CN109961418A - 一种基于多时相光学遥感数据的无云影像合成算法 - Google Patents

一种基于多时相光学遥感数据的无云影像合成算法 Download PDF

Info

Publication number
CN109961418A
CN109961418A CN201910205833.4A CN201910205833A CN109961418A CN 109961418 A CN109961418 A CN 109961418A CN 201910205833 A CN201910205833 A CN 201910205833A CN 109961418 A CN109961418 A CN 109961418A
Authority
CN
China
Prior art keywords
image
pixel
value
multidate
goal pels
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
CN201910205833.4A
Other languages
English (en)
Inventor
庞勇
蒙诗栎
李增元
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 SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
Original Assignee
INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
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 SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY filed Critical INSTITUTE OF SOURCE INFORMATION CHINESE ACADEMY OF FORESTRY
Priority to CN201910205833.4A priority Critical patent/CN109961418A/zh
Publication of CN109961418A publication Critical patent/CN109961418A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多时相光学遥感数据的无云影像合成算法，包括以下步骤：对于多时相光学遥感影像F，计算其传感器权值w1，目标日权值w2，目标像元与云/云阴影距离权值w3，目标像元的不透明度权值w4；将四项权值相加作为评估目标像元总体质量的总权值W，将目标像元总权值W总叠加F中的目标像元值V，得到合成后的目标像元；遍历整景影像，通过V合成填充得到最佳观测像元的合成结果F1，对多时相光学遥感数据进行无云合成，得到无云、无缝、清晰且质量高的光学遥感影像。优化现有技术中的最佳像元选取准则，将最佳像元认定为所有输入像元叠加像元评分权值后的加权平均值，解决了合成影像中由于多时相数据造成的“斑块”问题。

Description

一种基于多时相光学遥感数据的无云影像合成算法
技术领域
本发明适用于遥感影像处理技术领域，提供了基于多时相光学遥感数据的无云影像合成算法，具体而言，是一种通过最佳像元合成准则对多时相光学遥感数据进行无云影像合成的方法。
背景技术
随着全球遥感技术的不断更新与发展，能够获取的中高分辨率光学遥感影像越来越多，如美国国家航空航天局(National Aeronautics and Space Administration，NASA)的陆地卫星(Landsat-5，7，8)，欧洲航天局(European Space Agency，ESA)的哨兵卫星(Sentinel-2)以及中国高分辨率对地观测系统的高分卫星(GF-1，2，4-9)等，以及更高分辨率的商业卫星如IKONOS，QuickBird，SPOT-5，Worldview-2/3，GeoEye-1等。光学遥感影像为地球资源勘探、航空摄影测绘以及农林水利国土资源调查等研究提供强有力的信息支撑。由于光学卫星传感器的成像质量极易受云、雾等天气因素影响，影像中的地物易被大量云，云阴影和雾气等干扰或遮挡，因此难以获得清晰、完整的高质量图像，使得在后续应用中数据收集和处理成本高且影像利用率低。如何提高日益增多的光学影像数据的利用率，是目前亟待解决的问题。因此，无云影像合成技术应运而生，并随之成为近年来迅速发展的遥感影像处理技术之一。
