顧軼,韓潮,劉建勛,劉升剛,邢煒

1.北京航空航天大學(xué) 宇航學(xué)院,北京 100191 2.北京空間飛行器總體設(shè)計(jì)部,北京 100094 3.北京航空航天大學(xué)集成電路科學(xué)與工程學(xué)院,北京 100191

1 引言

光學(xué)衛(wèi)星對(duì)地面成像時(shí),云層的遮擋對(duì)成像效果會(huì)產(chǎn)生很大的影響[1]。據(jù)有關(guān)部門統(tǒng)計(jì),中國(guó)60%的光學(xué)衛(wèi)星圖像因?yàn)樵茖诱趽醵鵁o(wú)法成為有效的數(shù)據(jù)產(chǎn)品,這不僅不能滿足用戶需求,還對(duì)衛(wèi)星資源造成極大浪費(fèi)[2]。云層對(duì)于可見光衛(wèi)星拍攝圖像的遮擋情況,不同的文獻(xiàn)給出了調(diào)研的結(jié)果。Adrien指出,根據(jù)天氣預(yù)報(bào)的不同,運(yùn)行中的衛(wèi)星獲取的高達(dá)50%的圖像可能會(huì)因?yàn)樵茖舆^(guò)多而被丟棄[3]。Ju則指出,LandSat-7衛(wèi)星傳感器獲得的圖像中有35%被云層覆蓋[4]。當(dāng)觀測(cè)目標(biāo)被云層遮擋時(shí),不僅成像質(zhì)量受到很大影響,而且對(duì)該目標(biāo)的成像觀測(cè)會(huì)消耗觀測(cè)時(shí)間窗口、衛(wèi)星存儲(chǔ)空間、衛(wèi)星能量等資源,從而減少了對(duì)其他目標(biāo)的觀測(cè)機(jī)會(huì)。短期云層預(yù)測(cè)技術(shù)的實(shí)現(xiàn),可以得到未來(lái)一段時(shí)間目標(biāo)上空的云層遮擋情況,對(duì)地觀測(cè)衛(wèi)星可因此選擇云層覆蓋較少的區(qū)域進(jìn)行成像觀測(cè),因此云層預(yù)測(cè)對(duì)對(duì)地觀測(cè)衛(wèi)星任務(wù)規(guī)劃具有指導(dǎo)意義[5-6]。

數(shù)值天氣預(yù)報(bào)是氣象預(yù)報(bào)中最常用的方法,Roussel等指出,數(shù)值天氣預(yù)報(bào)模型的計(jì)算量大,往往需要幾個(gè)小時(shí)才能得到預(yù)報(bào)結(jié)果[7]。施行健等在研究短臨降水問(wèn)題時(shí)指出,數(shù)值天氣預(yù)報(bào)模型更適用于長(zhǎng)期預(yù)報(bào)[8]。以往與短期云層預(yù)測(cè)相關(guān)的研究工作多集中在太陽(yáng)能輻照度預(yù)報(bào)領(lǐng)域。云的覆蓋范圍會(huì)直接影響太陽(yáng)輻照度的變化,而太陽(yáng)輻照度預(yù)測(cè)多采用基于地面采集的云層圖像[9],圖像采集時(shí)間間隔為1-6min?；诘孛鎴D像的云層預(yù)測(cè)研究中,目前還應(yīng)用了自回歸差分移動(dòng)平均模型[10]、Lukas-Kanade光流算法[11]、自回歸神經(jīng)網(wǎng)絡(luò)模型[12]、生成對(duì)抗網(wǎng)絡(luò)[13]等方法。

