CN102540277A - 基于面向对象和时序影像的白天陆地辐射雾检测方法 - Google Patents

基于面向对象和时序影像的白天陆地辐射雾检测方法 Download PDF

Info

Publication number
CN102540277A
CN102540277A CN2012100114893A CN201210011489A CN102540277A CN 102540277 A CN102540277 A CN 102540277A CN 2012100114893 A CN2012100114893 A CN 2012100114893A CN 201210011489 A CN201210011489 A CN 201210011489A CN 102540277 A CN102540277 A CN 102540277A
Authority
CN
China
Prior art keywords
pixel
brightness temperature
time point
mist
wave band
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012100114893A
Other languages
English (en)
Other versions
CN102540277B (zh
Inventor
李维
杜娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN2012100114893A priority Critical patent/CN102540277B/zh
Publication of CN102540277A publication Critical patent/CN102540277A/zh
Application granted granted Critical
Publication of CN102540277B publication Critical patent/CN102540277B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明提出了一种基于面向对象和时序影像的白天陆地辐射雾检测方法，该方法利用雾在静止卫星数据上呈现的光谱和纹理特性，构造基于单幅影像的雾检测特征参数，将高云、中云和部分低云以及雪与雾进行分离，与此同时，根据陆地辐射雾的生消特性，引入时序遥感影像，将无法从单幅影像上分离的低云和雾在时序影像中进行分离。本发明提出的陆地辐射雾检测方法实现了基于对象区域特征和时序特征的云雾分离，避免了低云和雾由于光谱和纹理特征的相似性导致的无法区分的问题，取得了很好的雾检测效果。

