CN105303539A - 一种基于辐射传输模拟的遥感影像融合方法 - Google Patents
一种基于辐射传输模拟的遥感影像融合方法 Download PDFInfo
- Publication number
- CN105303539A CN105303539A CN201510291161.5A CN201510291161A CN105303539A CN 105303539 A CN105303539 A CN 105303539A CN 201510291161 A CN201510291161 A CN 201510291161A CN 105303539 A CN105303539 A CN 105303539A
- Authority
- CN
- China
- Prior art keywords
- water
- remote sensing
- spatial resolution
- elements
- sensing image
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于辐射传输模拟的遥感影像融合方法,其包括如下步骤:步骤S1,获得水色三要素;以及步骤S2,通过所述水色三要素获得初步融合结果。本发明的遥感影像融合方法及系统克服了传统的融合算法造成光谱信息丢失严重的技术问题;并且每个波段的空间分布信息都由严格的物理模型推导得来,而不是在所有波段上都采用全色影像的空间分布信息,高光谱的信息损失较小;本算法基于水面反射率模拟模型推导高光谱数据的波谱,因此,突破了水色遥感图像融合中对不同影像波段需要严格匹配的局限,其适用性更强。
Description
技术领域
本发明涉及遥感监测领域,尤其涉及一种基于辐射传输模拟的遥感影像融合方法。
背景技术
自20世纪70年代以来,国际国内已经发射了多种空间分辨率和光谱分辨率的遥感传感器,如如搭载于美国陆地资源卫星的ThematicMapper(TM)、法国的SystemeProbatoried’ObservationdelaTarre(SPOT)、印度的IndianSpaceResearch(IRS)-1C、AdvancedSpacebornThermalEmissionandReflectionRadiometer(ASTER)、中巴资源卫星(China-brazilEarthResourceSatellite,CBERS)、我国的环境1号小卫星(HJ1)等,针对于水色遥感,还有专门的水色遥感传感器,如SeaWiFS(Sea-ViewingWideField-of-ViewSensor)、MERIS(MediumResolutionImagingSpectrometer)、GOCI(GeostationaryOceanColorImager)、MODIS(ModerateResolutionImagingSpectroradiometer)等,但是,针对于环境遥感监测而言,这些遥感传感器往往难以在时间分辨率和光谱分辨率同时满足要求,因此,多种遥感图像融合方法应运而生,人们往往通过图像融合,将低空间分辨率和较高光谱分辨率的数据进行融合,生成新的遥感图像,以提高图像的空间分辨率和光谱分辨率。
通常的图像融合算法都是将高空间分辨率图像的空间信息,提取并加入到较低空间分辨率影像中的一系列图像融合算法,如(1)彩色变换算法,如Intensity-Hue-Saturation(IHS)变换算法、YIQ变换算法;(2)统计/数值算法,如比值算法、主成分分析算法、高通滤波算法、基于小波变换的算法等。这些方法算法大多针对全色影像和多光谱影像,这些影像的空间分辨率差异不大,此外,这些方法融合后的影像,其光谱信息丢失严重;针对于水色遥感,美国NASA提出了国际水色SIMBIOS计划(SensorIntercomparisonandMergerforBiologicalandInterdisciplinaryOceanicStudies),目的在于建立一套方法,将MOS、OCTS、PLODER、SeaWiFS、MODIS、MISR、MERIS等海洋水色传感器的资料进行数据融合,从而得到尽可能好的全球数据覆盖,产生时空分辨率更高的新的数据产品。经过多年的研究,已经陆续提出多种对多个卫星数据进行融合的方法,包括简单平均、主观分析、条件松弛分析、优化插值、空间分析法等。这些方法,关注的重点是光谱—时间分辨率两个维度的融合,对空间分辨率的考虑较少,而且要求融合的数据具有相似的波段设置。但是,内陆二类水体的空间复杂性和光谱复杂性,决定了参与融合的影像是具有较高空间分辨率的陆地观测卫星数据(如HJ-1CCD数据、TM/ETM+/OLI数据等),与具有较高光谱分辨率的水色卫星数据(如MERIS数据、GOCI数据等)。这些数据在空间和光谱分辨率上的双重差异,迫切需要提供新的图像融合算法。
