CN108629119A - 一种时序modis定量遥感产品时空修复及批处理实现方法 - Google Patents
一种时序modis定量遥感产品时空修复及批处理实现方法 Download PDFInfo
- Publication number
- CN108629119A CN108629119A CN201810432877.6A CN201810432877A CN108629119A CN 108629119 A CN108629119 A CN 108629119A CN 201810432877 A CN201810432877 A CN 201810432877A CN 108629119 A CN108629119 A CN 108629119A
- Authority
- CN
- China
- Prior art keywords
- data
- modis
- repaired
- pixel
- moment
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及定量遥感产品处理技术领域,公开一种时序MODIS定量遥感产品时空修复及其批处理实现方法,通过将时序MODIS定量遥感产品时空修复流程化,实现MODIS定量遥感产品空值或低质量数据修复的批量处理,得到空间上连续的高质量MODIS定量遥感产品;而且批处理计算效率较高,易于实现,实用价值高,可用于MODIS定量遥感产品质量改善的业务化运行。
Description
技术领域
本发明涉及定量遥感产品处理技术领域,具体涉及一种时序MODIS定量遥感产品时空修复及批处理实现方法。
背景技术
MODIS定量遥感产品在全球对地观测中发挥着重要作用,但由于云、气溶胶等不利天气影响,现有发布的MODIS产品常出现空值或低质量等无效数值,极大限制了该产品正常使用与长时序应用。因此,在已有MODIS产品的基础上,利用技术手段对无效数据进行必要的修复成为一个十分重要的课题。常用的遥感产品中无效数据修复方法可分为基于单景数据修复和基于多景数据修复两种。其中,基于单景数据修复方法有插值、矩匹配、滤波和MAP估计等方法;基于多景数据修复方法通常是在不同时相或不同传感器影像之间建立关系,利用其它景数据上未受到影响的信息来进行修复,常用的有直方图匹配、回归分析和谐波分析等方法。单景数据的修复方法在无效数据较多时难以得到较好的修复,必须引入另外数据的信息;但多景数据修复方法面临选择哪些辅助数据参与修复的问题,且不同数据中的同一地物会受到其本身的光谱/辐射特性、尺度差异、观测时间和大气因素等影响,进而给产品修复带来很大的干扰。此外,上述两种方法都没有充分利用MODIS产品的时序特点,不具备面向具体应用的批量自动修复能力。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种时序MODIS定量遥感产品时空修复及批处理实现方法,用于解决现有发布的MODIS产品常出现空值或低质量等无效数值,极大限制了该产品正常使用与长时序应用等问题;本发明通过以下技术方案予以实现:
(二)技术方案
本发明提供了一种时序MODIS定量遥感产品时空修复及批处理实现方法,MODIS定量遥感产品由于云污染等原因出现空值或低质量等无效数据,通过在无效数据与时序中筛选的有效数据之间建立联系,实现无效数据的修复,包含①:MODIS数据预处理、②:最佳辅助数据的筛选与③:MODIS产品空值修复三个步骤:
①MODIS数据预处理:对多时相MODIS定量遥感产品进行必要的预处理,所述预处理包括所述目标数据提取与无效像元标记;
②最佳辅助数据的筛选:时序数据中寻找最佳辅助数据,依次遍历所有待修复的数据,在时序中找到与待修复时刻T0数据具有互补观测信息的所有MODIS数据作为候选辅助数据序列,根据待修复数据空值情况及其在时序中的位置,共有多种筛选所述最佳辅助数据的情况;
③MODIS产品空值修复:基于时空互补信息的MODIS定量遥感产品修复,即把一景含无效数据的MODIS产品作为目标数据,根据MODIS空值区域在不同时相有所差别的特点,利用时序具有对应观测信息的辅助数据对所述目标数据中的无效区域进行修复,根据最佳辅助数据的筛选这一步骤中匹配的待修复数据及其所述最佳辅助数据的数量,共有多种执行产品修复的情况。
优选的,在最佳辅助数据的筛选这一步骤中,筛选所述最佳辅助数据的情况共有五种,其分别为:
情况1:若待修复时刻T0数据为时序中第一个数据或最后一个数据,且能在时序中找到与T0时刻数据有效像元重叠数足够多的数据,则筛选与T0时刻有效像元平均量化值差异最小的一景MODIS数据作为所述最佳辅助数据;
情况2:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,在以T0时刻为分界线的两组所述候选辅助数据序列中,能找到与T0时刻数据有效像元重叠数足够多的数据,则选择与T0时刻有效像元平均量化值差异最小的两景MODIS数据作为候选辅助数据;若这两个平均量化值差异相差较大,则用平均量化值差异小的一景候选辅助数据作为所述最佳辅助数据;
情况3:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,在以T0时刻为分界线的两组所述候选辅助数据序列中,能找到与T0时刻数据有效像元重叠数足够多的数据,则选择与T0时刻有效像元平均量化值差异最小的两景MODIS数据作为候选辅助数据;若这两个平均量化值差异相差较小,则这两景候选辅助数据都作为所述最佳辅助数据;
情况4:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,但在以T0时刻为分界线的两组所述候选辅助数据序列中,只能在一组候选辅助数据中找到与T0时刻数据有效像元重叠数足够多的数据,则筛选与T0时刻有效像元平均量化值差异最小的一景MODIS数据作为所述最佳辅助数据;
情况5:若所述候选辅助数据序列中找到的与T0时刻数据有效像元重叠数较少,无法建立拟合关系,则暂不处理,直接进入MODIS产品空值修复这一步骤,选择T0时刻前后修复后的数据作为所述最佳辅助数据。
优选的,在最佳辅助数据的筛选这一步骤中,当存在多个所述最佳辅助数据时,在时序中找到与待修复时刻数据具有互补观测信息的所有MODIS数据,并以T0时刻为分界线得到两组数据序列,在这两组所述序列数据中分别进一步筛选与时刻数据有效像元重叠数足够多的数据,则选择平均温度差异最小的两景MODIS数据作为最优辅助数据。
优选的,在所述最佳辅助数据的筛选这一步骤中,由于空值区域的G和B不能直接求出,只能通过周围的有效像素点计算,在建立相似像素与目标像素关系时,考虑到并不是每个相似像素与目标像素的关系都是一样的,因此要根据每个相似像素与目标像素之间的紧密程度计算一个权重。
优选的,执行产品修复的情况共有三种情况,其分别为:
情况1:若是修复前的一景辅助数据修复,以待修复数据T0和辅助数据Tx为例,设T0上任一需修复的像元为DN_0,辅助数据TX上对应的像元为DN_X;以DN_X为中心,开一个大小为Nw×Nw的窗口,统计窗口内的所有有效像元,计算其标准差S_C;以S_C为阈值,在窗口内搜索DN_X的相似像元,当找到的相似像元数目少于规定的最小数目H时扩大窗口,直到满足条件或达到窗口大小为止;如果达到窗口上限时相似像元仍少于H,取消约束条件,将所有窗口内的点纳入计算;则T0时刻待修复数据中的无效像素修复后的值通过TX时刻辅助影像上对应区域的像素值计算得到恢复后的像素值:用公式表达为:
DN_0=G*DN_X+B
G为两幅数据间的增益量,B为偏移量,可通过两幅数据间相似像元加权回归求解:
其中,DN_0i和DN_Xi分别表示T0时刻待修复影像和TX时刻辅助影像中参与计算的第i个相似像素,和表示T0时刻待修复影像和TX时刻辅助影像中参与计算的N个相似像素的平均值,wi表示第i个相似像素的权重,由TX时刻辅助影像中相似像元(χi,yi)与中心像元(χt,yt)的温度差异与空间距离决定:
Di=|DN_Xi-DN_X|*((χi-χt)2+(yi-yt)2)
情况2:若是修复前的两景最优辅助数据修复:DN_X和DN_Y,每景辅助数据可按照本阶段的情况1各得到一个修复结果,对这两个结果进行时相加权得到最终结果,其时相加权函数为:
则修复结果公式为:
DN_0=DN_X*Wx+DN_Y*Wy
情况3:若是修复后的两景最优辅助数据修复,当本阶段的情况1和情况2执行完成后,利用T0时刻前后修复好的两景数据TP和Tq作为所述最佳辅助数据时,根据反时间间隔加权计算修复值:
DN_0=DN_P*(Tq-T0)/(Tq-Tp)+DN_Q*(T0-Tp)/(Tq-Tp)
其中,DN_P和DN_Q为修复好的辅助数据上与待修复影像上DN_0对应的像元。
优选的,在所述MODIS产品空值修复这一步骤中,当辅助数据Tx和有效像元Ty与T0时刻数据有效像元变化幅度基本相等时,采用两景最优辅助数据修复,反之采用一景最优辅助数据修复;
