CN103901420A - 先验地表反射率支持的动态阈值法遥感数据云识别方法 - Google Patents
先验地表反射率支持的动态阈值法遥感数据云识别方法 Download PDFInfo
- Publication number
- CN103901420A CN103901420A CN201410155933.8A CN201410155933A CN103901420A CN 103901420 A CN103901420 A CN 103901420A CN 201410155933 A CN201410155933 A CN 201410155933A CN 103901420 A CN103901420 A CN 103901420A
- Authority
- CN
- China
- Prior art keywords
- cloud
- data
- cos
- model
- reflectivity
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
Abstract
本发明公开了一种先验地表反射率支持的动态阈值法遥感数据云识别方法,包括步骤:a、先验地表反射率数据库的构建,收集全国的MODIS地表反射率数据,利用最小值合成技术合成MODIS高精度地表反射率数据集;b、基于6S辐射传输模型构建动态阈值检测模型,通过利用6S辐射传输模型模拟在可见光与近红外波段地表反射率在不同的大气及观测条件下表观反射率的变化趋势,得到在晴空像元所有可能的情况下表观反射率变化的最小值与最大值,使用非线性最小二乘拟合,构建动态阈值云及云阴影检测模型;c、针对HJ星CCD进行数据云及云阴影检测,使用构建的动态阈值检测模型,进行云识别和云阴影的信息提取实验。本发明可以有效提高波段较少的卫星数据的云识别精度。
Description
技术领域
本发明涉及一种先验地表反射率支持的动态阈值法遥感数据云识别方法,适用于波段较少,且波段设置主要集中在可见光及近红外波段的陆地观测卫星。
背景技术
云在地球-大气系统的能量平衡与水分循环中起着极为重要的作用。地气系统的辐射收支平衡主要是由云的光学性质决定的,同时,云在地气系统水分循环中,也起重要的作用。为了能根据卫星获得的上行辐射数据估算地表参数、云参数、气象参数,首先要判断观测像元属于云还是晴空像元,即进行云识别,也称为云检测,将遥感影像上的晴空像元下的地物与云覆盖区域进行分离,即区分有云(包括部分有云)像元与晴空像元。因此,云识别是遥感卫星观测资料定量应用工作的基础之一,是定量遥感信息提取中的一个重要环节。云识别结果直接影响到大气参数或地表参数的反演结果。
目前云识别国内外研究方法主要可以分为三大类:阈值法、统计学方法和人工神经网络法。其中阈值法作为使用最为广泛的云识别方法,在三者当中较成熟且易于实现,最易于业务化运行。目前阈值法使用最广泛主要有ISCCP方法(Rossow etal,1989)、APOLLO方法(Saunders and Kriebel,1988)、CO2薄片法(Smith and Platt,1978;Wylie and Menzel,1989)等,以上方法主要利用云与典型地表物体反射率以及亮度温度的差异,使用固定的阈值法来实现云与地表的识别,而对于薄云、碎云、云边缘而言,像元反射率是云与地表混合作用的结果,固定的阈值法通常无法高精度识别该类型地表的云覆盖。此外,阈值法都要求卫星传感器具有相当数量的通道设置,且光谱范围分布较宽,涉及到可见光、近红外、中红外及热红外,但对于部分传感器,特别是一些高分辨率的陆地观测卫星传感器,如我国的HJ-1CCD,往往波段设置较少,且波段分布主要集中在可见光和近红外一个相对较窄的范围,传统的云识别方法通常无法有效的对该类型传感器进行云检测。
传统的云像元检测算法主要依靠可见光与近红外波段的反射率与热红外波段的亮度温度,该方法用于较少波段数据的云及阴影识别时,具有两个主要的缺点:一是由于缺少热红外波段的亮温支持,在高反射率地区与冰雪覆盖区域很容易造成误判;二是现有的研究主要是多光谱综合阈值方法来进行云识别,由于地表类型的复杂性以及地物光谱的“同物异谱、同谱异物”特性,难以用统一的阈值来进行云及阴影的识别,该方法难以有效用于大区域范围云反演的业务化。为提高混合像元的云识别精度,解决传统阈值法对于波段较少的陆地观测卫星云识别困难的问题,需要提出一种实用与有效的云识别方法。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种先验地表反射率支持的动态阈值法遥感数据云识别方法,基于现有的地表反射率数据,通过辐射传输模型模拟,设置动态的云检测阈值来识别云像元,实现稀少波段遥感数据的云检测。
为了实现上述目的,本发明采用的技术方案如下:
先验地表反射率支持的动态阈值法遥感数据云识别方法,包括如下步骤:
a、先验地表反射率数据库的构建
a1、选取8天合成的MODIS地表反射率数据;
a2、对选取的每一景影像进行几何校正和拼接处理,在数据集构建时,只选取和HJ星相对应的波段,即MODIS红光波段、蓝光波段、绿光波段和近红外波段;
