CN108319923A - 一种云阴影识别方法及系统 - Google Patents
一种云阴影识别方法及系统 Download PDFInfo
- Publication number
- CN108319923A CN108319923A CN201810119969.9A CN201810119969A CN108319923A CN 108319923 A CN108319923 A CN 108319923A CN 201810119969 A CN201810119969 A CN 201810119969A CN 108319923 A CN108319923 A CN 108319923A
- Authority
- CN
- China
- Prior art keywords
- reflectivity
- checked
- growing season
- cloud
- apparent reflectance
- 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
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
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种云阴影识别方法及系统。所述识别方法包括:获取一段时间间隔内的历史遥感光学影像;根据所述历史遥感光学影像确定在所述时间间隔内的地表反射率数据集;将所述地表反射率数据集进行光谱转换,得到转换后的地表反射率数据集;获取太阳天顶角以及观测天顶角;根据所述太阳天顶角、观测天顶角以及所述转换后的地表反射率数据集建立动态阈值云阴影检测模型;获取待检遥感光学影像;利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率;根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影。采用本发明所提供的识别方法及系统能够准确识别出云阴影,提高识别精度。
Description
技术领域
本发明涉及遥感光学影像领域,特别是涉及一种云阴影识别方法及系统。
背景技术
根据国际卫星云气候计划(ISCCP)提供的全球云量数据显示,全球50%以上的地表上空被云层覆盖。云层遮挡入射光线导致进入传感器的光谱能量较小在遥感影像中形成局部能量较小,灰度值较低的云阴影。云阴影不仅改变了地表云阴影区域的光谱特性和光谱辐射强度,而且降低了地表变化监测的精度和遥感图像定量参数提取的精度。针对遥感光学影像的云阴影识别是遥感影像进行应用分析(如变化监测、地物分类和灾害监测)前必不可少的一步。
在遥感领域内,研究人员针对从遥感光学影像中识别云阴影开发了多种云阴影识别方法。这些云阴影识别方法可以分为两类:基于阈值的识别算法和基于空间匹配的云阴影识别算法。
基于阈值的云阴影识别算法是通过设定阈值来达到区分云阴影像元和晴空像元的目的。曾有人提出了一种利用经验直方图阈值识别云阴影核心区域的云阴影识别方法,由于这种方法完全依赖于光谱计算,因此云阴影识别速度很快,但是这种根据经验阈值的方法很难找到合适的阈值来识别所有下垫面上的云阴影;2007年,有人剔除利用LandsatETM+传感器的第四波段的亮度值来识别潜在云阴影掩膜中的云阴影区域,但是只采用第四波段的亮度值来识别云阴影区域,没有充分利用大量遥感光学数据的时间序列信息,导致识别出的云阴影区域的识别精度低;还有人利用目标影像和参考影像在亮度值上的差异来识别云和云阴影,但由于云阴影使得地表亮度值的变化更加平滑,因此利用小波变换的均值来识别云阴影。这种方法基于参考影像与目标影像没有云和云阴影重叠的思想,且由于重访周期和气候条件的限制,两幅影像的成像时间可能存在较大的差异。
基于空间匹配的云阴影识别算法是基于对太阳入射方向的了解和对云高的估计考虑几何信息根据云层在地表上投影出的云阴影。现有技术中有以下几种方式:1.通过使用马尔可夫随机场将云和云阴影之间相似的形状、面积和相对位置等几何关系形式化,从而求出云阴影;2.利用云高估计和太阳光照几何来预测云阴影的位置,并且通过数字高程模型(Digital ElevationModel,DEM)提高预测准确度,通过查找暗像元来确定预测区域内的云阴影;3.提出的掩膜函数(functionofmask,Fmask)算法通过使用传感器的视角,太阳天顶角,太阳方位角以及云的相对高度来估计云阴影的位置,其中云顶高度可以根据第六波段提供的温度信息来推断。但是,由于碎云和薄云识别的困难,导致上述方法对于碎云和薄云产生的云阴影识别效果不佳,且上述方法需要逐像元计算空间几何参数,导致算法消耗时间较长。因此,现有的基于遥感光学影像云阴影的识别方法均是针对厚云区域进行识别,且识别精度低。
发明内容
本发明的目的是提供一种云阴影识别方法及系统,以解决现有技术中基于遥感光学影像云阴影识别方法的识别精度低,对于碎云或薄云产生的云阴影识别效果不佳的问题。
为实现上述目的,本发明提供了如下方案:
一种云阴影识别方法,包括:
获取一段时间间隔内的历史遥感光学影像;
根据所述历史遥感光学影像确定在所述时间间隔内的地表反射率数据集;所述地表反射率数据集包括多个地表反射率;
将所述地表反射率数据集进行光谱转换,得到转换后的地表反射率数据集;
获取太阳天顶角以及观测天顶角;
根据所述太阳天顶角、观测天顶角以及所述转换后的地表反射率数据集建立动态阈值云阴影检测模型;所述动态阈值云阴影检测模型包括蓝光波段下的蓝光表观反射率极小值、绿光波段下的绿光表观反射率极小值、红光波段下的红光表观反射率极小值以及近红外光波段下的近红外光表观反射率极小值;
获取待检遥感光学影像;
利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率;根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影。
可选的,所述根据所述太阳天顶角、观测天顶角以及所述地表反射率数据集建立动态阈值云阴影检测模型,具体包括:
根据公式Rblue=0.64103×RMOD+0.033675·cosαcosβ+0.029901、公式Rgreen=0.65554×RMOD+0.018751·cosαcosβ-0.007906、公式Rred=0.72893×RMOD+0.012097·cosαcosβ-0.020076以及公式Rnir=0.83244×RMOD+0.005912·cosαcosβ-0.093027建立动态阈值云阴影检测模型;
其中,RMOD为地表反射率数据;cosα为太阳天顶角的余弦值、cosβ为观测天顶角的余弦值;Rblue为蓝光波段下的蓝光表观反射率极小值、Rgreen为绿光波段下的绿光表观反射率极小值、Rred为红光波段下的红光表观反射率极小值和Rnir为近红外光波段下的近红外光表观反射率极小值。
可选的,所述利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率,具体包括:
获取待检测遥感光学影像的成像月份;
根据所述成像月份在所述地表反射率数据集中确定与所述成像月份相同的待检地表反射率数据集;
逐像元检测所述待检遥感光学影像,确定所述待检遥感光学影像在所述待检地表反射率数据集中每一像元的待检地表反射率。
