CN108564608A - 一种基于h8/ahi的白天雾快速提取的方法 - Google Patents

一种基于h8/ahi的白天雾快速提取的方法 Download PDF

Info

Publication number
CN108564608A
CN108564608A CN201810365943.2A CN201810365943A CN108564608A CN 108564608 A CN108564608 A CN 108564608A CN 201810365943 A CN201810365943 A CN 201810365943A CN 108564608 A CN108564608 A CN 108564608A
Authority
CN
China
Prior art keywords
image
existing
difference
data
mist
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.)
Withdrawn
Application number
CN201810365943.2A
Other languages
English (en)
Inventor
李亚楠
马慧云
邹滨
陶超
冯徽徽
冉印泽
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201810365943.2A priority Critical patent/CN108564608A/zh
Publication of CN108564608A publication Critical patent/CN108564608A/zh
Priority to CN201910149439.3A priority patent/CN109767465B/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration by non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种基于H8/AHI的白天雾快速提取的方法，首先利用多天可见光数据合成晴空底图，利用反射率差异，阈值法去除晴空地表；归一化雪指数法去除雪和不透明冰云；对去除晴空地表、雪和不透明冰云的前后时序影像做比值，固定阈值去除影像中运动的及类型变化较大的云；结合红外波段亮度温度的差异，阈值法进一步去除影像中的冰云、薄卷云和水云；最后利用多天红外数据合成晴空底图，阈值法去除影像中的低层云。本发明是当前具有高时间分辨率的静止卫星数据的条件下的一种可准确、高效快速实现白天雾提取的方法。

