1. 研究目的与意义及国内外研究现状

云量影响地气系统辐射收支平衡的一个重要参数，同时也是研究大气环流及气候变化的一个重要指标。当前的研究不仅关注云对全球气候的影响，更加注重云对区域气候过程的作用。随着卫星遥感技术，图像处理技术的发展，利用机器学习方法对卫星云图的解译已成为气象信息处理的重要方法。因此，在云观测和云量计算方面的研究尤为重要，本课题基于卷积神经网络的方法对卫星云图进行解译，这将对卫星云图的解译提供更为准确的信息获取。

国内外研究现状

云分类系统由由云的检测、云的特征提取和云的识别三方面组成。其中云的检测比较简单，主要是利用经验阈值或固定阈值与云图的蓝红波段比值处理结果相比较来实现，而核心内容是后两者。国际卫星云气候计划（isccp）始于20世纪80年代初，到如今大约已有20年，该计划目前仍在进行中。经过很多年的数据总结和各种硬件软件技术的发展，isccp组成了很多种云气候数据的集合。目前，云量计算方法主要有isccp方法，通过isccp多阈值云检测方法，将像元分为晴空和有云两类；有clvar-1方法，将像元分为晴空、混合和有云三类；有clavr-x方法，将像元分为全云、混合云、混合晴空和晴空四类；还有modis方法，将像元分为四类，包括确定云、可能云、可能晴空和确定晴空。上述云量计算方法可以大体分为两类：一是基于区域内有云像素点与总像素点之比计算云量；另一种是基于像素点辐射量/反射率计算等效云量。第一类方法操作简单，但经常导致计算结果偏高；第二类方法一定程度解决了亚像元像素云量问题；但对于多层云和地表类型变化剧烈的情况不太适用。

2. 研究的基本内容

（1）首先从各个方面介绍了关于国内外对卫星云图的检测和如何进行云量计算的研究，搜集了各方面的文献资料对卫星云图解译展开一个初步的了解。

（2）基于卷积神经网络这一方法进行学习研究，首先介绍了卷积神经网络是一个什么样的方法，这一方法的研究历史如何，之前应用与哪些方面；其次是介绍了卷积神经网络的结构；最后介绍了卷积神经网络的算法以及优点。

（3）利用了来自hj-1a/1b的卫星云图数据，然后进行实验，通过采集云图上的数据，组成9000的训练样本，并经过预处理后来作为卷积神经网络的训练样本，用这种方法检测云图，计算出灰度值，通过与阈值法对比，最后验证卷积神经网络的优越性。

3. 实施方案、进度安排及预期效果

本次基于深度理论学习的卫星云图云量计算，主要基于卷积神经网络算法来深度学习。首先介绍卷积神经网络的相关知识以及结构方法。本文还摘取了HJ-1A/1B卫星云图数据，在MATLAB上面的对卫星云图原图进行信息提取，获取的结果图与其他方法的结果图进行对比分析，验证结果与预期一致。

4. 参考文献

[1]simpsona j.j,gobata j.i.improved cloud detection in goes scenes over the oceans.remote sensing of environment,1995,52(2):79-94.

[2]r,m. wlch,m.s. navar,s.k. sengupta,the effect of spatial resolution upon texture-based cloud field classification,j geophy res,vol.94,pp.14767-14781,1989.

[3]m. singh, m. glennen,automated ground-based cloud recognition, pattern anal appl,vol.8,pp.258-271,2005.