太陽(yáng)能輻照度預(yù)測(cè)關(guān)注于小區(qū)域的云層變化,多采用地面觀察天空的云層圖像,時(shí)間變化范圍短,覆蓋區(qū)域范圍小?？紤]到衛(wèi)星成像的視場(chǎng)幅寬為數(shù)十公里到數(shù)百公里量級(jí),這種小區(qū)域的云層預(yù)測(cè)并不能滿足對(duì)地觀測(cè)衛(wèi)星任務(wù)規(guī)劃的需要。因此,本文面向?qū)Φ赜^測(cè)衛(wèi)星任務(wù)規(guī)劃[14-16]的實(shí)際需要,利用風(fēng)云衛(wèi)星的云圖數(shù)據(jù)開展大區(qū)域短期云層預(yù)測(cè)研究[17]。本文對(duì)傳統(tǒng)的光流算法進(jìn)行了改進(jìn),引入拉普拉斯算子對(duì)云運(yùn)動(dòng)過(guò)程中的擴(kuò)散現(xiàn)象進(jìn)行刻畫,并通過(guò)真實(shí)的云運(yùn)動(dòng)序列圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò),采用反向傳播算法對(duì)擴(kuò)散因子進(jìn)行優(yōu)化。仿真試驗(yàn)結(jié)果表明,相比于傳統(tǒng)光流算法,引入拉普拉斯算子的改進(jìn)光流法能夠獲得更佳的云層預(yù)測(cè)效果。

依據(jù)憂思科學(xué)家聯(lián)盟(UCS)的統(tǒng)計(jì)數(shù)據(jù),截至2021年1月1日,全球共有在軌對(duì)地觀測(cè)衛(wèi)星917顆,其中光學(xué)對(duì)地觀測(cè)衛(wèi)星402顆,占對(duì)地觀測(cè)衛(wèi)星總量的43.8%。中國(guó)共擁有在軌對(duì)地觀測(cè)衛(wèi)星198顆,其中光學(xué)對(duì)地觀測(cè)衛(wèi)星85顆,占對(duì)地觀測(cè)衛(wèi)星總量的42.9%。由此可見光學(xué)衛(wèi)星在對(duì)地觀測(cè)衛(wèi)星中的重要地位,但是對(duì)于光學(xué)對(duì)地觀測(cè)衛(wèi)星而言,云層覆蓋的不確定性對(duì)觀測(cè)任務(wù)的完成有顯著影響,云覆蓋被認(rèn)為是導(dǎo)致衛(wèi)星遙感圖像失效的最主要因素之一[5]。依據(jù)國(guó)際衛(wèi)星云氣候?qū)W計(jì)劃(international satellite cloud climatology project,ISCCP)提供的數(shù)據(jù),在全球范圍內(nèi),云層的平均覆蓋率約為67%[18],廣泛存在的云層會(huì)對(duì)光學(xué)對(duì)地觀測(cè)衛(wèi)星的成像產(chǎn)生了重要影響,遙感圖像中含有的云區(qū)域會(huì)導(dǎo)致圖像部分失效,進(jìn)而將使得對(duì)地觀測(cè)任務(wù)失敗[19]。

云層預(yù)測(cè)屬于時(shí)空序列預(yù)測(cè)問(wèn)題,包括時(shí)間和空間兩個(gè)方面,時(shí)間方面是指用被預(yù)測(cè)事物過(guò)去和現(xiàn)在的觀測(cè)數(shù)據(jù)推測(cè)未來(lái),空間方面指圖片上的目標(biāo)以及目標(biāo)運(yùn)動(dòng)和變化的空間信息。

假設(shè)每時(shí)刻包含P個(gè)測(cè)量的一定空間區(qū)域的云層信息被記錄在M×N的網(wǎng)格中。從空間上看,任何時(shí)刻的測(cè)量值都可以表示為X∈P×M×N,從時(shí)間上看,T個(gè)時(shí)間步長(zhǎng)上的觀測(cè)值形成觀測(cè)序列X1,X2,…,XT。時(shí)空預(yù)測(cè)學(xué)習(xí)問(wèn)題是在給定包括當(dāng)前觀測(cè)的先前J個(gè)序列長(zhǎng)度的條件下,預(yù)測(cè)未來(lái)最可能的長(zhǎng)度為K的序列。數(shù)學(xué)模型可以表示如下:

p(Xt+1,…,Xt+K∣Xt-J+1,…,Xt)

2 基于光流法的短期云層預(yù)測(cè)

2.1 算法框架

地球靜止衛(wèi)星的圖像具有較高的時(shí)間和空間分辨率,是云層運(yùn)動(dòng)數(shù)據(jù)的來(lái)源,也是所提出的預(yù)報(bào)方法的基礎(chǔ)。利用風(fēng)云衛(wèi)星云圖進(jìn)行云測(cè)預(yù)測(cè)的整體流程如圖1所示。