Description

基于面向对象和时序影像的白天陆地辐射雾检测方法
技术领域
本方法属于灾害遥感技术领域，特别是涉及一种新的基于面向对象和时序影像的白天陆地辐射雾遥感检测方法。
背景技术
基于卫星遥感技术的雾检测方法是利用各种卫星（静止卫星、极轨卫星）的大尺度、高时空分辨率、高光谱分辨率数据进行快速、动态的大雾检测。相对于以前的点状大雾观测，基于卫星遥感技术的雾检测方法有不可比拟的潜在优势，主要表现在检测范围大、数据更新快、检测结果客观、成本低廉等方面，因此卫星遥感技术适用于大雾检测。
1974年Gurka利用SMS-1气象卫星可见光波段对辐射雾进行了消散过程分析，发现辐射雾的消散是由外边缘向内进行[1]。巴德等在[2]中利用GEOS卫星的可见光波段对大雾的特征进行了研究，发现雾顶光滑，边缘清晰，经常由于周围地形的限制而不规则，与低层云通常不能分辨，但也发现，雾相对于低层云更容易受到地形特征制约，而且低层云会随着时间推移，会有较大幅度的移动。上述的白天遥感雾检测研究都是以人为定性分析为主，没有形成成熟的雾检测模型，但是为后续的白天雾检测研究提供了大雾的纹理及变化特征。
进入21世纪，随着EOS计划的顺利实施，欧洲MSG静止卫星和日本MTSAT静止卫星的顺利升空，中国的风云系列卫星的投入使用，为遥感雾检测研究提供了更优质的数据源。Bendix等针对MODIS数据，进行了基于辐射传输的分类机制研究，通过对MODIS多个通道进行辐射传输计算，获得雾与其他目标区分的反射率和亮度温度阈值[3]。利用可见光范围波段进行白天雾检测存在太阳高度角变化的问题，以及区分其他高反射率目标（其他云类和冰雪地表），Germark和Bendix考虑到上述白天利用可见光进行雾检测存在的问题，引入了综合光谱特征和空间特征的雾检测技术，很好的将雾和低层云从其他高反射率目标中区分出来[4]。为了更好的区分雾和低层云，需要获取云层的底部高度，Cermak在[5]中基于MSG SEVIRI数据提出一种方法，通过获取云顶高度和云物理厚度来计算云层底部高度，但是有较高的误报率。
Wen在[6]中利用Streamer辐射传输模型对MODIS数据的第一波段反射率（0.62-0.67 um）和第20波段反射率（3.66-3.84 um）进行了模拟，构建了NDFI（归一化雾指数），然后对NDFI进行面向对象分割，完成了基于MODIS数据的白天陆地雾检测模型的构建。Jung-Moon等在[7]中利用MTSAT-1R数据、MODIS数据，结合SBDART辐射传输模型，对朝鲜半岛发生的雾层上存在高云的现象进行了研究分析，研究结果显示有高云存在情况下3.7 um波段与10.8 um波段亮温差和0.68 um的反射率明显大于没有高云存在的情况，为雾层上存在高云情况下的雾检测提供了新的研究思路。Jung-Rim等人在[8]中利用辐射传输模型，重点模拟3.7um波段反射率随太阳高度角的变化，结合连续的MTSAT-1R静止卫星数据，建立了黎明和傍晚的遥感雾检测模型，检测结果与地面实测数据有很好的一致性，但是在有卷云覆盖的高纬地区检测结果不理想。
总结以上方法可知，现有的这些方法主要是基于雾的光谱特征进行雾检测，并且数据源以MODIS等极轨卫星为主。但是雾的整个生效过程通常为几个小时且通常发生在凌晨或早上，极轨卫星的时间分辨率和过境时间并不能很好的满足雾检测的实际需要。尽管静止卫星（如日本的MTSAT卫星、中国的FY2系列卫星）的空间分辨率和光谱分辨率不如极轨卫星，但其具有半小时的高时间分辨率，因此针对大范围发生的陆地辐射雾，静止卫星可以很好的满足实际检测需要。但是目前针对静止卫星的雾检测方法还没有引入面向对象的思想，并且其高时间分辨率的特性也未很好的被利用。
背景技术引用文献：
1. Gurka, J. J, Using satellite data for forecasting fog and stratus dissipation. Conference on Weather Forecasting and Analysis. 5th, St. Louis, Mo, United States, 1974. p. 54-57.
2. 巴德MJ., 福布斯GS., 格兰特J R., 卢乃锰, 卫星与雷达图像在天气预报中的应用. 北京.科学出版社. 1998.
3. Bendix, J., Thies, B., et al, A feasibility study of daytime fog and low stratus detection with TERRA/AQUA-MODIS over land. Meteorol. Appl, 2006. 13:p. 111–125.
4. Cermak, J., Bendix, J., A novel approach to fog/low stratus detection using Meteosat 8 data. Atmospheric Research. 2008. 87:p. 279–292.
5. CERMAK, J., A New Satellite-based Operational Fog Observation Scheme. Ph.D. Thesis, Philipps-Universitat Marburg, Germany, 2006.
6. Xiongfei Wen, Liangming Liu, Wei Li et al, An Object-Oriented Based Daytime Over Land Fog Detection Approach Using EOS/MODIS Data. Richard H. Picard, Klaus Schäfer, Adolfo Comeron, Evgueni Kassianov, Christopher J. Mertens．The 16th SPIE Europe Symposium on Remote Sensing，Berlin Germany，2009，SPIE:12.
7. Jung-Rim Lee, Chu-Yong Chung, Mi-Lim Ou, Fog Detection Using Geostationary Satellite Data: Temporally Continusous Algorithm. Asia-pacific Journal of Atmospheric Sceneces. 2010. 47(2):p. 113-122.
