CN106997464A - 一种高程辅助的云霾识别方法 - Google Patents

一种高程辅助的云霾识别方法 Download PDF

Info

Publication number
CN106997464A
CN106997464A CN201710224184.3A CN201710224184A CN106997464A CN 106997464 A CN106997464 A CN 106997464A CN 201710224184 A CN201710224184 A CN 201710224184A CN 106997464 A CN106997464 A CN 106997464A
Authority
CN
China
Prior art keywords
cloud
reflectivity
criterion
clear sky
region
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
Application number
CN201710224184.3A
Other languages
English (en)
Inventor
尚华哲
胡斯勒图
王子明
陈良富
苏林
马润
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710224184.3A priority Critical patent/CN106997464A/zh
Publication of CN106997464A publication Critical patent/CN106997464A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种高程辅助的云霾识别方法，包括确定判据的步骤、排除云区域的步骤、排除晴空的步骤。确定判据的步骤包含，下载高程数据、反射率历史数据、亮温历史数据，确定某一高程数据范围内反射率数据和亮温数据识别云和霾的判据；排除云区域的步骤包含，下载高程数据和当前卫星观测数据，根据不同海拔条件下云判据识别云区域，剩余的区域为晴空和霾共存的区域；排除晴空的步骤包含，下载高程数据和当前卫星观测数据，根据不同海拔条件下晴空判据识别晴空区域，剩余的区域为霾区域。本发明具有快速稳定实现云和霾的检测，提高云和霾识别的准确性等优点。

Description

一种高程辅助的云霾识别方法
技术领域
本申请涉及卫星遥感检测领域，尤其涉及一种高程辅助的云霾识别方法。
背景技术
近些年来灰霾天气现象迅速增加，基于卫星数据产品检测中国区域内的云和灰霾是一个挑战，也是关键。
目前，遥感领域利用卫星影像自动进行云和霾检测的方法有：阈值法、统计学方法和辐射传输算法等。其中阈值法应用最为广泛，实施方便，但是易将云和霾错分，且单一阈值的适应性较差。统计学方法可以分为统计方程法和聚类分析法。统计方程法会受到时空因素的影响，且其往往具有一定经验性不利于移植使用。聚类分析法从辐射传输方程出发，对云检测具有指导性意义,系统误差不可避免，常常作为其他检测方法的辅助方法。
现有的云和霾检测算法一般基于卫星产品数据的反射率和亮温来构造阈值，对于中国目前重污染天气的云和灰霾检测精度较差，重度霾区域易误判为云，轻度霾区域易误判为晴空。霾主要分布在海拔较低的平原和山谷地区，而云主要产生在高处，但并没有相关的技术基于海拔高度辅助阈值法来识别云和霾的范围。
发明内容
本申请提供一种高程(DEM)辅助的云霾识别方法，解决了现有云和霾识别算法在重污染天气识别精度较差的问题。
本申请实施例提供一种高程辅助的云霾识别方法，包括确定判据的步骤、排除云区域的步骤、排除晴空的步骤，剩余区域为霾区域：所述确定判据的步骤，包括，下载高程数据、反射率历史数据、亮温历史数据；根据云与非云区域随第一亮温变化的统计特征，确定第一亮温云判据；所述第一亮温为11.2μm波段亮温；根据低海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第一判据；根据高海拔和中海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第二判据；所述归一化植被指数为0.86μm波段、0.64μm波段反射率之差与之和的比值；所述排除云区域的步骤，包括，下载高程数据和当前卫星观测数据；将所述第一亮温小于所述第一亮温云判据的区域判断为云区域；所述排除晴空的步骤，包括，下载高程数据和当前卫星观测数据；在高程处于低海拔时，将所述归一化植被指数在所述归一化植被指数晴空第一判据之外的区域判断为晴空区域；在高程处于高海拔或中海拔区域时，将所述归一化植被指数在所述归一化植被指数晴空第二判据之外的区域判断为晴空区域。
优选地，本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤，进一步包含，根据中海拔和低海拔云与非云区域随第一温差变化的统计特征，确定第一温差云判据；所述第一温差，是指11.2μm波段亮温减去3.9μm波段亮温；所述排除云区域的步骤，进一步包含，当高程位于中海拔或低海拔时，将所述第一温差小于所述第一温差云判据的区域判断为云区域。
优选地，本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤，进一步包含，根据云与非云区域随第二温差变化的统计特征，确定第二温差云判据；所述第二温差为11.2μm波段亮温减去12.3μm波段亮温；所述排除云区域的步骤，进一步包含，将所述第二温差大于所述第二温差云判据的区域判断为云区域。
优选地，本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤，进一步包含，根据低海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第一判据；根据中海拔和高海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第二判据；所述第一反射率为0.64μm波段反射率；所述排除云区域的步骤，进一步包含，当高程位于低海拔时，将所述第一反射率大于等于所述第一反射率云第一判据的区域判断为云区域；当高程位于中海拔或高海拔时，将所述第一反射率大于等于所述第一反射率云第一判据的区域判断为云区域。
优选地，本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤，进一步包含，根据云与非云区域随第二反射率变化的统计特征，确定第二反射率云判据；所述第二反射率为2.3μm波段反射率；所述排除云区域的步骤，进一步包含，将所述第二反射率大于所述第二反射率云判据的区域判断为云区域。