圖1 基于衛(wèi)星云圖的云層預(yù)測(cè)方法流程Fig.1 Flow of cloud forecasting method based on satellite cloud image

首先需要將衛(wèi)星的圖像提取為云灰度圖像,然后依據(jù)連續(xù)的云層圖像序列計(jì)算得到云運(yùn)動(dòng)矢量,假設(shè)接下來(lái)一個(gè)時(shí)間步光流不發(fā)生變化,利用此光流外推當(dāng)前圖像,得到預(yù)測(cè)的云層圖像。本文引入拉普拉斯算子刻畫云層運(yùn)動(dòng)過(guò)程中的擴(kuò)散情況,對(duì)圖像進(jìn)行后處理以提升云層預(yù)測(cè)的精度。最后將預(yù)測(cè)的云圖與真實(shí)的云圖進(jìn)行對(duì)比,采用均方誤差(MSE)和圖像結(jié)構(gòu)相似性(SSIM)作為評(píng)價(jià)指標(biāo),對(duì)云層預(yù)測(cè)進(jìn)行效果評(píng)估。給定兩個(gè)圖像x和y,兩張圖像的結(jié)構(gòu)相似性可按如下公式進(jìn)行計(jì)算:

2.2 光流法基本原理

光流定義了空間運(yùn)動(dòng)物體在成像平面上的像素點(diǎn)運(yùn)動(dòng)的瞬時(shí)速度,光流法是利用圖像序列中像素在相鄰幀之間的相關(guān)性來(lái)計(jì)算相鄰幀之間物體運(yùn)動(dòng)信息的一種方法。

對(duì)于連續(xù)運(yùn)動(dòng)的圖像,記圖像上任一點(diǎn)在t時(shí)刻的亮度為E(x,y,t),同時(shí)該點(diǎn)在水平及垂直方向的運(yùn)動(dòng)速度為:

u=dx/dt

v=dy/dt

經(jīng)過(guò)Δt的時(shí)間間隔后,記對(duì)應(yīng)點(diǎn)的亮度為E(x+Δx,y+Δy,t+Δt),由Taylor展開可得:

忽略上式中的二階小量,假設(shè)Δt較小,亮度恒定,即E(x+Δx,y+Δy,t+Δt)=E(x,y,t),則上式可轉(zhuǎn)化為:

Exu+Eyv+Et=0

從而計(jì)算得到u和v的值。本文采用稠密光流法中的Farneback光流法,利用OpenCV中的函數(shù)calcOpticalFlowFarneback進(jìn)行實(shí)現(xiàn),Farneback光流法原理可參考文獻(xiàn)[20],在此不再進(jìn)行贅述。

通過(guò)在數(shù)據(jù)集上對(duì)Farneback光流法的參數(shù)進(jìn)行調(diào)整和網(wǎng)格搜索,經(jīng)過(guò)大量的參數(shù)測(cè)試,會(huì)發(fā)現(xiàn)不同參數(shù)下光流法的結(jié)果的差別并不大,進(jìn)而可以確定Farneback光流算法的參數(shù)數(shù)值。

2.3 云運(yùn)動(dòng)矢量外推

在對(duì)云圖進(jìn)行預(yù)測(cè)時(shí),可以利用通過(guò)不同數(shù)量的圖像序列對(duì)光流進(jìn)行初始化,參考文獻(xiàn)[8]中的設(shè)定,本文將測(cè)試以下三種不同的光流外推方式:

1)Farne1計(jì)算最后兩個(gè)觀測(cè)幀的光流;

2)Farne2根據(jù)最后兩個(gè)流場(chǎng)的平均值初始化速度;

3)Farne3通過(guò)對(duì)最接近的三個(gè)流場(chǎng)的加權(quán)平均給出初始化的光流,由于更接近于當(dāng)前時(shí)刻的流場(chǎng)的影響會(huì)更大,參考文獻(xiàn)[8]中的設(shè)置方式,將最接近的三個(gè)流場(chǎng)的加權(quán)系數(shù)依次設(shè)置為0.7、0.2和0.1。

隨著每一步的云層預(yù)測(cè)結(jié)果,光流的值將依據(jù)生成的云圖進(jìn)行更新,由此可以實(shí)現(xiàn)多步的云層預(yù)測(cè)。