a3、对于拼接出来的全国地区影像,利用最小值合成法合成每月的一景影像;
b、基于6S辐射传输模型构建动态阈值检测模型
b1、从HYPERION高光谱数据中分别提取了与HJ-1CCD四波段对应波段上的云的表观反射率,并且从ASTER地物波谱数据库,利用HJ-1CCD传感器的光谱响应函数分别提取水泥地、植被、水体和土壤的表观反射率;
b2、通过利用6S辐射传输模型模拟在可见光与近红外波段地表反射率在不同的大气条件、气溶胶条件、气溶胶光学厚度以及几何条件下,表观反射率的变化趋势,得到在晴空像元所有可能的情况下表观反射率变化的最小值与最大值,使用非线性最小二乘拟合,构建动态阈值云及云阴影检测模型;
c、针对HJ星CCD数据进行云及云阴影检测
c1、对HJ-1CCD数据进行预处理,得到其表观反射率,并进行几何校正使其与MODIS数据在空间分辨率与投影方式实现一致;
c2、将HJ-1数据与MODIS数据进行空间与时间方面的匹配,以MODIS数据为地表反射率底图进行动态阈值的计算,与HJ-1表观反射率进行对比,如若HJ-1表观反射率大于MODIS数据所求的云阈值,则判定为云,如若小于MODIS数据所求的云阴影阈值,则判定为云阴影,否则判定为晴空像元。
上述步骤b2中,构建的动态阈值云及云阴影检测模型为:
第一波段,
云检测阈值模型为:a1*(Mod)+b1*cos(A)*cos(B);
云阴影检测阈值模型为:c1*(Mod)+d1*cos(A)*cos(B);
第二波段,
云检测阈值模型为:a2*(Mod)+b2*cos(A)*cos(B);
云阴影检测阈值模型为:c2*(Mod)+d2*cos(A)*cos(B);
第三波段,
云检测阈值模型为:a3*(Mod)+b3*cos(A)*cos(B);
云阴影检测阈值模型为:c3*(Mod)+d3*cos(A)*cos(B);
第四波段,
云检测阈值模型为:a4*(Mod)+b4*cos(A)*cos(B);
云阴影检测阈值模型为:c4*(Mod)+d4*cos(A)*cos(B);
其中,ai、bi、ci、di为解算的模型系数,i=1、2、3、4;Mod为MOD09数据地表反射率值,A为太阳天顶角值,B为卫星天顶角值。
本发明具有如下优点:
本发明针对以往方法的不足,提出了基于先验地表反射率数据支持的云检测方法,通过设置动态的云检测阈值来识别云像元,由于本发明方法是基于地表反射率设置阈值,能够有效避开混合像元对云检测能力的影响,对薄云、碎云、云边缘具有更高的识别能力,可以有效提高波段较少的卫星数据的云识别精度。另外,本发明方法对数据要求低,无须利用多波段的数据进行组合,具有普适性、算法简单、运行速度快等优点,达到高效云检测的目的,同时能有效的控制云检测过程中的检测错误,达到很好的效果。
附图说明
图1是本发明中先验地表反射率支持的动态阈值法遥感数据云识别方法的流程示意图;
图2是太阳顶角为30°、观测顶角为0°条件下气溶胶光学厚度与表观反射率的关系拟合示意图;
图3是太阳顶角为30°、观测顶角为20°条件下气溶胶光学厚度与表观反射率的关系拟合示意图;
图4是太阳顶角为30°、观测顶角为40°条件下气溶胶光学厚度与表观反射率的关系拟合示意图;
图5是太阳顶角为30°、观测顶角为55°条件下气溶胶光学厚度与表观反射率的关系拟合示意图;
图6是地表反射率为0.2,观测天顶角为10°,太阳天顶角分别为10°、25°、40°、55°条件下表观反射率的变化情况示意图;
图7是地表反射率为0.2,观测天顶角为20°,太阳天顶角分别为10°、25°、40°、55°条件下表观反射率的变化情况示意图;
图8是地表反射率为0.2,观测天顶角为30°,太阳天顶角分别为10°、25°、40°、55°条件下表观反射率的变化情况示意图;
图9是地表反射率为0.2,观测天顶角为40°,太阳天顶角分别为10°、25°、40°、55°条件下表观反射率的变化情况示意图;
图10是地表反射率为0.01条件下表观反射率在中纬度夏季及中纬度冬季的大气模式下的变化情况示意图;
图11是地表反射率为0.1条件下表观反射率在中纬度夏季及中纬度冬季的大气模式下的变化情况示意图;
图12是地表反射率为0.2条件下表观反射率在中纬度夏季及中纬度冬季的大气模式下的变化情况示意图;
图13是地表反射率为0.4条件下表观反射率在中纬度夏季及中纬度冬季的大气模式下的变化情况示意图;
图14是地表反射率为0.6条件下表观反射率在中纬度夏季及中纬度冬季的大气模式下的变化情况示意图;
图15是地表反射率为0.8条件下表观反射率在中纬度夏季及中纬度冬季的大气模式下的变化情况示意图;
图16是地表反射率为0.01、气溶胶光学厚度为0.2、太阳天顶角为30°条件下表观反射率的变化情况示意图;
图17是地表反射率为0.1、气溶胶光学厚度为0.2、太阳天顶角为30°条件下表观反射率在大陆型、海洋型、城市型三种气溶胶模式下的变化情况示意图;
图18是地表反射率为0.1、气溶胶光学厚度为0.8、太阳天顶角为30°条件下表观反射率在大陆型、海洋型、城市型三种气溶胶模式下的变化情况示意图;