当两景最优辅助数据修复时,对每景辅助数据的修复结果构建时相加权函数得到最终结果;
若所述候选辅助数据序列中找到的与T0时刻数据有效像元重叠数较少,无法建立拟合关系时,直接利用已修复好的前后临近时刻数据进行反时间间隔加权修复。
优选的,在所述MODIS数据预处理这一步骤中、所述最佳辅助数据的筛选这一步骤中与所述MODIS产品空值修复这一步骤中的所有过程都在GDAL支持下,采用脚本语言或VC++环境批量实现。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
实施例:
一种时序MODIS定量遥感产品时空修复及批处理实现方法,MODIS定量遥感产品由于云污染等原因出现空值或低质量等无效数据,设时序MODIS产品中某景数据T0有无效像元区域(待修复数据),在时序中能找到具有该区域互补信息的辅助数据,通过建立待修复数据与辅助数据(Tx或Ty)共同有效像元的加权线性回归关系,可对无效数据影像进行修复得到空间连续的高质量MODIS遥感产品。
如图1所示:
①:MODIS数据预处理
对时序MODIS遥感产品进行必要的预处理,包括目标数据提取、无效像元标记。
根据修复产品的种类,从hdf格式数据层中提取不同数据;并结合质量控制文件,对目标数据中无效像元进行标记;根据无效像元标记情况,对时序中没有无效像元的数据直接输出;否则,进入最佳辅助数据的筛选这一步骤。
②:最佳辅助数据的筛选
依次遍历所有待修复的数据,在时序中找到与待修复时刻T0数据具有互补观测信息的所有MODIS数据作为候选辅助数据序列,根据待修复数据空值情况及其在时序中的位置,分如下五种情况筛选最佳辅助数据:
情况1:若待修复时刻T0数据为时序中第一个数据或最后一个数据,且能在时序中找到与T0时刻数据有效像元重叠数Num达到阈值yz的数据,则筛选与T0时刻有效像元平均量化值差异最小的一景MODIS数据作为最佳辅助数据(假设为Tx时刻);
情况2:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,在以T0时刻为分界线的两组候选辅助数据序列中,能找到与T0时刻数据有效像元重叠数Num达到阈值yz的数据,选择与T0时刻有效像元平均量化值差异最小的两景MODIS数据作为候选辅助数据(假设Tx时刻和Ty时刻);假设Tx和Ty时刻辅助数据与T0时刻数据平均量化值差异为Cx0和Cy0;进一步,若|Cx0-Cy0|>m,m为常数,则用平均量化值差异小的一景辅助数据作为最佳辅助数据;
情况3:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,在以T0时刻为分界线的两组候选辅助数据序列中,能找到与T0时刻数据有效像元重叠数Num达到阈值yz的数据,选择与T0时刻有效像元平均量化值差异最小的两景MODIS数据作为候选辅助数据(假设Tx时刻和Ty时刻);假设Tx和Ty时刻辅助数据与T0时刻数据平均量化值差异为Cx0和Cy0;进一步,若|Cx0-Cy0|<m,m为常数,则Tx时刻和Ty时刻的两景数据都作为最佳辅助数据共同参与修复;
情况4:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,但在以T0时刻为分界线的两组候选辅助数据序列中,只能在一组候选辅助数据中找到与T0时刻数据有效像元重叠数Num达到阈值yz的数据,则筛选与T0时刻有效像元的平均量化值差异最小的一景MODIS数据作为最佳辅助数据(假设为Tx时刻);
情况5:当无法在候选辅助数据序列中找到与T0时刻数据有效像元重叠数Num达到阈值yz的数据,则暂不处理,直接进入MODIS产品空值修复这一步骤;
③:MODIS产品空值修复
根据最佳辅助数据的筛选这一步骤中匹配的待修复数据及其最佳辅助数据的数量,分如下三种情况执行产品修复:
情况1:利用修复前的一景最佳辅助数据修复,以待修复数据T0和辅助数据Tx为例,设T0上任一需修复的像元为DN_0,辅助数据Tx上对应的像元为DN_X;以DN_X为中心,开一个大小为N×N的窗口,统计所有窗口内的有效像元,计算其标准差S_C;以S_C为阈值,在窗口内搜索DN_X的相似像元,当找到的相似像元数目少于规定的最小数目H时扩大窗口,直到满足条件或达到窗口大小为止;如果达到窗口上限时相似像元仍少于H,取消约束条件,将所有窗口内的点纳入计算;则T0时刻待修复数据中的无效像素修复后的值通过Tx时刻辅助影像上对应区域的像素值计算得到恢复后的像素值:用公式表达为:
DN_0=G*DN_X+B
G为两幅数据间的增益量,B为偏移量,可通过两幅数据间相似像元加权回归求解:
其中,DN_0i和DN_Xi分别表示T0时刻待修复影像和Tx时刻辅助影像中参与计算的第i个相似像素,和表示T0时刻待修复影像和Tx时刻辅助影像中参与计算的N个相似像素的平均值,wi表示第i个相似像素的权重,由Tx时刻辅助影像中相似像元(χi,yi)与中心像元(χt,yt)的量化值差异与空间距离决定:
Di=|DN_Xi-DN_X|*((χi-χt)2+(yi-yt)2)
情况2:若是修复前的两景最优辅助数据修复(DN_X和DN_Y),每景辅助数据可按照本阶段情况1各得到一个修复结果,对这两个结果进行时相加权得到最终结果,其时相加权函数为:
则修复结果公式为:
DN_0=DN_X*Wx+DN_Y*Wy
情况3:利用修复后的两景最优辅助数据修复,当本阶段的情况1和情况2执行完成后,利用T0时刻前后修复好的两景数据Tp和Tq作为最佳辅助数据,根据反时间间隔加权计算修复值:
DN_0=DN_P*(Tq-T0)/(Tq-Tp)+DN_Q*(T0-Tp)/(Tq-Tp)
其中,DN_P和DN_Q为修复好的辅助数据上与待修复影像上DN_0对应的像元。
通过将时序MODIS定量遥感产品时空修复流程化,实现MODIS定量遥感产品空值或低质量数据修复的批量处理,得到空间上连续的高质量MODIS定量遥感产品;而且批处理计算效率较高,易于实现,实用价值高,可用于MODIS定量遥感产品质量改善的业务化运行。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种时序MODIS定量遥感产品时空修复及批处理实现方法,其特征在于:通过在无效数据与时序中筛选的有效数据之间建立联系,实现无效数据的修复,包含①:MODIS数据预处理、②:最佳辅助数据的筛选与③:MODIS产品空值修复三个步骤:
①MODIS数据预处理:对多时相MODIS定量遥感产品进行必要的预处理,所述预处理包括所述目标数据提取与无效像元标记;
②最佳辅助数据的筛选:时序数据中寻找最佳辅助数据,依次遍历所有待修复的数据,在时序中找到与待修复时刻T0数据具有互补观测信息的所有MODIS数据作为候选辅助数据序列,根据待修复数据空值情况及其在时序中的位置,共有多种筛选所述最佳辅助数据的情况;
③MODIS产品空值修复:基于时空互补信息的MODIS定量遥感产品修复,即把一景含无效数据的MODIS产品作为目标数据,根据MODIS空值区域在不同时相有所差别的特点,利用时序具有对应观测信息的辅助数据对所述目标数据中的无效区域进行修复,根据最佳辅助数据的筛选这一步骤中匹配的待修复数据及其所述最佳辅助数据的数量,共有多种执行产品修复的情况。
2.根据权利要求1所述的一种时序MODIS定量遥感产品时空修复及批处理实现方法,其特征在于:在最佳辅助数据的筛选这一步骤中,筛选所述最佳辅助数据的情况共有五种,其分别为:
情况1:若待修复时刻T0数据为时序中第一个数据或最后一个数据,且能在时序中找到与T0时刻数据有效像元重叠数足够多的数据,则筛选与T0时刻有效像元平均量化值差异最小的一景MODIS数据作为所述最佳辅助数据;
情况2:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,在以T0时刻为分界线的两组所述候选辅助数据序列中,分别能找到与T0时刻数据有效像元重叠数足够多的数据,则选择与T0时刻有效像元平均量化值差异最小的两景MODIS数据作为候选辅助数据;若这两个平均量化值差异相差较大,则用平均量化值差异小的一景候选辅助数据作为所述最佳辅助数据;
情况3:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,在以T0时刻为分界线的两组所述候选辅助数据序列中,分别能找到与T0时刻数据有效像元重叠数足够多的数据,则选择与T0时刻有效像元的平均量化值差异最小的两景MODIS数据作为候选辅助数据;若这两个平均量化值差异相差较小,则这两景候选辅助数据都作为所述最佳辅助数据;
情况4:若待修复时刻T0数据不是时序中第一个数据和最后一个数据,但在以T0时刻为分界线的两组所述候选辅助数据序列中,只能在一组候选辅助数据中找到与T0时刻数据有效像元重叠数足够多的数据,则筛选与T0时刻有效像元平均量化值差异最小的一景MODIS数据作为所述最佳辅助数据;
