基于随机森林和卷积神经网络的FY-4A号卫星沙尘监测研究

利用归一化差值沙尘指数NDDI(Normalized Difference Dust Index)、随机森林RF(Random For-ests)和卷积神经网络CNN(Convolutional Neural Networks)算法结合对地静止风云四号气象卫星(FY-4A)中多通道扫描成像辐射计AGRI(Advanced Geostationary Radiation Imager)数据对塔里木盆地沙尘进行监测研究.结果表明,AGRI数据计算得NDDIAGR1沙尘指数在监测沙尘时,需要针对不同时间的AGRI数据取不同的阈值;并且对云和陆地的交错区域,以及一些植被覆盖和荒漠交错区域存在错误识别.RF建立的沙尘监测模型,测试样本精确度(Precision)、召回率(Recall)、F1-score的值都达100％,训练样本的交叉验证精度平均值为99.5％;CNN模型中,训练样本和测试样本的精确值(Accuracy)和损失函数值(Loss)都分别为99.9％和0.1％;因此RF和CNN模型都具有较强的沙尘监测能力.在实际沙尘监测中CNN相比RF在识别沙尘与非沙尘交界处更加精确,RF和CNN在沙尘识别过程中都易将部分沙尘与云混合区域以及戈壁错误识别成沙尘.