图19是地表反射率为0.01、气溶胶光学厚度为0.8、太阳天顶角为30°条件下表观反射率在大陆型、海洋型、城市型三种气溶胶模式下的变化情况示意图;
图20是第一波段动态阈值法拟合示意图;
图21是第二波段动态阈值法拟合示意图;
图22是第三波段动态阈值法拟合示意图;
图23是第四波段动态阈值法拟合示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示,先验地表反射率支持的动态阈值法遥感数据云识别方法,包括以下步骤:
首先是关于MODIS地表反射率数据集构建:
1)这里选择的地表反射率产品是MODIS09地表反射率产品,以在可见光和近红外波段具有四个通道的HJ-1CCD数据为例,选取2008~2012年五年间8天合成的MODIS地表反射率数据(MOD09A1),每一年有46景数据;
2)对选取的每一景影像进行几何校正和拼接处理;
作为中纬度国家,为了使全国数据保持等面积特性,不发生面积上的变形,纠正后输出影像均采用“Albers Conical Equal Area”投影,坐标系为WGS-84,影像空间分辨率为500m。在数据集构建时,只选取了和HJ星相对应的波段,即MODIS红光波段、蓝光波段、绿光波段和近红外波段;
3)对于拼接出来的全国地区影像,30天之内一般都有至少四景影像,对于这四景影像利用最小值合成法合成每月的一景影像;
合成方式如下描述:以2008年的第一月的MOD09GA数据为例,一般数据获取的天数都为1、9、17、25四天。利用波段运算对四景影像的相应位置进行最小值法数据合成,对于合成后仍然有云的数据区域,利用之后几年同月份的相应位置的无云区域数据修补,最终形成一景中国大陆区域内的无云标准地表反射率产品。按照时间优先级合成的数据可以将地表结构变化所引起的误差将之最小,这样,便构成了全年月合成的标准地表反射率产品,数据集中包含MODIS红光波段、蓝光波段、绿光波段和近红外波段。
其次是基于6S辐射传输模型构建动态阈值检测模型:
1)参数模拟与分析
从HYPERION高光谱数据中分别提取与HJ-1CCD四波段对应波段上的云的表观反射率,并且从ASTER地物波谱数据库,利用HJ-1CCD传感器的光谱响应函数分别提取云、水泥地、植被、水体和土壤的表观反射率。由于云的表观反射率明显高于这些特征地物,对于这些地物进行表观反射率的模拟,模拟出在各种参数变化情况下表观反射率变化的一个极值,构建地物表观反射率变化的模型,对不同波段的表观反射率进行对比,如若超出地物变化的极大值,则判定为云像元,若低于其变化的极小值,则为云阴影区域,否则为晴空像元。由于表观反射率的变化与卫星的几何参数、太阳的角度、影像获取时的大气条件、气溶胶模式、气溶胶光学厚度以及地表反射率密切相关,于是利用6S大气辐射传输模型来对其中各个参数进行模拟,并分析他们与表观反射率的关系。
图2、图3、图4和图5示出了当太阳天顶角为30°时且模拟观测天顶角分别为0°、20°、40°和55°时气溶胶光学厚度与表观反射率之间的关系。由模拟结果可知,在一定角度条件下,气溶胶光学厚度和表观反射率之间可以有较好的一致性。当气溶胶光学厚度较小时,气溶胶光学厚度的误差所引起的表观反射率的误差不到1%;当气溶胶光学厚度逐渐增大时,气溶胶光学厚度的误差引起了表观反射率大概1%~3%的误差;当气溶胶光学厚度较大时,气溶胶光学厚度引起的误差又逐渐变小。这说明:表观反射率在气溶胶光学厚度较小和较大时会引起气溶胶光学厚度反演较大的误差。
图6、图7、图8和图9示出了在地表反射率为0.2时且在不同的模拟太阳天顶角(10°、25°、40°、55°)、观测天顶角(0°、20°、30°、40°)、气溶胶光学厚度(0.01、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8)条件下表观反射率的变化情况,其中,图6、图7、图8和图9上的每一条曲线代表了特定太阳天顶角、观测天顶角,随气溶胶光学厚度变化时表观反射率的变化。由上述几幅图可知,表观反射率的变化虽然都是随光学厚度的增加而逐渐变小,但在不同角度条件下,变化趋势都有一些差异。可以看出在太阳天顶角为55°时,随着观测天顶角的增大,其表观反射率逐渐呈增大趋势,可以理解为光在大气中随着传播路径的增加,大气散射效应也逐渐增加。但是在角度一定的情况下,表观反射率会随着气溶胶光学厚度的增大而逐渐减小。
由于我国大部分地区处于中纬度地带,在选择大气条件时就选择了与我国相符的中纬度夏季和中纬度冬季两种大气模式。由图10、图11、图12、图13、图14和图15可知,在不同的大气条件下,虽然表观反射率的变化都呈现相同的趋势,但两者在其他外界条件相同的情况下,表观反射率仍相差在0.01-0.03之间。
从图16、图17、图18和图19中可以看出,在不同的气溶胶模式下,当气溶胶光学厚度较小为0.2时,大陆型与城市型气溶胶之间的表观反射率平均绝对误差不超过0.005,大陆型与海洋型气溶胶之间的平均绝对误差在0.005左右;当气溶胶光学厚度变大时(0.8),大陆型与城市型之间的平均绝对误差不超过0.015,而大陆型与海洋型的气溶胶之间的平均绝对误差在0.02左右。气溶胶模式的不同会给表观反射率的反演带来明显的差异。从图上也可以看出在观测角度变化时,表观反射率有明显的变化,随着观测角度的增加,表观反射率值明显升高,其中观测天顶角为30°时有个明显的波峰,这与模拟时设置太阳天顶角为30°有关(发生了“热点效应”)。