2.4 云層擴(kuò)散現(xiàn)象的刻畫

需要指出,光流雖然能刻畫物體的運(yùn)動(dòng),但是對(duì)于云這種流體具有的生成和擴(kuò)散的特性,光流法不能對(duì)其進(jìn)行刻畫,這是光流法的局限之處。為了對(duì)云在運(yùn)動(dòng)中的擴(kuò)散現(xiàn)象進(jìn)行描述,本文采用拉普拉斯算子對(duì)云圖的預(yù)測(cè)結(jié)果進(jìn)行卷積濾波。

記圖像的像素強(qiáng)度值為I(x,y),則其拉普拉斯算子L(x,y)可由下式給出:

L(x,y)可以使用卷積濾波器計(jì)算。由于輸入圖像表示為一組離散像素,因此必須找到一個(gè)離散卷積核,用來(lái)近似拉普拉斯算子定義中的二階導(dǎo)數(shù)。由于卷積核設(shè)計(jì)會(huì)影響計(jì)算效率,本文選擇了最簡(jiǎn)單和最經(jīng)典的卷積核S形式,其定義如下。

其中參數(shù)λ∈R,λ>0為擴(kuò)散因子。通過(guò)對(duì)輸入圖像進(jìn)行拉普拉斯卷積,即可實(shí)現(xiàn)云層由中心區(qū)域向四周的傳播。在對(duì)圖像進(jìn)行拉普拉斯卷積時(shí),卷積核將對(duì)云層圖像中的每一個(gè)像素都進(jìn)行卷積,因此云層在一點(diǎn)處的擴(kuò)散可以間接影響到更大的區(qū)域,這樣就可以合理地刻畫云層的擴(kuò)散現(xiàn)象。

利用反向傳播算法對(duì)擴(kuò)散因子λ的取值進(jìn)行優(yōu)化。由于云層的擴(kuò)散是在持續(xù)進(jìn)行的,預(yù)測(cè)未來(lái)K步的云圖結(jié)果將對(duì)應(yīng)不同程度的擴(kuò)散,即擴(kuò)散因子的參數(shù)集合為:

通過(guò)深度學(xué)習(xí)框架PyTorch搭建神經(jīng)網(wǎng)絡(luò)的卷積層,利用真實(shí)的云層序列圖像作為樣本并制作數(shù)據(jù)集,確保每一張通過(guò)預(yù)測(cè)得到的云圖都有對(duì)應(yīng)時(shí)刻的真實(shí)云層圖像,可以計(jì)算預(yù)測(cè)云圖和真實(shí)云圖的均方誤差值MSE,將MSE作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的損失函數(shù),并利用反向傳播算法對(duì)擴(kuò)散因子參數(shù)進(jìn)行優(yōu)化。

3 仿真結(jié)果分析

本文利用風(fēng)云二號(hào)衛(wèi)星的云圖序列數(shù)據(jù),針對(duì)第一島鏈和第二島鏈中間某區(qū)域(北緯9.23°～24.23°和東經(jīng)126.83°～141.83°)的云層情況進(jìn)行研究,考慮到多數(shù)對(duì)地觀測(cè)衛(wèi)星為近地軌道衛(wèi)星,軌道周期約為1.5h,因此本文將選擇3h作為云層預(yù)測(cè)的時(shí)間范圍,這樣云層預(yù)測(cè)的結(jié)果將能為未來(lái)兩個(gè)軌道圈次的衛(wèi)星對(duì)地觀測(cè)任務(wù)提供指導(dǎo)。云層圖像每30min一張,則預(yù)測(cè)的時(shí)間步長(zhǎng)K=6,本文共針對(duì)7980組序列圖像進(jìn)行預(yù)測(cè)。下面將分別從時(shí)間和空間角度對(duì)云層預(yù)測(cè)結(jié)果進(jìn)行分析,然后將對(duì)比引入拉普拉斯算子前后的云層預(yù)測(cè)結(jié)果,并展現(xiàn)擴(kuò)散因子λ在每一個(gè)預(yù)測(cè)步的取值。