可选的,所述根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影,具体包括:
根据所述待检遥感光学影像确定待检表观反射率;
根据所述动态阈值云阴影检测模型计算晴空条件下所述待检地表反射率对应的表观反射率极小值;所述表观反射率极小值包括蓝光表观反射率极小值、绿光表观反射率极小值、红光表观反射率极小值以及近红外光表观反射率极小值;
判断所述待检表观反射率是否均小于所述表观反射率极小值,得到第一判断结果;
若所述第一判断结果表示为所述待检表观反射率均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为云阴影像元,即所述云阴影像元为云阴影;
若所述第一判断结果表示为所述待检表观反射率不均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为晴空像元。
一种云阴影识别系统,包括:
历史遥感光学影像获取模块,用于获取一段时间间隔内的历史遥感光学影像;
地表反射率数据集确定模块,用于根据所述历史遥感光学影像确定在所述时间间隔内的地表反射率数据集;所述地表反射率数据集包括多个地表反射率;
光谱转换模块,用于将所述地表反射率数据集进行光谱转换,得到转换后的地表反射率数据集;
太阳天顶角以及观测天顶角获取模块,用于获取太阳天顶角以及观测天顶角;
动态阈值云阴影检测模块建立模块,用于根据所述太阳天顶角、观测天顶角以及所述转换后的地表反射率数据集建立动态阈值云阴影检测模型;所述动态阈值云阴影检测模型包括蓝光波段下的蓝光表观反射率极小值、绿光波段下的绿光表观反射率极小值、红光波段下的红光表观反射率极小值以及近红外光波段下的近红外光表观反射率极小值;
待检遥感光学影像获取模块,用于获取待检遥感光学影像;
待检地表反射率确定模块,用于利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率;
云阴影识别模块,用于根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影。
可选的,所述动态阈值云阴影检测模型建立模块具体包括:
动态阈值云阴影检测模型建立单元,用于根据公式Rblue=0.64103×RMOD+0.033675·cosαcosβ+0.029901、公式Rgreen=0.65554×RMOD+0.018751·cosαcosβ-0.007906、公式Rred=0.72893×RMOD+0.012097·cosαcosβ-0.020076以及公式Rnir=0.83244×RMOD+0.005912·cosαcosβ-0.093027建立动态阈值云阴影检测模型;
其中,RMOD为地表反射率数据;cosα为太阳天顶角的余弦值、cosβ为观测天顶角的余弦值;Rblue为蓝光波段下的蓝光表观反射率极小值、Rgreen为绿光波段下的绿光表观反射率极小值、Rred为红光波段下的红光表观反射率极小值和Rnir为近红外光波段下的近红外光表观反射率极小值。
可选的,待检地表反射率确定模块具体包括:
成像月份获取单元,用于获取待检测遥感光学影像的成像月份;
待检地表反射率数据集确定单元,用于根据所述成像月份在所述地表反射率数据集中确定与所述成像月份相同的待检地表反射率数据集;
待检地表反射率确定单元,用于逐像元检测所述待检遥感光学影像,确定所述待检遥感光学影像在所述待检地表反射率数据集中每一像元的待检地表反射率。
可选的,所述云阴影识别模块具体包括:
待检表观反射率确定单元,用于根据所述待检遥感光学影像确定待检表观反射率;
表观反射率极小值计算单元,用于根据所述动态阈值云阴影检测模型计算晴空条件下所述待检地表反射率对应的表观反射率极小值;所述表观反射率极小值包括蓝光表观反射率极小值、绿光表观反射率极小值、红光表观反射率极小值以及近红外光表观反射率极小值;
第一判断单元,用于判断所述待检表观反射率是否均小于所述表观反射率极小值,得到第一判断结果;
云阴影像元确定单元,用于若所述第一判断结果表示为所述待检表观反射率均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为云阴影像元,即所述云阴影像元为云阴影;
晴空像元确定单元,用于若所述第一判断结果表示为所述待检表观反射率不均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为晴空像元。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种云阴影识别方法及系统,基于地表反射率、太阳天顶角以及观测天顶角进行云阴影检测,且在检测过程中是根据4个波段的表观反射率来确定的云阴影,因此,与现有技术只采用单波段的云阴影识别方法,识别精度更高;
其次,通过基于逐像元确定每一像元的待检地表反射率,以每一像元为基础,确定每一像元是晴空像元还是云阴影像元,采用本发明所提供的云阴影识别方法无论是在薄云还是厚云的情况下均能够准确识别出云阴影,使得识别结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的云阴影识别方法流程图;
图2为本发明所提供的合成的MOD09地表反射率数据全球分布图;
图3为本发明所提供的MODIS与Landsat 8OLI 4个光谱通道的地表反射率关系图;
图4为本发明所提供的像元配准示意图;
图5-图8为本发明所提供的厚云的云阴影识别图;
图9-图12为本发明所提供的碎云的云阴影识别图;
图13-图16为本发明所提供的薄云的云阴影识别图;
图17-图20为本发明所提供的高云层的云阴影识别图;
图21-24为本发明所提供的采用Fmask算法出现云检测错误时的识别图;
图25-28为本发明所提供的云层边界识别图;
图29-32为本发明所提供的地形阴影识别图;
图33-44为本发明所提供的采用不同的云阴影检测算法在植被、沙漠、土壤以及水体上空的云阴影识别对比图;
图45-图56为本发明所提供的在实际应用中,采用不同的云阴影检测算法在植被、沙漠、土壤以及水体上空的云阴影识别对比图;
图57为本发明所提供的云阴影识别系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种云阴影识别方法及系统,能够精确识别云阴影。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的云阴影识别方法流程图,如图1所示,一种云阴影识别方法,包括:
步骤101:获取一段时间间隔内的历史遥感光学影像。
步骤102:根据所述历史遥感光学影像确定在所述时间间隔内的地表反射率数据集;所述地表反射率数据集包括多个地表反射率。
美国陆地卫星Landsat数据长期以来为土地覆盖变化和人类活动等研究提供可靠的数据来源,尤其是在2013年美国航空航天局(NationalAeronautics andSpaceAdministration,NASA)发射装备陆地成像仪和热红外传感器的Landsat8以后为数据来源又注入了新的血液,利用美国陆地卫星8陆地成像仪(Operational Land Imager,Landsta 8OLI)数据进行云阴影识别时需要对获取的光学影像数据进行预处理。主要是将原始影像的像元亮度值(Digital Number,DN)值转换为表观反射率。根据公式(1)和(2)将DN值计算为辐射亮度,然后再将辐射亮度转换为表观反射率。