2)动态阈值模拟的时候6S参数设置情况如下:
由于我国大部分地区位于中纬度,大气模式使用中纬度夏季与中纬度冬季两个大气模式,气溶胶模式选择为大陆型、城市型和海洋型三种。太阳天顶角为10、20、30、40四个角度,卫星观测角为10、25、40、55四个角度,气溶胶光学厚度为0.1、0.2、0.4、0.6、0.7五个条件,地表反射率为0.01、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8九个参数。模拟结果可以看出,不同的大气条件、气溶胶条件、几何条件以及气溶胶光学厚度情况下,地表反射率与表观反射率的对应变化情况不尽相同。其中,随着气溶胶光学厚度的增加,表观反射率逐渐趋向一致。在一定几何关系下,气溶胶光学厚度和表观反射率之间可以有很好的拟合趋势。
上述模拟结果,模拟了所有晴空条件可能出现的情况下地表表观反射率的变化情况,从中找出所有可能情况下的表观反射率最大值Rmax与最小值Rmin。由于表观反射率既受观测天顶角的影响也受太阳高度角的影响,在使用非线性最小二乘拟合动态阈值的时候应该考虑到:1)Rmax与地表反射率与观测天顶角和太阳高度角的关系;2)Rmin与地表反射率与观测天顶角和太阳高度角的关系;拟合的结果即作为云检测的阈值,高于Rmax值的为云,低于Rmin的为云阴影。
各个波段拟合示意图如图20、图21、图22和图23所示,动态阈值云及云阴影检测模型:
第一波段,
云检测阈值模型为:a1*(Mod)+b1*cos(A)*cos(B);
云阴影检测阈值模型为:c1*(Mod)+d1*cos(A)*cos(B);
第二波段,
云检测阈值模型为:a2*(Mod)+b2*cos(A)*cos(B);
云阴影检测阈值模型为:c2*(Mod)+d2*cos(A)*cos(B);
第三波段,
云检测阈值模型为:a3*(Mod)+b3*cos(A)*cos(B);
云阴影检测阈值模型为:c3*(Mod)+d3*cos(A)*cos(B);
第四波段,
云检测阈值模型为:a4*(Mod)+b4*cos(A)*cos(B);
云阴影检测阈值模型为:c4*(Mod)+d4*cos(A)*cos(B);
其中,ai、bi、ci、di为解算的模型系数,i=1、2、3、4;Mod为MOD09数据地表反射率值,A为太阳天顶角值,B为卫星天顶角值。
最后是针对HJ星CCD数据进行云及云阴影检测,具体为使用构建的动态阈值的检测模型,进行云识别和云阴影的信息提取实验。
1)对HJ-1CCD数据进行预处理,得到其表观反射率,并进行几何校正使其与MODIS数据在空间分辨率与投影方式实现一致;
2)将HJ-1数据与MODIS数据进行空间与时间方面的匹配,以MODIS数据为地表反射率底图进行动态阈值的计算,之后与HJ-1表观反射率进行对比,如若HJ-1表观反射率大于MODIS数据所求的云阈值,则判定为云,如若小于MODIS数据所求的云阴影阈值,则判定为云阴影,否则,如若HJ-1表观反射率位于云阴影阈值与云阈值之间,则判定为晴空像元。图1中,RHJ是环境星的反射率,RMOD是MODIS的反射率,TMAX是最大的阈值,即MODIS数据所求的云阈值,TMIN是最小的阈值,即MODIS数据所求的云阴影阈值。
3)云检测精度评价
从检测结果可以看出本发明提出的方法对于不同类型的云都有较好的识别,无论是碎云、薄云、卷云等,对于固定阈值无能为力的冰雪以及高反射率地区也能有很好的检测效果,对于云阴影区域也有较好的检测效果。
本发明方法可以有效实现高反射率、冰雪地区的云识别,对于薄云覆盖的情况下也能做到有效的识别,适用于波段较少传感器数据的云识别。另外,可以将本发明运用在环境与灾害监测预报小卫星(HJ星)的云检测上,利用动态阈值设置达到从波段较少的遥感数据中高精度提取云像元的目的。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所用等同替代、或明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (2)
1.先验地表反射率支持的动态阈值法遥感数据云识别方法,其特征在于包括如下步骤:
a、先验地表反射率数据库的构建
a1、选取8天合成的MODIS地表反射率数据;
a2、对选取的每一景影像进行几何校正和拼接处理,在数据集构建时,只选取和HJ星相对应的波段,即MODIS红光波段、蓝光波段、绿光波段和近红外波段;
a3、对于拼接出来的全国地区影像,利用最小值合成法合成每月的一景影像;
b、基于6S辐射传输模型构建动态阈值云检测模型
b1、从HYPERION高光谱数据中分别提取了与HJ-1CCD四波段对应波段上的云的表观反射率,并且从ASTER地物波谱数据库,利用HJ-1CCD传感器的光谱响应函数分别提取水泥地、植被、水体和土壤的表观反射率;