进一步优选地，本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤，进一步包含，根据任意海拔晴空与非晴空区域随第一反射比变化的统计特征，确定第一反射比晴空第一判据；根据高海拔和中海拔晴空与非晴空区域随第一反射比变化的统计特征，确定第一反射比晴空第二判据；所述第一反射比，是指0.86μm反射率与0.64μm反射率比值；所述排除晴空的步骤，进一步包含，将所述第一反射比小于所述第一反射比晴空第一判据的区域进一步识别为晴空区域；当高程位于高海拔或中海拔时，将所述第一反射比大于所述第一反射比晴空第二判据的区域进一步识别为晴空区域。
进一步优选地，本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤，进一步包含，根据高海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第一判据；根据中海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第二判据；所述第二反射比为0.86μm反射率与1.6μm反射率比值；所述排除晴空的步骤，进一步包含，在高程处于高海拔时，将所述第二反射比小于所述第二反射比晴空第一判据的区域判断为晴空区域；在高程处于中海拔时，将所述第二反射比小于所述第二反射比晴空第二判据的区域判断为晴空区域。
进一步优选地，本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤，进一步包含，根据晴空与非晴空区域随第一温差变化的统计特征，确定第一温差晴空判据；所述排除晴空的步骤，进一步包含，将所述第一温差大于所述第一温差晴空判据的区域判断为晴空区域。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
针对现有云和霾识别算法在重污染天气识别精度较差的问题，第一次使用高程数据辅助反射率数据和亮温数据来识别灰霾的范围。由于霾主要分布在海拔较低的平原和山谷地区，而云主要产生在高处，基于海拔高度辅助阈值法来识别云和霾的范围更为有效和科学。该方法能够快速稳定的实现云和霾的检测，提高云和霾识别的准确性，为进一步研究云和气溶胶的相互作用等提供必要的基础。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为高程辅助的云霾识别方法流程图；
图2为确定第一亮温云判据Pa的步骤示意图；
图3为确定第一温差云判据Pb的步骤示意图；
图4为确定第二温差云判据Pc的步骤示意图；
图5为确定第一反射率云判据Pd的步骤示意图；
图6为确定第二反射率云判据Pe的步骤示意图；
图7为确定归一化植被指数晴空判据Pf的步骤示意图；
图8为确定第一反射比晴空判据Pg的步骤示意图；
图9为确定第二反射比晴空判据Ph的步骤示意图；
图10为确定第一温差晴空判据Pi的步骤示意图；
图11为本发明高程辅助的云霾识别方法一种实施例流程图；
图12为本发明高程辅助的云霾识别方法中包含多个云判据的实施例流程图；
图13为本发明高程辅助的云霾识别方法中包含多个晴空判据的实施例流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明提供一种高程辅助的云霾识别方法,该方法能够解决重污染天气下云和霾分布范围识别精度较差的问题。由于霾主要分布在海拔较低的平原和山谷地区，而云主要产生在高处，云和霾在海拔高处和低处的分布具有明显的差异，因此本技术基于海拔高度辅助阈值法来识别云和霾的范围。
本申请文件定义以下术语和判据：
第一亮温T1：11.2μm波段亮温；
第一温差ΔT1：11.2μm波段亮温减去3.9μm波段亮温；
第二温差ΔT2：11.2μm波段亮温减去12.3μm波段亮温；
第一反射率R1：0.64μm波段反射率；
第二反射率R2：2.3μm波段反射率；
归一化植被指数NDVI：0.86μm波段、0.64μm波段反射率之差与之和的比值；
第一反射比0.86μm反射率与0.64μm反射率比值；
第二反射比0.86μm反射率与1.6μm反射率比值；
第一亮温云判据Pa：以第一亮温为指标，对云与非云区域进行识别的判据；
第一温差云判据Pb：以第一温差为指标，对云与非云区域进行识别的判据；
第二温差云判据Pc：以第二温差为指标，对云与非云区域进行识别的判据；
第一反射率云判据Pd：以第一反射率为指标，对云与非云区域进行识别的判据；包含第一反射率云第一判据Pd1、第一反射率云第二判据Pd2。第一反射率云第一判据适用于低海拔；第一反射率云第二判据适用于中海拔和高海拔。
第二反射率云判据Pe：以第二反射率为指标，对云与非云区域进行识别的判据；
归一化植被指数晴空判据Pf：以归一化植被指数为指标，对晴空与非晴空区域进行区分的判据；包含归一化植被指数晴空第一判据Pf1、归一化植被指数晴空第二判据Pf2；归一化植被指数晴空第一判据适用于低海拔；归一化植被指数晴空第二判据适用于高海拔或中海拔。
第一反射比晴空判据Pg：以第一反射比为指标，对晴空与非晴空区域进行区分的判据；包含第一反射比晴空第一判据Pg1、第一反射比晴空第二判据Pg2。在高程位于任意海拔时，第一反射比小于第一反射比晴空第一判据的区域为晴空区域；在高海拔或中海拔时，第一反射比大于第一反射比晴空第二判据的区域为晴空区域。显然，所述第一反射比晴空第一判据的值小于第以反射比第二晴空判据。
第二反射比晴空判据Ph：以第二反射比为指标，对晴空与非晴空进行区分的判据，包含第二反射比晴空第一判据Ph1、第二反射比晴空第二判据Ph2，适用于不同的海拔范围；第二反射比晴空第一判据适用于高海拔；第二反射比晴空第二判据适用于中海拔。
第一温差晴空判据Pi：以第一温差为指标，对晴空与非晴空进行区分的判据。
本申请文件所述“高程”，均指地表高程。所述低海拔、中海拔、高海拔，分别指地表高程位于低海拔、中海拔、高海拔。
本发明中使用的卫星数据满足上述各术语所定义的波段，数据自带像元的经纬度值等。例如，日本的高级葵花成像仪(AHI)包括以下16个波段：0.46μm，0.51μm，0.64μm，0.86μm，1.6μm，2.3μm，3.9μm，6.2μm，7.0μm，7.3m，8.6μm，9.6μm，10.4μm，11.2μm，12.3μm，13.3μm。其中3波段分辨率为0.5km，1、2、4波段分辨率为1km，其余波段分辨率为2km。AHI一级产品中存放基本观测数据，如所有波段的反射率、红外波段的亮温数据等。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为高程辅助的云霾识别方法流程图。本实施例提供一种高程辅助的云霾识别方法，包括确定判据的步骤、排除云区域的步骤、排除晴空的步骤。