8. Jung-Moon Yoo, Myeong-Jae Jeong, Young Min Hur, Dong-Bin Shin, Improved Fog Detection from Satellite in the Presence of Clouds. Asia-pacific Journal of Atmospheric Sceneces. 2011. 46(1):p. 29-40..。
发明内容
针对白天陆地辐射雾检测中低云和雾分离的难题以及极轨卫星在雾检测中的限制，本发明选择MTSAT-2R静止卫星数据，提出了一种基于面向对象和时序影像的白天陆地辐射雾检测算法，实现了基于对象区域特征和时序特征的云雾分离，避免了低云和雾因为光谱和纹理的相似性导致的无法区分问题。
本发明所提供基于面向对象和时序影像的白天陆地辐射雾检测方法，所述影像为MTSAT-2R数据，包括以下步骤：
步骤一、对目前检测的时间点的MTSAT-2R数据，判断每个像素的第5波段反射率 是否大于预设的反射率阈值，是则判断该像素属于地表目标并去除，否则保留，得到基于像素的云、雾、雪目标；
步骤二、计算步骤一所得云、雾、雪目标中每个像素的雾检测指数FDI，根据雾检测指数FDI进行分割，将云、雾、雪目标分割为对象；雾检测指数FDI的计算公式如下
FDI=/(
Figure 308361DEST_PATH_IMAGE001
-
Figure 287819DEST_PATH_IMAGE002
)，
其中，
Figure 67556DEST_PATH_IMAGE002
为像素的第4波段反射率，
Figure 462765DEST_PATH_IMAGE001
为像素的第5波段反射率；
步骤三、对步骤二获取的分割结果，首先计算各对象中每个像素的亮度温度差检测指数TDDI，然后统计每个对象的亮度温度差检测指数平均值，当某个对象的亮度温度差检测指数平均值大于预设阈值时识别为中高云对象并去除；设某对象中任一像素X的亮度温度为
Figure 2012100114893100002DEST_PATH_IMAGE003
，像素X的亮度温度差检测指数TDDI计算公式如下
TDDI=
Figure 2012100114893100002DEST_PATH_IMAGE004
其中，
Figure 2012100114893100002DEST_PATH_IMAGE005
为像素X附近地表的像素在第1波段的亮度温度，
Figure 2012100114893100002DEST_PATH_IMAGE006
表示像素X的8个方向，j表示其中一个方向的前20个地表像素；
步骤四、对步骤三保留的对象，首先计算各对象中每个像素的雪检测指数SDI，然后统计每个对象的雪检测指数平均值，当某个对象的雪检测指数平均值大于预设阈值时识别为雪对象并去除；某对象中任一像素的雪检测指数SDI计算公式如下
SDI=
Figure 2012100114893100002DEST_PATH_IMAGE007
其中，
Figure DEST_PATH_IMAGE008
为像素在第1波段的亮度温度，
Figure 965553DEST_PATH_IMAGE002
为像素的第4波段反射率；
步骤五、对步骤四保留的对象，首先计算各对象中在第4波段和在第1波段的亮度温度差，然后统计每个对象的亮度温度差平均值，当某个对象的亮度温度差平均值大于预设阈值时进一步识别为雪对象并去除；
步骤六、对步骤五保留的对象，计算每个对象在第1波段的亮度温度标准差
Figure 2012100114893100002DEST_PATH_IMAGE009
，当某个对象的亮度温度标准差
Figure 788015DEST_PATH_IMAGE009
大于预设阈值时识别为低云对象并去除；任一对象的亮度温度标准差
Figure 117365DEST_PATH_IMAGE009
计算公式如下
Figure 316266DEST_PATH_IMAGE009
=
Figure DEST_PATH_IMAGE010
其中，
Figure 545996DEST_PATH_IMAGE008
为对象中某像素在第1波段的亮度温度，
Figure 2012100114893100002DEST_PATH_IMAGE011
为对象的像素个数，
Figure DEST_PATH_IMAGE012
为对象的所有像素在第1波段的平均亮度温度，
Figure 2012100114893100002DEST_PATH_IMAGE013
表示对象中的像素；
步骤七、对步骤六保留的对象，根据步骤二所得雾检测指数FDI计算每个对象的雾检测指数平均值，当某个对象的雾检测指数平均值小于预设阈值时识别为低云对象并去除；
步骤八、在目前检测的时间点之前取
Figure 601677DEST_PATH_IMAGE011
-1个时间点，将总共
Figure 356006DEST_PATH_IMAGE011
个时间点按照时间顺序排列，构成时间序列；对步骤七保留的对象，首先计算各对象中每个像素的相邻亮温加权平方差，然后统计每个对象的相邻亮温加权平方差平均值，当某个对象的相邻亮温加权平方差平均值小于预设阈值时识别为低云对象并去除；
某对象中任一像素的相邻亮温加权平方差的具体计算公式为
Figure DEST_PATH_IMAGE014
，
其中，
Figure 155335DEST_PATH_IMAGE013
为时间点，
Figure 678720DEST_PATH_IMAGE011
为时间序列中的时间点数量，为时间点
Figure 170882DEST_PATH_IMAGE013
的权重，
Figure DEST_PATH_IMAGE016
是时间点
Figure 976289DEST_PATH_IMAGE013
的MTSAT-2R数据中像素在第1波段的亮度温度、
Figure 2012100114893100002DEST_PATH_IMAGE017
是时间点
Figure DEST_PATH_IMAGE018
的MTSAT-2R数据中像素在第1波段的亮度温度；
步骤九、对步骤八保留的对象中每个像素，按照时间序列的时间点对地面站点实测数据进行辐射雾采样，得到像素在第1波段的标准亮度温度，构成标准亮度温度序列；按照时间序列的时间点提取相应MTSAT-2R数据中像素在第1波段的亮度温度，构成遥感亮度温度序列；计算各对象中每个像素的遥感亮度温度序列和标准亮度温度序列分别对应线段的斜率匹配值，统计每个对象的斜率匹配值平均值，当某个对象的斜率匹配值平均值大于预设阈值时识别为低云对象并去除；