b2、通过利用6S辐射传输模型模拟在可见光与近红外波段地表反射率在不同的大气条件、气溶胶条件、气溶胶光学厚度以及几何条件下,表观反射率的变化趋势,得到在晴空像元所有可能的情况下表观反射率变化的最小值与最大值,使用非线性最小二乘拟合,构建动态阈值云及阴影检测模型;
c、针对HJ星CCD数据进行云及云阴影检测
c1、对HJ-1CCD数据进行预处理,得到其表观反射率,并进行几何校正使其与MODIS数据在空间分辨率与投影方式实现一致;
c2、将HJ-1数据与MODIS数据进行空间与时间方面的匹配,以MODIS数据为地表反射率底图进行动态阈值的计算,与HJ-1表观反射率进行对比,如若HJ-1表观反射率大于MODIS数据所求的云阈值,则判定为云,如若小于MODIS数据所求的云阴影阈值,则判定为云阴影,如若HJ-1表观反射率位于云阴影阈值与云阈值之间,则判定为晴空像元。
2.先验地表反射率支持的动态阈值法遥感数据云识别方法,其特征在于,所述步骤b2中,构建的动态阈值云及云阴影检测模型为:
第一波段,
云检测阈值模型为:a1*(Mod)+b1*cos(A)*cos(B);
云阴影检测阈值模型为:c1*(Mod)+d1*cos(A)*cos(B);
第二波段,
云检测阈值模型为:a2*(Mod)+b2*cos(A)*cos(B);
云阴影检测阈值模型为:c2*(Mod)+d2*cos(A)*cos(B);
第三波段,
云检测阈值模型为:a3*(Mod)+b3*cos(A)*cos(B);
云阴影检测阈值模型为:c3*(Mod)+d3*cos(A)*cos(B);
第四波段,
云检测阈值模型为:a4*(Mod)+b4*cos(A)*cos(B);
云阴影检测阈值模型为:c4*(Mod)+d4*cos(A)*cos(B);
其中,ai、bi、ci、di为解算的模型系数,i=1、2、3、4;Mod为MOD09数据地表反射率值,A为太阳天顶角值,B为卫星天顶角值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410155933.8A CN103901420A (zh) | 2014-04-18 | 2014-04-18 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410155933.8A CN103901420A (zh) | 2014-04-18 | 2014-04-18 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103901420A true CN103901420A (zh) | 2014-07-02 |
Family
ID=50992870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410155933.8A Pending CN103901420A (zh) | 2014-04-18 | 2014-04-18 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103901420A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN105469391A (zh) * | 2015-11-17 | 2016-04-06 | 中国科学院遥感与数字地球研究所 | 一种云阴影检测方法及系统 |
CN107067377A (zh) * | 2017-03-02 | 2017-08-18 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的阴影检测与光谱恢复的方法及装置 |
CN107741592A (zh) * | 2017-09-26 | 2018-02-27 | 北京大学 | 一种气溶胶多光学特性遥感观测系统及其观测方法 |
CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
CN108876846A (zh) * | 2018-06-05 | 2018-11-23 | 中国科学院国家天文台 | 一种基于光变曲线的卫星本体尺寸计算方法 |
CN109030301A (zh) * | 2018-06-05 | 2018-12-18 | 中南林业科技大学 | 基于遥感数据的气溶胶光学厚度反演方法 |
CN109060134A (zh) * | 2018-05-31 | 2018-12-21 | 中南林业科技大学 | 应用于林火热点判别的virr传感器多时相红外辐射归一方法 |
CN109101894A (zh) * | 2018-07-19 | 2018-12-28 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
CN109186777A (zh) * | 2018-09-26 | 2019-01-11 | 北京空间机电研究所 | 基于在轨推扫的红外图像的非均匀校正方法、装置、系统及应用 |
CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
CN109377476A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 遥感影像云检测特征参数的动态阈值获取方法及装置 |
CN110163035A (zh) * | 2018-02-11 | 2019-08-23 | 青岛星科瑞升信息科技有限公司 | 一种先验数据支持的云阴影识别方法 |
CN110599488A (zh) * | 2019-09-27 | 2019-12-20 | 广西师范大学 | 一种基于Sentinel-2气溶胶波段的云检测方法 |
CN110632032A (zh) * | 2019-06-26 | 2019-12-31 | 曲阜师范大学 | 一种基于地表反射率库的沙尘暴监测方法 |
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN111337910A (zh) * | 2020-03-31 | 2020-06-26 | 新石器慧通(北京)科技有限公司 | 一种雷达检验方法及装置 |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN116297068A (zh) * | 2023-05-25 | 2023-06-23 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020096622A1 (en) * | 2001-01-23 | 2002-07-25 | Steven Adler-Golden | Methods for atmospheric correction of solar-wavelength Hyperspectral imagery over land |
CN1619336A (zh) * | 2004-12-08 | 2005-05-25 | 中国海洋大学 | 海上气象能见度的卫星定量遥感方法 |
CN102854513A (zh) * | 2012-09-05 | 2013-01-02 | 环境保护部卫星环境应用中心 | 环境一号hj-1a/b星ccd数据的云检测方法 |
-
2014
- 2014-04-18 CN CN201410155933.8A patent/CN103901420A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020096622A1 (en) * | 2001-01-23 | 2002-07-25 | Steven Adler-Golden | Methods for atmospheric correction of solar-wavelength Hyperspectral imagery over land |
CN1619336A (zh) * | 2004-12-08 | 2005-05-25 | 中国海洋大学 | 海上气象能见度的卫星定量遥感方法 |
CN102854513A (zh) * | 2012-09-05 | 2013-01-02 | 环境保护部卫星环境应用中心 | 环境一号hj-1a/b星ccd数据的云检测方法 |
Non-Patent Citations (1)
Title |
---|
王健: "先验地表反射率支持的云检测方法——以HJ-1A/B CCD数据为例", 《万方数据知识服务平台》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867139B (zh) * | 2015-05-12 | 2018-02-09 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN105139396B (zh) * | 2015-10-22 | 2020-12-04 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN105469391B (zh) * | 2015-11-17 | 2018-04-13 | 中国科学院遥感与数字地球研究所 | 一种云阴影检测方法及系统 |
CN105469391A (zh) * | 2015-11-17 | 2016-04-06 | 中国科学院遥感与数字地球研究所 | 一种云阴影检测方法及系统 |
CN107067377A (zh) * | 2017-03-02 | 2017-08-18 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的阴影检测与光谱恢复的方法及装置 |
CN107067377B (zh) * | 2017-03-02 | 2019-10-29 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的阴影检测与光谱恢复的方法及装置 |
CN107741592A (zh) * | 2017-09-26 | 2018-02-27 | 北京大学 | 一种气溶胶多光学特性遥感观测系统及其观测方法 |
CN107741592B (zh) * | 2017-09-26 | 2019-08-13 | 北京大学 | 一种气溶胶多光学特性遥感观测系统及其观测方法 |
CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
CN110163035A (zh) * | 2018-02-11 | 2019-08-23 | 青岛星科瑞升信息科技有限公司 | 一种先验数据支持的云阴影识别方法 |
CN109060134A (zh) * | 2018-05-31 | 2018-12-21 | 中南林业科技大学 | 应用于林火热点判别的virr传感器多时相红外辐射归一方法 |
CN108876846A (zh) * | 2018-06-05 | 2018-11-23 | 中国科学院国家天文台 | 一种基于光变曲线的卫星本体尺寸计算方法 |
CN108876846B (zh) * | 2018-06-05 | 2021-12-03 | 中国科学院国家天文台 | 一种基于光变曲线的卫星本体尺寸计算方法 |
CN109030301A (zh) * | 2018-06-05 | 2018-12-18 | 中南林业科技大学 | 基于遥感数据的气溶胶光学厚度反演方法 |
CN109101894A (zh) * | 2018-07-19 | 2018-12-28 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
WO2020015326A1 (zh) * | 2018-07-19 | 2020-01-23 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
CN109377476B (zh) * | 2018-09-20 | 2020-10-23 | 中国农业大学 | 遥感影像云检测特征参数的动态阈值获取方法及装置 |
CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
CN109377476A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 遥感影像云检测特征参数的动态阈值获取方法及装置 |
CN109186777A (zh) * | 2018-09-26 | 2019-01-11 | 北京空间机电研究所 | 基于在轨推扫的红外图像的非均匀校正方法、装置、系统及应用 |
CN110632032A (zh) * | 2019-06-26 | 2019-12-31 | 曲阜师范大学 | 一种基于地表反射率库的沙尘暴监测方法 |
CN110599488A (zh) * | 2019-09-27 | 2019-12-20 | 广西师范大学 | 一种基于Sentinel-2气溶胶波段的云检测方法 |
CN110599488B (zh) * | 2019-09-27 | 2022-04-29 | 广西师范大学 | 一种基于Sentinel-2气溶胶波段的云检测方法 |
CN111157524A (zh) * | 2020-01-09 | 2020-05-15 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN111157524B (zh) * | 2020-01-09 | 2022-09-27 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN111337910A (zh) * | 2020-03-31 | 2020-06-26 | 新石器慧通(北京)科技有限公司 | 一种雷达检验方法及装置 |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737913B (zh) * | 2020-06-15 | 2023-08-15 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN116297068A (zh) * | 2023-05-25 | 2023-06-23 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
CN116297068B (zh) * | 2023-05-25 | 2023-08-18 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103901420A (zh) | 先验地表反射率支持的动态阈值法遥感数据云识别方法 | |
Zhan et al. | The 250 m global land cover change product from the Moderate Resolution Imaging Spectroradiometer of NASA's Earth Observing System | |