步骤10、确定判据。所述确定判据的步骤，包括针对待研究区域，下载高程数据、卫星监测历史数据(可见光及近红外的反射率数据、红外波段的亮温数据等)组建样本集，用已知经验对样本集中影像的云和灰霾区域进行区分。
所有标准高程数据都可以用于该方法识别云和灰霾范围。例如国际农业研究磋商组织(CGIAR)提供的高程数据。本发明中使用的高程数据分辨率已调整至2km。
所有能够提供反射率数据和亮温数据的卫星传感器都可以使用该方法识别云和灰霾范围。例如AHI传感器，它搭载在日本Himawari-8卫星上，其一级波段产品中包含反射率数据和亮温数据，同时包括成像的几何数据和图像数据。
针对待研究区域，筛选该区域范围内云与灰霾事件，下载高程数据、上述日期的卫星反射率历史数据和亮温历史数据，组建样本集。这里以雾霾现象常见的中国中部和东部为例。下载CGIAR中国范围内高程数据；此外，下载同时期中国中部和东部对应的AHIRGB产品数据，作为试验数据。从Himawari-8网站下载2015年9月、2015年12月、2016年3月、2016年6月每个月14日和15日的AHI卫星一级产品，包括16个波段的反射率数据和亮温数据，组建样本集。根据新闻、天气预报筛选出典型云和霾天气的区域，作为主要试验区域。利用C程序语言读取该数据中的图像高度和宽度，像元经纬度数据，确定AHI云霾范围识别的掩膜基本信息。
用人工目视解译的方法对卫星影像中的云和灰霾区域进行区分。根据云高霾低垂直分布特征，设定高海拔(DEM>XH)、中海拔(XM<DEM<XH)、低海拔(DEM<XM)三种地面高程范围以适应云和霾分布高度的大致情况，在某高程数据范围内对训练数据中云、灰霾、晴空区域的样本反射率和亮温进行采样统计，参考现有云和霾检测算法阈值的设置，确定某一高程数据范围内反射率数据和亮温数据识别云和霾的判据，分别为Pa、Pb、Pc、Pd、Pe、Pf、Pg、Ph、Pi。本申请文件中，XH为高海拔和中海拔分界高度，XM为中海拔和低海拔分界高度。
步骤20、排除云区域，确定晴空和灰霾共存的范围。所述排除云区域的步骤包括，下载高程数据和当前卫星观测数据；对于特定高程，将数值与对应判据相比较，判断云区域的范围，剩余区域为霾、晴空共存区域。利用某高程数据范围内当期反射率数据、亮温数据和对应的判据Pa、Pb、Pc、Pd、Pe(如果用每个判据比较，满足任意一项判据即为云)进行比较，将云区分出来，确定晴空和灰霾都可能存在的区域。
例如，针对已经确定云和和非云(本申请文件中的非云指霾或晴空)识别判据的区域，下载区域高程数据、当前卫星观测各波段反射率数据和亮温数据。读取波段产品中的图像像元经纬度数据，比较高程数据中的经纬度，得到像元的DEM值。
使用当前卫星观测各波段反射率数据和亮温数据，各判据用于判别云与非云的方法见表1。
表1.云判据类型和判别方法
判据符号 物理量 判据类型 高程 判别方法
Pa 第一亮温T1 云判据 无关 公式1
Pb 第一温差ΔT1 云判据 中海拔、低海拔 公式2
Pc 第二温差ΔT2 云判据 无关 公式3
Pd1 第一反射率R1 云判据 低海拔 公式4.1
Pd2 第一反射率R1 云判据 中海拔、高海拔 公式4.2
Pe 第二反射率R2 云判据 无关 公式5
其中，判别为云的条件，满足公式1～5任意一项：
T1<Pa 公式1
DEM<XH且ΔT1<Pb 公式2
ΔT2>Pc 公式3
DEM<XM且R1≥Pd1 公式4.1
DEM≥XM且R1≥Pd2 公式4.2
R2>Pe 公式5
注意，其中Pd为多值判据，分别用Pd1、Pd2表示。
步骤30、排除晴空。具体包括，下载高程数据和当前卫星观测数据；针对步骤20选出的区域，利用某高程数据范围内反射率数据、亮温数据和对应的判据Pg、Pf、Ph、Pi(如果用每个判据比较，满足任意一项判据即为晴空)进行比较，进一步提取晴空分布的区域。
使用当前卫星观测各波段反射率数据和亮温数据，各判据用于判别晴空与非晴空的方法见表2。
表2.晴空判据类型和判别方法
其中，判别为晴空的条件，满足公式6～9任意一项：
DEM≤XM时，Pf1＝[Pf11,Pf12]，NDVI<Pf11或NDVI>Pf12 公式6.1
DEM>XM时，Pf2＝[Pf21,Pf22]，NDVI<Pf21或NDVI>Pf22 公式6.2
DEM>XM，且
DEM>XH时，
XM<DEM<XH时，
ΔT1>Pi 公式9
注意，其中Pg、Pf、Ph为多值判据，分别用Pg1、Pg2、，Pf1＝[Pf11，Pf12]、Pf2＝[Pf21，Pf22]、Ph1、Ph2表示。
对于公式6.1～6.2，归一化植被指数晴空第一判据Pf1包含最小值Pf11、最大值Pf12，归一化植被指数晴空第二判据Pf2包含最小值Pf21、最大值Pf22。将所述归一化植被指数在所述归一化植被指数晴空第一判据、或归一化植被指数晴空第一判据之外的区域判断为晴空区域，即指满足公式6.1～6.2。
对公式8.1～8.2，本申请所述第二反射比晴空第一判据记为Ph1；所述第二反射比晴空第二判据记为Ph2。在高程处于高海拔时(DEM>XH)，将所述第二反射比小于所述第二反射比晴空第一判据的区域判断为晴空区域；在高程处于中海拔时(XM<DEM<XH)，将所述第二反射比小于所述第二反射比晴空第二判据的区域判断为晴空区域，即指满足公式8.1～8.2。
图2～10具体表示确定各项判据的方法。需要说明，在图2～10所示的实施例中，取XH＝500m，XM＝150m。
图2为确定第一亮温云判据Pa的步骤示意图。本申请实施例提供的高程辅助的云霾识别方法，所述确定判据的步骤，包括，下载高程数据、亮温数据的历史数据，根据云与非云区域随第一亮温变化的统计特征，确定第一亮温云判据；所述第一亮温为11.2μm波段亮温。
所述云与非云区域随第一亮温变化的统计特征，是指像元在不同的第一亮温值条件下，历史数据显示该像元为云、或非云的概率。
例如，统计云区域的11.2μm亮温数据、非云区域的11.2μm亮温数据，确定第一亮温云判据Pa＝270K。
图3为确定第一温差云判据Pb的步骤示意图。本申请实施例所述确定判据的步骤包括，下载高程数据、亮温数据的历史数据；根据中海拔和低海拔云与非云区域随第一温差变化的统计特征，确定第一温差云判据。
所述云与非云区域随第一温差变化的统计特征，是指像元在不同的第一温差值条件下，历史数据显示该像元为云、或非云的概率。
例如，由于11.2μm亮温减去3.9μm亮温数据易将海拔高处晴空识别为云，为避免此方法用于高海拔，统计DEM<500m云区域11.2μm亮温减去3.9μm亮温数据、非云区域11.2μm亮温减去3.9μm亮温数据，确定11μm亮温减去3.9μm亮温在DEM<500m时判据Pb＝-10.5。
