CN106407634A - 基于逆方差加权平均的卫星aod数据的融合方法及系统 - Google Patents
基于逆方差加权平均的卫星aod数据的融合方法及系统 Download PDFInfo
- Publication number
- CN106407634A CN106407634A CN201510461469.XA CN201510461469A CN106407634A CN 106407634 A CN106407634 A CN 106407634A CN 201510461469 A CN201510461469 A CN 201510461469A CN 106407634 A CN106407634 A CN 106407634A
- Authority
- CN
- China
- Prior art keywords
- data
- aod data
- satellite
- satellite aod
- class
- 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
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于逆方差加权平均的卫星AOD数据的融合方法及系统,其中的方法包括,基于待融合的两类卫星AOD数据,建立两类卫星AOD数据之间的线性关系;基于该线性关系,填补只具有一类卫星AOD数据的像元缺失的另一类卫星AOD数据;选取地面观测站,并将填补后的两类卫星AOD数据分别与地面观测站的地面AOD数据进行匹配;基于匹配结果,根据预设时间段分别计算填补后的两类卫星AOD数据与地面AOD数据之差的方差;以方差的倒数为权重,利用逆方差加权平均方法对填补后的两类卫星AOD数据进行逆方差加权平均融合。通过本发明能够在提高卫星AOD数据覆盖率的同时,保证卫星AOD数据融合的精度要求。
Description
技术领域
本发明涉及卫星遥感数据融合方法领域,更为具体地,涉及一种基于逆方差加权平均的卫星AOD数据的融合方法及系统。
背景技术
PM2.5是指空气中空气动力学粒径小于2.5μm的颗粒物,利用卫星遥感反演的气溶胶光学厚度(Aerosol Optical Depth,简称AOD)来研究估算地面PM2.5是近年来快速发展起来一项新技术,与地面监测相比,卫星监测不受地面监测站点选址的限制,具有地面监测站点无可比拟的时间和空间覆盖度。通过卫星遥感反演可以有效弥补地面监测站点在时间和空间上观测的不足。
但是,卫星AOD数据受云层和地表冰雪覆盖因素的影响会造成数据缺失,进而造成卫星遥感反演的失败。通常具有对不同来源的卫星AOD数据进行融合的方法来提高卫星AOD数据覆盖率。而目前,卫星AOD数据融合方法大多数为简单平均处理,无法最大限度提高卫星AOD数据覆盖率、以及无法保证卫星AOD数据融合的精度要求,为此,急需开发出一种在保证卫星AOD数据精度的前提下,能最大限度提高卫星AOD数据覆盖率的卫星AOD数据融合方案。
发明内容
鉴于上述问题,本发明的目的是提供一种基于逆方差加权平均的卫星AOD数据的融合方法及系统,以解决现有技术无法最大限度提高卫星AOD数据覆盖率、以及无法保证卫星AOD数据融合精度要求的问题。
本发明提供一种基于逆方差加权平均的卫星AOD数据的融合方法,包括:
基于待融合的两类卫星AOD数据,建立两类卫星AOD数据之间的线性关系;
基于建立的线性关系,填补只具有一类卫星AOD数据的像元所缺失的另一类卫星AOD数据;
选取地面观测站,并将填补缺失后的两类卫星AOD数据分别与地面观测站的地面AOD数据进行匹配;
基于填补缺失后的两类卫星AOD数据与地面观测站的地面AOD数据的匹配结果,根据预设时间段分别计算填补缺失后的两类卫星AOD数据与地面AOD数据之差的方差;
以方差的倒数为权重,利用逆方差加权平均方法对填补缺失后的两类卫星AOD数据进行逆方差加权平均融合。
本发明还提供一种基于逆方差加权平均的卫星AOD数据的融合系统,包括:
线性关系建立单元,基于待融合的两类卫星AOD数据,建立两类卫星AOD数据之间的线性关系;
数据填补单元,基于该线性关系,填补只具有一类卫星AOD数据的像元所缺失的另一类卫星AOD数据;
地面数据读取单元,用于选取地面观测站,并读取地面观测站的地面AOD数据;
数据匹配单元,用于将填补缺失后的两类卫星AOD数据分别与地面观测站的地面AOD数据进行匹配;
方差计算单元,基于数据匹配单元的匹配结果,根据预设时间段分别计算填补缺失后的两类卫星AOD数据与地面AOD数据之差的方差;
数据融合单元,用于以该方差的倒数为权重,利用逆方差加权平均方法对填补缺失后的两类卫星AOD数据进行逆方差加权平均融合。
利用上述根据本发明提供的基于逆方差加权平均的卫星AOD数据的融合方法及系统,具有方差的倒数作为权重,由于方差反映的是数据的离散变异程度,当卫星AOD数据与地面AOD数据之差的方差越大时,说明该卫星AOD数据质量越差,则赋予该卫星AOD数据的权重越低;当卫星AOD数据与地面AOD数据之差的方差越小时,说明该卫星AOD数据质量越好,则赋予该卫星AOD数据的权重越高,因此,能够在提高卫星AOD数据覆盖率的同时,保证卫星AOD数据融合的精度要求。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明及权利要求书的内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的基于逆方差加权平均的卫星AOD数据的融合方法的流程示意图;