无云影像合成是指利用多时期的遥感影像，通过制定最佳像元合成准则，选择出满足合成标准的最佳像元进行影像合成，最终获得无云无缝且清晰的高质量遥感影像。目前国际上常用的遥感影像合成算法主要包含以下四种：(1)最大归一化植被指数合成算法(Maximum Normalized Difference Vegetation Index Composite，MNC)。MNC是最早用来进行图像合成采用的准则之一，其根据最大NDVI值(Normalized Difference VegetationIndex)从多时相遥感数据中选择最佳观测像元用以进行像元级合成，MNC方法成功运用到AVHRR、MODIS和Landsat等数据的无云合成中。但对于浓密植被区，其最大NDVI值对植被敏感度降低且趋于饱和，采用MNC算法时合成结果不理想；(2)时间序列谐波分析算法(Harmonic Analysis of Time Series，HANTS)。Roerink于2010年提出该算法，通过时间内插解决了MNC合成图像中的数据缺失带，但HANTS算法中可调的算法参数只能通过经验和实验设置，无法实现客观和自动化；(3)多维中值算法(A multi-dimensional analogue ofthe median，Medoid)。Flood通过Mediod算法合成Landsat TM/ETM+的季度图像，由于季度图像的每个像元至少需要3天的无云输入才能得出预测值，因此Mediod合成结果依然存在大量无效的缺失像元；(4)像元合成算法(Pixel Based Composite，PBC)。PBC的技术思路是通过设定权值规则对多时相影像的所有像元进行评分，对于同一位置的像元，将最高得分者认定为最优像元用以进行像元级图像合成。Griffiths利用PBC算法得到Landsat TM/ETM年度合成影像进行区域覆盖制图。White改进了PBC形成BAP算法(Best Available Pixel)，利用多年数据合成年度影像，Hermosilla通过对Landsat TM/ETM进行变化监测，通过代理值法填补BAP中的数据缺失带。
BAP算法通过对像元设定1)传感器权值，2)目标日权值，3)像元与云云阴影距离权值，4)不透明度权值以获得质量较优的合成影像。但由于其输入的多时相影像的成像时刻、观测-太阳几何，地物类型变化和植被生理状态等不同，而其合成结果仅选取评分“最优”的单个像元，使得合成结果呈现较明显“斑块”现象。
发明内容
本发明的目的在于提供一种基于多时相光学遥感数据的无云影像合成算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多时相光学遥感数据的无云影像合成算法包括以下步骤：
S1：对于多时相光学遥感影像F，计算其传感器权值w1，目标日权值w2，目标像元与云/云阴影距离权值w3，目标像元的不透明度权值w4；
S2：将上述计算的四项权值相加作为评估目标像元总体质量的总权值W，W总＝w1+w2+w3+w4；
S3：将目标像元总权值W总叠加F中的目标像元值V，得到合成后的目标像元V合成；
S4：遍历整景影像，通过V合成填充得到最佳观测像元的合成结果F1，能够对多时相光学遥感数据进行无云合成，得到无云、无缝、清晰且质量高的光学遥感影像。
进一步优选，所述的步骤S1包括如下步骤：
S11：计算的传感器权值w1主要针对不同传感器获取的输入数据的情况，如果输入的多时相影像数据为同一传感器影像，则不计算w1；
S12：计算的目标日权值w2，目标日(Day of Year，DOY)设定为儒略日(JulianDay)，具体数值根据影像覆盖区域内植被生长季窗口的中间日期进行设定，w2计算方式如下：
其中xi为目标日，μ为输入的多时相时间序列成像时间的均值(同为儒略日)，σ为输入的多时相时间序列成像时间的标准差；
进一步优选，所述的步骤S12中，若影像覆盖区域为亚热带或者热带区域，目标日μ设定为[175，185]，生长季窗口σ设定为[120，150]；若影像覆盖区域为温带或者寒温带区域，μ设定为[210，240]，σ设定为[60，90]。
S13：计算的目标像元与云/云阴影距离权值w3，当目标像元本身为云/云阴影，w3＝0；当目标像元不为云/云阴影，且与最近邻的云/云阴影像元距离大于设定的阈值距离Dreq，w3＝1；当目标像元不为云/云阴影，且与最近邻的云/云阴影像元距离小于阈值距离Dreq，w3计算方式如下：
其中Dreq为阈值距离，Di为目标像元与最近邻云/云阴影像元的距离，Dmin为Di的最小值。
进一步优选，所述的步骤S13中阈值距离Dreq取值与影像分辨率有关，若输入为中分辨率影像(＞10m)，Dreq取[20，50]；若输入为高分辨率影像(＜10m)，Dreq取[50，150]；Dmin＝0。
S14：计算的目标像元的不透明度权值w4，当像元不透明度小于阈值Omin，w4＝1；像元不透明度值大于阈值Omax，w4＝0；当像元不透明度值在Omin与Omax之间，w4计算方式如下：
其中Oi为像元的大气不透明度值，Omax为不透明度最大值，Omin为不透明度阈值。
进一步优选，所述的步骤S14中阈值Omax＝0.3，Omin＝0.2。
在步骤S14中，当无法获得输入影像的不透明度值时，则不计算w4。
步骤S2中，计算W总之前需将所有分项权值分别归一化到[0，1]区间。
步骤S3中，合成目标像元的计算方式为：
其中n为输入的多时相影像景数，Vi为第i景输入影像的目标像元值，W总为Vi的总权值评分。
