石小云

（中国海洋大学信息科学与工程学院，山东青岛266100）

云的形态、分布、数量及其变化标志着大气运动状况。各种类型云的辐射特性以及其分布情况，很大程度上影响着天气预报的准确性、气候监测的有效性和全球气候变化等。气象卫星是从太空对地球及其大气层进行气象观测的人造地球卫星，人们接收气象卫星的卫星云图资料，对其进行云分析，不仅可以分析大范围云系分布，研究天气系统的演变规律，而且可以详细地分析中小尺度云系[1]之间的相互作用。

最初卫星云图资料的利用依靠人工判识来解决，工作量大，耗时而且带有很大的主观性，因此，让计算机对卫星云图进行快速、准确地自动分类一直是遥感领域的热点和难点。

1 SOM网络

1.1 SOM网络简介

自组织特征映射网络也称为Kohonen网络，它是由荷兰学者Teuvo Kohonen于1981年提出的。SOM网络根据其学习规则，对输入模式进行自动分类，即在无监督的情况下，通过对输入模式的反复学习，捕捉住各个输入模式中所含的模式特征，并对其进行自组织，在竞争层将分类结果表现出来。SOM网络的典型结构如图1所示。

1.2 SOM网络的学习算法

SOM网络算法[2]是无监督学习算法的代表，能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。

图1 SOM神经网络的基本结构Fig.1 Basic structure of SOMneural network

SOM网络的学习算法步骤如下：

1）网络初始化

给输入层和映射层之间权值的初始值赋随机数。

2）输入向量的输入

把输入向量x（x1，x2，x3，…xn）T输入给输入层。

3）计算映射层的权值向量和输入向量的距离

映射层的第j个神经元和输入向量的距离，按式（1）给出：

式中ωij是输入层的i神经元和映射层的j神经元之间的权值。

4）选择与权值向量的距离最小的神经元

计算并选择使输入向量和权值向量的距离最小的神经元，如果dj为最小，称其为胜出神经元，记为j*，并给出其邻接神经元集合。

5）权值的学习

胜出的神经元和位于其邻接的神经元的权值，按式（2）更新：

式中η是一个大于0小于1的常数，h（j，j*）是领域函数，用式（3）表示：

式中的σ2随着学习的进行而减小，h（j，j*）的范围随着学习的进行而变窄，这样领域函数可以起到产生有效映射的作用。

6）是否达到预先设定的要求

如达到要求则算法结束，否则，返回到步骤2），进入下一轮学习。

2 卫星云图的云分类

2.1 实验数据

风云2C（FY-2C）[3]象卫星是我国自己研制的第一代静止气象卫星，于2004年10月19日发射成功，2009年11月23日8时停止业务运行。卫星定点于105°E赤道上空，定点距地面36 000 km，主要有效载荷为红外和可见光自旋扫描辐射器VISSR。

本文采用的实验数据是国家气象卫星中心提供的风云2C卫星的HDF格式[4]产品。该产品包含了5 kM分辨率的IR1-IR4通道数据和最高分辨率为1.25 kM的VIS通道数据，以及云分类数据等。本文采用2008年7月1日7时的卫星数据，选取了201×201个数据点读取红外和可见光各通道数据，并进行归一化处理。

2.2 特征选取

实验中选取了9个特征组成特征向量，每个特征的含义见表1。选择IR通道的数据和通道之间差别可以分析出不同温度和高度的云团[5-6]。利用VIS图像分辨率高的特点，计算其子块的纹理特征以描述云的形态。

表1 特征向量的含义Tab.1 The meaning of each feature vector

3 实验结果及分析

因为实验结果输出要求为8类，所以SOM网络的竞争层选取二维的2×4的平面阵列，拓扑函数选择hextop（），拓扑函数产生的8个神经元的分布位置如图2所示。

图2 hextop产生的8个神经元的分布位置Fig.2 Position of the 8 neural cells produced by hextop function

SOM网络的距离函数选择linkdist（），其他参数均取默认值。经过MATLAB编程后得结果如图3所示。

图3 云分类结果Fig.3 Cloud classification results

通过对分类结果图像和原始的IR，VIS云图对比可以得出，利用SOM神经网络对卫星云图进行分类时，能够有效地识别出云团的轮廓，形态及位置，为根据云团特征预报天气及气候变化打好基础。

4 结束语

本文利用基于SOM神经网络的分类方法，网络输入层为云图的9个不同的特征，竞争层采用2×4的二维拓扑结构，选取了风云二C气象卫星的数据，利用MATLAB编程，得出分类结果数据，并显示在图像中。通过对结果的分析，说明利用该方法进行卫星云图的云分类是可行有效的。在云图上提取更加有效的特征可以提高该分类器的准确率。

[1] 周伟，李万彪.利用GMS-5红外数据进行云的分类识别[J].北京大学学报：自然科学版，2003，39（1）:83-90.ZHOU Wei，LI Wan-biao.Classification and recognition of clouds using GSM-5 IR data[J].Journal of Peking University：Natural Science，2003，39（1）:83-90.

[2] 张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[3] 佚名.风云二号气象卫星[EB/OL].[2011-05-10].http://baike.baidu.com/view/329195.htm.

[4] 许健民，张文建，杨军，等.风云二号卫星业务产品与卫星数据格式实用手册[M].北京：气象出版社，2008.

[5] LIU Yu，XIA Jun，SHI Chun-xiang，et al.An improved cloud classification algorithm for China FY-2C multi-channel images using artificial neural network[J].Sensors，2009（9）：5558-5579.

[6] Yoonkyung L，Wahba G，Ackerman S A.Cloud classification of satellite radiance data by multi-category support vector machines[J].Journal of Atmospheric and Oceanic Technology，2004，2（21）:159-169.