情况5:若所述候选辅助数据序列中找到的与T0时刻数据有效像元重叠数较少,无法建立拟合关系,则暂不处理,直接进入MODIS产品空值修复这一步骤,选择T0时刻前后修复后的数据作为所述最佳辅助数据。
3.根据权利要求1所述的一种时序MODIS定量遥感产品时空修复及批处理实现方法,其特征在于:在最佳辅助数据的筛选这一步骤中中,当存在多个所述最佳辅助数据时,在时序中找到与待修复时刻数据具有互补观测信息的所有MODIS数据,并以时刻为分界线得到两组数据序列,在这两组所述序列数据中分别进一步筛选与T0时刻数据有效像元重叠数足够多的数据,则选择与T0时刻平均量化值差异最小的两景MODIS数据作为最优辅助数据。
4.根据权利要求1所述的一种时序MODIS定量遥感产品时空修复及批处理实现方法,其特征在于:在所述最佳辅助数据的筛选这一步骤中,由于空值区域的G和B不能直接求出,只能通过周围的有效像素点计算,在建立相似像素与目标像素关系时,考虑到并不是每个相似像素与目标像素的关系都是一样的,因此要根据每个相似像素与目标像素之间的紧密程度计算一个权重。
5.根据权利要求1所述的一种时序MODIS定量遥感产品时空修复及批处理实现方法,其特征在于:执行产品修复的情况共有三种情况,其分别为:
情况1:若是修复前的一景辅助数据修复,以待修复数据T0和辅助数据Tx为例,设T0上任一需修复的像元为DN_0,辅助数据TX上对应的像元为DN_X;以DN_X为中心,开一个大小为Nw×Nw的窗口,统计窗口内的所有有效像元,计算其标准差S_C;以S_C为阈值,在窗口内搜索DN_X的相似像元,当找到的相似像元数目少于规定的最小数目H时扩大窗口,直到满足条件或达到窗口大小为止;如果达到窗口上限时相似像元仍少于H,取消约束条件,将所有窗口内的点纳入计算;则T0时刻待修复数据中的无效像素修复后的值通过TX时刻辅助影像上对应区域的像素值计算得到恢复后的像素值:用公式表达为:
DN_0=G*DN_X+B
G为两幅数据间的增益量,B为偏移量,可通过两幅数据间相似像元加权回归求解:
其中,DN_0i和DN_Xi分别表示T0时刻待修复影像和TX时刻辅助影像中参与计算的第i个相似像素,和表示T0时刻待修复影像和TX时刻辅助影像中参与计算的N个相似像素的平均值,wi表示第i个相似像素的权重,由TX时刻辅助影像中相似像元(χi,yi)与中心像元(χt,yt)的量化值差异与空间距离决定:
Di=|DN_Xi-DN_X|*((χi-χt)2+(yi-yt)2)
情况2:若是修复前的两景最优辅助数据修复:DN_X和DN_Y,每景辅助数据可按照本阶段的情况1各得到一个修复结果,对这两个结果进行时相加权得到最终结果,其时相加权函数为:
则修复结果公式为:
DN_0=DN_X*Wx+DN_Y*Wy
情况3:若是修复后的两景最优辅助数据修复,当本阶段的情况1和情况2执行完成后,利用T0时刻前后修复好的两景数据TP和Tq作为所述最佳辅助数据时,根据反时间间隔加权计算修复值:
DN_0=DN_P*(Tq-T0)/(Tq-Tp)+DN_Q*(T0-Tp)/(Tq-Tp)
其中,DN_P和DN_Q为修复好的辅助数据上与待修复影像上DN_0对应的像元。
6.根据权利要求1所述的一种时序MODIS定量遥感产品时空修复及批处理实现方法,其特征在于:
在所述MODIS产品空值修复这一步骤中,当辅助数据Tx和有效像元Ty与T0时刻数据有效像元变化幅度基本相等时,采用两景最优辅助数据修复,反之采用一景最优辅助数据修复;
当两景最优辅助数据修复时,对每景辅助数据的修复结果构建时相加权函数得到最终结果;
若所述候选辅助数据序列中找到的与时刻数据有效像元重叠数较少,无法建立拟合关系时,直接利用已修复好的前后临近时刻数据进行反时间间隔加权修复。
7.根据权利要求1所述的一种时序MODIS定量遥感产品时空修复及批处理实现方法,其特征在于:在所述MODIS数据预处理这一步骤中、所述最佳辅助数据的筛选这一步骤中与所述MODIS产品空值修复这一步骤中的所有过程都在GDAL支持下,采用脚本语言或VC++环境批量实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432877.6A CN108629119B (zh) | 2018-05-08 | 2018-05-08 | 一种时序modis定量遥感产品时空修复及批处理实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432877.6A CN108629119B (zh) | 2018-05-08 | 2018-05-08 | 一种时序modis定量遥感产品时空修复及批处理实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629119A true CN108629119A (zh) | 2018-10-09 |
