多通道特征融合Y型全卷积网络的对流云检测

强对流天气具有生命周期短、突发性强、破坏性 大等特点,并时常伴随着多种灾难性天气,给经济 发展、环境保护、人民生命财产安全等带来巨大威胁。目前目视解译的卫星云图对流云检测 方法依赖于人 的经验和知识,存在难于界定对流云团边界、云图的多光谱信息利用不足、小尺度对流云易 出现漏检与误 检等问题。本文基于FY-2G卫星的红外1通道云图及水汽与红外通道的亮温差,并借鉴U-ne t网络在图像 分割中所具有的精确定位能力,提出了一种新的多通道特征融合Y型全卷积网络的对流云检 测方法。该方 法将U-net网络改造成具有双路输入的Y型全卷积网络,并将红外1通道云图和亮温差图像分 别作为Y型 网络的两路输入,经过卷积及下采样处理,提取不同通道的特征信息；为了使网络具有精细 的目标检测能 力,Y型全卷积网络保留U-net网络的卷积及上采样结构,同时通过卷积和上采样将两个输 入分支不同层 次的特征图融合,从而实现一种多层次、多通道特征融合的对流云检测方法；不同层次特征 图的可视化及 其与融合特征图的对比,表明了所构造的Y型网络在利用云图不同通道特征信息中的有效性 。实验结果表 明,本文方法的对流云检测准确率为87.34%,精确率为89.77%,召回率为82.10%,F1-综合评价指标为 84.82%,各项性能指标均优于基于DeconvNet、U-net等传统网络模 型的对流云检测方法；与阈值法、亮温 差法和SVM等传统对流云检测方法相比,本文方法不仅在对流云边缘界定及小尺度对流云的 检测上具有明显优势,而且检测准确率和计算效率均得到了显著的提高。

Detection of convective cloud in Y-type full convolution network with multi-channel feature fusion