发明内容
本发明的目的是提供一种基于辐射传输模拟的遥感影像融合方法,以解决传统算法造成光谱畸变,严重地影像参数定量估算的精度的技术问题。
为了解决上述技术问题,本发明提供了一种基于辐射传输模拟的遥感影像融合方法,包括如下步骤:步骤S1,获得水色三要素;以及步骤S2,通过所述水色三要素获得初步融合结果。
进一步,所述步骤S1中获得水色三要素的方法包括:利用多光谱高空间分辨率影像,通过水面反射率模拟模型推算得到水色三要素,即叶绿素a浓度Cchla,悬浮物浓度Cs,有色可溶性有机物的吸收系数aCDOM(λ'),其中λ'为有色可溶性有机物设定的光谱波长。
进一步,通过水面反射率模拟模型推算得到水色三要素的方法如下:步骤S101,建立水面反射率模拟模型;步骤S102,将水面反射率模拟模型通过非线性最小二乘优化算法获得水色三要素。
进一步,所述步骤S101中建立水面反射率模拟模型的方法如下:
首先建立水表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系式,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ));
式中,ξ为离散作用系数,Γ是气水界面折射系数,rrs为水表面以下遥感反射率,波长为λ;以及
再建立水面反射率模拟模型,即
;式中,为非色素颗粒物的比吸收系数,a* ph(λ)为色素颗粒物的比吸收系数,为非色素颗粒物的比散射系数,为非色素颗粒物的后向散射概率,S为黄质的斜率指数,bw(λ)为纯水的散射系数。
进一步,所述步骤S102中将水面反射率模拟模型通过非线性最小二乘优化算法获得水色三要素的方法包括:
通过非线性最小二乘优化算法,将所述水面反射率模拟模型通过最小化式J=(Rm-R)T(Rm-R)求取得到水色三要素的含量;
其中Rm为水表面遥感反射率Rrs的观测值,R为水表面遥感反射率Rrs的模拟值。
进一步,所述步骤S2中通过所述水色三要素获得初步融合结果的方法包括:
将水色三要素代入到水面反射率模拟模型中,即
Rrs(λ)=g(Cchla,CTSM,aCDOM);以获得高光谱高空间分辨率影像在各个波段处的Rrs,即作为初步融合结果。
进一步,所述遥感影像融合方法还包括:
步骤S3,对初步融合结果进行修正,以获得融合影像;
即将权重系数修正后叠加上原始高光谱低空间分辨率影像的光谱信息,以获得所述融合影像。
进一步,将权重系数修正后叠加上原始高光谱低空间分辨率影像的光谱信息以获得融合影像的方法包括:
其中,权重系数为
式中,Ωn代表高光谱低空间分辨率像元范围内的像元集,n为多光谱高空间分辨率像元个数;上标h代表高空间分辨率像元,上标l代表低空间分辨率像元;下标inv代表初步融合得到的结果,下标LRHI代表高光谱低空间分辨率影像;为初步融合得到的高光谱高空间分辨率像元覆盖范围内的像元集;是初步融合结果退化得到的低分辨率影像;代表原始高光谱低空间分辨率影像;为修正后的像元值,即所述融合影像。
本发明的有益效果是,本发明的遥感影像融合方法克服了传统的融合算法造成光谱信息丢失严重的技术问题;并且每个波段的空间分布信息都由严格的物理模型推导得来,而不是在所有波段上都采用全色影像的空间分布信息,高光谱的信息损失较小;本算法基于水面反射率模拟模型推导高光谱数据的波谱,因此,突破了水色遥感图像融合中对不同影像波段需要严格匹配的局限,其适用性更强。
附图说明
图1是遥感影像融合方法的算法流程图;
图2是水面反射率模拟模型推算得到水色三要素的算法流程图;
图3是本发明的遥感影像融合算法的原理框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例1
图1是遥感影像融合方法的算法流程图。
如图1所示,本发明提供了一种基于辐射传输模拟的遥感影像融合方法,包括如下步骤:步骤S1,获得水色三要素;以及步骤S2,通过所述水色三要素获得初步融合结果。
进一步,所述步骤S1中获得水色三要素的方法包括:
利用多光谱高空间分辨率影像,通过水面反射率模拟模型推算得到水色三要素,即叶绿素a浓度Cchla,悬浮物浓度Cs,有色可溶性有机物的吸收系数aCDOM(λ'),其中λ'为有色可溶性有机物设定的光谱波长。其中,所述有色可溶性有机物设定的光谱波长可以但不限于设定为440nm或410nm。
图2是水面反射率模拟模型推算得到水色三要素的算法流程图。
进一步,如图2所示,通过水面反射率模拟模型推算得到水色三要素的方法如下:步骤S101,建立水面反射率模拟模型;步骤S102,将水面反射率模拟模型通过非线性最小二乘优化算法获得水色三要素。
进一步,所述步骤S101中建立水面反射率模拟模型的方法如下:
