全文总字数：3685字

1. 研究目的与意义及国内外研究现状

我的毕业设计题目是基于多粒度级联森林的云雪检测。众所周知，雪灾给人们的生产生活带来很大灾难，尤其是农牧业，那么，做好大雪预报就是一项重要工作，这有利于我们即时发现雪灾，以便采取有效措施，从而减少人畜伤亡。随着卫星遥感应用和计算机技术的迅速发展，雪灾监测便有了有效的观测手段。但云的影响给目前的雪灾监测带来了一定的困难。云和雪在可见光和红外波段具有类似的光谱特征^[3]，这导致云雪分类的困难，从而影响提取地面积雪信息的准确度，其中，低云的影响最为突出。此外，在利用航天遥感手段获取地球空间信息的过程中,云也是光信号传播的严重障碍,在很大程度上影响遥感信息获取的质量, 从而降低了数据的利用率^[1]。因此，研究云雪识别方法就尤为重要。我的毕业设计就是将一种新的方法应用于云雪识别，以获得更精确更有效的云雪分类结果。

国内外研究现状

云雪识别主要根据光谱特征和纹理特征来实现。以下是云雪识别研究情况：

多光谱云雪判识法，充分显示了卫星资料对于雪灾监测起到的作用，但由于云雪表面特征复杂，种类繁多，变化各异^[3],在判识计算过程中会出现一些问题，如低云与少量地型雪、云与云下雪都难以区分。

多通道和多时相资料复合的方法在区别云雪方面有积极作用，对于青藏高原积雪监测也可以获得较好效果。但云雪表面特征复杂,光谱特性相似,而且受avhrr资料通道光谱波段的限制, 在实际判识方面仍有缺陷，如薄云的影响、较低云层的影响以及云层造成的阴影等^[2]。

2. 研究的基本内容

由于目前的云雪分类法都是只通过光谱信息或纹理特征提取，而且都是人工提取，这就对设计人员具有一定的技术要求。而深度学习的不断发展，给研究云雪分类带来了极大便利和更好效果。我的课题是用多粒度级联森林来实现云雪的基本分类，主要是利用各种深度学习算法分别对多光谱卫星图像和单光谱卫星图像做训练和测试，比较得到最优秀的深度学习云雪识别算法，集中对无云无雪、仅有云、仅有雪、云雪混合四种样本进行四分类。

gcForest(multi-Grained Cascade forest，多粒度级联森林)是周志华教授最新提出的新的决策树集成方法。gcForest模型主要将训练分成了两个阶段：多粒度扫描（Multi_Grained Scanning）和级联森林阶段（CascadeForest），采用了深度网络的一层叠一层的结构，从前层输入数据，输出结果作为下层的输入，当第N层的级联森林层对检验集的预测准确率比第N-1层的预测准确率有所提升，则将第N层得到的预测概率向量和第N-1层的输出的向量进行拼接，作为第N 1层输入，继续构造级联森林。若准确率没有提升，则级联森林构造结束。

3. 实施方案、进度安排及预期效果

实施方案：

从大量的多光谱卫星图像上采集云雪样本，将采集到的所有云雪样本制作成一个数据集，然后利用python实现多粒度级联森林算法，利用多粒度级联森林对云雪样本训练集进行训练，并在测试集上做测试。最后利用训练好的多粒度级联森林对多光谱卫星全图做预测。

4. 参考文献

[1] 李微, 方圣辉, 佃袁勇,等. 基于光谱分析的modis云检测算法研究[j]. 武汉大学学报(信息科学版), 2005, 30(5):435-438.

[2] 殷青军, 杨英莲, 徐维新. noaa卫星资料云雪识别方法的研究[j]. 高原气象, 2002, 21(5):526-528.

[3] 刘玉洁, 王丽波, 张里阳,等. 利用卫星遥感信息监测与分析雪灾[j]. 青海气象, 1996(4):14-18.