某对象中任一像素的斜率匹配值的具体计算公式为
Figure 2012100114893100002DEST_PATH_IMAGE019
，
其中，
Figure 313729DEST_PATH_IMAGE013
为时间点，
Figure DEST_PATH_IMAGE020
为标准亮度温度序列中时间点
Figure 19517DEST_PATH_IMAGE013
+1和时间点
Figure 354684DEST_PATH_IMAGE013
的值所构成线段的斜率，
Figure 2012100114893100002DEST_PATH_IMAGE021
为遥感亮度温度序列中时间点
Figure 145922DEST_PATH_IMAGE013
+1和时间点
Figure 224736DEST_PATH_IMAGE013
的值所构成线段的斜率；
步骤十、对步骤九保留的对象，对各对象中每个像素的遥感亮度温度序列和标准亮度温度序列分别进行6阶曲线拟合，计算两条拟合所得曲线的曲率匹配值，统计每个对象的曲率匹配值平均值，当某个对象的曲率匹配值平均值大于预设阈值时识别为低云对象并去除；
曲率匹配值的具体计算公式为
Figure DEST_PATH_IMAGE022
，
其中，
Figure 283566DEST_PATH_IMAGE013
为时间点，
Figure 2012100114893100002DEST_PATH_IMAGE023
为标准亮度温度序列拟合所得曲线在时间点
Figure 55213DEST_PATH_IMAGE013
的曲率，
Figure DEST_PATH_IMAGE024
为遥感亮度温度序列拟合所得曲线在时间点
Figure 68168DEST_PATH_IMAGE013
的曲率；
步骤十一，对步骤十保留的对象认定为检测所得白天陆地辐射雾并输出。本发明利用面向对象和时序影像的思想，针对MTSAT-2R数据进行了白天陆地辐射雾检测的研究，将单时相影像中低云和雾难以区分的难题转化为时序影像中寻求分离特征的问题。本发明首先引入了面向对象思想，充分考虑雾的纹理特征，将雾和部分低云进行了提取，然后本发明原创性的提出了3个低云和雾的时序分离特征，包括相邻亮温平方差加权求和、斜率匹配平方差求和、曲率匹配平方差求和，取得了很好的低云和雾分离效果。
而且，步骤八、九、十中采用的时序序列包括前一天晚上9点开始到目前检测的时间点，间隔时间为一个小时。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明针对MTSAT-2R卫星所得MTSAT-2R静止卫星数据，进行白天陆地辐射雾检测。所提供技术方案的流程可采用计算机软件技术实现自动运行。结合附图和本发明的实施例，对本发明技术方案进行详细说明。如图1，实施例的实现过程包括如下步骤：
步骤一、对目前检测的时间点的MTSAT-2R数据，判断每个像素的第5波段反射率是否大于预设的反射率阈值，是则判断该像素属于地表目标并去除，否则保留，得到基于像素的云、雾、雪目标。
实施例利用云雾雪在在MTSAT-2R数据的第5波段（可见光波段）的高反射率特性，区分云雾雪与其他地表目标。通过设定反射率阈值将地表进行去除，本实施例中阈值设定为0.12，认为第5波段反射率大于0.12的为地表目标，该阈值为经验参数。
步骤二、计算步骤一所得云、雾、雪目标中每个像素的雾检测指数FDI，根据雾检测指数FDI进行分割，将云、雾、雪目标分割为对象。
实施例利用雾在MTSAT-2R数据第4波段的高反射特性及中高云在第5波段反射率通常大于雾的特性，构建雾检测指数FDI，利用该指数进行分割可以充分将雾和其他目标分割为不同对象，考虑到低云和雾的相似性，实施例将利用Mean Shift分割方法进行微过度分割，保证雾和低云不会分割为同一个对象。Mean Shift为现有技术，本发明不予赘述。具体实施时，最优的分割参数可通过分析空间带宽和光谱带宽，依据分割对象与地面站点数据对比而选择，保证同一对象中很少同时出现雾站点和非雾站点。本实施例中，Mean Shift的分割参数中的带宽尺度和灰度尺度分别设置为7和3.5。
任一像素的雾检测指数FDI计算公式如下
FDI=
Figure 365474DEST_PATH_IMAGE002
/(
Figure 308023DEST_PATH_IMAGE001
-
Figure 745957DEST_PATH_IMAGE002
)，
其中，
Figure 228891DEST_PATH_IMAGE002
为像素的第4波段反射率，
Figure 701461DEST_PATH_IMAGE001
为像素的第5波段反射率。
步骤三、对步骤二获取的分割结果，首先计算各对象中每个像素的亮度温度差检测指数TDDI，然后统计每个对象的亮度温度差检测指数平均值，当某个对象的亮度温度差检测指数平均值大于预设阈值时识别为中高云对象并去除。
实施例利用中高云在MTSAT-2R数据第一波段亮度温度与周围地表亮度温度差异明显大于低云和雾与周围地表的差异，构建亮度温度差检测指数TDDI，对步骤二获取的分割结果，统计每个对象的亮度温度差检测指数平均值（
Figure DEST_PATH_IMAGE025
），根据预设阈值区分中高云对象。设置的阈值的具体实现方法可为：通过采集中高云和低云的样本数据，在保证很少低云和雾对象被错判为中高云的前提下，设定阈值。
设某对象中任一像素X的亮度温度为
Figure 528231DEST_PATH_IMAGE003
，像素X的亮度温度差检测指数TDDI计算公式如下
TDDI=
Figure 652044DEST_PATH_IMAGE004
其中，
Figure 936395DEST_PATH_IMAGE005
为像素X附近地表的像素在第1波段的亮度温度，
Figure 348922DEST_PATH_IMAGE013
表示像素X的8个方向（即东、南、西、北、东南、东北、西南、西北），j表示其中一个方向的前20个地表像素。
即针对步骤一去除地表后的云、雾、雪对象中的任一像素，依次搜索8个方向的距离目标像素最近的20个地表像素，并依次计算8个方向20个地表像素在第一波段的亮度温度中位数，最后计算8个方向的亮度温度平均值，作为被检测像素邻近地表的亮度温度。对于某一方向上不足20个地表像素或者不存在像素的情况，则该方向不参与计算。
本实施例中，阈值设定为15，采用的是宽松阈值法，保证没有或很少的低云、雾、雪像素会被去除，