与现有技术相比，本发明的有益效果是：提供的针对多时相光学遥感数据的无云影像合成方法，通过对大区域多景Landsat-8 OLI和GF-1 MSS/WVF数据进行试验，优化了现有BAP合成技术中的最佳像元选取准则，将最佳像元认定为所有输入像元叠加像元评分权值后的加权平均值，并解决了合成影像中由于多时相数据造成的“斑块”问题。
附图说明
图1为本发明的合成算法的总体流程图。
图2为利用2017年多时相Landsat 8 OLI影像(轨道号：125/044)计算2017年合成结果图，图2展示了7景输入影像F及其对应成像时间。
图3为利用2017年多时相Landsat 8 OLI影像(轨道号：125/044)计算2017年合成结果图，图3为本发明的合成结果F1。
图4为利用2017年多时相Landsat 8 OLI影像(轨道号：130/044)计算2017年合成结果图，图4展示了7景输入影像F及其对应成像时间。
图5为利用2017年多时相Landsat 8 OLI影像(轨道号：130/044)计算2017年合成结果图，图5为本发明的合成结果F1；
图6为利用2017年多时相GF-1 WFV影像(E107.3/N22.4)计算2017年合成结果图，图6展示了8景输入影像F及其对应成像时间。
图7为利用2017年多时相GF-1 WFV影像(E107.3/N22.4)计算2017年合成结果图，图7为本发明的合成结果F1；
图8为采用BAP算法的合成结果图(Landsat 8 OLI影像的局部放大图)；
图9为采用本发明方法的合成结果图(Landsat 8 OLI影像的局部放大图)。
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。
请参阅图1-9，本实施例提供一种技术方案：S1：对于多时相光学遥感影像F，计算其传感器权值w1，目标日权值w2，目标像元与云/云阴影距离权值w3，目标像元的不透明度权值w4；
本实施例中，步骤S1包括如下步骤：
S11：计算的传感器权值w1主要针对不同传感器获取的输入数据的情况。如果输入的多时相数据为同一传感器影像，则不计算w1。
S12：计算的目标日权值w2，目标日(Day of Year，DOY)设定为儒略日(JulianDay)，具体数值根据影像覆盖区域内植被生长季窗口的中间日期进行设定。w2计算方式如下：
其中xi为目标日，μ为输入的多时相时间序列成像时间的均值(同为儒略日)，σ为输入的多时相时间序列成像时间的标准差；
本实施例中，若影像覆盖区域为亚热带或者热带区域，目标日μ设定为[175，185]，生长季窗口σ设定为[120，150]；若影像覆盖区域为温带或者寒温带区域，μ设定为[210，240]，σ设定为[60，90]。
S13：计算的目标像元与云/云阴影距离权值w3，当目标像元本身为云/云阴影，w3＝0；当目标像元不为云/云阴影，且与最近邻的云/云阴影像元距离大于设定的阈值距离Dreq，w3＝1；当目标像元不为云/云阴影，且与最近邻的云/云阴影像元距离小于阈值距离Dreq，w3计算方式如下：
其中Dreq为阈值距离，Di为目标像元与最近邻云/云阴影像元的距离，Dmin为Di的最小值。本实施例中，阈值距离Dreq取值与影像分辨率有关，若输入为中分辨率影像(＞10m)，Dreq取[20，50]；若输入为高分辨率影像(＜10m)，Dreq取[50，150]；Dmin＝0。
S14：计算的目标像元的不透明度权值w4，像元不透明度小于阈值Omin，w4＝1；像元不透明度值大于阈值Omax，w4＝0；像元不透明度值在Omin与Omax之间，w4计算方式如下：
其中Oi为像元的大气不透明度值，Omax为不透明度最大值，Omin为不透明度阈值。本实施例中，阈值Omax＝0.3，Omin＝0.2。
本实施例中，当无法获得输入影像的不透明度值时，则不计算w4。
S2：将上述计算的四项权值相加作为评估目标像元总体质量的总权值W，W总＝w1+w2+w3+w4；
本实施例中，计算之前需将所有分项权值分别归一化到[0，1]区间。
S3：将目标像元总权值W总叠加F中的目标像元值V，得到合成后的目标像元V合成；
本实施例中，合成目标像元的计算方式为：
其中n为输入的多时相影像景数，Vi为第i景输入影像的目标像元值，W总为Vi的总权值评分。
S4：遍历整景影像，通过V合成填充得到最佳观测像元的合成结果F1。本发明能够对多时相光学遥感数据进行无云合成，得到无云、无缝、清晰且质量高的光学遥感影像。
其中实施例中所涉及的BAP合成算法的原理：
BAP合成算法是通过设定权值规则对输入的多时相影像的所有像元进行评估，并选择出质量最佳像元参与合成。可根据实际应用需求制定出不同的权值，最终通过累加各项权值得到表征该像元的总体评分，对于同一位置不同时相的输入像元，将最高得分者认定为最佳像元。BAP合成算法主要针对数据源是Landsat TM和Landsat ETM+影像。BAP合成算法中采用了四项权值，分别为：1)传感器权值，2)目标日权值，3)像元与云/云阴影距离权值与4)不透明度权值。各项权值具体计算方法如下：
1)传感器权值
