全文总字数：1594字

1. 研究目的与意义及国内外研究现状

随着卫星遥感技术的不断发展，卫星遥感影像的应用也 越来越广泛，涉及到资源调查、自然灾害、环境污染等各个方 面，其中遥感卫星对于雪灾监测也成为主要的技术手段。 然而云雪分类存在着许多技术难题，主要体现在三个方面: 一 是云雪表面特征复杂; 二是云雪光谱特征的相似性; 三是 云的存在会对光信号传播造成障碍，从而导致遥感影像数据 测量精度的缺失。

国内外研究现状

殷青军等提出了新的判别因子，使云 的纹理特征更加明显，有利于人眼判别; 刘玉洁等提出了 改进的多光谱云雪判别的方法，通过改进的多光谱云雪判别 方法对云雪分类的问题作了简要的分析; 丁海燕等提出了 基于分形维数的全色影像云雪自动判别方法，相比之前的判 别方法有了较大改进; 孙磊等提出了基于多种纹理特征的 全色图像云雪区特征提取，通过分形维数、灰度共生矩阵、小 波变换等方法提取多种云雪的纹理特征，最后使用径向基核 函数 ( Ｒadial Basis Function，ＲBF) 的 支 持 向 量 机 ( Support Vector Machine，SVM) 来进行云雪的检测。然而上述传统方 法都存在着参数量太少、特征单一等不足，忽略了很多有价值 的特征，而且都是人工提取特征，需要云雪分类相关的专家多 年的积累和经验才能手工设计出来。随着大数据时代的到来 以及图形处理器( Graph Processing Unit，GPU) 等更强大的计 算设备的发展，深度学习的发展有了质的飞跃。深度学习相比传统的方法具有非常明显的技术优势，而多粒度级联森林 是一种不同于深度神经网络的深度集成算法。相比神经网 络，多粒度级联森林有着参数量少、训练和测试速度快、泛化 性能 好 等 优 点。

2. 研究的基本内容

1、系统地查阅多维多粒度级联森林(m-gc forest)的相关资料，学习其的基本内容，掌握其基本流程

2、学习并理解传统算法如支持向量机(svm)、随机森林，卷积神经网络(cnn)的基本原理，了解其在各种问题上的应用。

3、在理解各个算法的基础上，根据单光谱和多光谱图像之间的差异性,选择svm、随机森林、卷积神经网络(cnn)、多粒度级联森林(gc forest)在单光谱卫星图像上进行云雪识别，然后,通过定量分析各算法在单光谱图像上的性能选择cnn和m-gc forest进行多光谱云雪识别;最后,利用改进的m-gc forest对hj-1a/1b多光谱卫星图像进行预测。

3. 实施方案、进度安排及预期效果

2018.2.25-2018.3.5查阅相关文献，学习并理解传统算法如支持向量机(svm)、随机森林，卷积神经网络(cnn)的基本原理，了解其在各种问题上的应用

2018.3.6-2018.3.20根据时间安排和设计目标，进行项目设计需求分析，制定总体方案说明

2018.3.21-2018.3.31在理解各个算法的基础上，根据单光谱和多光谱图像之间的差异性,选择svm、随机森林、卷积神经网络(cnn)、多粒度级联森林(gc forest)在单光谱卫星图像上进行云雪识别

4. 参考文献

丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述．《 电子科技大学学报 》 ， 2011李欣海. 随机森林模型在分类与回归分析中的应用[J]. 应用昆虫学报,2013,04:1190-1197.周飞燕，金林鹏，董军.卷积神经网络研究综述．《 计算机学报 》 ， 2017