L'λ=ML·Qcal+AL (1)
其中,ML是增益因子;Qcal是像元亮度值;AL是偏移因子;L'λ是辐射亮度值;v是太阳天顶角;Lλ是大气层顶反射率,即表观反射率。
地表反射率数据集是云阴影检测的基础,数据集的质量直接影响到云阴影的检测精度,本发明使用中分辨率成像光谱仪(moderate-resolution imagingspectroradiometer,MODIS)陆地2级标准数据产品(MOD09)数据产品为Landsat OLI云阴影检测提供地表反射率数据;MOD09数据是上午轨道卫星Terra卫星获取的MODIS地表反射率产品,仅提供白天地表反射率数据,空间分辨率为500m,包含7个波段,均为可见光和近红外波段范围的7个波段;MOD09数据经过大气和气溶胶校正,并且在生产过程中考虑大气和气溶胶的散射吸收、土地覆盖类型变化、邻近象元效应、以及地表二向反射和卷云的影响,多项研究在全球多个区域的验证表明MOD09数据具有较高的可信度。表1为MOD09数据的产品级别表,如表1所示,其中500米地表反射率8天合成产品(MOD09A1)数据为全球500m地表反射率8天合成产品,该数据是取传感器获得的邻近的8天数据,包含了8天之内最有可能的观测数值,合成过程中剔除了低质量数据和较弱观测区域数据后根据波段的最小值进行影像合成。8天合成数据有效的降低了云、雾等天气条件的限制,因此本发明选取MOD09A1数据作为真实地表反射率数据构建地表反射率数据集,可以有效的降低下垫面地物变化对云阴影检测结果的影响。
表1
表2为MOD09A1产品各波段参数以及大气校正中产生的理论误差表,由该表可以看出,MOD09A1数据各个波段的绝对误差都低于0.02,能够真实地反映出地表的实际反射率。地表反射率数据集是云阴影检测的基础,数据集的质量直接影响到云阴影的检测精度。对MOD09地表反射率产品的时间序列分析表明,MOD09A18天合成数据一个月内某区域的地表覆盖不会发生特别大的变化,其反射率不会发生特别大的变化,其反射率变化在一定范围之内。考虑到单景影像的云覆盖现象以及时相变化对地表反射率的影响,为了得到高质量的无云图像,同时提高运算效率,本发明构建每月一景蓝光、绿光、红光及近红外四个波段的MOD09地表反射率数据集,可见光-近红外波段是阈值法云阴影检测的常用波段,并且大多数多光谱传感器都包含这几个波段,适用范围较广。
表2
本发明选取2014年全球8天合成的MOD09A1数据,并剔除其中云量较多及质量较差的数据,对每个月内的所有MOD09A1数据进行几何校正、重采样、数据拼接以及剪裁等基本处理后,按照次最小值技术合成每月一景的空间分辨率为1000m的地表反射率数据,并且统一投影为阿尔伯斯投影(Albers Conical EqualAreaProjection),坐标系为WorldGeodetic System 1984(World Geodetic System 1984,WGS1984),选取次最小值可以有效地降低云和大气的影响并且去除了奇异值的影响。图2为合成的MOD09地表反射率数据全球分布图,如图2所示,明显可以看出月合成地表反射率数据整体质量较好,云量较少,能够准确反映出地表类型。
步骤103:将所述地表反射率数据集进行光谱转换,得到转换后的地表反射率数据集;所述转换后的地表反射率数据集为目标传感器对应的地表反射率数据。
为了降低光谱响应差异对云阴影识别的影响,提高识别的整体精度,通过采集实测地物波谱数据订正不同传感器间的光谱响应误差,其中实测地物波谱数据由美国地质调查局(United States Geological Survey,USGS)地物波谱库提供,USGS波谱库共包含矿物、岩石、液体、有机化合物、人造材料和植被等2468种实测地物光谱,光谱范围覆盖0.2-3μm,整体精度在可见光和近红外波长处分别为0.2nm和0.5nm;共获取54条实测地物波谱数据,其中包括18条植被,14条人造材料,9种液体和13条土壤的光谱数据。
某一传感器的不同光谱通道的地表反射率值都可以通过其光谱响应函数与地物实测光谱值积分得到;分别计算得到MODIS和Landsat 8 OLI传感器在蓝、绿、红和近红外4个波段不同地物的地表反射率值,绘制相应散点图。图3为MODIS与Landsat 8 OLI 4个光谱通道的地表反射率关系图,由图3所示,MODIS不同通道的地表反射率与Landsat 8 OLI具有强烈的线性关系,两者反射率间存在很高的相关性(R2=0.9987~0.9998),斜率趋近于1,截距趋近于0。因此,两者相同光谱通道的地表反射率可以利用公式(4)进行转换,具体参数在图3所示。
ρsensors=a·ρMODIS+b (4)
其中,ρ为传感器对应波段的地表反射率,λ1和λ2为积分波长范围,S(λ)为传感器在波长λ处的波谱响应值,ρr(λ)为实际地表反射率;ρsensors为Landsat8OLI某一波段的地表反射率,ρMODIS为MODIS对应波段的地表反射率,a、b为线性拟合系数。
步骤104:获取太阳天顶角以及观测天顶角。
步骤105:根据所述太阳天顶角、观测天顶角以及所述转换后的地表反射率数据集建立动态阈值云阴影检测模型;所述动态阈值云阴影检测模型包括蓝光波段下的蓝光表观反射率极小值、绿光波段下的绿光表观反射率极小值、红光波段下的红光表观反射率极小值以及近红外光波段下的近红外光表观反射率极小值。
本发明选取Landsat8OLI光谱响应函数作为6S模型的光谱条件,通过对参数的合理分析,大气模式分别选择中纬度夏季和中纬度冬季,气溶胶模式分别选择大陆型气溶胶、海洋型气溶胶和城镇型气溶胶模式,气溶胶光学厚度是影响大气校正参数的最主要的影响因素,考虑到气溶胶光学厚度的变化分为范围以及反演精度,设置气溶胶光学厚度值为0.1,0.2,0.4和0.6,观测几何条件通过太阳天顶角和观测天顶角控制,太阳天顶角的变化值为10°、25°、40°和55°,观测天顶角的变化为10°、20°、30°以及40°,地表反射率的值分别设置为0.01、0.1、0.2、0.3、0.4、0.5、0.6、0.7和0.8。
本发明利用6S辐射传输模型根据以上参数模拟了所有晴空条件下可能出现的表观反射率的变化情况,其中地表反射率的大小对表观反射率有很大影响,在拟合时地表反射率作为一个影响因子存在,并且考虑太阳天顶角和观测天顶角的关系,将这两个角度余弦值的乘积作为一个影响因子。具体过程如下:先获取不同角度条件下的表观反射率的极小值,然后根据极小值对每种气溶胶模式、大气模式下的表观反射率的值进行非线性最小二乘拟合,最终得到每个波段表观反射率变化的极小值Rmin的非线性拟合公式。根据拟合公式可以计算出所有晴空条件下表观反射率所有变化的极小值。
动态阈值云阴影检测模型:
Rblue=0.64103×RMOD+0.033675·cosαcosβ+0.029901 (5)
Rgreen=0.65554×RMOD+0.018751·cosαcosβ-0.007906 (6)
Rred=0.72893×RMOD+0.012097·cosαcosβ-0.020076 (7)
Rnir=0.83244×RMOD+0.005912·cosαcosβ-0.093027 (8)
其中,RMOD为地表反射率数据;cosα为太阳天顶角的余弦值、cosβ为观测天顶角的余弦值;Rblue为蓝光波段下的蓝光表观反射率极小值、Rgreen为绿光波段下的绿光表观反射率极小值、Rred为红光波段下的红光表观反射率极小值和Rnir为近红外光波段下的近红外光表观反射率极小值。