CN108629119B CN108629119B (zh) | 2022-04-05 |
Family
ID=63695908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810432877.6A Active CN108629119B (zh) | 2018-05-08 | 2018-05-08 | 一种时序modis定量遥感产品时空修复及批处理实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629119B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058971A (zh) * | 2019-04-24 | 2019-07-26 | 华中科技大学无锡研究院 | 风电场scada数据缺失的智能修复方法 |
CN111583133A (zh) * | 2020-04-20 | 2020-08-25 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种自适应遥感图像像元缺值填补方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034981A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 基于多时相数据的遥感影像加权回归恢复方法 |
CN103309936A (zh) * | 2013-04-19 | 2013-09-18 | 中国科学院遥感与数字地球研究所 | 多源定量遥感产品生产集成技术方案与系统 |
CN106294705A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种批量遥感影像预处理方法 |
AU2016230926A1 (en) * | 2015-03-06 | 2017-09-07 | Bae Systems Plc | Method and apparatus for processing spectral images |
-
2018
- 2018-05-08 CN CN201810432877.6A patent/CN108629119B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034981A (zh) * | 2012-12-18 | 2013-04-10 | 武汉大学 | 基于多时相数据的遥感影像加权回归恢复方法 |
CN103309936A (zh) * | 2013-04-19 | 2013-09-18 | 中国科学院遥感与数字地球研究所 | 多源定量遥感产品生产集成技术方案与系统 |
AU2016230926A1 (en) * | 2015-03-06 | 2017-09-07 | Bae Systems Plc | Method and apparatus for processing spectral images |
CN106294705A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种批量遥感影像预处理方法 |
Non-Patent Citations (5)
Title |
---|
HUANFENG SHEN等: "A spatial and temporal reflectance fusion model considering sensor observation differences", 《INTERNATIONAL JOURNAL OF REMOTE》 * |
HUANFENG SHEN等: "Missing Information Reconstruction of Remote Sensing Data:A Technical Review", 《IEEE GEOSCIENCE AND REMOTE SENSING MAGAZINE》 * |