图4为确定第二温差云判据Pc的步骤示意图。本申请实施例提供的高程辅助的云霾识别方法，所述确定判据的步骤包括，下载高程数据、亮温数据的历史数据，根据云与非云区域随第二温差变化的统计特征，确定第二温差云判据；所述第二温差为11.2μm波段亮温减去12.3μm波段亮温。
所述云与非云区域随第二温差变化的统计特征，是指像元在不同的第二温差值条件下，历史数据显示该像元为云、或非云的概率。
例如，统计云区域的11.2μm亮温减去12.3μm亮温数据、非云区域的11.2μm亮温减去12.3μm亮温数据，确定第二温差云判据Pc＝2.7。
图5为确定第一反射率云判据Pd的步骤示意图；本申请实施例所述确定判据的步骤，包括，下载高程数据、反射率数据的历史数据；根据低海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第一判据；根据中海拔和高海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第二判据；所述第一反射率为0.64μm波段反射率。
所述云与非云区域随第一反射率变化的统计特征，是指像元在不同的第一反射率值条件下，历史数据显示该像元为云、或非云的概率。
例如，统计DEM<150m、DEM≥150m云区域的0.64μm反射率数据、非云区域的0.64μm反射率数据，确定第一反射率云判据Pd为
Pd1＝0.24(DEM<150m) 公式10.1
Pd2＝0.20(DEM≥150m) 公式10.2
进一步地，考虑太阳高度角对判据的影响，将所述第一反射率云第一判据、第一反射率云第二判据用于太阳高度角在门限值以下(例如72°)；定义第一反射率云第三判据Pd3，用于太阳高度角大于门限值(例如72°)。因此，在本发明的任意一个实施例中，优选地，所述确定判据的步骤，进一步包含：太阳高度角大于门限值时，根据云与非云区域随第一反射率变化的统计特征，确定第一反射率云第三判据；所述排除云区域的步骤，进一步包含，太阳高度角大于门限值时，将所述第一反射率大于等于所述第一反射率云第三判据的区域判断为云区域。
例如，在太阳高度角在门限值以下(例如SA≤72°)统计DEM<150m、DEM≥150m云区域和非云区域的第一反射率数据；在太阳高度角大于门限值(例如SA>72°)同时统计所有海拔云区域、非云区域的第一反射率数据，分别得到第一反射率云第一判据Pd1、第一反射率云第二判据Pd2、第一反射率云第三判据Pd3
例如，随太阳高度角变化的判据。
Pd1＝0.24(SA≤72°，DEM<150m) 公式10.3
Pd2＝0.20(SA≤72°，DEM≥150m) 公式10.4
Pd3＝-0.014SA+1.207(SA>72°) 公式10.5
其中，SA为太阳高度角，公式10.1～10.5中()内表示条件。
在对应的条件下，判别为云的条件满足公式10.6～10.8任意一项
SA≤72°，DEM<XM且R1≥Pd1 公式10.6
SA≤72°，DEM≥XM且R1≥Pd2 公式10.7
SA>72°且R1≥Pd3 公式10.8
图6为确定第二反射率云判据Pe的步骤示意图。本申请实施例提供的高程辅助的云霾识别方法，所述确定判据的步骤，包括，下载高程数据、反射率数据的历史数据，根据云与非云区域随第二反射率变化的统计特征，确定第二反射率云判据；所述第二反射率为2.3μm波段反射率。
所述云与非云区域随第二反射率变化的统计特征，是指像元在不同的第二反射率值条件下，历史数据显示该像元为云、或非云的概率。
例如，统计云区域的2.3μm反射率数据、非云区域的2.3μm反射率数据，确定第二反射率云判据Pe。
进一步地，根据第二反射率云判据随太阳高度角变化的规律，确定第一反射率云判据Pe。
Pe＝
-0.008SA+0.616(SA≤56°)
-0.008SA+0.666(SA>56°) 公式11
其中，SA为太阳高度角，公式11中()内表示条件。
图7为确定归一化植被指数晴空判据Pf的步骤示意图。本申请实施例提供的高程辅助的云霾识别方法，所述确定判据的步骤包括，下载高程数据、反射率数据的历史数据，根据低海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第一判据；根据高海拔和中海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第二判据；所述归一化植被指数为0.86μm波段、0.64μm波段反射率之差与之和的比值，如公式12所示。
其中，R0.86为0.86μm波段反射率，R0.64为0.64μm波段反射率。
所述晴空与非晴空区域随归一化植被指数变化的统计特征，是指像元在不同的归一化植被指数值条件下，历史数据显示该像元为晴空、或非晴空的概率。
例如，根据DEM≤150m低海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第一判据；，统计DEM>150m晴空区域的归一化植被指数NDVI、非晴空区域的归一化植被指数NDVI确定归一化植被指数晴空第一判据，
确定归一化植被指数在DEM≤150m时判据Pf1＝[Pf11,Pf12]＝[-0.18,0.4]；在DEM>150m时判据Pf2＝[Pf21,Pf22]＝[-0.14，0.24]，根据公式7.1～7.2，在以下范围内为晴空区域：
DEM≤150时，NDVI<-0.18或NDVI>0.4 公式13.1
DEM>150时，NDVI<-0.14或NDVI>0.24 公式13.2
图8为确定第一反射比晴空判据Pg的步骤示意图。本申请实施例所述确定判据的步骤包括，下载高程数据、反射率数据的历史数据；根据任意海拔晴空与晴空区域随第一反射比变化的统计特征，确定第一反射比晴空第一判据；根据高海拔和中海拔晴空与非晴空区域随第一反射比变化的统计特征，确定第一反射比晴空第二判据；所述第一反射比，是指0.86μm反射率与0.64μm反射率比值。
所述晴空与非晴空区域随第一反射比变化的统计特征，是指像元在不同的第一反射比值条件下，历史数据显示该像元为晴空、或非晴空的概率。
例如，由于0.86μm反射率与0.64μm反射率比值易将海拔低处灰霾识别为晴空，为避免此方法用于低海拔，统计DEM>150m晴空区域的0.86μm反射率与0.64μm反射率比值、非晴空区域的0.86μm反射率与0.64μm反射率比值，同时统计所有海拔晴空区域的0.86μm反射率与0.64μm反射率比值、非晴空区域的0.86μm反射率与0.64μm反射率比值，确定在DEM>150m时第一反射比晴空第二判据为判据Pg2＝1.6，在不限制海拔高度时第一反射比晴空第一判据为Pg1＝0.8。