3.1 時(shí)間尺度上的云層預(yù)測(cè)結(jié)果

在時(shí)間尺度上,可計(jì)算圖像預(yù)測(cè)結(jié)果與真實(shí)云圖之間的MSE和SSIM指標(biāo),對(duì)應(yīng)的數(shù)值變化分別如圖2和圖3所示。

圖2 三種外推模型預(yù)測(cè)結(jié)果的均方誤差對(duì)比Fig.2 Comparison of the mean square error of the prediction results of three extrapolation models

圖3 三種外推模型預(yù)測(cè)結(jié)果的結(jié)構(gòu)相似性對(duì)比Fig.3 Comparison of the structural similarity of the prediction results of the three extrapolation models

隨著預(yù)測(cè)步數(shù)從1增加到6,可以看到MSE的值會(huì)從30增加到300左右,SSIM的值會(huì)從0.87減小到0.5左右,這說(shuō)明圖像預(yù)測(cè)的準(zhǔn)確性會(huì)隨著預(yù)測(cè)步數(shù)的增加而逐漸降低。圖2和圖3中的圖例采用三種標(biāo)記代表不同外推方式,通過(guò)對(duì)比三種不同的外推方式的計(jì)算結(jié)果,可以看到三種方法下的云層預(yù)測(cè)結(jié)果存在一定的差異,試驗(yàn)結(jié)果在MSE和SSIM指標(biāo)上表現(xiàn)出了很好的一致性,即在每一步的云層預(yù)測(cè)效果上,Farne2均優(yōu)于Farne3,而Farne3均優(yōu)于Farne1。在平均水平上,Farne1的效果最差,而Farne2和Farne3的表現(xiàn)效果相對(duì)更好。這主要是因?yàn)镕arne1直接將上一步的云運(yùn)動(dòng)矢量作為當(dāng)前時(shí)刻的結(jié)果,而現(xiàn)實(shí)中的云運(yùn)動(dòng)的速度大小和方向都可能會(huì)發(fā)生變化,Farne2和Farne3采用了前兩步或前三步云層運(yùn)動(dòng)矢量結(jié)果的加權(quán),考慮了不同時(shí)刻下運(yùn)動(dòng)矢量的變化,更加符合真實(shí)的云層運(yùn)動(dòng)情況。與Farne1和Farne3外推結(jié)果相比,基于Farne2外推的每一步的云層預(yù)測(cè)結(jié)果與真實(shí)圖像的MSE最小,而SSIM最大,這說(shuō)明Farne2的效果最優(yōu)。由于Farne2的結(jié)果最佳,所以在后續(xù)的云層預(yù)測(cè)中,將主要展現(xiàn)基于Farne2外推方式的試驗(yàn)結(jié)果。

圖4展示了兩組云層預(yù)測(cè)的序列圖像結(jié)果,其中黑色背景表示無(wú)云,白色區(qū)域表示云層覆蓋。每組圖像的三行從上至下依次為:輸入的云圖序列;真實(shí)的輸出云圖;預(yù)測(cè)的云圖序列。通過(guò)對(duì)比預(yù)測(cè)云圖和真實(shí)的云圖,可以看出基于云運(yùn)動(dòng)矢量外推的方法能夠預(yù)測(cè)云的整體運(yùn)動(dòng)趨勢(shì),在較短的時(shí)間步長(zhǎng)內(nèi),能夠達(dá)到一定的預(yù)測(cè)精度。

圖4 衛(wèi)星云圖的兩個(gè)預(yù)測(cè)實(shí)例Fig.4 Two prediction examples of satellite cloud images

同時(shí)從圖像中也能夠看到光流法的弊端,如圖4(b)中的預(yù)測(cè)序列所示,隨著預(yù)測(cè)步長(zhǎng)的增加,圖像左上角和右下角的黑色區(qū)域會(huì)增大,而在真實(shí)的圖像序列中,對(duì)應(yīng)區(qū)域一直為白色有云狀態(tài)。這是因?yàn)殡S著云層運(yùn)動(dòng),本區(qū)域周圍的云層也會(huì)運(yùn)動(dòng)到當(dāng)前區(qū)域,而光流法僅能提取當(dāng)前區(qū)域的云運(yùn)動(dòng)情況,因此會(huì)出現(xiàn)預(yù)測(cè)圖像邊界上的黑色區(qū)域,對(duì)此問(wèn)題將在文中后續(xù)進(jìn)一步分析。