步骤106:获取待检遥感光学影像。
步骤107:利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率。
根据动态阈值云阴影检测模型模拟得到表观反射率极小值与待检测影像表观反射率的差异提取云阴影像元,关键问题就是要将待检测影像与地表反射率数据准确配准。为了充分保留待检测影像的原始信息,采用逐像元空间配准的方法将待检测像元直接与地表反射率数据集进行空间匹配,进行云阴影检测。
传感器的空间分辨率由瞬时视场角(Instantaneous Field OfView,IFOV)决定,随着空间分辨率的降低,瞬时视场角覆盖的面积增大,导致单个像元内所包含的地物类型也随之增多,由混合像元反射率线性公式:
其中,Ri为任一像元在第i个波段的反射率,a为所述待检遥感光学影像的面积比例,j为任一像元中的第j个端元,n为任一像元中的端元总数,ei为所述待检遥感光学影像的误差项。
Landsat8OLI多光谱影像的空间分辨率为30m,地表反射率数据集的空间分辨率为1000m,地表反射率数据集中单个像元的地表反射率为传感器瞬时视场角覆盖范围内各类地物反射率的贡献值;而Landsat8OLI影像中单个像元相对于地表反射率数据集包含的地物类型更少,更加纯净,因此采用将待检测影像像元根据地理坐标与地表反射率数据集中的相应像元进行匹配,将待检表观反射率与计算得到的表观反射率极小值进行比较计算,如图4所示。
逐像元空间匹配云阴影检测过程可以分为以下几步:1)通过被检测影像的成像时间在地表反射率数据库中找到相应月份的地表反射率数据;2)根据待检测影像获取对应范围的地表反射率数据集;3)逐像元按照高空间分辨率影像中被检测像元的中心坐标搜索其在地表反射率数据中对应位置的像元,获取其地表反射率;4)根据动态阈值云检测模型计算得到地表反射率数据对应的表观反射率极小值,比较该值与待检测像元的表观反射率的大小,若小于则判定其为云阴影像元,否则,则判定为晴空像元;5)对每个波段都重复以上操作。当一个像元在四个波段中都被判定为云阴影像元时认为该像元为云阴影像元,否则为晴空像元。其判别规则如下:
Ri=Rm<Ri-max (10)
R=Rblue'∩Rgreen'∩Rred'∩Rnir' (11)
其中,Ri表示待检测像元某通道云阴影检测结果,Ri-max为地表反射率数据模拟得到的对应像元的表观反射率极小值,R为最终云阴影检测结果,Rblue'、Rgreen'、Rred'以及Rnir'分别表示待测数据在各波段上的云阴影检测结果。
则该判别规则即为根据所述待检地表反射率确定待检表观反射率;根据所述动态阈值云阴影检测模型计算晴空条件下的表观反射率极小值;所述表观反射率极小值包括蓝光表观反射率极小值、绿光表观反射率极小值、红光表观反射率极小值以及近红外光表观反射率极小值;判断所述待检表观反射率是否均小于所述表观反射率极小值,若是,确定所述待检地表反射率对应的像元为云阴影像元,即所述云阴影像元为云阴影;若否,确定所述待检地表反射率对应的像元为晴空像元,并非云阴影。
步骤108:根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影。
对Landsat 8 OLI影像进行云阴影识别实验并选取了具有代表性的子图像进行对比分析,图5为Landsat8 OLI影像较大范围的假彩色合成的子图,图6为子图像中区别明显的方框区域内假彩色合成的子图,图7为子图像云阴影识别方法的结果图示意图,图8为Fmask算法的云阴影检测结果示意图,如图5-8所示,通过对不同区域不同情况下的云阴影检测结果进行分析,可以看出提出的云阴影识别方法相对于Fmask云阴影识别方法具有更加可靠、准确的检测结果。
从检测结果明显可以看出两种云阴影识别方法对于厚云产生的云阴影都能够达到很好的检测效果,由于厚云云层厚产生的云阴影多为实阴影,在影像上为深色调,因此比较容易检测出来;通过对比发现,由于Fmask算法对检测出的云阴影在八方向上进行了3个像元的膨胀,因此其会将不连续的云阴影判定为一体,造成云阴影检测结果的高估。而提出的云阴影识别方法则不会出现这类问题。
通过对两种云阴影识别方法的结果对比明显可以看出,提出的云阴影识别方法对于碎云产生的云阴影具有更好的检测效果;如图9-图12所示,由于Fmask云阴影识别方法是根据云顶层的高度和空间几何角度信息计算得出云阴影的位置,因此该算法云阴影的检测精度依赖于云检测的结果;因此,由于Fmask算法对于碎云的检测精度不高,造成了对碎云产生的云阴影有大量的漏提。而本发明所提出的云阴影识别方法则很好的避免了对于云检测结果依赖的问题,可以准确的识别碎云产生的云阴影。
本发明所提出的云阴影识别方法对于高空薄云具有独特的检测优势。如图13-16所示,部分位于高空的薄云往往在其下方仍会有云层,而这部分薄云由于透过性极大,因此不会对下方云层产生的云阴影造成影响,Fmask算法会将这部分薄云检测出来造成其下方云层产生的云阴影无法被检测,而本发明提出的云阴影识别方法可以成功的检测出薄云下方的云阴影。
云阴影检测结果显示,Fmask算法容易受到热红外波段的制约;由于Fmask算法要根据热红外波段估计云层顶部高度以此来计算云阴影的位置,因此,如果高度结果出现偏差,那么云阴影的结果也会受到严重影响;如图17-图20所示,而提出的云阴影识别方法仅仅是根据可见光-近红外波段的反射率差异实现云阴影检测,不需要热红外波段的信息,因此可以避免这种问题出现。
通过分析两种云阴影识别方法,Fmask算法为基于对象的云阴影识别方法,其云阴影检测结果依赖于云检测结果,当Fmask云检测结果出现明显的错误的时候,同时会造成云阴影结果出现错误,对影像的利用造成严重影响。如图21-图24所示,本发明所提出的云阴影识别方法是基于像元并且其检测结果是独立的,完全避免了云检测结果的影响,在云阴影检测结果上具有更高的独立性和准确性。
对于影像边缘的云阴影检测,提出的云阴影识别方法更加有效、准确。如果云阴影出现在影像边缘,投射产生该云阴影的云层没有出现在影像中,那么Fmask算法则无法将这部分云阴影提取出来。如图25-图28所示,本发明提出的云阴影识别方法可以直接、快速的将这部分云阴影提取出来。
由于提出的云阴影识别方法是根据地物反射率差异实现云阴影的提取,从对云阴影检测结果分析可以看出,云阴影识别方法会将地形阴影误判为云阴影,造成对云阴影的高估。由于山体阴影也是阴影的一种,在光学影像中表现为暗色调,其反射率特征与云阴影相似,根据反射率差异很难将山体阴影与云阴影区别开。而且,地形阴影范围内的地物同样无法识别出来,在光学影像中也可以认为是一种噪声,因此认为这种误提对最终的云阴影检测结果影响很小,如图29-图32所示。
综上所述,先验地表反射率支持的云阴影识别方法对于不同下垫面上以及不同云类型投射产生的云阴影均能够达到较高的检测精度。与Fmask算法相比,提出的先验地表反射率支持的云阴影识别方法对碎云、高云、薄云产生的云阴影具有更高的检测精度,并且可以避免出现Fmask算法那种检测错误和影像边缘无法检测的情况。
将本发明所提供的云阴影识别方法应用到实际中,选取2013-2015年间全球不同区域、不同时相的125景Landsat 8 OLI数据的可见光和近红外波段进行验证。云阴影区域相对较小,为了更好的展示云阴影检测结果的细节信息,选取了以下具有代表性的子图像进行结果展示。其中,左侧为Landsat8 OLI影像子图像,中间图像为提出的云阴影识别方法的检测结果图像(黑色为背景,白色为云,灰色为云阴影),右侧图像为Fmask算法的云阴影检测结果(黑色为背景,白色为云,灰色为云阴影)。根据投射在植被、沙漠、土壤以及水体上的实阴影和虚阴影对提出的云阴影识别方法与Fmask云阴影识别方法的检测结果进行对比。
实阴影多由厚云投射产生,其色调在影像中表现为深色,难以通过目视识别云阴影覆盖范围内的地物。如图33-图35所示,A、B、C为植被上的实阴影,如图36-图38所示,D、E、F为覆盖区域为沙漠的实阴影,如图39-图41所示,G、H、I是土壤上的云阴影及其检测结果,如图42-图44所示,J、K、L为水体上空的云阴影。通过分析可以得出提出的云阴影识别方法对于下垫面为植被、沙漠和土壤的实阴影的检测均能够达到很高的精度,并且可以准确识别厚云产生的实阴影,即使是对于水体上的云阴影也能够实现很好的检测。对于碎云、薄云产生的阴影的漏检情况很少,并且不受空间几何信息的限制。由于该算法是基于像元进行云阴影检测,因此其检测结果对于云阴影具有更加细致、准确的描述。
虚阴影的多由薄云和细小的碎云产生,并且受下垫面地物的影响表较大,可以看到虚阴影范围内的地物,其色调在影像中表现为较浅的色调。对两种云阴影识别方法检测结果进行对比分析,地表反射率支持的云阴影识别方法较Fmask算法在虚阴影的检测上可以达到更高的检测精度,可以准确的提取虚阴影的形态与位置。如图45-图47所示,A、B、C展示了植被上的云阴影以及两种算法的检测结果;如图48-图50所示,D、E、F描述了沙漠中云阴影的检测结果;如图51-图53所示,G、H、I是土壤中云阴影的检测结果;如图54-图56所示,J、K、L是对于水体中云阴影的检测结果。结果表明,提出的云阴影识别方法对碎云产生的云阴影可以准确识别,而Fmask算法对于细小的碎云产生的云阴影会出现大量的漏判。而且提出的云阴影识别方法仅根据光谱反射率进行云阴影识别,因此不受云检测结果的影响,检测结果更加准确。
图57为本发明所提供的云阴影识别系统结构图,如图57所示,一种云阴影识别系统,包括:
历史遥感光学影像获取模块5701,用于获取一段时间间隔内的历史遥感光学影像;
地表反射率数据集确定模块5702,用于根据所述历史遥感光学影像确定在所述时间间隔内的地表反射率数据集;所述地表反射率数据集包括多个地表反射率;
光谱转换模块5703,用于将所述地表反射率数据集进行光谱转换,得到转换后的地表反射率数据集;
太阳天顶角以及观测天顶角获取模块5704,用于获取太阳天顶角以及观测天顶角;
动态阈值云阴影检测模块建立模块5705,用于根据所述太阳天顶角、观测天顶角以及所述转换后的地表反射率数据集建立动态阈值云阴影检测模型;所述动态阈值云阴影检测模型包括蓝光波段下的蓝光表观反射率极小值、绿光波段下的绿光表观反射率极小值、红光波段下的红光表观反射率极小值以及近红外光波段下的近红外光表观反射率极小值;
待检遥感光学影像获取模块5706,用于获取待检遥感光学影像;
待检地表反射率确定模块5707,用于利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率;
云阴影识别模块5708,用于根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影。
在实际应用中,所述动态阈值云阴影检测模型建立模块5705具体包括:
动态阈值云阴影检测模型建立单元,用于根据公式Rblue=0.64103×RMOD+0.033675·cosαcosβ+0.029901、公式Rgreen=0.65554×RMOD+0.018751·cosαcosβ-0.007906、公式Rred=0.72893×RMOD+0.012097·cosαcosβ-0.020076以及公式Rnir=0.83244×RMOD+0.005912·cosαcosβ-0.093027建立动态阈值云阴影检测模型;
其中,RMOD为地表反射率数据;cosα为太阳天顶角的余弦值、cosβ为观测天顶角的余弦值;Rblue为蓝光波段下的蓝光表观反射率极小值、Rgreen为绿光波段下的绿光表观反射率极小值、Rred为红光波段下的红光表观反射率极小值和Rnir为近红外光波段下的近红外光表观反射率极小值。
在实际应用中,待检地表反射率确定模块5707具体包括:
成像月份获取单元,用于获取待检测遥感光学影像的成像月份;
待检地表反射率数据集确定单元,用于根据所述成像月份在所述地表反射率数据集中确定与所述成像月份相同的待检地表反射率数据集;
待检地表反射率确定单元,用于逐像元检测所述待检遥感光学影像,确定所述待检遥感光学影像在所述待检地表反射率数据集中每一像元的待检地表反射率。
在实际应用中,所述云阴影识别模块5708具体包括:
待检表观反射率确定单元,用于根据所述待检遥感光学影像确定待检表观反射率;
表观反射率极小值计算单元,用于根据所述动态阈值云阴影检测模型计算晴空条件下所述待检地表反射率对应的表观反射率极小值;所述表观反射率极小值包括蓝光表观反射率极小值、绿光表观反射率极小值、红光表观反射率极小值以及近红外光表观反射率极小值;
第一判断单元,用于判断所述待检表观反射率是否均小于所述表观反射率极小值,得到第一判断结果;
云阴影像元确定单元,用于若所述第一判断结果表示为所述待检表观反射率均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为云阴影像元,即所述云阴影像元为云阴影;
晴空像元确定单元,用于若所述第一判断结果表示为所述待检表观反射率不均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为晴空像元。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种云阴影识别方法,其特征在于,包括:
获取一段时间间隔内的历史遥感光学影像;
根据所述历史遥感光学影像确定在所述时间间隔内的地表反射率数据集;所述地表反射率数据集包括多个地表反射率;
将所述地表反射率数据集进行光谱转换,得到转换后的地表反射率数据集;
获取太阳天顶角以及观测天顶角;
根据所述太阳天顶角、观测天顶角以及所述转换后的地表反射率数据集建立动态阈值云阴影检测模型;所述动态阈值云阴影检测模型包括蓝光波段下的蓝光表观反射率极小值、绿光波段下的绿光表观反射率极小值、红光波段下的红光表观反射率极小值以及近红外光波段下的近红外光表观反射率极小值;
获取待检遥感光学影像;
利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率;根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影。
2.根据权利要求1所述识别方法,其特征在于,所述根据所述太阳天顶角、观测天顶角以及所述地表反射率数据集建立动态阈值云阴影检测模型,具体包括:
根据公式Rblue=0.64103×RMOD+0.033675·cosαcosβ+0.029901、
公式Rgreen=0.65554×RMOD+0.018751·cosαcosβ-0.007906、
公式Rred=0.72893×RMOD+0.012097·cosαcosβ-0.020076以及
公式Rnir=0.83244×RMOD+0.005912·cosαcosβ-0.093027建立动态阈值云阴影检测模型;
其中,RMOD为地表反射率数据;cosα为太阳天顶角的余弦值、cosβ为观测天顶角的余弦值;Rblue为蓝光波段下的蓝光表观反射率极小值、Rgreen为绿光波段下的绿光表观反射率极小值、Rred为红光波段下的红光表观反射率极小值和Rnir为近红外光波段下的近红外光表观反射率极小值。
3.根据权利要求1所述的识别方法,其特征在于,所述利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率,具体包括:
获取待检测遥感光学影像的成像月份;
根据所述成像月份在所述地表反射率数据集中确定与所述成像月份相同的待检地表反射率数据集;
逐像元检测所述待检遥感光学影像,确定所述待检遥感光学影像在所述待检地表反射率数据集中每一像元的待检地表反射率。
4.根据权利要求1所述的识别方法,其特征在于,所述根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影,具体包括:
根据所述待检遥感光学影像确定待检表观反射率;
根据所述动态阈值云阴影检测模型计算晴空条件下所述待检地表反射率对应的表观反射率极小值;所述表观反射率极小值包括蓝光表观反射率极小值、绿光表观反射率极小值、红光表观反射率极小值以及近红外光表观反射率极小值;
判断所述待检表观反射率是否均小于所述表观反射率极小值,得到第一判断结果;
若所述第一判断结果表示为所述待检表观反射率均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为云阴影像元,即所述云阴影像元为云阴影;
若所述第一判断结果表示为所述待检表观反射率不均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为晴空像元。
5.一种云阴影识别系统,其特征在于,包括:
历史遥感光学影像获取模块,用于获取一段时间间隔内的历史遥感光学影像;
地表反射率数据集确定模块,用于根据所述历史遥感光学影像确定在所述时间间隔内的地表反射率数据集;所述地表反射率数据集包括多个地表反射率;
光谱转换模块,用于将所述地表反射率数据集进行光谱转换,得到转换后的地表反射率数据集;
太阳天顶角以及观测天顶角获取模块,用于获取太阳天顶角以及观测天顶角;
动态阈值云阴影检测模块建立模块,用于根据所述太阳天顶角、观测天顶角以及所述转换后的地表反射率数据集建立动态阈值云阴影检测模型;所述动态阈值云阴影检测模型包括蓝光波段下的蓝光表观反射率极小值、绿光波段下的绿光表观反射率极小值、红光波段下的红光表观反射率极小值以及近红外光波段下的近红外光表观反射率极小值;
待检遥感光学影像获取模块,用于获取待检遥感光学影像;
待检地表反射率确定模块,用于利用逐像元法确定所述待检遥感光学影像内每一像元的待检地表反射率;
云阴影识别模块,用于根据所述动态阈值云阴影检测模型以及所述待检地表反射率识别云阴影。
6.根据权利要求5所述识别系统,其特征在于,所述动态阈值云阴影检测模型建立模块具体包括:
动态阈值云阴影检测模型建立单元,用于根据公式Rblue=0.64103×RMOD+0.033675·cosαcosβ+0.029901、
公式Rgreen=0.65554×RMOD+0.018751·cosαcosβ-0.007906、
公式Rred=0.72893×RMOD+0.012097·cosαcosβ-0.020076以及
公式Rnir=0.83244×RMOD+0.005912·cosαcosβ-0.093027建立动态阈值云阴影检测模型;
其中,RMOD为地表反射率数据;cosα为太阳天顶角的余弦值、cosβ为观测天顶角的余弦值;Rblue为蓝光波段下的蓝光表观反射率极小值、Rgreen为绿光波段下的绿光表观反射率极小值、Rred为红光波段下的红光表观反射率极小值和Rnir为近红外光波段下的近红外光表观反射率极小值。
7.根据权利要求5所述的识别系统,其特征在于,待检地表反射率确定模块具体包括:
成像月份获取单元,用于获取待检测遥感光学影像的成像月份;
待检地表反射率数据集确定单元,用于根据所述成像月份在所述地表反射率数据集中确定与所述成像月份相同的待检地表反射率数据集;
待检地表反射率确定单元,用于逐像元检测所述待检遥感光学影像,确定所述待检遥感光学影像在所述待检地表反射率数据集中每一像元的待检地表反射率。
8.根据权利要求5所述的识别系统,其特征在于,所述云阴影识别模块具体包括:
待检表观反射率确定单元,用于根据所述待检遥感光学影像确定待检表观反射率;
表观反射率极小值计算单元,用于根据所述动态阈值云阴影检测模型计算晴空条件下所述待检地表反射率对应的表观反射率极小值;所述表观反射率极小值包括蓝光表观反射率极小值、绿光表观反射率极小值、红光表观反射率极小值以及近红外光表观反射率极小值;
第一判断单元,用于判断所述待检表观反射率是否均小于所述表观反射率极小值,得到第一判断结果;
云阴影像元确定单元,用于若所述第一判断结果表示为所述待检表观反射率均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为云阴影像元,即所述云阴影像元为云阴影;
晴空像元确定单元,用于若所述第一判断结果表示为所述待检表观反射率不均小于所述表观反射率极小值,确定所述待检表观反射率对应的像元为晴空像元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119969.9A CN108319923A (zh) | 2018-02-05 | 2018-02-05 | 一种云阴影识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119969.9A CN108319923A (zh) | 2018-02-05 | 2018-02-05 | 一种云阴影识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108319923A true CN108319923A (zh) | 2018-07-24 |
Family
ID=62902017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810119969.9A Pending CN108319923A (zh) | 2018-02-05 | 2018-02-05 | 一种云阴影识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319923A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460755A (zh) * | 2018-10-29 | 2019-03-12 | 北京航天宏图信息技术股份有限公司 | 一种绿光估计模型训练方法及装置、影像合成方法及装置 |
CN110176019A (zh) * | 2019-05-13 | 2019-08-27 | 中国科学院遥感与数字地球研究所 | 一种夜间纯净灯光提取方法 |
CN111798394A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种基于多年时间序列数据的遥感图像云污染去除方法 |
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和系统 |
CN112102180A (zh) * | 2020-08-21 | 2020-12-18 | 电子科技大学 | 一种基于Landsat光学遥感图像的云识别方法 |
CN113723381A (zh) * | 2021-11-03 | 2021-11-30 | 航天宏图信息技术股份有限公司 | 一种云检测方法、装置、设备及介质 |
CN113936009A (zh) * | 2021-09-14 | 2022-01-14 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种气象卫星洪涝监测的云阴影去除方法、装置及设备 |
CN114792322A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 |
CN116109478A (zh) * | 2023-04-10 | 2023-05-12 | 中国科学院空天信息创新研究院 | 基于可比性的遥感影像镶嵌处理方法及装置 |
CN117058557A (zh) * | 2023-07-17 | 2023-11-14 | 北华航天工业学院 | 基于物理特征与深度学习模型的云和云阴影联合检测方法 |
CN117408949A (zh) * | 2023-09-20 | 2024-01-16 | 宁波大学 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050114027A1 (en) * | 2003-11-24 | 2005-05-26 | The Boeing Company | Cloud shadow detection: VNIR-SWIR |
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
US20130064420A1 (en) * | 2011-09-13 | 2013-03-14 | United States Government, Department of the Navy, Secretary of the Navy, Naval Research Laboratory | Automated system and method for optical cloud shadow detection over water |
CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
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 |
CN105678777A (zh) * | 2016-01-12 | 2016-06-15 | 武汉大学 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
-
2018
- 2018-02-05 CN CN201810119969.9A patent/CN108319923A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050114027A1 (en) * | 2003-11-24 | 2005-05-26 | The Boeing Company | Cloud shadow detection: VNIR-SWIR |
US20130064420A1 (en) * | 2011-09-13 | 2013-03-14 | United States Government, Department of the Navy, Secretary of the Navy, Naval Research Laboratory | Automated system and method for optical cloud shadow detection over water |
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
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 |
CN105678777A (zh) * | 2016-01-12 | 2016-06-15 | 武汉大学 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
Non-Patent Citations (2)
Title |
---|
LIN SUN ET AL.: "A Universal Dynamic Threshold Cloud Detection Algorithm (UDTCDA) supported by a prior surface reflectance database", 《JOURNAL OF GEOPHYSICAL RESEARCH: ATMOSPHERES》 * |
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 (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460755A (zh) * | 2018-10-29 | 2019-03-12 | 北京航天宏图信息技术股份有限公司 | 一种绿光估计模型训练方法及装置、影像合成方法及装置 |
CN110176019A (zh) * | 2019-05-13 | 2019-08-27 | 中国科学院遥感与数字地球研究所 | 一种夜间纯净灯光提取方法 |
CN111798394A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种基于多年时间序列数据的遥感图像云污染去除方法 |
CN111798394B (zh) * | 2020-06-30 | 2022-10-14 | 电子科技大学 | 一种基于多年时间序列数据的遥感图像云污染去除方法 |
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和系统 |
CN112102180B (zh) * | 2020-08-21 | 2022-10-11 | 电子科技大学 | 一种基于Landsat光学遥感图像的云识别方法 |
CN112102180A (zh) * | 2020-08-21 | 2020-12-18 | 电子科技大学 | 一种基于Landsat光学遥感图像的云识别方法 |
CN113936009A (zh) * | 2021-09-14 | 2022-01-14 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种气象卫星洪涝监测的云阴影去除方法、装置及设备 |
CN113936009B (zh) * | 2021-09-14 | 2023-11-21 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种气象卫星洪涝监测的云阴影去除方法、装置及设备 |
CN113723381B (zh) * | 2021-11-03 | 2022-02-08 | 航天宏图信息技术股份有限公司 | 一种云检测方法、装置、设备及介质 |
CN113723381A (zh) * | 2021-11-03 | 2021-11-30 | 航天宏图信息技术股份有限公司 | 一种云检测方法、装置、设备及介质 |
CN114792322A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 |
CN116109478A (zh) * | 2023-04-10 | 2023-05-12 | 中国科学院空天信息创新研究院 | 基于可比性的遥感影像镶嵌处理方法及装置 |
CN117058557A (zh) * | 2023-07-17 | 2023-11-14 | 北华航天工业学院 | 基于物理特征与深度学习模型的云和云阴影联合检测方法 |
CN117408949A (zh) * | 2023-09-20 | 2024-01-16 | 宁波大学 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319923A (zh) | 一种云阴影识别方法及系统 | |
US10832390B2 (en) | Atmospheric compensation in satellite imagery | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
Lazzarini et al. | Temperature-land cover interactions: The inversion of urban heat island phenomenon in desert city areas | |
CN113537018B (zh) | 基于多时相卫星遥感和无人机技术的水土保持监测方法 | |
Yang et al. | Urban land-cover change detection through sub-pixel imperviousness mapping using remotely sensed data | |
CN104502999B (zh) | 一种基于静止卫星多通道数据的昼夜云检测方法与装置 | |
Garcia et al. | Detection of interannual vegetation responses to climatic variability using AVIRIS data in a coastal savanna in California | |
CN110308097A (zh) | 一种卫星图像云检测方法及系统 | |
Heldens et al. | Integration of remote sensing based surface information into a three-dimensional microclimate model | |
Saher et al. | Effect of land use change on summertime surface temperature, albedo, and evapotranspiration in Las Vegas Valley | |
Coren et al. | Integrating LiDAR intensity measures and hyperspectral data for extracting of cultural heritage | |
Simpson et al. | Improved cloud top height retrieval under arbitrary viewing and illumination conditions using AVHRR data | |
Leder et al. | Optimal Conditions for Satellite Derived Bathymetry (SDB)—Case Study of the Adriatic Sea | |
Brigante et al. | USE OF MULTISPECTRAL SENSORS WITH HIGH SPATIAL RESOLUTION FOR TERRITORIAL AND ENVIRONMENTAL ANALYSIS. | |
Widipaminto et al. | Roof materials identification based on pleiades spectral responses using supervised classification | |
Doherty et al. | A Python Toolkit to Monitor High-Resolution Shoreline Change Using Planetscope Cubesats | |
Dousset et al. | Surface temperatures of the Paris Basin during summertime, using satellite remote sensing data | |
Broadwater et al. | Improved atmospheric compensation of hyperspectral imagery using LIDAR | |
Dekker et al. | Hyperspectral mapping of intertidal rock platform vegetation as a tool for adaptive management | |
Yin et al. | Quantitative typical land cover remote sensing and its application in earthquake evaluation | |
Gupta et al. | Interpretation of Solar Reflection Data | |
Vargas | Advancing high spatial and spectral resolution remote sensing for observing plant community response to environmental variability and change in the Alaskan Arctic | |
Yousra El Yacoubi et al. | SPATIAL CHARACTERIZATION OF THE FLOOD HAZARD FROM SATELLITE IMAGES: CASE OF THE CITIES OF TETOUAN AND CASABLANCA (MOROCCO) | |
Yamamoto | Satellite-Based Assessment of Urban Thermal Environments |
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: 20180724 |
|
RJ01 | Rejection of invention patent application after publication |