对于在2003年5月31日前获取的Landsat TM和Landsat ETM+影像，其传感器权值都设为1。对2003年5月31日之后获取的数据，Landsat TM权值为1，而Landsat ETM+设为0.5。
2)目标日权值
通过设定合成影像的目标日(Day of Year，DOY)，根据该目标日对多时相输入数据的成像时间进行打分评估。目标日权值的计算方式为：
3)像元与云/云阴影距离权值
当像元本身即为云或云阴影时，像元赋值为无数据；当像元不为云或云阴影时，且与最近邻的云/云阴影像元距离大于设定的阈值距离，像元评分为1；当像元不为云或云阴影时，且与最近邻的云/云阴影像元距离小于设定的阈值距离，像元评分计算方式为：
其中Dreq为设定的阈值距离，Di为目标像元与周围云/云阴影像元的距离，Dmin为Di的最小值，像元距离云/云阴影越远，其得分越高。
4)不透明度权值
为避免大气影响对影像质量造成的干扰，因此采用光学气溶胶厚度(AerosolOptical Thickness，AOT)产品来辅助像元评分。当像元的大气不透明度小于0.1时，则认为该像元极为清晰，当像元的大气不透明度大于0.3时，则认为该像元十分模糊。通过设定不透明度阈值，将不透明度值小于阈值的像元评分为1；不透明度值大于0.3的像元赋值为无数据；不透明度值在阈值与0.3之间的像元评分方式为：
其中Oi为像元的大气不透明度值，Omax为不透明度最大值，Omin为不透明度阈值。
利用上述四项权值计算方式对多时相输入影像的所有像元进行打分，通过累加各项权值得到像元的总体评分，将得分最高的像元认定为最佳像元。利用最佳像元顺序填充影像得到最终合成结果，并生成最佳像元索引图，标识出各位置最佳像元的输入来源。
由于多时相Landsat影像的成像时刻、观测-太阳几何，地物类型变化和植被生理状态等不同，将其作为BAP合成的输入，且最终的影像是由评分“最优”的像元组合而成，因此该算法极易使得合成结果呈现较明显“斑块”现象。通过对BAP算法进行图像合成试验，本案发明人经实践发现，若将最佳像元认定为所有输入像元的加权平均值，则能很好的解决合成结果中的“斑块”问题。同时，经过加权平均处理后，合成结果能更充分的利用输入影像的内容与特征，使像元之间保持较高的一致性。合成目标像元的计算方式为：
其中n为输入的多时相影像景数，Vi为第i景输入影像的目标像元值，W总为Vi的总权值评分。
本发明中的光学遥感数据包括目前国际上通用的中高分辨率卫星影像如LandsatTM/ETM+/OLI、Sentinel-2和GF-1/2/6等。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于多时相光学遥感数据的无云影像合成算法，其特征在于：具体包括以下步骤：
S1：对于多时相光学遥感影像F，计算其传感器权值w1，目标日权值w2，目标像元与云/云阴影距离权值w3，目标像元的不透明度权值w4；
S2：将上述计算的四项权值相加作为评估目标像元总体质量的总权值W，W总＝w1+w2+w3+w4；
S3：将目标像元总权值W总叠加F中的目标像元值V，得到合成后的目标像元V合成；
S4：遍历整景影像，通过V合成填充得到最佳观测像元的合成结果F1，能够对多时相光学遥感数据进行无云合成，得到无云、无缝、清晰且质量高的光学遥感影像。
2.根据权利要求1所述的一种基于多时相光学遥感数据的无云影像合成算法，其特征在于：所述的步骤S1包括如下步骤：
S11：计算的传感器权值w1主要针对不同传感器获取的输入数据的情况。如果输入的多时相数据为同一传感器影像，则不计算w1；
S12：计算的目标日权值w2，目标日设定为儒略日，具体数值根据影像覆盖区域内植被生长季窗口的中间日期进行设定，w2计算方式如下：
其中xi为目标日，μ为输入的多时相时间序列成像时间的均值(同为儒略日)，σ为输入的多时相时间序列成像时间的标准差；
S13：计算的目标像元与云/云阴影距离权值w3，当目标像元本身为云/云阴影，w3＝0；当目标像元不为云/云阴影，且与最近邻的云/云阴影像元距离大于设定的阈值距离Dreq，w3＝1；当目标像元不为云/云阴影，且与最近邻的云/云阴影像元距离小于阈值距离Dreq，w3计算方式如下：
其中Dreq为阈值距离，Di为目标像元与最近邻云/云阴影像元的距离，Dmin为Di的最小值；
S14：计算的目标像元的不透明度权值w4，像元不透明度小于阈值Omin，w4＝1；像元不透明度值大于阈值Omax，w4＝0；像元不透明度值在Omin与Omax之间，w4计算方式如下：
其中Oi为像元的大气不透明度值，Omax为不透明度最大值，Omin为不透明度阈值。
3.根据权利要求2所述的一种基于多时相光学遥感数据的无云影像合成算法，其特征在于：所述的步骤S12中，若影像覆盖区域为亚热带或者热带区域，目标日μ设定为[175，185]，生长季窗口σ设定为[120，150]；若影像覆盖区域为温带或者寒温带区域，μ设定为[210，240]，σ设定为[60，90]。
4.根据权利要求2所述的一种基于多时相光学遥感数据的无云影像合成算法，其特征在于：所述的步骤S13中阈值距离Dreq取值与影像分辨率有关，若输入为中分辨率影像(＞10m)，Dreq取[20，50]；若输入为高分辨率影像(＜10m)，Dreq取[50，150]；Dmin＝0。