3.2 空間尺度上的云層預(yù)測(cè)結(jié)果

基于云運(yùn)動(dòng)矢量的云圖預(yù)測(cè)方法存在空間上的邊界效應(yīng),因此可以采用更大區(qū)域范圍的圖像進(jìn)行云層預(yù)測(cè),選取圖像的中間部分作為預(yù)測(cè)結(jié)果,這樣可以減少邊界的影響,在一定程度上提升云層預(yù)測(cè)的效果。本文針對(duì)像素分辨率為100×100的圖像進(jìn)行云層預(yù)測(cè),該圖像區(qū)域?qū)?yīng)經(jīng)緯度范圍為北緯9.23°～24.23°和東經(jīng)126.83°～141.83°,該區(qū)域邊界長(zhǎng)度約為1680km×1680km。然后分別針對(duì)整個(gè)圖像和圖像中心的50×50的像素區(qū)域進(jìn)行預(yù)測(cè)結(jié)果的計(jì)算和統(tǒng)計(jì),對(duì)比結(jié)果如表1所示。

從MSE的對(duì)比結(jié)果可以看到,中間區(qū)域的平均MSE為28.839,遠(yuǎn)小于全部區(qū)域MSE的160.706。并且在每一個(gè)預(yù)測(cè)時(shí)間步上,中間區(qū)域的MSE和SSIM的結(jié)果都要優(yōu)于全部區(qū)域的統(tǒng)計(jì)結(jié)果,這表明選取中間區(qū)域作為預(yù)測(cè)結(jié)果能夠很好地避免有限邊界的影響。因此在實(shí)踐中,采用更大區(qū)域的圖像預(yù)測(cè)中心小區(qū)域的云層情況是更有效的。

表1 不同區(qū)域大小的云層預(yù)測(cè)結(jié)果對(duì)比

在對(duì)中心50×50的圖像進(jìn)行覆蓋率誤差的統(tǒng)計(jì)時(shí),以10×10的像素分辨率為一個(gè)區(qū)域,采用閾值分割法計(jì)算云層覆蓋百分比,取預(yù)測(cè)圖像和真實(shí)圖像覆蓋率誤差的絕對(duì)值進(jìn)行統(tǒng)計(jì),在7980組數(shù)據(jù)中分別選取50%和80%分位數(shù),預(yù)測(cè)未來(lái)第3h的統(tǒng)計(jì)結(jié)果如圖5所示。

圖5 區(qū)域覆蓋率誤差的分位數(shù)統(tǒng)計(jì)/(%)Fig.5 Quantile statistics of regional coverage error/(%)

圖(a)展示的區(qū)域覆蓋率誤差最大值約為9%,平均值約為6.8%,圖(b)展示的區(qū)域覆蓋率誤差最大值約為16.5%,平均值約為11.7%,可知云層預(yù)測(cè)結(jié)果具有比較高的精度,同時(shí),基于衛(wèi)星云圖的云層預(yù)測(cè)可以為對(duì)地觀測(cè)衛(wèi)星任務(wù)規(guī)劃提供一定的指導(dǎo)。

3.3 改進(jìn)光流法的云層預(yù)測(cè)結(jié)果

考慮到云層在運(yùn)動(dòng)過(guò)程中的擴(kuò)散現(xiàn)象,引入了拉普拉斯算子對(duì)云層擴(kuò)散進(jìn)行刻畫。本節(jié)分別針對(duì)三種光流外推方法,開展了加入拉普拉斯算子前后的云層預(yù)測(cè)結(jié)果的對(duì)比分析,拉普拉斯算子對(duì)云層預(yù)測(cè)結(jié)果的MSE和SSIM的影響分別如表2和表3所示,其中Farne1-N、Farne2-N和Farne3-N表示不加入拉普拉斯算子時(shí)的三種光流外推策略。