Figure 439238DEST_PATH_IMAGE025
大于15的对象被认为是中高云对象，被去除掉。
步骤四、对步骤三保留的对象，首先计算各对象中每个像素的雪检测指数SDI，然后统计每个对象的雪检测指数平均值，当某个对象的雪检测指数平均值大于预设阈值时识别为雪对象并去除。
实施例相对于低云和雾，利用雪在第四波段反射率较小而在第1波段亮度温度较大的特性，构建雪检测指数SDI，对步骤三获取的低云、雾、雪对象，统计每个对象的雪检测指数平均值（
Figure DEST_PATH_IMAGE026
），根据预设阈值区分雪对象。
某对象中任一像素的雪检测指数SDI计算公式如下
SDI=
Figure 620820DEST_PATH_IMAGE007
其中，
Figure 872810DEST_PATH_IMAGE008
为像素在第1波段的亮度温度，为像素的第4波段反射率。
本实施例中，阈值设定为1，采用的是宽松阈值法，保证没有或很少的低云和雾像素会被去除，
Figure 338744DEST_PATH_IMAGE026
大于1的对象被认为是雪对象，被去除掉。
步骤五、对步骤四保留的对象，首先计算各对象中在第4波段和在第1波段的亮度温度差，然后统计每个对象的亮度温度差平均值（），当某个对象的亮度温度差平均值大于预设阈值时进一步识别为雪对象并去除。
实施例相对于低云和雾，利用雪存在第4波段和第1波段亮度温度差较小的特性,对步骤四获取的结果，统计每个对象的第4波段和在第1波段的亮度温度差平均值，根据预设阈值进一步去除雪对象。本实施例中，亮度温度差的计算公式为-
Figure 201264DEST_PATH_IMAGE008
，其中
Figure 624155DEST_PATH_IMAGE028
表示第4波段的亮度温度差，
Figure 11274DEST_PATH_IMAGE008
表示第1波段的亮度温度差。亮度温度差平均值为对象中所有像素亮度温度差的平均值，阈值设定为21，采用的是宽松阈值法，保证没有或很少的低云和雾像素会被去除，小于21的对象被认为是雪对象，被去除掉。
步骤六、对步骤五保留的对象，计算每个对象在第1波段的亮度温度标准差
Figure 333988DEST_PATH_IMAGE009
，当某个对象的亮度温度标准差
Figure 131043DEST_PATH_IMAGE009
大于预设阈值时识别为低云对象并去除。
第1波段亮度温度分布可以很好的描述云顶和雾顶的平滑程度，实施例利用低云和雾对象在第1波段的亮度温度标准差
Figure 739879DEST_PATH_IMAGE009
来进行描述，对步骤五获取的低云和雾对象，通过计算每个低云和雾对象在第一波段的亮度温度标准差
Figure 975688DEST_PATH_IMAGE009
，根据预设阈值去除部分低云对象。
任一对象的亮度温度标准差
Figure 986369DEST_PATH_IMAGE009
计算公式如下
=
Figure 614239DEST_PATH_IMAGE010
其中，
Figure 325843DEST_PATH_IMAGE008
为对象中某像素在第1波段的亮度温度，
Figure 191031DEST_PATH_IMAGE011
为对象的像素个数，
Figure 392205DEST_PATH_IMAGE012
为对象的所有像素在第1波段的平均亮度温度，表示对象中的像素。
Figure 225349DEST_PATH_IMAGE012
通过将对象的所有像素在第1波段的亮度温度求和后除以像素个数得到。
本实施例中采用的是宽松阈值法，保证没有或很少的雾像素会被去除，亮度温度标准差
Figure 272939DEST_PATH_IMAGE009
大于2.8的对象被认为是低云对象，被去除掉。
步骤七、对步骤六保留的对象，计算每个对象的雾检测指数平均值（
Figure DEST_PATH_IMAGE029
），当某个对象的雾检测指数平均值小于预设阈值时识别为低云对象并去除。
实施例利用步骤二所得雾检测指数FDI，对步骤六获取的雾和低云对象，计算每个对象的雾检测指数，根据预设阈值去除部分低云对象。本实施例中采用的是宽松阈值法，保证没有或很少的雾像素会被去除，
Figure 582698DEST_PATH_IMAGE029
小于20的对象被认为是低云对象，被去除掉。
至此，通过7个步骤对目前检测的时间点影像分析，得到一个初步分析结果，但是单幅影像没有办法很好区分低云和雾，所以实施例在后面3个步骤利用多个时间点的时序影像来区分低云和雾。
步骤八、在目前检测的时间点之前取
Figure 715739DEST_PATH_IMAGE011
-1个时间点，将总共
Figure 769146DEST_PATH_IMAGE011
个时间点按照时间顺序排列，构成时间序列；对步骤七保留的对象，首先计算各对象中每个像素的相邻亮温加权平方差，然后统计每个对象的相邻亮温加权平方差平均值（MEAN(A)），当某个对象的相邻亮温加权平方差平均值小于预设阈值时识别为低云对象并去除；
某对象中任一像素的相邻亮温加权平方差的具体计算公式为，
其中，
Figure 650438DEST_PATH_IMAGE013
为时间点，
Figure 942879DEST_PATH_IMAGE011
为时间序列中的时间点数量，
Figure 862293DEST_PATH_IMAGE015
为时间点
Figure 556580DEST_PATH_IMAGE013
的权重，
Figure 208141DEST_PATH_IMAGE016
是时间点的MTSAT-2R数据中像素在第1波段的亮度温度、
Figure 710984DEST_PATH_IMAGE017
是时间点
Figure 259777DEST_PATH_IMAGE018
的MTSAT-2R数据中像素在第1波段的亮度温度。
利用低云随时间会发生明显移动的特性，其亮度温度会随时间发生明显的变化，而陆地辐射雾的变化很小，实施例对步骤七获取的雾和低云对象，首先计算对象中每个像素的相邻亮温加权平方差，然后计算每个对象的平均值，根据预设阈值去除部分低云。
由于是进行白天陆地辐射雾检测，目前检测的时间点可取当前白天的一个整点，比如10点。步骤八、九、十采用的时序序列包括前一天晚上9点开始到目前检测的时间点，间隔时间为一个小时。加权的实现方式可以为（8，9）、（9，10）、（10，11）3个相邻时间计算平方差的时候乘以权值，这样是为了凸显早上地表亮度温度快速上升的特性。具体实施时，可以根据需要选择更多时间点。