首先建立水表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系式,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ));
式中,ξ为离散作用系数,Γ是气水界面折射系数,rrs为水表面以下遥感反射率,波长为λ;以及在建立水面反射率模拟模型,即
式中,为非色素颗粒物的比吸收系数,a* ph(λ)为色素颗粒物的比吸收系数,为非色素颗粒物的比散射系数,为非色素颗粒物的后向散射概率,S为黄质的斜率指数,bw(λ)为纯水的散射系数。
所述水面反射率模拟模型的建立步骤包括:
水表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系式,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ))(1);
式中,ξ为离散作用系数,为内反射作用,在天顶观测时,ξ≈0.52,Γ≈1.7,rrs可以表示为总吸收系数(a)和总后向散射系数(bb)之间的函数:
式中,f为常数,取值范围为0.2~0.56。a和bb又可以表示为各水体组分吸收系数和后向散射系数之和:
a(λ)=ad(λ)+aph(λ)+aCDOM(λ)+aw(λ)(3)
bb(λ)=bbp(λ)+bbw(λ)(4)
其中,下标d,ph,CDOM,w分别为非色素颗粒物、色素颗粒物、黄色物质和纯水。其中纯水的吸收和后向散射系数取值参照Pope等的研究。非色素颗粒物、色素颗粒物的吸收系数通过下式计算:
aph(λ)=a* ph(λ)*Cchla(6)
其中为非色素颗粒物的比吸收系数;Cs为总悬浮物浓度;a* ph(λ)为色素颗粒物的比吸收系数;Cchla为叶绿素a浓度。
黄质吸收系数可以利用指数函数进行参数化:
aCDOM(λ)=aCDOM(λ0)exp(-S(λ-λ0))(7)
其中,aCDOM(λ0)为参考波段λ0处的黄质吸收系数,λ0通常取440nm。S为黄质的斜率指数。
非色素颗粒物的后向散射系数可以通过下式进行计算:
其中,为非色素颗粒物的比散射系数;为非色素颗粒物的后向散射概率。
将式(5)~(7)带入式(3),式(8)带入式(4),进而将式(3)、式(3.4)带入式(2),得到式(9):
式(9)中的未知数分别为Cs、Cchla和aCDOM(440)。
根据式(1)和(9)表明,遥感反射率Rrs可以表示为水色三要素Cs、Cchla和aCDOM(440)的非线性函数。通过确定三要素的值,即可计算得到遥感反射率。
进一步,所述步骤S102中将水面反射率模拟模型通过非线性最小二乘优化算法获得水色三要素的方法包括:
通过非线性最小二乘优化算法,将所述水面反射率模拟模型通过最小化式J=(Rm-R)T(Rm-R)求取得到水色三要素的含量;其中Rm为水表面遥感反射率Rrs的观测值,R为水表面遥感反射率Rrs的模拟值。
进一步,所述步骤S2中通过所述水色三要素获得初步融合结果的方法包括:将水色三要素代入到水面反射率模拟模型中,即Rrs(λ)=g(Cchla,CTSM,aCDOM);以获得高光谱高空间分辨率影像在各个波段处的Rrs,即作为初步融合结果。
进一步,所述遥感影像融合方法还包括:步骤S3,对初步融合结果进行修正,以获得融合影像;即将权重系数修正后叠加上原始高光谱低空间分辨率影像的光谱信息,以获得融合影像。
进一步,将权重系数修正后叠加上原始高光谱低空间分辨率影像的光谱信息以获得融合影像的方法包括:
式中,Ωn代表高光谱低空间分辨率像元范围内的像元集,n为多光谱高空间分辨率像元个数;上标h代表高空间分辨率像元,上标l代表低空间分辨率像元;下标inv代表初步融合得到的结果,下标LRHI代表高光谱低空间分辨率影像;为初步融合得到的高光谱高空间分辨率像元覆盖范围内的像元集;是初步融合结果退化得到的低分辨率影像;代表原始高光谱低空间分辨率影像;为修正后的像元值,即所述融合影像。
其中,所述低分辨率影像首先由通过均值法重采样到低空间分辨率尺度,之后用最邻近法重采样到高分辨率尺度得到。
图3是本发明的遥感影像融合算法的原理框图。
如图3所示,为了进一步说明本实施例的具体实施过程,例举2009年4月25日太湖HJ1-CCD数据、MERIS数据为示例,其中HJ1-CCD数据代表高空间分辨率低光谱分辨率影像,MERIS数据代表高光谱分辨率低空间分辨率影像;HJ1-CCD数据的空间分辨率为30m,光谱通道为4个,MERIS数据的空间分辨率为300m,光谱通道为15个,详细说明利用所述遥感影像融合方法进行遥感影像融合的过程。
数据准备:多光谱高空间分辨率影像来源于陆地观测卫星和高光谱低空间分辨率影像来源于水色卫星。
