[0032] 下面结合附图进一步说明本发明的技术方案；
[0033] 所图1所示，一种基于卷积神经网络的卫星云量计算方法，包括样本获取和处理，卷积神经网络训练，卫星云检测和云量计算四个阶段，所述的样本获取和处理包括以下步骤：
[0034] (1)卫星云图样本的获取来自中国卫星资源卫星HJ-1A/1B卫星CCD通道；
[0035] (2)从卫星云图上通过采集器采集6000样本39*39像素云块，厚云、薄云和晴空各2000块；
[0036] (3)将6000样本统一缩放为32*32像素，另外整幅卫星云图格式转换为32*32*X数据格式，其中X为数量；
[0037] 本发明所述的卷积神经网络训练包括以下步骤：
[0038] (1)将6000云块样本中4200样本作为训练样本，厚云、薄云和晴空各1400块，测试样本为1800块，厚云。薄云和晴空各600块；
[0039] (2)训练是卷积神经网络的结构如图2所示，通过不断训练和测试云块样本，不断调整卷积神经网络中的参数，以云块检测率为基准，确定参数，为整幅卫星云图检测作铺垫；
[0040] 本发明所述的卫星云图检测包括以下步骤：
[0041] (1)将预处理后的整幅卫星云图作为卷积神经网络的数据输入，进行云检测，其中云块检测的过程如图3所示；
[0042] (2)卷积神经网络包含7层，第1层为输入层，第2层为卷基层，也称为特征映射层，通过多个5*5的卷积核提取图片的不同特征，包括12个28*28的特征映射图，第3层为下采样层，也称为特征提取层，是由12个大小为14*14的特征图组成，特征图每个神经元与第1层的2*2领域相连，第4层由16个10*10的特征图组成的卷积层，第5层和第3层一样是下采样层，包含16个5*5的特征图，第6层为全连接层，共有400个连接点，最后一层为输出层，有3个节点，分别代表厚云、薄云和晴空。
[0043] (3)卷积神经网络的学习过程如图4所示，卷基层是特征映射层，子采样层为特征提取层，用一个可训练的滤波器fx去卷积卫星云图的全局和局部特征，然后加一个偏执bx，得到卷基层Cx。卷积层的计算形式如下所示：
[0044]
[0045] 其中l为网络的层数，K为卷积核，Mj表示输入maps的集合。
[0046] 子采样过程包括，每领域求和，然后通过Wx+1加权，再加偏执bx+1,然后通过一个sigmoid
[0047] 激活函数，产生一个缩小的特征映射层Sx+1，其计算公式为：
[0048]
[0049] 其中，down()表示下采样函数，β和b分别对应每个输出的特征图。
[0050] (4)云检测的结果用红色绿色蓝色区分，其中红色代表厚云，绿色代表薄云，蓝色代表晴空。
[0051] 本发明所述的检测结果云量计算包括以下步骤：
[0052] (1)为了解决部分云盖的问题，本研究利用一种改进的基于反射率的“空间相关法”来计算总云量。“空间相关法”的基本原理是基于对单个像元辐射量以及晴空和厚云情况下辐射量的检测，获取单个像元的总云量，其计算公式如下：
[0053] I＝(1-Ac)Iclr+AcIcld
[0054] 式中，I为像元接收的辐射量；Ac表示像元总云量；Iclr、Icld分别表示晴空的最高灰度值、厚云的最低灰度值辐射量。由此，转换可得，总云量为：
[0055]
[0056] (2)云量计算，每个像素的云量为0到1之间，1代表厚云，0代表晴空。本发明利用200张随机选取的图进行测试，以专家标注的方式进行检验。本方法的云量计算准确率达到
84.3％。而同样情况下传统阈值法得到的准确率为75.4％。说明本方法在实际应用中是可行的，准确率比现有技术高，具有重要的应用价值。
[0057] 以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