5.根据权利要求2所述的一种基于多时相光学遥感数据的无云影像合成算法，其特征在于：所述的步骤S14中阈值Omax＝0.3，Omin＝0.2。
6.根据权利要求1所述的一种基于多时相光学遥感数据的无云影像合成算法，其特征在于：所述的步骤S2中，计算W总之前需将所有分项权值分别归一化到[0，1]区间。
7.根据权利要求1所述的一种基于多时相光学遥感数据的无云影像合成算法，其特征在于：所述的步骤S3中，合成目标像元的计算方式为：
其中n为输入的多时相影像景数，Vi为第i景输入影像的目标像元值，
W总为Vi的总权值评分。
CN201910205833.4A 2019-03-19 2019-03-19 一种基于多时相光学遥感数据的无云影像合成算法 Pending CN109961418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910205833.4A CN109961418A (zh) 2019-03-19 2019-03-19 一种基于多时相光学遥感数据的无云影像合成算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910205833.4A CN109961418A (zh) 2019-03-19 2019-03-19 一种基于多时相光学遥感数据的无云影像合成算法

Publications (1)

Publication Number Publication Date
CN109961418A true CN109961418A (zh) 2019-07-02

Family

ID=67024517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910205833.4A Pending CN109961418A (zh) 2019-03-19 2019-03-19 一种基于多时相光学遥感数据的无云影像合成算法

Country Status (1)

Country Link
CN (1) CN109961418A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390287A (zh) * 2019-07-17 2019-10-29 中科光启空间信息技术有限公司 一种基于卫星遥感的作物成熟期预测方法
CN112347992A (zh) * 2020-12-01 2021-02-09 中国林业科学研究院 一种荒漠地区时序agb遥感估算方法
CN113125351A (zh) * 2021-03-25 2021-07-16 国家卫星气象中心(国家空间天气监测预警中心) 一种多时次遥感影像优化合成方法及系统
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020085748A1 (en) * 2000-10-27 2002-07-04 Baumberg Adam Michael Image generation method and apparatus
US20050175253A1 (en) * 2002-01-22 2005-08-11 National University Of Singapore Method for producing cloud free and cloud-shadow free images
CN103902802A (zh) * 2012-12-29 2014-07-02 中国科学院深圳先进技术研究院 一种顾及空间信息的植被指数时间序列数据重建方法
CN106920231A (zh) * 2017-02-17 2017-07-04 北京理工大学 一种基于全色图像统计特征的遥感图像云评估方法
CN106933776A (zh) * 2017-03-02 2017-07-07 宁波大学 一种modis aod产品缺失数据修复的方法
CN107437237A (zh) * 2017-07-07 2017-12-05 武汉大学 一种区域无云影像合成方法
CN109427091A (zh) * 2018-03-21 2019-03-05 新疆林业科学院现代林业研究所 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020085748A1 (en) * 2000-10-27 2002-07-04 Baumberg Adam Michael Image generation method and apparatus
US20050175253A1 (en) * 2002-01-22 2005-08-11 National University Of Singapore Method for producing cloud free and cloud-shadow free images