例如，对某个像素，从2011年2月1日晚21点（UTC+8）开始的15个时间点，从MTSAT-2R数据提取在第1波段的亮度温度数据为（21、22、23、24、1、2、3、4、5、6、7、8、9、10、11）。这种按照时间序列的时间点提取相应MTSAT-2R数据中像素在第1波段的亮度温度，所构成的数值序列，本发明称为遥感亮度温度序列。将该序列代入计算相邻亮温加权平方差的公式
Figure 410135DEST_PATH_IMAGE014
。其中
Figure 677168DEST_PATH_IMAGE013
为时间点，n等于15，
Figure 876069DEST_PATH_IMAGE015
为权重，当
Figure 843150DEST_PATH_IMAGE013
等于8、9、10的时候
Figure 102093DEST_PATH_IMAGE015
分别为3、5、3，当
Figure 856422DEST_PATH_IMAGE013
为其他值的时候，
Figure 655751DEST_PATH_IMAGE015
取值为1。计算每个对象的平均值，本实施例中的阈值设定为32，当MEAN(A)大于32时，被认为是低云对象而去除。
步骤九、对步骤八保留的对象中每个像素，按照时间序列的时间点对地面站点实测数据进行辐射雾采样，得到像素在第1波段的标准亮度温度，构成标准亮度温度序列；按照时间序列的时间点提取相应MTSAT-2R数据中像素在第1波段的亮度温度，构成遥感亮度温度序列；计算各对象中每个像素的遥感亮度温度序列和标准亮度温度序列分别对应线段的斜率匹配值，统计每个对象的斜率匹配值平均值（MEAN(B)），当某个对象的斜率匹配值平均值大于预设阈值时识别为低云对象并去除。
实施例利用低云随时间会发生明显移动、而陆地辐射雾的变化很小的特性，根据影像中雾区样本构建陆地辐射雾的标准亮度温度序列。按照统一的时间点，提取遥感亮度温度序列。通过对比像素的遥感亮度温度序列和标准亮度温度序列，对步骤八获取的雾和低云对象，首先计算两个序列对应线段的斜率平方差的和作为斜率匹配值，然后计算每个对象的平均值，根据预设阈值去除部分低云。
例如，对某个像素，从2011年2月1日晚21点（UTC+8）开始的15个时间点，遥感亮度温度数据与步骤八一样，采样所得 的标准亮度温度序列为
(274,274,273,273,273,272,272,272,271,271,271,272,272,273,274)。
这是通过对标准辐射雾进行采样得到的数据，数字代表第一波段的亮度温度。
某对象中任一像素的斜率匹配值的具体计算公式为
Figure 179136DEST_PATH_IMAGE019
，
其中，为时间点，
Figure 647344DEST_PATH_IMAGE020
为标准亮度温度序列中时间点
Figure 188046DEST_PATH_IMAGE013
+1和时间点
Figure 831517DEST_PATH_IMAGE013
的值所构成线段的斜率，
Figure 229001DEST_PATH_IMAGE021
为遥感亮度温度序列中时间点
Figure 957922DEST_PATH_IMAGE013
+1和时间点的值所构成线段的斜率。计算每个对象的平均值，本实施例中的阈值设定为26，当某对象中MEAN(B)大于26时，被认为是低云对象而去除。
步骤十、对步骤九保留的对象，对各对象中每个像素的遥感亮度温度序列和标准亮度温度序列分别进行6阶曲线拟合，计算两条拟合所得曲线的曲率匹配值，统计每个对象的曲率匹配值平均值（MEAN(C)），当某个对象的曲率匹配值平均值大于预设阈值时识别为低云对象并去除。
实施例对陆地辐射雾在第1波段的标准亮度温度序列进行6阶曲线拟合，同样对遥感亮度温度序列进行6阶曲线拟合，计算两条曲线对应时间点的曲率平方差并求和作为曲率匹配值，对步骤九获取的雾和低云对象，根据预设阈值，去除部分低云。
实施例中采用的遥感亮度温度序列和标准亮度温度序列与步骤九一样，曲率匹配值的具体计算公式为
Figure 95566DEST_PATH_IMAGE022
，
其中，
Figure 601634DEST_PATH_IMAGE013
为时间点，
Figure 817852DEST_PATH_IMAGE023
为标准亮度温度序列拟合所得曲线在时间点
Figure 762674DEST_PATH_IMAGE013
的曲率，
Figure 115158DEST_PATH_IMAGE024
为遥感亮度温度序列拟合所得曲线在时间点
Figure 57706DEST_PATH_IMAGE013
的曲率。本实施例中的阈值设定为5，当MEAN(C)大于5时，被认为是低云对象而去除。曲率的具体计算公式和函数拟合方法为现有技术，本发明不再赘述。
步骤十一，对步骤十保留的对象认定为检测所得白天陆地辐射雾并输出，得到本发明所需的检测结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于面向对象和时序影像的白天陆地辐射雾检测方法，所述影像为MTSAT-2R数据，其特征是，包括以下步骤：
步骤一、对目前检测的时间点的MTSAT-2R数据，判断每个像素的第5波段反射率
Figure 2012100114893100001DEST_PATH_IMAGE001
是否大于预设的反射率阈值，是则判断该像素属于地表目标并去除，否则保留，得到基于像素的云、雾、雪目标；
步骤二、计算步骤一所得云、雾、雪目标中每个像素的雾检测指数FDI，根据雾检测指数FDI进行分割，将云、雾、雪目标分割为对象；雾检测指数FDI的计算公式如下
FDI=
Figure 417516DEST_PATH_IMAGE002
/(
Figure 624507DEST_PATH_IMAGE001
-
Figure 924907DEST_PATH_IMAGE002
)，
其中，
Figure 850138DEST_PATH_IMAGE002
为像素的第4波段反射率，为像素的第5波段反射率；
步骤三、对步骤二获取的分割结果，首先计算各对象中每个像素的亮度温度差检测指数TDDI，然后统计每个对象的亮度温度差检测指数平均值，当某个对象的亮度温度差检测指数平均值大于预设阈值时识别为中高云对象并去除；设某对象中任一像素X的亮度温度为
Figure 2012100114893100001DEST_PATH_IMAGE003
，像素X的亮度温度差检测指数TDDI计算公式如下
TDDI=