图2为根据本发明实施例的基于逆方差加权平均的卫星AOD数据的融合系统的逻辑结构框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中,为了便于描述一个或多个实施例,公知的结构和设备以方框图的形式示出。
以下将结合附图对本发明的具体实施例进行详细描述。
本发明选用搭载于美国国家航空航天局Aqua卫星上的中分辨率成像光谱仪(MODerate-resolution Imaging Spectroradiometer,简称MODIS)第六版(C6)卫星遥感AOD产品,对该产品中具有暗目标算法(DT)和深蓝算法(DB)反演的卫星AOD数据进行逆方差加权融合,对于其它卫星遥感AOD产品的卫星AOD数据同理可知。
图1示出了根据本发明实施例的基于逆方差加权平均的卫星AOD数据的融合方法的流程。如图1所示,本发明提供的基于逆方差加权平均的卫星AOD数据的融合方法,包括:
S1:基于待融合的两类卫星AOD数据,建立两类卫星AOD数据之间的线性关系。
建立两类卫星AOD数据之间的线性关系前提是两类卫星AOD数据必须一一对应,因此,在建立两类卫星AOD数据之间的线性关系之前,判断两类卫星AOD数据是否来自同一卫星,如果来自同一卫星,说明两类卫星AOD数据具有相同的像元,说明两类卫星AOD数据已匹配好,不需要对两类卫星AOD数据另行匹配,即可直接建立两类卫星AOD数据之间的线性关系;如果来自不同卫星,说明两类卫星AOD数据具有不同的像元,则需要对两类卫星AOD数据进行匹配,然后建立匹配后的两类卫星AOD数据之间的线性关系。
两类卫星AOD数据匹配的过程,包括:
S11:基于两类卫星AOD数据中分辨率高的卫星AOD数据,创建与高分辨率卫星AOD数据的分辨率相同的网格;
S12:分别构建两类卫星AOD数据的像元的泰森多边形,并将构建的泰森多边形与创建的网格的网格单元进行空间叠置分析,将两类卫星AOD数据分别分配到网格单元中;
S13:基于网格单元对两类卫星AOD数据进行匹配。
本发明从MODIS网站获取Aqua MODIS C6第二级AOD(MYD04)数据,并从中提取具有暗目标算法(Dark Target Algorithm,简称DT算法)和深蓝算法(Deep Blue Algorithm,简称DB算法)的卫星AOD数据;由于这两类卫星AOD数据来源于同一卫星,具有相同的像元,数据已匹配好,因此无需另行匹配数据。
在本发明的一个具体实施方式中,为了确保卫星AOD数据的精度,逐日建立两类卫星AOD数据之间的线性关系,即逐日建立具有DT算法的卫星AOD数据和具有DB算法的卫星AOD数据之间的线性关系。具体地,两类卫星AOD数据之间的线性关系可用如下两个线性回归方程描述:
一、
对于每一天,基于同时具有DT算法和DB算法的卫星AOD数据的像元,用最小二乘法拟合DT算法对DB算法的逐日线性回归方程:
τDT=β1+α1×τDB (1)
式中:τDT和τDB分别为具有DT算法的卫星AOD数据和具有DB算法的卫星AOD数据,β1为回归方程的截距,α1为回归方程的斜率。
二、
对于每一天,基于同时具有DT算法和DB算法的卫星AOD数据的像元,用最小二乘法拟合DB算法对DT算法的逐日线性回归方程:
τDB=β2+α2×τDT (2)
式中:β2为回归方程的截距,α2为回归方程的斜率。
本发明通过逐日建立两类卫星AOD数据之间的线性关系,以填补只具有单个算法的卫星AOD数据的像元所缺失的具有另一算法的卫星AOD数据。
S2:基于建立的线性关系,填补只具有一类卫星AOD数据的像元所缺失的另一类卫星AOD数据。
具体地,将构建的逐日线性回归方程用于只有DB算法的卫星AOD数据的像元,填补该像元所缺失的DT算法的卫星AOD数据,也就是将式(1)应用于同一天只有DB算法的卫星AOD数据的像元,来填补该像元所缺失的DT算法的卫星AOD数据;以及,
将构建的逐日线性回归方程用于只有DT算法的卫星AOD数据的像元,填补该像元所缺失的DB算法的卫星AOD数据,也就是将式(2)应用于同一天只有DT算法的卫星AOD数据的像元,来填补该像元所缺失的DB算法的卫星AOD数据。
S3:选取地面观测站,并将填补缺失后的两类卫星AOD数据分别与地面观测站的地面AOD数据进行匹配。
本发明选取地基气溶胶自动观测网络AERONET为卫星AOD数据的地面观测站的地面AOD数据来源,获取地面观测站的地面AOD数据,分别将填补缺失后的每类卫星AOD数据与地面观测AOD数据进行匹配,数据匹配包括时间维度方面和空间维度方面的匹配:
时间维度方面:在时间维度上,选取Aqua卫星过境时间点(当地太阳时间13:30左右)前后预设时间(优选为半小时)内的AERONET观测站的地面AOD数据的平均值与填补缺失后的每类卫星AOD数据进行匹配;
空间维度方面:在空间维度上,基于地面观测站,以填补缺失后的每类卫星AOD数据的像元或网格单元分辨率的一半或更小作为缓冲区半径,选取AERONET观测站缓冲区域内填补缺失后的每类卫星AOD数据的平均值,并与地面AOD数据进行匹配。在本实施例中,作为示例,以3千米作为地面观测站的缓冲区半径,但也可以选择其它的距离作为地面观测站的缓冲区半径。