首先,由陆地观测卫星HJ1-CCD多光谱高空间分辨率影像,通过水面反射率模拟模型反演得到太湖水体水色三要素:叶绿素a浓度(Cchla),悬浮物浓度(Cs),有色可溶性有机物在440nm处的吸收系数(aCDOM(440))的大小;进而将三组分信息重新带回到水面反射率模拟模型中,输出与水色卫星(MERIS)影像15个波段处的高光谱图像,作为初步融合结果;最后将初步融合结果与原始高光谱低空间分辨率影像叠加,生成最终的融合数据。
(1)利用HJ1-CCD多光谱数据反演水色三要素
利用MATLAB软件所提供的最优化算法,使优化函数J达到最小,这时的水色三参数即为得到的参数值。
J=(Rm-R)T(Rm-R)(10)
其中Rm为Rrs的观测值,R为水表面遥感反射率Rrs的模拟值。
所述Rrs模拟值通过以下公式计算:
水表面遥感反射率Rrs与水表面以下遥感反射率rrs之间具有以下关系:
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ))(1)
式中,ξ为离散作用系数,为内反射作用,在天顶观测时,ξ≈0.52,Γ≈1.7,rrs可以表示为总吸收系数(a)和总后向散射系数(bb)之间的函数:
式中,f为常数,取值范围为0.2~0.56,本实例中f=0.38。a和bb又可以表示为各水体组分吸收系数和后向散射系数之和:
a(λ)=ad(λ)+aph(λ)+aCDOM(λ)+aw(λ)(3)
bb(λ)=bbp(λ)+bbw(λ)(4)
其中,下标d,ph,CDOM,w分别为非色素颗粒物、色素颗粒物、黄色物质和纯水。其中纯水的吸收和后向散射系数取值参照Pope等的研究。非色素颗粒物、色素颗粒物的吸收系数通过下式计算:
aph(λ)=a* ph(λ)*Cchla(6)
其中为非色素颗粒物的比吸收系数;Cs为总悬浮物浓度;a* ph(λ)为色素颗粒物的比吸收系数;Cchla为叶绿素a浓度。
黄质吸收系数可以利用指数函数进行参数化:
aCDOM(λ)=aCDOM(λ0)exp(-S(λ-λ0))(7)
其中,aCDOM(λ0)为参考波段λ0处的黄质吸收系数,λ0通常取440nm。S为黄质的斜率指数,本实例中,选取S=0.013。
非色素颗粒物的后向散射系数可以通过下式进行计算:
其中,为非色素颗粒物的比散射系数,通过实际测量获取;为非色素颗粒物的后向散射概率,本研究取值为0.05。纯水的后向散射概率为0.5。
本实施例中,a* ph(λ)以及的值,都采用软件Hydrolight软件中集成的标准二类水体固有光学量数据库。
将式(5)~(7)带入式(3),式(8)带入式(4),进而将式(3)、式(4)带入式(2),得到式(9):
式(9)中的未知数分别为Cs、Cchla和aCDOM(440)。
(2)生成初步融合影像
通过MERIS数据的头文件,查阅该数据的15个中心波长值,将获得的水色三参数,代入式(1)和(9),计算15个波段的遥感反射率,并利用6S辐射传输模型,计算出高光谱高空间分辨率影像在各个波段处的Rrs,即遥感反射率推算到卫星入瞳处的遥感反射率,形成初步融合的遥感影像。
进一步,将权重系数修正后叠加上原始高光谱低空间分辨率影像的光谱信息以获得融合影像的方法包括:
式中,Ωn代表高光谱低空间分辨率像元范围内的像元集,n为多光谱高空间分辨率像元个数;上标h代表高空间分辨率像元,上标l代表低空间分辨率像元;下标inv代表初步融合得到的结果,下标LRHI代表高光谱低空间分辨率影像;为初步融合得到的高光谱高空间分辨率像元覆盖范围内的像元集;是初步融合结果退化得到的低分辨率影像;代表原始高光谱低空间分辨率影像;为修正后的像元值,即所述融合影像。
本发明的遥感影像融合方法的融合结果在高光谱数据的空间尺度上具有光谱畸变较小的优点。
以下是本发明的遥感影像融合算法与其他图像融合算法的对比结果。
采用相关系数r及平均相对误差MAPE对图像融合结果进行评价,并与两种常用的图像融合方法进行对比。
式中,为原始遥感影像值,为融合后的值,n为样本个数。MAPE值越小表明两景影像的值越接近。
式中,x、y分别为两景影像的像元值,i为像元数,为均值,r越大表明两景影像的相关性越高。
表中,GS和WT为Gram-schmidt(GS)和wavelettransform(WT)两种图像融合算法。
从相关系数来看,几种融合算法的相关系数都大于0.90,显示出融合结果与原始影像高度相关,保留了较多原始影像的信息,从MAPE值来看,本发明算法的MAPE值明显低于两种常用算法,取得了较好的效果。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种基于辐射传输模拟的遥感影像融合方法,其特征在于,包括如下步骤:
步骤S1,获得水色三要素;
步骤S2,通过所述水色三要素获得初步融合结果。
2.根据权利要求1所述的遥感影像融合方法,其特征在于,
所述步骤S1中获得水色三要素的方法包括:
利用多光谱高空间分辨率影像,通过水面反射率模拟模型推算得到水色三要素,即叶绿素a浓度Cchla,悬浮物浓度Cs,有色可溶性有机物的吸收系数aCDOM(λ'),其中λ'为有色可溶性有机物设定的光谱波长。
3.根据权利要求2所述的遥感影像融合方法,其特征在于,通过水面反射率模拟模型推算得到水色三要素的方法如下:
步骤S101,建立水面反射率模拟模型;
步骤S102,将水面反射率模拟模型通过非线性最小二乘优化算法获得水色三要素。
4.根据权利要求3所述的遥感影像融合方法,其特征在于,
所述步骤S101中建立水面反射率模拟模型的方法如下:
首先建立水表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系式,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ));
式中,ξ为离散作用系数,Γ是气水界面折射系数,rrs为水表面以下遥感反射率,波长为λ;以及
再建立水面反射率模拟模型,即
式中,为非色素颗粒物的比吸收系数,a* ph(λ)为色素颗粒物的比吸收系数,为非色素颗粒物的比散射系数,为非色素颗粒物的后向散射概率,S为黄质的斜率指数,bw(λ)为纯水的散射系数。
5.根据权利要求4所述的遥感影像融合方法,其特征在于,所述步骤S102中将水面反射率模拟模型通过非线性最小二乘优化算法获得水色三要素的方法包括:
通过非线性最小二乘优化算法,将所述水面反射率模拟模型通过最小化式J=(Rm-R)T(Rm-R)求取得到水色三要素的含量;
其中Rm为水表面遥感反射率Rrs的观测值,R为水表面遥感反射率Rrs的模拟值。
6.根据权利要求5所述的遥感影像融合方法,其特征在于,所述步骤S2中通过所述水色三要素获得初步融合结果的方法包括:
将水色三要素代入到水面反射率模拟模型中,即
Rrs(λ)=g(Cchla,CTSM,aCDOM);以获得高光谱高空间分辨率影像在各个波段处的Rrs,即作为初步融合结果。
7.根据权利要求6所述的遥感影像融合方法,其特征在于,所述遥感影像融合方法还包括:
步骤S3,对初步融合结果进行修正;
即将权重系数修正后叠加上原始高光谱低空间分辨率影像的光谱信息,以获得融合影像。
8.根据权利要求7所述的遥感影像融合方法,其特征在于,将权重系数修正后叠加上原始高光谱低空间分辨率影像的光谱信息以获得融合影像的方法包括:
其中,权重系数为
式中,Ωn代表高光谱低空间分辨率像元范围内的像元集,n为多光谱高空间分辨率像元个数;上标h代表高空间分辨率像元,上标l代表低空间分辨率像元;下标inv代表初步融合得到的结果,下标LRHI代表高光谱低空间分辨率影像;为初步融合得到的高光谱高空间分辨率像元覆盖范围内的像元集;是初步融合结果退化得到的低分辨率影像;代表原始高光谱低空间分辨率影像;为修正后的像元值,即所述融合影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510291161.5A CN105303539A (zh) | 2015-05-29 | 2015-05-29 | 一种基于辐射传输模拟的遥感影像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510291161.5A CN105303539A (zh) | 2015-05-29 | 2015-05-29 | 一种基于辐射传输模拟的遥感影像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105303539A true CN105303539A (zh) | 2016-02-03 |
Family
ID=55200763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510291161.5A Pending CN105303539A (zh) | 2015-05-29 | 2015-05-29 | 一种基于辐射传输模拟的遥感影像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303539A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066207A (zh) * | 2016-05-19 | 2016-11-02 | 北京航空航天大学 | 一种平行光路组合式多源信息采集处理装置及方法 |
CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
CN111595791A (zh) * | 2020-06-04 | 2020-08-28 | 首都师范大学 | 基于高光谱数据校正的内陆水体fui水色指数提取方法 |
CN111751342A (zh) * | 2020-06-30 | 2020-10-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 |
CN113222836A (zh) * | 2021-04-25 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及系统 |
-
2015
- 2015-05-29 CN CN201510291161.5A patent/CN105303539A/zh active Pending
Non-Patent Citations (8)
Title |
---|
HENDRIK JAN VAN DER WOERD等: "HYDROPT: A fast and flexible method to retrieve chlorophyll-a from multispectral satellite observations of optically complex coastal waters", 《REMOTE SENSING OF ENVIRONMENT》 * |
刘忠华 等: "太湖、巢湖水体总悬浮物浓度半分析反演模型构建及其适用性评价", 《环境科学》 * |
刘忠华 等: "太湖春季水体固有光学特性及其对遥感反射率变化的影响", 《生态学报》 * |
孙和平 等: "《大地测量与地球动力学进展 第2辑》", 30 April 2014, 《湖北科学技术出版社》 * |
王桥: "《太湖水体环境遥感监测试验及其软件实现》", 31 January 2008, 《北京:科学出版社》 * |
郭宇龙等: "基于生物光学模型的水体多源遥感图像融合算法研究", 《光学学报》 * |
金鑫 等: "基于生物光学模型的巢湖悬浮物浓度反演", 《环境科学》 * |
黄昌春 等: "悬浮颗粒物和叶绿素普适性生物光学反演模型", 《红外与毫米波学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066207A (zh) * | 2016-05-19 | 2016-11-02 | 北京航空航天大学 | 一种平行光路组合式多源信息采集处理装置及方法 |
CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
CN111595791A (zh) * | 2020-06-04 | 2020-08-28 | 首都师范大学 | 基于高光谱数据校正的内陆水体fui水色指数提取方法 |
CN111751342A (zh) * | 2020-06-30 | 2020-10-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 |
CN111751342B (zh) * | 2020-06-30 | 2021-10-22 | 中国农业科学院农业资源与农业区划研究所 | 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法 |
CN113222836A (zh) * | 2021-04-25 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及系统 |
CN113222836B (zh) * | 2021-04-25 | 2024-03-01 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105303539A (zh) | 一种基于辐射传输模拟的遥感影像融合方法 | |
Mao et al. | A regional remote sensing algorithm for total suspended matter in the East China Sea | |
Thompson et al. | Atmospheric correction for global mapping spectroscopy: ATREM advances for the HyspIRI preparatory campaign | |
Deng et al. | The use of single-date MODIS imagery for estimating large-scale urban impervious surface fraction with spectral mixture analysis and machine learning techniques | |
Goetz et al. | IKONOS imagery for resource management: Tree cover, impervious surfaces, and riparian buffer analyses in the mid-Atlantic region | |
Kuc et al. | Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas | |
Tilstone et al. | Variability in specific-absorption properties and their use in a semi-analytical ocean colour algorithm for MERIS in North Sea and Western English Channel Coastal Waters | |
Malthus et al. | The case for a global inland water quality product | |
CN108427964B (zh) | 一种遥感图像与地球化学的融合方法及系统 | |
CN103617629B (zh) | 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法 | |
Okin et al. | The impact of atmospheric conditions and instrument noise on atmospheric correction and spectral mixture analysis of multispectral imagery | |
Chen et al. | Topographic correction-based retrieval of leaf area index in mountain areas | |
Fu et al. | Multi-sensor and multi-platform retrieval of water chlorophyll a concentration in karst wetlands using transfer learning frameworks with ASD, UAV, and Planet CubeSate reflectance data | |
Andrade et al. | An assessment of semi-analytical models based on the absorption coefficient in retrieving the chlorophyll-a concentration from a reservoir | |
Guo et al. | An inversion-based fusion method for inland water remote monitoring | |
CN110196239B (zh) | 浑浊水体浮游植物吸收系数光谱遥感反演方法 | |
CN116359137A (zh) | 多水域城市生态环境遥感监测方法 | |
CN108596819A (zh) | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 | |
Sarup et al. | Image fusion techniques for accurate classification of Remote Sensing data | |
CN113763272A (zh) | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 | |
Deng et al. | Mapping bathymetry from multi-source remote sensing images: A case study in the Beilun Estuary, Guangxi, China | |
CN117350923A (zh) | 基于GAN和Transformer的全色与多光谱遥感图像融合方法 | |
Mitchell et al. | Remote sensing of particulate absorption coefficients and their biogeochemical interpretation: A case study in the Irish Sea | |
CN105259145A (zh) | 一种同时遥感岛礁水下地形和地物的方法 | |
Dobrea et al. | H2O-and OH-bearing minerals in the martian regolith:: analysis of 1997 observations from HST/NICMOS |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160203 |