图9为确定第二反射比晴空判据Ph的步骤示意图。本申请实施例提供的高程辅助的云霾识别方法，所述确定判据的步骤包括，下载高程数据、反射率数据的历史数据，根据高海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第一判据；根据中海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第二判据；所述第二反射比为0.86μm反射率与1.6μm反射率比值。
所述晴空与非晴空区域随第二反射比变化的统计特征，是指像元在不同的第二反射比值条件下，历史数据显示该像元为晴空、或非晴空的概率。
例如，统计DEM>150m和DEM>500m晴空区域的0.86μm反射率与1.6μm反射率比值、非晴空区域的0.86μm反射率与1.6μm反射率比值，确定0.86μm反射率与1.6μm反射率比值在DEM>500m时，第二反射比晴空第一判据Ph1＝0.92；在500m>DEM>150m时，第二反射比晴空第二判据Ph2＝0.75。
图10为确定第一温差晴空判据Pi的步骤示意图。本申请实施例提供的一种高程辅助的云霾识别方法，所述确定判据的步骤包括，下载高程数据、亮温数据的历史数据，根据晴空与非晴空区域随第一温差变化的统计特征，确定第一温差晴空判据。
所述晴空与非晴空区域随第一温差变化的统计特征，是指像元在不同的第一温差值条件下，历史数据显示该像元为晴空、或非晴空的概率。
例如，统计晴空区域11.2μm亮温减去3.9μm亮温数据、非晴空区域11.2μm亮温减去3.9μm亮温数据，确定第一温差晴空判据Pi＝-9.4。
图11为本发明高程辅助的云霾识别方法一种实施例流程图。本申请实施例提供一种高程辅助的云霾识别方法，包括确定判据的步骤、排除云区域的步骤、排除晴空的步骤：
步骤11、确定第一亮温云判据Pa、归一化植被指数晴空判据Pf，具体包括
下载高程数据、11.2μm波段亮温历史数据、3.9μm波段亮温历史数据、0.86μm反射率历史数据、0.64μm反射率历史数据；
根据云与非云区域随第一亮温变化的统计特征，确定第一亮温云判据Pa；
根据低海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第一判据Pf1；
根据高海拔和中海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第二判据Pf2；
步骤12、通过第一亮温云判据Pa排除云区域，具体包括
下载高程数据和当前卫星观测数据，包含11.2μm波段亮温；
将所述第一亮温小于所述第一亮温云判据Pa的区域判断为云区域，剩余区域为霾、晴空共存区域；
步骤13、通过归一化植被指数晴空判据Pf排除晴空；具体包括
下载高程数据和当前卫星观测数据，包含0.86μm反射率、0.64μm反射率；
在高程处于低海拔时，在所述霾、晴空共存区域，将所述归一化植被指数在所述归一化植被指数晴空第一判据Pf1＝[Pf11，Pf12]之外的区域判断为晴空区域；
在高程处于高海拔或中海拔区域时，在所述霾、晴空共存区域，将所述归一化植被指数在所述归一化植被指数晴空第二判据Pf2＝[Pf21，Pf22]之外的区域判断为晴空区域。
图12为本发明高程辅助的云霾识别方法另一种实施例流程图。本申请实施例提供一种高程辅助的云霾识别方法，包括确定判据的步骤、排除云区域的步骤、排除晴空的步骤：
步骤21、确定第一亮温云判据Pa、第一温差云判据Pb、第二温差云判据Pc、第一反射率云判据Pd、第二反射率云判据Pe、归一化植被指数晴空判据Pf各项判据，具体包括
下载高程数据、3.9μm波段亮温历史数据、11.2μm波段亮温历史数据、12.3μm波段亮温历史数据、0.64μm波段反射率历史数据、0.86μm反射率历史数据、2.3μm波段反射率历史数据；
根据云与非云区域随第一亮温变化的统计特征，确定第一亮温云判据Pa；
根据中海拔和低海拔云与非云区域随第一温差变化的统计特征，确定第一温差云判据Pb；
根据云与非云区域随第二温差变化的统计特征，确定第二温差云判据Pc；
根据低海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第一判据Pd1；
根据中海拔和高海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第二判据Pd2；
根据云与非云区域随第二反射率变化的统计特征，确定第二反射率云判据Pe；
根据低海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第一判据Pf1；
根据高海拔和中海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第二判据Pf2；
步骤22、通过第一亮温云判据Pa、、第二温差云判据Pc、第一反射率云判据Pd、第二反射率云判据Pe之中任一个排除云区域，具体包括
下载高程数据和当前卫星观测数据，包括3.9μm波段亮温、11.2μm波段亮温、12.3μm波段亮温据、0.64μm波段反射率、2.3μm波段反射率；
将所述第一亮温小于所述第一亮温云判据Pa的区域判断为云区域；
当高程位于中海拔或低海拔时，将所述第一温差小于所述第一温差云判据Pb的区域判断为云区域；
将所述第二温差大于所述第二温差云判据Pc的区域判断为云区域；
当高程位于低海拔时，将所述第一反射率大于等于所述第一反射率云第一判据Pd1的区域判断为云区域；
当高程位于中海拔或高海拔时，将所述第一反射率大于等于所述第一反射率云第二判据Pd2的区域判断为云区域；
将所述第二反射率大于所述第二反射率云判据Pe的区域判断为云区域；
剩余区域为霾、晴空共存区域。
步骤23、通过归一化植被指数晴空判据Pf排除晴空，具体包括
继续下载当前卫星观测数据，包括0.86μm反射率、0.64μm反射率；
在高程处于低海拔时，在所述霾、晴空共存区域，将所述归一化植被指数在所述归一化植被指数晴空第一判据Pf1＝[Pf11，Pf12]之外的区域判断为晴空区域；
在高程处于高海拔或中海拔区域时，在所述霾、晴空共存区域，将所述归一化植被指数在所述归一化植被指数晴空第二判据Pf2＝[Pf21，Pf22]之外的区域判断为晴空区域。
剩余区域为霾区域。
图13为本发明高程辅助的云霾识别方法另一种实施例流程图。本申请实施例提供一种高程辅助的云霾识别方法，包括确定判据的步骤、排除云区域的步骤、排除晴空的步骤：
步骤31、确定第一亮温云判据Pa、归一化植被指数晴空判据Pf、第一反射比晴空判据Pg、第二反射比晴空判据Ph、第一温差晴空判据Pi各项判据；
下载高程数据、3.9μm波段亮温历史数据、11.2μm波段亮温历史数据、0.64μm反射率历史数据、0.86μm反射率历史数据、1.6μm反射率历史数据；
根据云与非云区域随第一亮温变化的统计特征，确定第一亮温云判据Pa；
根据低海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第一判据Pf1；