另外,填补缺失后的卫星AOD数据包括两类,即,原只有DT算法的卫星AOD数据填补缺失后的数据和原只有DB算法的卫星AOD数据填补缺失后的数据。
S4:基于填补缺失后的两类卫星AOD数据与地面观测站的地面AOD数据的匹配结果,根据预设时间段分别计算填补缺失后的两类卫星AOD数据与地面AOD数据之差的方差。
在本发明实施例中,分别计算的是原只有DT算法填补缺失后和原只有DB算法填补缺失后的卫星AOD数据与AERONET观测站的地面AOD数据之差的方差,具体流程如下:
S41:选择预设时间段作为计算方差的时间尺度。
预设时间段根据填补缺失后的两类卫星AOD数据与地面AOD数据匹配的数据量来确定,以确保预设时段内的匹配数据足够计算方差,在本发明实施例中,预设时间段选择季节作为计算方差的时间尺度,但也可以选择月份或其它时间作为计算方差的时间尺度,当预设时间段内的匹配数据过少时,可适当延长预设时间段。
S42:分别计算的是原只有DT算法填补缺失后和原只具有DB算法填补缺失后的卫星AOD数据与AERONET观测站的地面AOD数据之间的差,然后逐季节分别计算上述差值的方差。
S5:以方差的倒数为权重,利用逆方差加权平均方法对填补缺失后的两类卫星AOD数据进行逆方差加权平均融合。
其中,逆方差加权平均方法的公式为:
上式中,τc为填补缺失后的两类卫星AOD数据的融合数据,τDT_f为原只具有DT算法填补缺失后的卫星AOD数据,τDB_f:为原只具有DB算法填补缺失后的卫星AOD数据,m为季节,VarDTm为季节m中τDT_f与AERONET观测站的地面AOD数据之差的方差,VarDBm为季节m中τDB_f与AERONET观测站的地面AOD数据之差的方差。
待填补缺失后的两类卫星AOD数据融合后,最终输出为CSV(Comma-Separated Values,逗号分隔值)格式的文件。
上述内容详细说明了两类来源不同的卫星AOD数据对融合方法,如果对三类不同来源的卫星AOD数据融合,可先对其中两类卫星AOD数据进行融合,再与第三类卫星AOD数据进行融合;如果对四类不同来源的卫星AOD数据融合,则先将四类卫星AOD数据分成两组,然后,分别对每组内的两类卫星AOD数据进行融合,最后,对融合后的卫星AOD数据再次进行融合;对于五类及更多类不同来源的卫星AOD数据,融合方法以此类推。
与上述基于逆方差加权平均的卫星AOD数据的融合方法相对应,本发明提供一种基于逆方差加权平均的卫星AOD数据的融合系统。图2示出了根据本发明实施例的基于逆方差加权平均的卫星AOD数据的融合系统的逻辑结构框图。
如图2所示,本实施例提供的基于逆方差加权平均的卫星AOD数据的融合系统包括:线性关系建立单元210、数据填补单元220和地面数据读取单元230、数据匹配单元240、方差计算单元250和数据融合单元260。
其中,线性关系建立单元210基于待融合的两类卫星AOD数据,建立两类卫星AOD数据之间的线性关系。
数据填补单元220基于线性关系建立单元210建立的线性关系,填补只具有一类卫星AOD数据的像元所缺失的另一类卫星AOD数据。
地面数据读取单元230用于选取地面观测站,并读取地面观测站的地面AOD数据。
数据匹配单元240用于将填补缺失后的两类卫星AOD数据分别与地面观测站的地面AOD数据进行匹配。
方差计算单元250基于数据匹配单元的匹配结果,根据预设时间段分别计算填补缺失后的两类卫星AOD数据与地面AOD数据之差的方差。
数据融合单元260用于以该方差的倒数为权重,利用逆方差加权平均方法对填补缺失后的两类卫星AOD数据进行逆方差加权平均融合。
上述内容详细地说明了本发明实施例提供的基于逆方差加权平均的卫星AOD数据的融合方法及系统,具有方差的倒数作为权重,由于方差反映的是数据的离散变异程度,当卫星AOD数据与地面AOD数据之差的方差越大时,说明该卫星AOD数据质量越差,则赋予该卫星AOD数据的权重越低;当卫星AOD数据与地面AOD数据之差的方差越小时,说明该卫星AOD数据质量越好,则赋予该卫星AOD数据的权重越高,因此,能够在提高卫星AOD数据覆盖率的同时,保证卫星AOD数据融合的精度要求。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于逆方差加权平均的卫星AOD数据的融合方法,包括:
基于待融合的两类卫星AOD数据,建立所述两类卫星AOD数据之间的线性关系;
基于所述线性关系,填补只具有一类卫星AOD数据的像元所缺失的另一类卫星AOD数据;
选取地面观测站,并将填补缺失后的两类卫星AOD数据分别与所述地面观测站的地面AOD数据进行匹配;
基于填补缺失后的两类卫星AOD数据与所述地面观测站的地面AOD数据的匹配结果,根据预设时间段分别计算填补缺失后的两类卫星AOD数据与所述地面AOD数据之差的方差;
以所述方差的倒数为权重,利用逆方差加权平均方法对填补缺失后的两类卫星AOD数据进行逆方差加权平均融合。
2.如权利要求1所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,在建立所述两类卫星AOD数据之间的线性关系之前,还包括:
判断所述两类卫星AOD数据是否源自同一卫星,在所述两类卫星AOD数据源自不同卫星时,对所述两类卫星AOD数据进行匹配。
3.如权利要求2所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,匹配所述两类卫星AOD数据的过程,包括:
基于所述两类卫星AOD数据中分辨率高的卫星AOD数据,创建与高分辨率卫星AOD数据的分辨率相同的网格;
分别构建所述两类卫星AOD数据的像元的泰森多边形,并将所述泰森多边形与所述网格的网格单元进行空间叠置分析,将所述两类卫星AOD数据分别分配到所述网格单元;
基于所述网格单元对所述两类卫星AOD数据进行匹配。
4.如权利要求3所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,在选取地面观测站,并将填补缺失后的两类卫星AOD数据分别与所述地面观测站的地面AOD数据进行匹配的过程中,
在时间维度上,选取卫星过境时间点前后预设时间内的地面AOD数据的平均值,并分别与填补后的两类卫星AOD数据进行匹配;以及
在空间维度上,基于所述地面观测站点,以填补后的两类卫星AOD数据的像元或所述网格单元分辨率的一半作为缓冲区半径,选取所述地面观测站点缓冲区域内填补后的每类卫星AOD数据的平均值,并分别与所述地面AOD数据进行匹配。
5.如权利要求1所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,在建立所述两类卫星AOD数据之间的线性关系的过程中,
以所述第一类卫星AOD数据为因变量,所述第二类卫星AOD数据为自变量,建立二者的线性关系;以及
以所述第二类卫星AOD数据为因变量,所述第一类卫星AOD数据为自变量,建立二者的线性关系。
6.如权利要求5所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,
以所述第一类卫星AOD数据为因变量,所述第二类卫星AOD数据为自变量,建立的线性关系为:
τ1=β1+α1×τ2
式中:τ1和τ2分别为第一类卫星AOD数据和第二类卫星AOD数据,β1为回归方程的截距,α1为回归方程的斜率;
以所述第二类卫星AOD数据为因变量,所述第一类卫星AOD数据为自变量,建立的线性关系为:
τ2=β2+α2×τ1
式中:β2为回归方程的截距,α2为回归方程的斜率。
7.如权利要求1所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,在基于所述线性关系,填补只具有一类卫星AOD数据的像元所缺失的另一类卫星AOD数据的过程中,
将所述线性关系用于只具第一类卫星AOD数据的像元,填补该像元所缺失的第二类卫星AOD数据;以及
将所述线性关系用于只具第二类卫星AOD数据的像元,填补该像元所缺失的第一类卫星AOD数据。
8.如权利要求1所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,在根据预设时间段分别计算填补缺失后的两类卫星AOD数据与所述地面AOD数据之差的方差的过程中,所述预设时间段根据填补缺失后的两类卫星AOD数据与地面AOD数据匹配的数据量来确定,以确保所述预设时段内的匹配数据足够计算方差。
9.如权利要求8所述的基于逆方差加权平均的卫星AOD数据的融合方法,其中,所述预设时间段为月份或季节,在所述预设时间段内的匹配数据过少时,延长所述预设时间段。
10.一种基于逆方差加权平均的卫星AOD数据的融合系统,包括:
线性关系建立单元,基于待融合的两类卫星AOD数据,建立所述两类卫星AOD数据之间的线性关系;
数据填补单元,基于所述线性关系,填补只具有一类卫星AOD数据的像元所缺失的另一类卫星AOD数据;
地面数据读取单元,用于选取地面观测站,并读取所述地面观测站的地面AOD数据;
数据匹配单元,用于将填补缺失后的两类卫星AOD数据分别与所述地面观测站的地面AOD数据进行匹配;
方差计算单元,基于所述数据匹配单元的匹配结果,根据预设时间段分别计算填补缺失后的两类卫星AOD数据与所述地面AOD数据之差的方差;
数据融合单元,用于以所述方差的倒数为权重,利用逆方差加权平均方法对填补缺失后的两类卫星AOD数据进行逆方差加权平均融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510461469.XA CN106407634B (zh) | 2015-07-30 | 2015-07-30 | 基于逆方差加权平均的卫星aod数据的融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510461469.XA CN106407634B (zh) | 2015-07-30 | 2015-07-30 | 基于逆方差加权平均的卫星aod数据的融合方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106407634A true CN106407634A (zh) | 2017-02-15 |
CN106407634B CN106407634B (zh) | 2019-02-22 |