Figure 339205DEST_PATH_IMAGE004
其中，为像素X附近地表的像素在第1波段的亮度温度，
Figure 2012100114893100001DEST_PATH_IMAGE007
表示像素X的8个方向，j表示其中一个方向的前20个地表像素；
步骤四、对步骤三保留的对象，首先计算各对象中每个像素的雪检测指数SDI，然后统计每个对象的雪检测指数平均值，当某个对象的雪检测指数平均值大于预设阈值时识别为雪对象并去除；某对象中任一像素的雪检测指数SDI计算公式如下
SDI=
Figure 544927DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为像素在第1波段的亮度温度，
Figure 895137DEST_PATH_IMAGE002
为像素的第4波段反射率；
步骤五、对步骤四保留的对象，首先计算各对象中在第4波段和在第1波段的亮度温度差，然后统计每个对象的亮度温度差平均值，当某个对象的亮度温度差平均值大于预设阈值时进一步识别为雪对象并去除；
步骤六、对步骤五保留的对象，计算每个对象在第1波段的亮度温度标准差
Figure 110087DEST_PATH_IMAGE010
，当某个对象的亮度温度标准差
Figure 229352DEST_PATH_IMAGE010
大于预设阈值时识别为低云对象并去除；任一对象的亮度温度标准差计算公式如下
Figure 318848DEST_PATH_IMAGE010
=
Figure DEST_PATH_IMAGE011
其中，为对象中某像素在第1波段的亮度温度，
Figure 311261DEST_PATH_IMAGE012
为对象的像素个数，
Figure DEST_PATH_IMAGE013
为对象的所有像素在第1波段的平均亮度温度，
Figure 937414DEST_PATH_IMAGE007
表示对象中的像素；
步骤七、对步骤六保留的对象，根据步骤二所得雾检测指数FDI计算每个对象的雾检测指数平均值，当某个对象的雾检测指数平均值小于预设阈值时识别为低云对象并去除；
步骤八、在目前检测的时间点之前取
Figure 245905DEST_PATH_IMAGE012
-1个时间点，将总共
Figure 615706DEST_PATH_IMAGE012
个时间点按照时间顺序排列，构成时间序列；对步骤七保留的对象，首先计算各对象中每个像素的相邻亮温加权平方差，然后统计每个对象的相邻亮温加权平方差平均值，当某个对象的相邻亮温加权平方差平均值小于预设阈值时识别为低云对象并去除；
某对象中任一像素的相邻亮温加权平方差的具体计算公式为
Figure 709564DEST_PATH_IMAGE014
，
其中，
Figure 506619DEST_PATH_IMAGE007
为时间点，
Figure 115455DEST_PATH_IMAGE012
为时间序列中的时间点数量，
Figure DEST_PATH_IMAGE015
为时间点
Figure 210319DEST_PATH_IMAGE007
的权重，
Figure 158683DEST_PATH_IMAGE016
是时间点
Figure 126639DEST_PATH_IMAGE007
的MTSAT-2R数据中像素在第1波段的亮度温度、
Figure DEST_PATH_IMAGE017
是时间点
Figure 409722DEST_PATH_IMAGE018
的MTSAT-2R数据中像素在第1波段的亮度温度；
步骤九、对步骤八保留的对象中每个像素，按照时间序列的时间点对地面站点实测数据进行辐射雾采样，得到像素在第1波段的标准亮度温度，构成标准亮度温度序列；按照时间序列的时间点提取相应MTSAT-2R数据中像素在第1波段的亮度温度，构成遥感亮度温度序列；计算各对象中每个像素的遥感亮度温度序列和标准亮度温度序列分别对应线段的斜率匹配值，统计每个对象的斜率匹配值平均值，当某个对象的斜率匹配值平均值大于预设阈值时识别为低云对象并去除；
某对象中任一像素的斜率匹配值的具体计算公式为
Figure DEST_PATH_IMAGE019
，
其中，
Figure 59009DEST_PATH_IMAGE007
为时间点，
Figure 924197DEST_PATH_IMAGE020
为标准亮度温度序列中时间点
Figure 63054DEST_PATH_IMAGE007
+1和时间点
Figure 833433DEST_PATH_IMAGE007
的值所构成线段的斜率，
Figure DEST_PATH_IMAGE021
为遥感亮度温度序列中时间点
Figure 348728DEST_PATH_IMAGE007
+1和时间点
Figure 6105DEST_PATH_IMAGE007
的值所构成线段的斜率；
步骤十、对步骤九保留的对象，对各对象中每个像素的遥感亮度温度序列和标准亮度温度序列分别进行6阶曲线拟合，计算两条拟合所得曲线的曲率匹配值，统计每个对象的曲率匹配值平均值，当某个对象的曲率匹配值平均值大于预设阈值时识别为低云对象并去除；
曲率匹配值的具体计算公式为，
其中，为时间点，为标准亮度温度序列拟合所得曲线在时间点的曲率，
Figure 614797DEST_PATH_IMAGE024
为遥感亮度温度序列拟合所得曲线在时间点
Figure 95456DEST_PATH_IMAGE007
的曲率；
步骤十一，对步骤十保留的对象认定为检测所得白天陆地辐射雾并输出。
2.根据权利要求1所述基于面向对象和时序影像的白天陆地辐射雾检测方法，其特征是：步骤八、九、十中采用的时序序列包括前一天晚上9点开始到目前检测的时间点，间隔时间为一个小时。
CN2012100114893A 2012-01-16 2012-01-16 基于面向对象和时序影像的白天陆地辐射雾检测方法 Expired - Fee Related CN102540277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100114893A CN102540277B (zh) 2012-01-16 2012-01-16 基于面向对象和时序影像的白天陆地辐射雾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100114893A CN102540277B (zh) 2012-01-16 2012-01-16 基于面向对象和时序影像的白天陆地辐射雾检测方法