根据高海拔和中海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第二判据Pf2；
根据任意海拔晴空与晴空区域随第一反射比变化的统计特征，确定第一反射比晴空第一判据Pg2；
根据高海拔和中海拔晴空与非晴空区域随第一反射比变化的统计特征，确定第一反射比晴空判据Pg2；
根据高海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第一判据Ph1；
根据中海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第二判据Ph2；
根据晴空与非晴空区域随第一温差变化的统计特征，确定第一温差晴空判据Pi；
步骤32、通过第一亮温云判据Pa排除云区域，具体包括
下载高程数据和当前卫星观测数据，包含11.2μm波段亮温；将所述第一亮温小于所述第一亮温云判据Pa的区域判断为云区域，剩余区域为霾、晴空共存区域；
步骤33、归一化植被指数晴空判据Pf、通过判据第一反射比晴空判据Pg、第二反射比晴空判据Ph、第一温差晴空判据Pi之中任一个排除晴空区域，具体包括
下载高程数据和当前卫星观测数据，包含3.9μm波段亮温、11.2μm波段亮温、0.64μm反射率、0.86μm反射率、1.6μm反射率；
在高程处于低海拔时，在所述霾、晴空共存区域，将所述归一化植被指数在所述归一化植被指数晴空第一判据Pf1＝[Pf11，Pf12]之外的区域判断为晴空区域；
在高程处于高海拔或中海拔区域时，在所述霾、晴空共存区域，将所述归一化植被指数在所述归一化植被指数晴空第二判据Pf2＝[Pf21，Pf22]之外的区域判断为晴空区域；
在所述霾、晴空共存的区域，将所述第一反射比小于所述第一反射比晴空第一判据Pg1的区域进一步识别为晴空区域；
当高程位于高海拔或中海拔时，在所述霾、晴空共存区域，将所述第一反射比大于所述第一反射比晴空第二判据的区域Pg2进一步识别为晴空区域；
在高程处于高海拔时，在所述霾、晴空共存区域，将所述第二反射比小于所述第二反射比晴空第一判据Ph1的区域判断为晴空区域；
在高程处于中海拔时，在所述霾、晴空共存区域，将所述第二反射比小于所述第二反射比晴空第二判据Ph2的区域判断为晴空区域；
在所述霾、晴空共存区域，将所述第一温差大于所述第一温差晴空判据Pi的区域判断为晴空区域；
剩余区域为霾区域。
需要说明的是，本发明在已下载DEM高程数据辅助阈值法的情况下，还可应用于其它能够获得波段反射数据和亮温数据的卫星传感器，例如美国Terra卫星上的MODIS传感器、NPP卫星上的VIIRS传感器等。由于霾主要分布在海拔较低的平原和山谷地区，而云主要产生在高处，高程数据辅助阈值法主要应用于重污染且地形起伏较大地区的云和霾识别，能够提高云和霾识别精度。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种高程辅助的云霾识别方法，其特征在于，包括确定判据的步骤、排除云区域的步骤、排除晴空的步骤，剩余区域为霾区域；
所述确定判据的步骤，包括，
下载高程数据、反射率历史数据、亮温历史数据；
根据云与非云区域随第一亮温变化的统计特征，确定第一亮温云判据；
所述第一亮温为11.2μm波段亮温；
根据低海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第一判据；
根据高海拔和中海拔晴空与非晴空区域随归一化植被指数变化的统计特征，确定归一化植被指数晴空第二判据；
所述归一化植被指数为0.86μm波段、0.64μm波段反射率之差与之和的比值；
所述排除云区域的步骤，包括，
下载高程数据和当前卫星观测数据；
将所述第一亮温小于所述第一亮温云判据的区域判断为云区域；
所述排除晴空的步骤，包括，
下载高程数据和当前卫星观测数据；
在高程处于低海拔时，将所述归一化植被指数在所述归一化植被指数晴空第一判据之外的区域判断为晴空区域；
在高程处于高海拔或中海拔区域时，将所述归一化植被指数在所述归一化植被指数晴空第二判据之外的区域判断为晴空区域。
2.如权利要求1所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据中海拔和低海拔云与非云区域随第一温差变化的统计特征，确定第一温差云判据；
所述第一温差，是指11.2μm波段亮温减去3.9μm波段亮温；
所述排除云区域的步骤，进一步包含，
当高程位于中海拔或低海拔时，将所述第一温差小于所述第一温差云判据的区域判断为云区域。
3.如权利要求1所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据云与非云区域随第二温差变化的统计特征，确定第二温差云判据；所述第二温差为11.2μm波段亮温减去12.3μm波段亮温；
所述排除云区域的步骤，进一步包含，
将所述第二温差大于所述第二温差云判据的区域判断为云区域。
4.如权利要求1所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据低海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第一判据；
根据中海拔和高海拔云与非云区域随第一反射率变化的统计特征，确定第一反射率云第二判据；
所述第一反射率为0.64μm波段反射率；
所述排除云区域的步骤，进一步包含，
当高程位于低海拔时，将所述第一反射率大于等于所述第一反射率云第一判据的区域判断为云区域；
当高程位于中海拔或高海拔时，将所述第一反射率大于等于所述第一反射率云第二判据的区域判断为云区域。
5.如权利要求1所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据云与非云区域随第二反射率变化的统计特征，确定第二反射率云判据；所述第二反射率为2.3μm波段反射率；
所述排除云区域的步骤，进一步包含，
将所述第二反射率大于所述第二反射率云判据的区域判断为云区域。
6.如权利要求1～5任意一项所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据任意海拔晴空与非晴空区域随第一反射比变化的统计特征，确定第一反射比晴空第一判据；
根据高海拔和中海拔晴空与非晴空区域随第一反射比变化的统计特征，确定第一反射比晴空第二判据；
所述第一反射比，是指0.86μm反射率与0.64μm反射率比值；
所述排除晴空的步骤，进一步包含，
将所述第一反射比小于所述第一反射比晴空第一判据的区域进一步识别为晴空区域；
当高程位于高海拔或中海拔时，将所述第一反射比大于所述第一反射比晴空第二判据的区域进一步识别为晴空区域。