Family
ID=58007598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510461469.XA Expired - Fee Related CN106407634B (zh) | 2015-07-30 | 2015-07-30 | 基于逆方差加权平均的卫星aod数据的融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106407634B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874962A (zh) * | 2017-03-13 | 2017-06-20 | 上海普适导航科技股份有限公司 | 多源卫星数据的融合方法及装置 |
CN109143301A (zh) * | 2018-09-21 | 2019-01-04 | 中国航空无线电电子研究所 | 一种卫星导航装置的多余度管理系统 |
CN109272053A (zh) * | 2018-10-12 | 2019-01-25 | 国网湖南省电力有限公司 | 极轨卫星监测气溶胶光学厚度的数据融合方法及系统 |
CN110030934A (zh) * | 2019-04-30 | 2019-07-19 | 中南大学 | 基于modis卫星传感器的气溶胶光学厚度的获取方法 |
CN110751704A (zh) * | 2019-10-16 | 2020-02-04 | 紫光云技术有限公司 | 一种基于Openlayers的地图光晕生成方法 |
-
2015
- 2015-07-30 CN CN201510461469.XA patent/CN106407634B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
QINGYANG XIAO等: ""The impact of winter heating on air pollution in China"", 《PLOS ONE》 * |
尹宏杰等: ""InSAR干涉图最优化方向融合滤波"", 《遥感学报》 * |
李敏等: ""基于邻域方差加权平均的小波图像融合"", 《理论与方法》 * |
黄友澎等: ""一种多雷达航迹加权融合的权值动态分配算法"", 《计算机应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874962A (zh) * | 2017-03-13 | 2017-06-20 | 上海普适导航科技股份有限公司 | 多源卫星数据的融合方法及装置 |
CN106874962B (zh) * | 2017-03-13 | 2020-09-01 | 上海普适导航科技股份有限公司 | 多源卫星数据的融合方法及装置 |
CN109143301A (zh) * | 2018-09-21 | 2019-01-04 | 中国航空无线电电子研究所 | 一种卫星导航装置的多余度管理系统 |
CN109143301B (zh) * | 2018-09-21 | 2022-12-27 | 中国航空无线电电子研究所 | 一种卫星导航装置的多余度管理系统 |
CN109272053A (zh) * | 2018-10-12 | 2019-01-25 | 国网湖南省电力有限公司 | 极轨卫星监测气溶胶光学厚度的数据融合方法及系统 |
CN109272053B (zh) * | 2018-10-12 | 2021-11-02 | 国网湖南省电力有限公司 | 极轨卫星监测气溶胶光学厚度的数据融合方法及系统 |
CN110030934A (zh) * | 2019-04-30 | 2019-07-19 | 中南大学 | 基于modis卫星传感器的气溶胶光学厚度的获取方法 |
CN110751704A (zh) * | 2019-10-16 | 2020-02-04 | 紫光云技术有限公司 | 一种基于Openlayers的地图光晕生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106407634B (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407634A (zh) | 基于逆方差加权平均的卫星aod数据的融合方法及系统 | |
Romstad et al. | Mean-curvature watersheds: A simple method for segmentation of a digital elevation model into terrain units | |
Woodget et al. | Quantifying submerged fluvial topography using hyperspatial resolution UAS imagery and structure from motion photogrammetry | |
Thakuri et al. | Factors controlling the accelerated expansion of Imja Lake, Mount Everest region, Nepal | |