Description

一种基于H8/AHI的白天雾快速提取的方法
技术领域
本发明涉及环境监测与气象预报领域，特别涉及一种基于H8/AHI的白天雾快速提取的方法。
背景技术
雾是一种灾害性天气现象，它会降低能见度、恶化空气质量，对交通安全尤其是航海、航空和高速公路运输等方面有较严重影响。随着卫星遥感技术的快速发展，相对传统雾检测，遥感技术雾检测具有明显的优势，主要体现在数据更新快、时效性高、检测范围大和技术成本低等方面。基于遥感技术雾检测主要使用极轨卫星数据(如TERRA/MODIS、NOAA/AVHRR)，极轨卫星数据具有光谱信息丰富的特点，但过境时间(白天上午10:30、白天下午2:30、晚上22：30和凌晨2：30)与雾生成期有一定的延迟，时间分辨率(一天获取2- 4幅数据)较低，难以满足雾检测近实时快速响应的要求。静止卫星时间分辨率高，可对研究区域连续观测，尤其是生命周期短、变化快的雾,但以往的静止卫星(GMS-5、Meteosat 8和MTSAT-1R等)空间分辨率和光谱分辨率较低，难以进行雾的精准检测。日本新一代静止气象卫星葵花8号(Himawari-8,简称 H8)主载荷(AHI)具有全盘和区域扫描能力，能在10分钟内完成全盘扫描，成像仪通道从0.46μm-13.3μm共16个通道，空间分辨率最高达500m，相比于早期静止卫星，其时间分辨率(10分钟)，光谱分辨率(16个通道)和空间分辨率(500m)均有较大提高。H8/AHI数据为雾变化检测提供了一个良好的数据源【1】,同时也对雾近实时快速提取技术提出了更高的要求。
由于受到遥感数据时间分辨率、资金、设备等因素的影响，纵观国内外雾检测研究现状，雾近实时准确快速提取仍有一定困难。相比以往静止气象卫星， H8/AHI数据独特的特性为雾近实时快速提取提供了良好的数据源，因此发明一种基于H8/AHI的白天雾检测算法减少因雾造成的财产和生命损失是十分必要和迫切的。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于 H8/AHI的白天雾快速提取的方法，能快速、准确地检测白天雾，减少因雾造成的财产和生命损失。
为解决上述技术问题，本发明所采用的技术方案是：步骤1：利用多天可见光数据合成晴空底图IR，利用反射率差异，阈值法去除晴空地表，获取去除地表后的影像ISCF；
步骤2：归一化雪指数法去除影像ISCF中的雪和不透明冰云，获取去除后的影像ICF；
步骤3：去除影像ICF中纹理复杂且快速运动的云，获取雾检测影像IITWCF；
步骤4：去除影像IITWCF中冰云和薄卷云，获取去除后影像IWCF；
步骤5：去除影像IWCF中水云，获取去除后影像IC2F；
步骤6：利用多天红外数据合成晴空底图IBT，阈值去除影像IC2F中的低层云,获取卫星雾检测结果IF；
所述的利用多天可见光数据合成晴空底图IR，阈值法去除晴空地表，获取去除地表后的影像ISCF，包括以下步骤：
利用多天可见光数据合成晴空底图，使用当天及前9天当前时刻和前一时刻可见光IB3数据，结合可见光波段晴空地表反射率较云雾最低这一特征，分别合成晴空底图IR-现和IR-前；
对当前时刻IB3-现数据与晴空合成底图IR-现做差，前一时刻B3数据IB3-前与晴空合成底图IR-前做差，分别获得差值影像I差值-现和I差值-前；
对差值影像采用固定阈值(阈值设置为0.05)快速去除地表，分别与原始影像IB3-现和IB3-前相乘获取去除地表后的影像ISCF-现和ISCF-前；其中ISCF-现表示使用当前时刻数据获取的去除晴空地表后的影像ISCF；ISCF-前表示使用前一时刻数据获取的去除地表后影像ISCF；