刘紫涵: "风云静止卫星地表温度产品空值数据稳健修复", 《遥感学报》 * |
彭晓琳等: "一种Aura卫星遥感臭氧产品的修复方法", 《武汉大学学报信息科学版》 * |
欧文浩等: "环境减灾卫星中国陆面多时相遥感数据NDVI产品的批处理方法研究", 《红外》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058971A (zh) * | 2019-04-24 | 2019-07-26 | 华中科技大学无锡研究院 | 风电场scada数据缺失的智能修复方法 |
CN110058971B (zh) * | 2019-04-24 | 2023-04-18 | 华中科技大学无锡研究院 | 风电场scada数据缺失的智能修复方法 |
CN111583133A (zh) * | 2020-04-20 | 2020-08-25 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种自适应遥感图像像元缺值填补方法、装置、设备及介质 |
CN111583133B (zh) * | 2020-04-20 | 2023-04-07 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种自适应遥感图像像元缺值填补方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108629119B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087277B (zh) | 一种空气细颗粒物pm2.5测量方法 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
CN109255100B (zh) | 一种基于微波衰减特征响应指纹识别的城市降雨反演方法 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN107146239A (zh) | 卫星视频运动目标检测方法及系统 | |
CN106251362B (zh) | 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统 | |
CN111784022B (zh) | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 | |
CN104899866A (zh) | 一种智能化的红外小目标检测方法 | |
CN108960404A (zh) | 一种基于图像的人群计数方法及设备 | |
CN110766058A (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
CN110530876B (zh) | 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 | |
CN108629119A (zh) | 一种时序modis定量遥感产品时空修复及批处理实现方法 | |
CN110749942A (zh) | 适用于静止卫星资料同化的晴空通道检测质量控制方法 | |
CN111937016A (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN110910440A (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN116012780A (zh) | 一种基于图像识别的火灾监控方法及系统 | |
CN114511519A (zh) | 一种基于图像处理的列车车底螺栓丢失检测方法 | |
CN109815959A (zh) | 一种冬小麦产量预测方法及装置 | |
CN113671599A (zh) | 一种基于全球气候模式的登陆气旋识别方法 | |
CN109344769A (zh) | 一种基于遥感影像的光伏电站检测方法及系统 | |
CN111242972B (zh) | 一种在线跨尺度多流体目标匹配跟踪方法 | |
CN108734050A (zh) | 一种监控视频中运动目标检测及有效帧提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |