据异常高温点方法的研究 6 9于
2

2 网络结构 ( 图2 )
据2 . 1节选择的训练 、 测试数据 , 对一个具
有单隐层 , 四个输入单元 , 一个输出单元的B P
网络 , 分别进行了不同隐结点个数的多次训练
和测试 , 结果表明 , 四个隐结点的 网 络 效 果
最好 。
在神经网络中, 要获得有关异常高温点的
知识 , 必须使网络对其训练数据进行学习 , 其
学习训练过程如下 : 将每一个样本点分别输入
网络 , 利用上述算法 , 对网络的连接权进行修
扮出层
德层
翰 入层
图 2 网络的拓扑结 构
改 , 这里 的连接权实际体现了各输入单元 之间的关系 , 直到所有样本的一般误差均满足收敛
条件为止 , 这样网络便完成了训练过程 , 即完成了知识获取过程 , 所有从样本中提取的关于
异常高温点知识 , 都分布在网络的连接权上 , 此时网络的连接权分布不仅体现了不 同样本间
的特征差异 , 且体现了相似样本间一定精度内的共同特征〔3 ’, 由此可见 , 网络实际上完成的
是知识 自动获取 , 随着样本集语意的扩展 , 网络存储的知识会不断扩充 , 另一方面 , 这种将知
识存储在网络连接权上 的结构 , 也可以作为一种知识表示机制 。因此 , 网络训练即完成 了传统
专家系统中的知识获取和知识表示工作 , 充分表现了具有自学习 、联想记忆神经网络的优势 。
从BP网络的算法来看 , 该网络实现的是一个正向推理机制 , 而这一机制的实现 过〔程 ,
对网络来说仅仅是对于给定模式的回忆过程 。 首先是计算输入层对给定模式的输出, 作为隐
层输入 , 再计算隐层输出和输出层输出, 由团值函数判定输出单元的类别 , 完成推理过程 ,
与传统的专家系统相比 , 在推理速度上网络要快得多 。
2
.
3 侧试结果
用2 . 1节所选的测试数据对已训练好的网络进行测试 , 效果非常满意 , 所选取 的 测试 点
( 32 个火点和1 0 个非火点 ) 全部被正确识别 , 由此可 以得出 , 该网络在进行异常高温点的识
别中已达到很高精度 , 见表 1 (鉴于篇幅所限 , 非异常高温点的测试结果不在其列 ) 。
表1 网络润试结果
期望输出 实 际输出 期望输出 实 际输出 期望输出 实 际输出
1
.
0 00 00 0
1
.
0 0 0 000
1
.
0 0 0 0 0 0
1
.
0 0 0 000
1
.
C0 0 000
1
.
O0 0 00 D
1
.
00 0 0D0
1
.
00 0 000
1
.
00 0 000
二. 0 0 0 0 0 0
1
.
C0 0 0 0 0
0
.
9 29 094
0
.
9 5 1 24 3
0
.
9 3 6 9 8 6
0
.
9 53 6 2 9
0
.
9 43 4 0 7
0
.
9 3 8 1 7 7
0
. 仍 1 24 3
0
.仍 3 84 6
0
.
9 5 3 6 29
0
.
94 3 4 0 7
0
.
983 48 5
1
.
ODO 0 0 0
1
.
00 D 0 00
二. 0 0 D 0 0 0
1
.
00 0 0 00
1
.
0 0 0 0 0 0
1
.
00 0 0 00
1
.
00 0 0 0 0
1
.
0 00 0 0 0
1

00 0 0 0 0
1
.
00 0 0 0 0
1
.
0 0 0 0 0 0
0
.
94 7 3 弓6
0

94 1 7 0 7
0
. 男 5 7 2 5
0
.
9材 8 7 6
0
.
94 5 7 4 8
0
.
92 9 04 9
0
.
93 8 6 7 3
0
. 钙 5 7 25
0

94 8 7 6
0
.
9 4 5 74 8
0
.
9 7 8 6 7 3
1
.
0 0 0 0 0 0
1
.
0D 0 0 D0
1
.
0 0 0 0 0 0
1
.
0 0 0 0 0 0
1
.
0 00 OOD
1
.
0 0 0 0 00
1

0 0 0 0 00
1
.
0 0 0 0 0 0
1
.
00 0 0 00
1
.
fl00 0 00
0
.
9 4 9 5 7 2
0

9 3 8 6 73
0
.
9 59 4 8 4
0
.
9 4 7 318
0
.
9 4 7 3 3 6
0
.
9 4 9 5 72
0
.
9 3 6 9 8 6
0
.
9弓9 4 8 4
0
.
9 4 7 3 1 8
0
.
9 3 8 1 7 7
的已 林 业 科 学 研 究 6 卷
3 关于试验结果的讨论
由BP算法构成的网络 , 在理论上能以任意精度模拟任一连续函数或完成其 映 射 , 并 对
可微分函数进行分类 。 该网络对相似模式 , 也可分类为与其最相似的类别 , 即便 由于训练集
语意的不完全 , 使网络未曾对所有异常高 ;品点模式进行 训练 , 也不影响它对类似 r 训练过的
模式进行识别 , 它会 将其判断为 与它最近似的模式类型 , 这 一 点也 可住对阂值函数阂值的设
置上进行控制 , 据此及 灰, 试结果 , ,丁以说该网络在异常高温点 的一识别上具有很高的精度。
尽管所选的测试子集被网络完全正确地进行 了识别 , 但山 犷工作 目的不仅为正确识别异
常高温点 , 而是要进行林火判别 , 因此对这32 个点进行 J’分析 , 发现其中 5 个不是林火点 ,
造成这种现象的原因是多样的 , 首先是对林火点的描述 . 尽份 K L 变换后 解决 了异常高温点
的描述问题 , 但从试验结 果的分析上看 , 这对林火点末说还是不够的 。 其次, 未 考虑各点的
空间变化性 。 第三 , 未利用地理信息系统进行辅助判断 , 这些都有待于在今后的工作中进行
再研究 。
本文在以往的研究工作基础上 〔‘」, 给出了新的异常高温点样本 的描述方式 。 重新选取了
训练 、 测试数据 , 并对修改了的网络拓扑结构进行 了训练和测试 , 测试结果表明 , 用这种方
法识别N O A A / A V H R R数据中的异常高温点 , 可 以得到满意的结果 。
今 考 文 献
1
. 纪平 , 昌浩若 , 白黎娜 . 人 工神经 网络识别N O A A数据异常高补 点的研究 . 见 : 重大 自然灾害遥感监 侧研究进 展 .
北 京 : 科学 技术 出版 社 , 1 993 .
2
. 靳蕃 , 范俊波 , 谭永 东 . 神经 网 络与神经计算机 原理 应用 . 成都 : 西南交大出版社 , 19 9 1.
3
. 刘位勤 , 王庆元 , 郑 南宁 . 一 种用 子皮革纹理分类的神经元 网络算 法 . 信 以与 控制 , 1 992 , (2) .
4
. 许般元 , 丁树柏 . 遥感图象信 息处理 . 北京 : 宇航出版社 , 1 9 90.
5
. 焦李成 . 神经 网络系统理 论 . 西安 : 西安电子科技 大学 出版 社 , 1 9 91.
M
e tho d fo r R e e o g n iz io g the U n u s o a l H i夕h T e m Pe r a tu r e
P o io ts thr o u g h N O A A / A 犷万R R D a ta
Ba i L in a Z ha n g Y a n z h o n g
A b$ t ra e t
n e tw o r k t o
J1 P in g Y i H a o r u 。
In th is P a P e r
,
fo r th e e r r o r d i ffe r e n t ia 七l o n o f a PPly in g
r e e o g n iz e th e u n u s u a l h ig h t e m p e r a t u r e p o in t b y u s in g
n e u r a l
N O A A
d a ta
, o n th e b a s e o f K L t r a n s fo r m a t io n
, t ho s a m p le d e s e r iPti o n 15 r e d e fin e d
fo r r e e o g n iz in g u n u s tla l h ig li t e m p e r a tu r e p r o b le m w itli d a ta s u p p lie d b y th e
N O A A s a te llite
. 、\n d t h e o ld T o p tlo g ie a l s t r u e t u r o o f t h e n e tw o r k 15 m o d i-
fie d
.
A n ew s im u la t e d e x Pe r i m e n t sh o w s th a t th e m o d ifie d n e tw o r k 15 b e tt e r
th a n

t h e o ld o n e in th e r e e o g n i z in g p r e e is io n
.
K ey w o r d s B P n e t w o r k
,
K L t r a n s fo r n za t io n
, u n u s u a l 11 ig h t e m p e r a t u r e
Ji Pia ‘, 人“ ista n t Pr o fo s s o r , Y i H a o r u o , B a i L in a , Z h a n g Y a n z h o n g (T he R e‘e a r c h In , tito te o f Fo r e -
s t R e so u re 。 In fo r m a tio n T e c hn iq u es , CA F B eijin g i 00D9 1 )
.