所述的归一化雪指数法去除影像ISCF中的雪和不透明冰云，获取去除后的影像ICF，包括以下步骤：
分别使用当前时刻IB3-现、IB5-现和前一时刻IB3-前、IB5-前数据，获取当前时刻和前一时刻归一化雪指数NDSI现和NDSI前，NDSI现＝(IB3-现-IB5-现)/(IB3-现 +IB5-现)；NDSI前＝(IB3-前-IB5-前)/(IB3-前+IB5-前)；
对去除地表后的影像ISCF-现和ISCF-前使用归一化雪指数法，设置阈值0.4去除影像ISCF-现和ISCF-前中雪和不透明冰云，分别与影像ISCF-现和ISCF-前相乘得到影像ICF-现和ICF-前；其中ICF-现表示使用当前时刻数据获取的去除雪和不透明冰云的影像ICF；ICF-前表示使用前一时刻数据获取的去除雪和不透明冰云的影像ICF。
所述的去除影像ICF中纹理复杂且快速运动的云，获取雾检测影像ITWCF，包括以下步骤：
对当前时刻ICF-现数据和前一时刻ICF-前数据的B3波段做比值运算，获取比值影像I比值，I比值＝ICF-现/ICF-前；
对比值影像I比值采用一阶概率纹理滤波法获取data range(数据范围)纹理数据IDR；
设置阈值0.3去除影像ICF-现中运动的及类型变化较大的云,与影像ICF-现相乘得到影像IITWCF；
所述的去除影像IITWCF中冰云和薄卷云，获取去除后影像IWCF，包括以下步骤：
使用当前时刻IB13-现(中心波段：10.4um)数据，设置阈值230k去除影像 IITWCF中冰云，与影像IITWCF相乘得到影像ITWCF；
对当前时刻IB11-现(中心波段：8.7um)数据和IB14-现(中心波段：11.2um) 数据做差值运算，获取差值影像I差值1，I差值1＝IB11-现-IB14-现；
设置阈值0k去除影像ITWCF中薄卷云，与影像ITWCF相乘得到影像IWCF；
所述的去除影像IWCF中水云，获取去除后影像IC2F，包括以下步骤：
对当前时刻IB15-现(中心波长：12.3um)数据和IB11-现数据做差值运算，获取差值影像I差值2，I差值2＝IB15-现-IB11-现；
其阈值依赖太阳高度角θ的变化，所以归一化处理获取动态阈值Vt，
使用归一化阈值Vt去除影像IWCF中水云，与影像IWCF相乘得到影像IC2F；
所述的利用多天红外数据合成晴空底图IBT，阈值法去除影像IC2F中的低层云,获取卫星雾检测结果IF，包括以下步骤：
利用热红外波段中，晴空地表亮度温度大于云雾的亮度温度这一特征，使用当天及前9天当前时刻IB14-现数据合成晴空底图IBT；
对当前时刻IB14-现数据与晴空底图IBT做差，获取差值的绝对值影像I差值3,I差值3＝IB14-现–IBT；
采用阈值法(设置阈值11)快速去除影像IC2F中低层云，与影像IC2F相乘获取最终卫星雾检测结果IF；
与现有技术相比，本发明所具有的有益效果为：本发明是当前具有高时间分辨率的静止卫星数据的条件下的一种可准确、高效快速实现白天雾提取的方法，检测结果可靠，精度高。
附图说明
图1示出了基于H8/AHI的白天雾检测算法流程；
图2示出了卫星雾检测结果与地面观测数据叠加图；其中，(a)8:00卫星雾检测结果与地面观测数据叠加图；(b)14:00卫星雾检测结果与地面观测数据叠加图；注：黑色区域为卫星雾检测结果；不同形状表示地面站点不同观测结果特浓雾、浓雾、雾、非雾；
图3示出了雾检测结果与H8/AHI假彩色影像叠加图；其中，(a)8:00雾检测结果；(b)9:00雾检测结果；(c)10:00雾检测结果；(d)11:00雾检测结果；(e)12:00雾检测结果；(f)13:00雾检测结果；(g)14:00雾检测结果；(h)15:00雾检测结果；(i)16:00雾检测结果；