7.如权利要求1～5任意一项所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据高海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第一判据；
根据中海拔晴空与非晴空区域随第二反射比变化的统计特征，确定第二反射比晴空第二判据；
所述第二反射比为0.86μm反射率与1.6μm反射率比值；
所述排除晴空的步骤，进一步包含，
在高程处于高海拔时，将所述第二反射比小于所述第二反射比晴空第一判据的区域判断为晴空区域；
在高程处于中海拔时，将所述第二反射比小于所述第二反射比晴空第二判据的区域判断为晴空区域。
8.如权利要求1～5任意一项所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据晴空与非晴空区域随第一温差变化的统计特征，确定第一温差晴空判据；
所述排除晴空的步骤，进一步包含，
将所述第一温差大于所述第一温差晴空判据的区域判断为晴空区域。
9.如权利要求2所述的高程辅助的云霾识别方法，其特征在于，
将所述第一反射率云第一判据、第一反射率云第二判据用于太阳高度角在门限值以下；
所述确定判据的步骤，进一步包含：
太阳高度角大于门限值时，根据云与非云区域随第一反射率变化的统计特征，确定第一反射率云第三判据；
所述排除云区域的步骤，进一步包含，
太阳高度角大于门限值时，将所述第一反射率大于等于所述第一反射率云第三判据的区域判断为云区域。
10.如权利要求4所述的高程辅助的云霾识别方法，其特征在于，
所述确定判据的步骤，进一步包含，
根据第二反射率云判据随太阳高度角变化的规律，确定第一反射率云判据。
CN201710224184.3A 2017-04-07 2017-04-07 一种高程辅助的云霾识别方法 Pending CN106997464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710224184.3A CN106997464A (zh) 2017-04-07 2017-04-07 一种高程辅助的云霾识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710224184.3A CN106997464A (zh) 2017-04-07 2017-04-07 一种高程辅助的云霾识别方法

Publications (1)

Publication Number Publication Date
CN106997464A true CN106997464A (zh) 2017-08-01

Family

ID=59434131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710224184.3A Pending CN106997464A (zh) 2017-04-07 2017-04-07 一种高程辅助的云霾识别方法

Country Status (1)

Country Link
CN (1) CN106997464A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111742242A (zh) * 2019-06-11 2020-10-02 深圳市大疆创新科技有限公司 点云处理方法、系统、设备及存储介质
CN115267941A (zh) * 2022-07-29 2022-11-01 知天(珠海横琴)气象科技有限公司 一种高解析度真彩可见光模型生成、反演方法及其系统
CN116645485A (zh) * 2023-06-02 2023-08-25 中交一公局第二工程有限公司 一种基于无人机倾斜摄影的古建筑模型构建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913750A (zh) * 2014-04-24 2014-07-09 中国科学院遥感与数字地球研究所 一种基于卫星云参数产品确定灰霾分布的方法
CN104502999A (zh) * 2014-12-10 2015-04-08 中国科学院遥感与数字地球研究所 一种基于静止卫星多通道数据的昼夜云检测方法与装置
CN106169081A (zh) * 2016-06-29 2016-11-30 北京工业大学 一种基于不同照度的图像分类及处理方法
US20170034459A1 (en) * 2015-07-30 2017-02-02 Motorola Mobility Llc Electronic Device with Image Correction System and Methods Therefor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913750A (zh) * 2014-04-24 2014-07-09 中国科学院遥感与数字地球研究所 一种基于卫星云参数产品确定灰霾分布的方法
CN104502999A (zh) * 2014-12-10 2015-04-08 中国科学院遥感与数字地球研究所 一种基于静止卫星多通道数据的昼夜云检测方法与装置
US20170034459A1 (en) * 2015-07-30 2017-02-02 Motorola Mobility Llc Electronic Device with Image Correction System and Methods Therefor
CN106169081A (zh) * 2016-06-29 2016-11-30 北京工业大学 一种基于不同照度的图像分类及处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUAZHE SHANG 等: "Development of a daytime cloud and haze detection algorithm for Himawari -8 satellite measurements over central and eastern China", 《JOURNAL OF GEOPHYSICAL RESEARCH: ATMOSPHERES》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111742242A (zh) * 2019-06-11 2020-10-02 深圳市大疆创新科技有限公司 点云处理方法、系统、设备及存储介质
CN115267941A (zh) * 2022-07-29 2022-11-01 知天(珠海横琴)气象科技有限公司 一种高解析度真彩可见光模型生成、反演方法及其系统