Publications (2)

Publication Number Publication Date
CN102540277A true CN102540277A (zh) 2012-07-04
CN102540277B CN102540277B (zh) 2013-12-04

Family

ID=46347584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100114893A Expired - Fee Related CN102540277B (zh) 2012-01-16 2012-01-16 基于面向对象和时序影像的白天陆地辐射雾检测方法

Country Status (1)

Country Link
CN (1) CN102540277B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103926634A (zh) * 2014-03-12 2014-07-16 长江水利委员会长江科学院 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法
CN108121971A (zh) * 2017-12-25 2018-06-05 哈尔滨拓讯科技有限公司 一种基于动作时序特征的人手检测方法及装置
CN108154486A (zh) * 2017-12-25 2018-06-12 电子科技大学 基于p范数回归模型的光学遥感图像时间序列云检测方法
CN109033984A (zh) * 2018-06-29 2018-12-18 中南大学 一种夜间雾快速自动检测方法
CN109767465A (zh) * 2018-04-23 2019-05-17 中南大学 一种基于h8/ahi的白天雾快速提取的方法
WO2019184269A1 (zh) * 2018-03-30 2019-10-03 长安大学 基于Landsat8含雪影像的云检测方法
CN110378387A (zh) * 2019-06-21 2019-10-25 中国人民解放军国防科技大学 基于风云四号卫星和地基毫米波雷达的云底高度监测方法
WO2020192367A1 (zh) * 2019-03-28 2020-10-01 厦门龙辉芯物联网科技有限公司 一种平流雾测报系统及测报方法
CN111736237A (zh) * 2020-07-31 2020-10-02 上海眼控科技股份有限公司 辐射雾检测方法、装置、计算机设备和可读存储介质
CN113392694A (zh) * 2021-03-31 2021-09-14 中南大学 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452078A (zh) * 2008-12-30 2009-06-10 国家卫星气象中心 极轨气象卫星遥感白天和夜间海雾的检测方法
KR20090075301A (ko) * 2008-01-04 2009-07-08 부산대학교 산학협력단 밝기온도 표준편차 판정법에 의한 기상관측위성을 이용한안개 탐지시스템 및 그를 사용한 안개 탐지방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090075301A (ko) * 2008-01-04 2009-07-08 부산대학교 산학협력단 밝기온도 표준편차 판정법에 의한 기상관측위성을 이용한안개 탐지시스템 및 그를 사용한 안개 탐지방법
CN101452078A (zh) * 2008-12-30 2009-06-10 国家卫星气象中心 极轨气象卫星遥感白天和夜间海雾的检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《Meteorological Applications》 20060630 Jorg Bendix et al "A feasibility study of daytime fog and low stratus detection with TERRA/AQUA-MODIS over land" 期刊第111-125页 1-2 第13卷, 第2期 *
JORG BENDIX ET AL: ""A feasibility study of daytime fog and low stratus detection with TERRA/AQUA-MODIS over land"", 《METEOROLOGICAL APPLICATIONS》 *
S. JEFFREY UNDERWOOD ET AL: ""A Multiple-Case Analysis of Nocturnal Radiation-Fog Development in the Central"", 《JOURNAL OF APPLIED METEOROLOGY》 *
文雄飞等: "归一化雾指数法白天陆地辐射雾检测研究", 《长江科学院院报》 *
金宝刚等: "基于BP神经网络与纹理分析优化的雾检测", 《解放军理工大学学报(自然科学版)》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103926634A (zh) * 2014-03-12 2014-07-16 长江水利委员会长江科学院 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法
CN108154486B (zh) * 2017-12-25 2021-07-16 电子科技大学 基于p范数回归模型的光学遥感图像时间序列云检测方法
CN108121971A (zh) * 2017-12-25 2018-06-05 哈尔滨拓讯科技有限公司 一种基于动作时序特征的人手检测方法及装置
CN108154486A (zh) * 2017-12-25 2018-06-12 电子科技大学 基于p范数回归模型的光学遥感图像时间序列云检测方法
WO2019184269A1 (zh) * 2018-03-30 2019-10-03 长安大学 基于Landsat8含雪影像的云检测方法
CN109767465A (zh) * 2018-04-23 2019-05-17 中南大学 一种基于h8/ahi的白天雾快速提取的方法
CN109033984A (zh) * 2018-06-29 2018-12-18 中南大学 一种夜间雾快速自动检测方法
WO2020192367A1 (zh) * 2019-03-28 2020-10-01 厦门龙辉芯物联网科技有限公司 一种平流雾测报系统及测报方法
US11372133B2 (en) * 2019-03-28 2022-06-28 Xiamen Kirincore Iot Technology Ltd. Advection fog forecasting system and forecasting method
CN110378387A (zh) * 2019-06-21 2019-10-25 中国人民解放军国防科技大学 基于风云四号卫星和地基毫米波雷达的云底高度监测方法
CN110378387B (zh) * 2019-06-21 2021-03-26 中国人民解放军国防科技大学 基于风云四号卫星和地基毫米波雷达的云底高度监测方法
CN111736237A (zh) * 2020-07-31 2020-10-02 上海眼控科技股份有限公司 辐射雾检测方法、装置、计算机设备和可读存储介质
CN113392694A (zh) * 2021-03-31 2021-09-14 中南大学 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备
CN113392694B (zh) * 2021-03-31 2022-07-01 中南大学 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备

Also Published As

Publication number Publication date
CN102540277B (zh) 2013-12-04

Similar Documents

Publication Publication Date Title
CN102540277B (zh) 基于面向对象和时序影像的白天陆地辐射雾检测方法
Caldas et al. Very short-term solar irradiance forecast using all-sky imaging and real-time irradiance measurements
CN107463901B (zh) 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN109416413B (zh) 太阳能预报
Bernecker et al. Continuous short-term irradiance forecasts using sky images
Fu et al. Predicting solar irradiance with all-sky image features via regression
US7062066B2 (en) Method and apparatus for short-term prediction of convective weather
Behrangi et al. Daytime precipitation estimation using bispectral cloud classification system
Zahraei et al. Short-term quantitative precipitation forecasting using an object-based approach
Logothetis et al. Benchmarking of solar irradiance nowcast performance derived from all-sky imagers
Lang et al. Incidence angle correction of SAR sea ice data based on locally linear mapping
Karas et al. Automatic color detection-based method applied to sentinel-1 sar images for snow avalanche debris monitoring
Strauss et al. Spatio-temporal clustering and density estimation of lightning data for the tracking of convective events
Otsuka et al. Assimilation experiments of MTSAT rapid scan atmospheric motion vectors on a heavy rainfall event
Apke et al. Towards objective identification and tracking of convective outflow boundaries in next-generation geostationary satellite imagery
CN109767465A (zh) 一种基于h8/ahi的白天雾快速提取的方法
CN111985433B (zh) 一种水稻遥感信息提取方法和系统
Xue et al. Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies
CN104156981A (zh) 一种基于图像处理的太阳射电爆发自动实时检测方法
Thomas et al. Multi-instrument, high-resolution imaging of polar cap patch transportation
CN115294183A (zh) 一种基于多源遥感数据的碟型子湖水体时序提取方法
Sakaino et al. Sat2rain: Multiple satellite images to rainfall amounts conversion by improved GAN
Nelson et al. Combining moderate-resolution time-series RS data from SAR and optical sources for rice crop characterisation: examples from Bangladesh
Gu et al. Online detection of snowcoverage and swing angles of electrical insulators on power transmission lines using videos
Chow Cloud Characterization for Solar Forecasting Using Sky Imagery

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20131204

Termination date: 20160116

EXPY Termination of patent right or utility model