图4式出了可见光波段雾和地表反射率差异图。
具体实施方式
以下结合附图对本发明进行详细说明。
1、利用多天可见光数据合成晴空底图，阈值法去除晴空地表，获取去除地表后的影像ISCF；
实验使用2015年11月16日-2015年12月1日H8/AHI卫星2km空间分辨率10分钟时间分辨率的时序影像IB3数据，分别合成晴空底图IR-现和IR-前；
对当前时刻IB3-现数据与晴空合成底图IR-现做差，前一时刻IB3-前数据与晴空合成底图IR-前做差，分别获得差值影像I差值-现和I差值-前；
对差值影像采用固定阈值(阈值设置为0.05)快速去除地表，分别与原始影像IB3-现和IB3-前相乘获取去除地表后的影像ISCF-现和ISCF-前；其中ISCF-现表示使用当前时刻数据获取的去除晴空地表后的影像ISCF；ISCF-前表示使用前一时刻数据获取的去除地表后影像ISCF；
2、归一化雪指数法去除影像ISCF中的雪和不透明冰云，获取去除后的影像ICF；
分别使用2015年11月26日-12月1日当前时刻IB3-现、IB5-现和前一时刻IB3-前、IB5-前数据，获取当前时刻和前一时刻归一化雪指数NDSI现和NDSI前，NDSI 现＝(IB3-现-IB5-现)/(IB3-现+IB5-现)；NDSI前＝(IB3-前-IB5-前)/(IB3-前+IB5-前)；
对去除地表后的影像ISCF-现和ISCF-前使用归一化雪指数法，设置阈值0.4去除影像ISCF-现和ISCF-前中的雪和不透明冰云，分别与影像ISCF-现和ISCF-前相乘得到影像ICF-现和ICF-前；其中ICF-现表示使用当前时刻数据获取的去除雪和不透明冰云的影像ICF；ICF-前表示使用前一时刻数据获取的去除雪和不透明冰云的影像ICF。
3、去除影像ICF中纹理复杂且快速运动的云，获取雾检测影像IITWCF；
对当前时刻ICF-现数据和前一时刻ICF-前数据的B3波段做比值运算，获取比值影像I比值，I比值＝ICF-现/ICF-前；
对比值影像I比值采用一阶概率纹理滤波法获取data range(数据范围)纹理数据IDR；
设置阈值0.3去除影像ICF-现中运动的及类型变化较大的云,与影像ICF-现相乘得到影像IITWCF；
4、去除影像IITWCF中冰云和薄卷云，获取去除后影像IWCF；
使用2015年11月26日-12月1日当前时刻IB13-现(中心波段：10.4um)数据，设置阈值230k去除影像IITWCF中冰云，与影像IITWCF相乘得到影像ITWCF；
对2015年11月26日-12月1日当前时刻IB11-现(中心波段：8.7um)数据和IB14-现(中心波段：11.2um)数据做差值运算，获取差值影像I差值1，I差值1＝ IB11-现-IB14-现；
设置阈值0k去除影像ITWCF中薄卷云，与影像ITWCF相乘得到影像IWCF；
5、去除影像IWCF中水云，获取去除后影像IC2F；
对2015年11月26日-12月1日当前时刻IB15-现(中心波长：12.3um)数据和 IB11-现数据做差值运算，获取差值影像I差值2，I差值2＝IB15-现-IB11-现；
其阈值依赖太阳高度角θ的变化，所以归一化处理获取动态阈值Vt，
使用归一化阈值Vt去除影像IWCF中水云，与影像IWCF相乘得到影像IC2F；
6、利用多天红外数据合成晴空底图IBT，阈值去除影像IC2F中的低层云，获取卫星雾检测结果IF；
使用2015年11月16日-12月1日当前时刻B14数据合成晴空底图IBT；