WO2024021225A1 (zh) * 2022-07-29 2024-02-01 知天(珠海横琴)气象科技有限公司 一种高解析度真彩可见光模型生成、反演方法及其系统
CN116645485A (zh) * 2023-06-02 2023-08-25 中交一公局第二工程有限公司 一种基于无人机倾斜摄影的古建筑模型构建方法
CN116645485B (zh) * 2023-06-02 2024-02-27 中交一公局第二工程有限公司 一种基于无人机倾斜摄影的古建筑模型构建方法

Similar Documents

Publication Publication Date Title
CN106997464A (zh) 一种高程辅助的云霾识别方法
Wang et al. Distinguishing mangrove species with laboratory measurements of hyperspectral leaf reflectance
Stillinger et al. Cloud masking for Landsat 8 and MODIS Terra over snow‐covered terrain: Error analysis and spectral similarity between snow and cloud
Bi et al. Inland water atmospheric correction based on turbidity classification using OLCI and SLSTR synergistic observations
Xie et al. Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction
Kumar et al. Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans
Garcia et al. Quantification of floating macroalgae blooms using the scaled algae index
Stenzel et al. Remote sensing of scattered Natura 2000 habitats using a one-class classifier
Cao et al. An automatic method for burn scar mapping using support vector machines
Leinenkugel et al. Comparison and enhancement of MODIS cloud mask products for Southeast Asia
CN109614942B (zh) 一种基于云计算平台的森林扰动长时间序列监测方法
Eresmaa Imager‐assisted cloud detection for assimilation of Infrared Atmospheric Sounding Interferometer radiances
Silveira et al. Object-based land-cover change detection applied to Brazilian seasonal savannahs using geostatistical features
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
Yue et al. Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram
Cao et al. A spectral index for the detection of algal blooms using Sentinel-2 Multispectral Instrument (MSI) imagery: A case study of Hulun Lake, China
Holmström et al. Statistical scale space methods
Babaei et al. A simple, robust, and automatic approach to extract water body from Landsat images (case study: Lake Urmia, Iran)
Yang et al. Effect of CALIPSO cloud–aerosol discrimination (CAD) confidence levels on observations of aerosol properties near clouds
Nama Lineament detection on Mount Cameroon during the 1999 volcanic eruptions using Landsat ETM
Zhao et al. Evaluation of the ability of spectral indices of hydrocarbons and seawater for identifying oil slicks utilizing hyperspectral images
Paz-Kagan et al. Assessment of plant species distribution and diversity along a climatic gradient from Mediterranean woodlands to semi-arid shrublands
Liu et al. Oil spill extraction by X-band marine radar using texture analysis and adaptive thresholding
CN113935367B (zh) 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法
Oliveira et al. Nighttime wind and scalar variability within and above an Amazonian canopy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170801

RJ01 Rejection of invention patent application after publication