Loveday et al. | Galaxy and Mass Assembly (GAMA): ugriz galaxy luminosity functions | |
CN102539336B (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及系统 | |
Zeng et al. | An elevation difference model for building height extraction from stereo-image-derived DSMs | |
CN106408518B (zh) | 图像融合方法、装置及终端设备 | |
Foresti et al. | Exploration of alpine orographic precipitation patterns with radar image processing and clustering techniques | |
Rotnicka et al. | Accuracy of the UAV-based DEM of beach–foredune topography in relation to selected morphometric variables, land cover, and multitemporal sediment budget | |
US8855439B2 (en) | Method for determining a localization error in a georeferenced image and related device | |
WO2013121340A1 (en) | Digital elevation model | |
Weligepolage et al. | Surface roughness analysis of a conifer forest canopy with airborne and terrestrial laser scanning techniques | |
Di Stefano et al. | An automatic approach for rill network extraction to measure rill erosion by terrestrial and low‐cost unmanned aerial vehicle photogrammetry | |
CN107255516A (zh) | 一种遥感影像滑坡单体划分方法 | |
Warren et al. | Validation of the unit stream power erosion and deposition (USPED) model at Yakima Training Center, Washington | |
Brovelli et al. | Digital terrain model reconstruction in urban areas from airborne laser scanning data: the method and an example for Pavia (northern Italy) | |
Liu | Drone-based photogrammetry for riverbed characteristics extraction and flood discharge modeling in Taiwan’s mountainous rivers | |
Eiken et al. | Photogrammetric methods applied to Svalbard glaciers: accuracies and challenges | |
Braga et al. | Pseudo-automatic determination of coronal mass ejections’ kinematics in 3D | |
Liu et al. | ETWatch: A method of multi-resolution ET data fusion | |
Fuss | Digital elevation model generation and fusion | |
Göller | Antarctic subglacial hydrology-interactions of subglacial lakes, basal water flow and ice dynamics | |
CN110334381A (zh) | 蒸散发估算的方法、装置和计算机介质 | |
Ming et al. | Modified local variance based method for selecting the optimal spatial resolution of remote sensing image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190222 Termination date: 20190730 |