CN103902802A (zh) * 2012-12-29 2014-07-02 中国科学院深圳先进技术研究院 一种顾及空间信息的植被指数时间序列数据重建方法
CN106920231A (zh) * 2017-02-17 2017-07-04 北京理工大学 一种基于全色图像统计特征的遥感图像云评估方法
CN106933776A (zh) * 2017-03-02 2017-07-07 宁波大学 一种modis aod产品缺失数据修复的方法
CN107437237A (zh) * 2017-07-07 2017-12-05 武汉大学 一种区域无云影像合成方法
CN109427091A (zh) * 2018-03-21 2019-03-05 新疆林业科学院现代林业研究所 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAROLD S.J.ZALD 等: "Integrating Landsat pixel composites and change metrics with lidar plots to predictively map forest structure and aboveground biomass in Saskatchewan, Canada", 《REMOTE SENSING OF ENVIRONMENT》 *
J.C.WHITE 等: "Pixel-Based Image Compositing for Large-Area Dense Time Series Applications and Science", 《CANADIAN JOURNAL OF REMOTE SENSING》 *
PANG YONG 等: "Forest aboveground carbon mapping using multiple source remote sensing data in the Greater Mekong Subregion", 《2015 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
TXOMIN HERMOSILLA 等: "An integrated Landsat time series protocol for change detection and generation of annual gap-free surface reflectance composites", 《REMOTE SENSING OF ENVIRONMENT》 *
胡钢 等: "像素级图像融合技术的研究与进展", 《计算机应用研究》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390287A (zh) * 2019-07-17 2019-10-29 中科光启空间信息技术有限公司 一种基于卫星遥感的作物成熟期预测方法
CN112347992A (zh) * 2020-12-01 2021-02-09 中国林业科学研究院 一种荒漠地区时序agb遥感估算方法
CN113125351A (zh) * 2021-03-25 2021-07-16 国家卫星气象中心(国家空间天气监测预警中心) 一种多时次遥感影像优化合成方法及系统
CN113125351B (zh) * 2021-03-25 2022-11-29 国家卫星气象中心(国家空间天气监测预警中心) 一种多时次遥感影像优化合成方法及系统
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
CN109961418A (zh) 一种基于多时相光学遥感数据的无云影像合成算法
Gong et al. 40-Year (1978–2017) human settlement changes in China reflected by impervious surfaces from satellite remote sensing
Jain et al. Using satellite data to identify the causes of and potential solutions for yield gaps in India’s Wheat Belt
Hagenlocher et al. Integrated assessment of the environmental impact of an IDP camp in Sudan based on very high resolution multi-temporal satellite imagery
CN109115995B (zh) 土壤水分信息获取方法、装置、计算机设备和存储介质
Cheung et al. Application of optical-flow technique to significant convection nowcast for terminal areas in Hong Kong
Zhou et al. Individual tree parameters estimation for plantation forests based on UAV oblique photography
Wang et al. Do afforestation projects increase core forests? Evidence from the Chinese Loess Plateau
Ku et al. A comparison of multiple methods for mapping local-scale mesquite tree aboveground biomass with remotely sensed data
Gerts et al. Multi-temporal monitoring of cotton growth through the vegetation profile classification for Tashkent province, Uzbekistan
CN113762090B (zh) 一种特高压密集输电通道灾害监测预警方法
Kumar et al. Analyzing trend in artificial light pollution pattern in India using NTL sensor's data
Yushanjiang et al. Spatial–temporal variation of ecosystem service values in Ebinur Lake Wetland National Natural Reserve from 1972 to 2016, Xinjiang, arid region of China
Fu et al. Assessment of approaches for monitoring forest structure dynamics using bi-temporal digital aerial photogrammetry point clouds
US20230059277A1 (en) Map data processing method and apparatus, and storage medium
Zhang et al. Geospatial knowledge-based verification and improvement of GlobeLand30
Ma et al. Mapping fine-scale building heights in urban agglomeration with spaceborne lidar
Chen et al. Enhanced surface urban heat islands due to divergent urban-rural greening trends
Miettinen et al. Demonstration of large area forest volume and primary production estimation approach based on Sentinel-2 imagery and process based ecosystem modelling
Li et al. The land-sea interface mapping: China’s coastal land covers at 10 m for 2020
CN113793023A (zh) 一种基于卫星遥感的区域绿色发展指标评价方法
Rafanoharana et al. Tree canopy density thresholds for improved forests cover estimation in protected areas of Madagascar
Chen et al. Improving long-term impervious surface percentage mapping in mountainous areas based on multi-source remote sensing data
Zhao et al. Directional analysis of urban expansion based on sub-pixel and regional scale: a case study of main districts in Guangzhou, China
Pan et al. Urban expansion and intra-urban land evolution as well as their natural environmental constraints in arid/semiarid regions of China from 2000–2018

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190702