对2015年11月26日-12月1日当前时刻IB14-现数据与晴空底图IBT做差，获取差值的绝对值影像I差值3，I差值3＝IB14-现-IBT；
采用阈值法(设置阈值11)快速去除影像IC2F中的低层云，与IC2F相乘获取最终卫星雾检测结果IF；
7、检测结果精度定量验证
选取中国气象局2015年11月26日-2015年12月1日白天卫星影像对应时刻8:00和14:00的地面观测数据，验证白天雾检测算法的精度，图2示出了 8:00卫星雾检测结果大约占整个雾区20％左右，其余5天8：00-9：00不同时刻白天雾检测结果不超过整个雾区40％；说明使用实验提出的白天雾检测算法此时间段检测效果不佳，进而说明在太阳高度角较低情况下获取的数据此算法不适用；14：00遥感雾检测结果与地面站点数据中的特浓雾、浓雾和雾区基本一致，使用精度指标进一步验证算法的有效性。
为进一步验证算法的有效性，对检测结果进行定量精度指标评价。常用指标评价体系评价分类的精度，验证算法的有效性【12】，其中检验指标包括正确率(probabilityofdetection，POD)，误警率(falsealarmratio，FAR)和可靠性因子(criticalsuccessindex，CSI)。这些指标定义为：
式中：NX为检测个数，其下标X为检测指标种类，包括H,M和F(H表示卫星检测结果与地面观测结果一致，即正确检测；M表示卫星检测结果中没雾而地面数据显示有雾，即失误检测；F表示卫星检测结果中有雾而地面数据显示没雾，即错误检测)。上述检测指标范围均为0-1，POD越大表示检测精度越高； CSI越大说明方法越有效。
表1式出6天中14:00卫星雾检测正确率平均值为96.6％，错误率平均值为9.4％，可靠性因子平均值为87.9％。分析其检测错误原因如下：2015年11 月27日14：00的遥感影像中存在少量小面积雾处于消散阶段，已逐步抬升成为低层云，此时地面能见度升高，地面观测站判定此区域无雾；而遥感影像上易被当做雾检测出来造成虚假报警。因此若对大面积雾进行检测，算法的正确性和可靠性因子均较高，但对于抬升为低层云的情况，算法易虚假报警。
表1白天雾检测精度
8、检测结果精度定性验证
雾具有时间连续性和空间位置变化较小的特性，因此对地面观测站点8:00 和14:00确定为雾的区域，可认为此时间段内其他时刻该区域也是雾，图3示出了2015年11月30号8:00-16:00雾检测结果，定性验证算法的精度。
由图3可知：8:00卫星雾检测面积大约占整个雾区20％左右，8:00-9:00其他时刻雾检测面积不超过整个雾区60％，同时15:00-16:00雾检测面积随时间逐渐减小，16:00雾检测面积约占整个雾区15％左右；说明使用本文提出的算法对太阳高度角较低的时段(8:00-9:00,15:00-16:00)数据检测效果不佳；而白天时间段(9:00-15:00)雾检测结果占整个雾区90％以上，雾检测结果较好。
为进一步分析算法的适用时间段，选取2015年11月30日8:00-16:00的遥感数据进行了雾反射率，地表反射率及其差值的统计分析，见图4。日出前后 (8：00-9：00)，太阳高度角较低，地表和雾顶接收到的太阳辐射较少，此时地表和雾在可见光波段反射率差异较小(低于0.05)，日出后日落前(9:00- 15:00)太阳高度角升高，雾和地表反射率持续升高，此时地表和雾在可见光波段反射率差异较大(高于0.05)，而日落前(15:00-16:00)太阳高度角降低，雾与地表的反射率的差值小于0.05。本发明从理论上分析了该算法得适用时间段(9:00-15:00)，与图3中雾检测结果较好的时段一致。

Claims (7)

1.一种基于H8/AHI的白天雾快速提取的方法，其特征在于，包括以下步骤：
1)利用多天可见光数据合成晴空底图IR，利用反射率差异，阈值法去除晴空地表，获取去除地表后的影像ISCF；
2)利用归一化雪指数法去除影像ISCF中的雪和不透明冰云，获取去除后的影像ICF；
3)去除影像ICF中纹理复杂且快速运动的云，获取雾检测影像IITWCF；
4)去除影像IITWCF中冰云和薄卷云，获取去除后影像IWCF；
5)去除影像IWCF中的水云，获取去除后影像IC2F；
6)利用多天红外数据合成晴空底图IBT，利用晴空底图IBT和阈值法去除影像IC2F中的低层云，获取卫星雾检测结果IF。
2.根据权利要求1所述的基于H8/AHI的白天雾快速提取的方法，其特征在于，步骤1)的具体实现过程包括：
1)利用多天可见光数据合成晴空底图，使用当天及前9天当前时刻和前一时刻可见光IB3数据，结合可见光波段晴空地表反射率较云雾最低这一特征，分别合成晴空底图IR-现和IR-前；
2)对当前时刻IB3-现数据与晴空合成底图IR-现做差，前一时刻IB3-前数据与晴空合成底图IR-前做差，分别获得差值影像I差值-现和I差值-前；
3)对差值影像I差值-现和I差值-前采用固定阈值去除地表，再分别与原始影像IB3-现和IB3-前相乘，获取去除地表后的影像ISCF-现和ISCF-前：其中ISCF-现表示使用当前时刻数据获取的去除晴空地表后的影像ISCF；ISCF-前表示使用前一时刻数据获取的去除地表后影像ISCF。
3.根据权利要求2所述的基于H8/AHI的白天雾快速提取的方法，其特征在于，步骤2)的具体实现过程包括：
1)分别使用当前时刻IB3-现、IB5-现数据和前一时刻IB3-前、IB5-前数据，获取当前时刻和前一时刻归一化雪指数NDSI现和NDSI前，其中NDSI现＝(IB3-现-IB5-现)/(IB3-现+IB5-现)；NDSI前＝(IB3-前-IB5-前)/(IB3-前+IB5-前)；
2)对去除地表后的影像ISCF-现和ISCF-前使用归一化雪指数法，设置阈值0.4去除影像ISCF-现和ISCF-前中的雪和不透明冰云，分别与影像ISCF-现和ISCF-前相乘得到影像ICF-现和ICF-前：其中ICF-现表示使用当前时刻数据获取的去除雪和不透明冰云的影像ICF；ICF-前表示使用前一时刻数据获取的去除雪和不透明冰云的影像ICF。
4.根据权利要求3所述的基于H8/AHI的白天雾快速提取的方法，其特征在于，步骤3)的具体实现过程包括：
1)对当前时刻ICF-现数据和前一时刻ICF-前数据的B3波段做比值运算，获取比值影像I比值，I比值＝ICF-现/ICF-前；
2)对比值影像I比值采用一阶概率纹理滤波法获取data rang纹理数据IDR；
3)设置阈值0.3去除影像ICF-现运动的及类型变化较大的云，与影像ICF-现相乘得到影像IITWCF：
5.根据权利要求4所述的基于H8/AHI的白天雾快速提取的方法，其特征在于，步骤4)的具体实现过程包括：
1)使用当前时刻IB13-现数据，设置阈值230k去除影像IITWCF冰云，与影像IITWCF相乘得到影像ITWCF：
2)对当前时刻IB11-现数据和IB14-现数据做差值运算，获取差值影像I差值1，I差值1＝IB11-现-IB14-现；
3)设置阈值0去除影像ITWCF中的薄卷云，与影像ITWCF相乘得到影像IWCF：
6.根据权利要求5所述的基于H8/AHI的白天雾快速提取的方法，其特征在于，步骤5)的具体实现过程包括：
1)对当前时刻IB15-现数据和IB11-现数据做差值运算，获取差值影像I差值2，I差值2＝IB15-现-IB11-现；
2)使用归一化阈值Vt去除影像IWCF中水云，与影像IWCF相乘得到影像IC2F：
其中，θ为太阳高度角。
7.根据权利要求6所述的基于H8/AHI的白天雾快速提取的方法，其特征在于，步骤6)的具体实现过程包括：
1)使用当天及前9天当前时刻B14数据合成晴空底图IBT；
2)对当前时刻IB14-现数据与晴空底图IBT做差，获取差值的绝对值影像I差值3，I差值3＝IB14-现-IBT；
3)采用阈值法去除影像IC2F中的低层云，与IC2F相乘获取最终卫星雾检测结果IF：
CN201810365943.2A 2018-04-23 2018-04-23 一种基于h8/ahi的白天雾快速提取的方法 Withdrawn CN108564608A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810365943.2A CN108564608A (zh) 2018-04-23 2018-04-23 一种基于h8/ahi的白天雾快速提取的方法
CN201910149439.3A CN109767465B (zh) 2018-04-23 2019-02-28 一种基于h8/ahi的白天雾快速提取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810365943.2A CN108564608A (zh) 2018-04-23 2018-04-23 一种基于h8/ahi的白天雾快速提取的方法

Publications (1)

Publication Number Publication Date
CN108564608A true CN108564608A (zh) 2018-09-21

Family

ID=63536392

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201810365943.2A Withdrawn CN108564608A (zh) 2018-04-23 2018-04-23 一种基于h8/ahi的白天雾快速提取的方法
CN201910149439.3A Active CN109767465B (zh) 2018-04-23 2019-02-28 一种基于h8/ahi的白天雾快速提取的方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201910149439.3A Active CN109767465B (zh) 2018-04-23 2019-02-28 一种基于h8/ahi的白天雾快速提取的方法

Country Status (1)

Country Link
CN (2) CN108564608A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392694A (zh) * 2021-03-31 2021-09-14 中南大学 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113176211B (zh) * 2021-04-27 2023-03-14 中国科学院南海海洋研究所 一种基于hsv颜色空间模型变换的日间云检测方法
CN115267941B (zh) * 2022-07-29 2023-05-23 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

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101424741B (zh) * 2008-12-08 2010-12-22 中国海洋大学 卫星遥感海雾特征量的实时提取方法
CN101464521B (zh) * 2008-12-31 2011-05-18 国家卫星气象中心 静止气象卫星遥感白天和夜间海雾的检测方法
CN102540277B (zh) * 2012-01-16 2013-12-04 武汉大学 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN103293084B (zh) * 2013-05-08 2015-09-30 南京大学 基于多光谱气象卫星信息的海雾全天时全天候反演方法
CN103926634B (zh) * 2014-03-12 2016-03-23 长江水利委员会长江科学院 一种基于面向对象分类的白天陆地辐射雾遥感监测方法
JP6452087B2 (ja) * 2014-11-14 2019-01-16 国立研究開発法人海洋研究開発機構 画像処理装置、画像処理方法、画像処理プログラム
CN104502999B (zh) * 2014-12-10 2019-07-19 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
CN104966298A (zh) * 2015-06-17 2015-10-07 南京大学 一种基于微光云图数据的夜间低云大雾监测方法
US9792522B2 (en) * 2015-12-01 2017-10-17 Bloomsky, Inc. Weather information extraction using sequential images
CN105405112B (zh) * 2015-12-29 2018-06-19 中国人民解放军信息工程大学 多光谱卫星影像距离偏差指数去雾方法
CN106997464A (zh) * 2017-04-07 2017-08-01 中国科学院遥感与数字地球研究所 一种高程辅助的云霾识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392694A (zh) * 2021-03-31 2021-09-14 中南大学 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备
CN113392694B (zh) * 2021-03-31 2022-07-01 中南大学 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备

Also Published As

Publication number Publication date
CN109767465A (zh) 2019-05-17
CN109767465B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
Liang et al. The global land surface satellite (GLASS) product suite
Rösel et al. Melt ponds on Arctic sea ice determined from MODIS satellite data using an artificial neural network
Li et al. Estimating bamboo forest aboveground biomass using EnKF-assimilated MODIS LAI spatiotemporal data and machine learning algorithms
Helfrich et al. Enhancements to, and forthcoming developments in the Interactive Multisensor Snow and Ice Mapping System (IMS)
Chow et al. Intra-hour forecasting with a total sky imager at the UC San Diego solar energy testbed
CN103926634B (zh) 一种基于面向对象分类的白天陆地辐射雾遥感监测方法
CN102540277B (zh) 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN108564608A (zh) 一种基于h8/ahi的白天雾快速提取的方法
Sieglaff et al. A satellite-based convective cloud object tracking and multipurpose data fusion tool with application to developing convection
CN109407177B (zh) 基于机器学习与常规气象观测的大雾识别系统和应用方法
CN110988909A (zh) 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法
CN109375290A (zh) 一种基于机器学习的跨海大桥雾监测系统及其应用方法
CN114581784A (zh) 一种长时序逐年红树林遥感监测产品的构建方法
Li et al. The semi-diurnal cycle of deep convective systems over Eastern China and its surrounding seas in summer based on an automatic tracking algorithm
Weller et al. Moored observations of the surface meteorology and air–sea fluxes in the northern Bay of Bengal in 2015
Lal et al. SAR–optical Remote Sensing Based Forest Cover And greenness esti-mation over India
Tian et al. Impacts of satellite revisit frequency on spring phenology monitoring of deciduous broad-leaved forests based on vegetation index time series
Yang et al. Capturing the spatiotemporal variations in the gross primary productivity in coastal wetlands by integrating eddy covariance, Landsat, and MODIS satellite data: A case study in the Yangtze Estuary, China
Meng et al. Remote sensing survey and research on internal solitary waves in the South China Sea-Western Pacific-East Indian Ocean (SCS-WPAC-EIND)
Nex et al. 3D Solarweb: A solar cadaster in the Italian Alpine landscape
Sankelo et al. Melt pond formation and temporal evolution at the drifting station Tara during summer 2007
Lestari et al. Variability of Jakarta rain-rate characteristics associated with the madden–Julian oscillation and topography
Giordani et al. SPHERA, a new convection‐permitting regional reanalysis over Italy: Improving the description of heavy rainfall
CN109033984A (zh) 一种夜间雾快速自动检测方法
CN115542430A (zh) 一种卫星定量降水估计方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20180921

WW01 Invention patent application withdrawn after publication