Chen et al. | A new index for mapping lichen-dominated biological soil crusts in desert areas | |
CN102539336B (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及系统 | |
Xu et al. | Satellite observation of tropical forest seasonality: spatial patterns of carbon exchange in Amazonia | |
Garcia et al. | Detection of interannual vegetation responses to climatic variability using AVIRIS data in a coastal savanna in California | |
CN103824077B (zh) | 一种基于多源遥感数据的城市不透水层率息提取方法 | |
CN104279967B (zh) | 基于高光谱图像的气溶胶光学厚度反演方法 | |
Ng et al. | Defining standard skies for Hong Kong | |
CN104535979A (zh) | 一种陆地云光学厚度的遥感反演方法及系统 | |
CN103267533B (zh) | 一种实用型高光谱遥感图像大气自校正方法 | |
CN104482939A (zh) | 一种基于时间序列的星载相机辐射交叉定标方法 | |
CN110927120B (zh) | 一种植被覆盖度预警方法 | |
CN106600589A (zh) | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 | |
CN108319923A (zh) | 一种云阴影识别方法及系统 | |
CN110378576A (zh) | 城市化植被效应有效距离的定量化检测方法 | |
Torres et al. | Sky luminance distribution in Pamplona (Spain) during the summer period | |
Wu et al. | Evaluation of winter wheat yield simulation based on assimilating LAI retrieved from networked optical and SAR remotely sensed images into the WOFOST model | |
CN103954974A (zh) | 一种用于城市地区的颗粒物光学厚度遥感监测方法 | |
Hassan et al. | Application of Landsat-7 ETM+ and MODIS products in mapping seasonal accumulation of growing degree days at an enhanced resolution | |
Vujadinović et al. | Impact of climate change on growing season and dormant period characteristics for the balkan region | |
Xue et al. | Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies | |
Liu et al. | Method of identifying the lengths of equivalent clear-sky periods in the time series of DNI measurements based on generalized atmospheric turbidity | |
Wei et al. | Simulating alpine vegetation net primary productivity by remote sensing in Qinghai Province, China | |
Moreau et al. | The vegetation phenology detection in Amazon tropical evergreen forests using SPOT-VEGETATION 11-y time series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140702 |
|
RJ01 | Rejection of invention patent application after publication |