從對(duì)比結(jié)果可以看出,加入拉普拉斯算子后,云層預(yù)測(cè)的MSE值比沒有加入時(shí)要明顯降低,并且在每一個(gè)預(yù)測(cè)時(shí)間步上都會(huì)有效果的提升;同時(shí)云層預(yù)測(cè)結(jié)果的SSIM指標(biāo)在進(jìn)行拉普拉斯卷積后也會(huì)有所提升,并且提升效果的幅度會(huì)隨著預(yù)測(cè)步長(zhǎng)的增加而增大,因此對(duì)比結(jié)果很好地展現(xiàn)了拉普拉斯算子對(duì)云層預(yù)測(cè)效果提升的有效性。

表2 拉普拉斯算子對(duì)預(yù)測(cè)結(jié)果的MSE的影響對(duì)比

表3 拉普拉斯算子對(duì)預(yù)測(cè)結(jié)果的SSIM的影響對(duì)比

通過(guò)神經(jīng)網(wǎng)絡(luò)的反向傳播算法對(duì)每個(gè)預(yù)測(cè)步的擴(kuò)散因子λ進(jìn)行優(yōu)化,對(duì)λ的取值進(jìn)行統(tǒng)計(jì)如表4所示?？梢园l(fā)現(xiàn),隨著預(yù)測(cè)步長(zhǎng)的增加,λ的取值也會(huì)提升。λ的值越大表明云層擴(kuò)散的效果越明顯。因?yàn)殡S著預(yù)測(cè)時(shí)間增加,云層的擴(kuò)散也會(huì)逐漸累積,擴(kuò)散效果會(huì)更加明顯,這與λ的取值能夠很好地吻合,這反映出基于真實(shí)云圖數(shù)據(jù)下,參數(shù)λ取值優(yōu)化結(jié)果的合理性。

表4 擴(kuò)散因子λ在每個(gè)預(yù)測(cè)步上的取值

4 結(jié)論

利用風(fēng)云衛(wèi)星的真實(shí)云圖,采用基于Farneback光流法的運(yùn)動(dòng)矢量外推可以實(shí)現(xiàn)云層預(yù)測(cè),從時(shí)間尺度上,云層預(yù)測(cè)的誤差會(huì)隨著預(yù)測(cè)步長(zhǎng)的增加而增大,依據(jù)云圖的對(duì)比效果可知光流法的結(jié)果能夠近似預(yù)測(cè)云層的運(yùn)動(dòng)趨勢(shì);從空間尺度上,基于光流法的云層預(yù)測(cè)具有邊界效應(yīng),即邊界處云的移動(dòng)無(wú)法得到周邊云層的補(bǔ)充,因此工程上可以采用更大區(qū)域的云圖計(jì)算光流來(lái)預(yù)測(cè)中間區(qū)域的云層情況;通過(guò)對(duì)比引入拉普拉斯算子前后的云層預(yù)測(cè)效果,可以發(fā)現(xiàn)增加對(duì)云層擴(kuò)散的刻畫,可以有效地提升云層預(yù)測(cè)的精度,通過(guò)對(duì)優(yōu)化后擴(kuò)散因子λ取值的分析,可以發(fā)現(xiàn)隨著預(yù)測(cè)步長(zhǎng)增加,云的平均擴(kuò)散效果也是增加的,這也驗(yàn)證了拉普拉斯算子和擴(kuò)散因子的有效性。

未來(lái)與展望:目前基于深度學(xué)習(xí)的視頻預(yù)測(cè)方法已成為計(jì)算機(jī)視覺的研究重點(diǎn)之一,而且隨著衛(wèi)星技術(shù)的進(jìn)步,目前也有大量的云圖數(shù)據(jù),未來(lái)可以考慮采用深度學(xué)習(xí)進(jìn)行云層預(yù)測(cè)研究;此外,需要將云層預(yù)測(cè)的結(jié)果與對(duì)地觀測(cè)衛(wèi)星的任務(wù)規(guī)劃結(jié)合起來(lái),短期的云層預(yù)測(cè)可以給衛(wèi)星任務(wù)重規(guī)劃提供指導(dǎo),未來(lái)的研究可以建立短期云層預(yù)測(cè)與對(duì)地觀測(cè)衛(wèi)星任務(wù)規(guī)劃問(wèn)題結(jié)合的框架,并研究設(shè)計(jì)基于云層預(yù)測(cè)的地面目標(biāo)觀測(cè)任務(wù)規(guī)劃算法。