CN110163035A - 一种先验数据支持的云阴影识别方法 - Google Patents
一种先验数据支持的云阴影识别方法 Download PDFInfo
- Publication number
- CN110163035A CN110163035A CN201810169915.3A CN201810169915A CN110163035A CN 110163035 A CN110163035 A CN 110163035A CN 201810169915 A CN201810169915 A CN 201810169915A CN 110163035 A CN110163035 A CN 110163035A
- Authority
- CN
- China
- Prior art keywords
- data
- reflectivity
- cloud
- apparent reflectance
- growing season
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明涉及一种先验数据支持的云阴影识别方法,是一种基于真实地表的云阴影自动检测方法,具体流程如图1所示。首先利用MOD09 A1数据构建可见光近红外波段每月一景的真实地表反射率数据集,然后基于6S辐射传输模型,假设地面像元均一、朗伯地表,在可见光近红外波段模拟晴空条件下地表反射率在不同的大气模式、气溶胶类型、观测几何、气溶胶光学厚度条件下,表观反射率的变化情况,并构建基于这些参数的表观反射率变化的查找表,根据查找表数据用最小二乘法非线性拟合表观反射率变化的极小值,获得待检测传感器的云阴影检测算法。
Description
技术领域
本发明涉及一种先验数据支持的云阴影识别方法,是一种基于真实地表的云阴影自动检测方法,适用于多种传感器。
背景技术
大陆约55%的地表被云覆盖遮挡,天气原因、传感器观测角度以及太阳天顶角等因素的影响,大部分遥感影像在获取时会有云及云阴影的存在,使遥感影像上的地表信息变得模糊甚至丢失,很难准确获取云的阴影区域的地物光谱信息,给目标识别、分类、信息提取带来困难,严重影响了遥感影像的解译效果及进一步应用,因此,采用快速有效的方法进行云阴影的自动识别是遥感数据处理过程中首要解决的问题。
云阴影在遥感影像上表现为团块状且极不规则的较暗区域,面积比较大、分布集中。目前常用的云阴影检测方法主要有阈值法、模型法、基于观测几何的方法。其中,阈值法算法简单、计算速度快、效率高,是目前最广泛的云阴影检测方法。常用的阈值法有经验阈值法、滞后阈值法、云阴影地域增强模型等方法。经验阈值法的基本思想主要基于组分光谱差异的分析技术,进行波谱分析和特征通道选择,使用一个或多个波段或者衍生度量进行云阴影检测;滞后阈值法主要是通过对遥感影像黑暗区域的分割进行云阴影区域的增长实现云阴影检测,本方法容易将地形阴影划分为云阴影,导致云阴影面积大于实际面积;云阴影地域增强模型主要是针对厚云产生的云阴影进行检测识别,用时相相近或不同年份同一季节的无云数据生成地域增强模型进行云阴影检测,本方法阈值的选择范围较宽,但对薄云的阴影区域容易漏判。
传统的阈值法云阴影识别针对不同的传感器数据都要研究不同的检测算法,不仅费时费力也会影响遥感影像的应用。传统的阈值法进行云阴影识别时主要是利用卫星遥感数据地物的波谱信息,其受大气状况和地表类型影响严重。同时,云阴影区域混合像元问题比较严重,使得云阴影识别更加困难,根据云阴影和下垫面地物的波谱信息不能有效的区分云阴影和暗地表区域,而且固定阈值法云阴影识别容易将暗地表误判。
发明内容
针对上述问题,本发明提出了一种适用于多种传感器数据的先验数据库支持的云阴影自动识别算法。首先利用MOD09 A1数据构建真实地表反射率数据集,然后基于6S辐射传输模型模拟观测几何、大气模式、气溶胶模式等参数对表观反射率的影响并构建基于这些参数的表观反射率变化的查找表,根据查找表数据用最小二乘法非线性拟合表观反射率变化的极小值,获得待检测传感器的云阴影检测算法。具体步骤如下:
步骤一:构建地表反射率数据集
1)选取MOD09 A1地表反射率数据产品,包括如下波段:红光波段(0.620-0.670nm)、绿光波段(0.545-0.565nm)、蓝光波段(0.459-0.479nm)及近红外波段(0.841-0.876nm) 4个波段。
2)对选取的MOD09 A1数据进行几何校正、投影转换、镶嵌等预处理,处理后影像空间分辨率保持500m。
3)对镶嵌后的MOD09 A1数据进行裁剪处理,得到全国陆地范围的地表反射率数据集。
4)按第二小值合成的方式将长时间序列内每个月的多景影像合成为一景影像,消除云层影响。
步骤二:基于6S辐射传输模型的参数模拟分析
本发明假设地面像元均一且是朗伯地表,利用6S辐射传输模型,模拟晴空条件下在不同的地表反射率、大气模式、气溶胶模式以及气溶胶光学厚度条件下,可见光波段与近红外波段的表观反射率的变化情况,并分析不同参数因素在太阳辐射传输过程中对表观反射率的影响。本发明分别将待模拟数据的可见光波段和近红外波段的光谱响应函数添加到6S辐射传输模型中,预先设定光谱积分的步长,并且每次只改变一个输入参数,其他输入参数为默认值。
步骤三:构建查找表
基于6S辐射传输模型,晴空条件下,构建不同的观测几何、大气模式、气溶胶模式以及气溶胶光学厚度条件下不同时相、不同区域的查找表,用于获取不同参数条件下表观反射率的变化趋势。
然后根据查找表拟合出待云阴影识别数据的地表反射率数据与表观反射率之间的数学关系,得到上述各种条件下表观反射率变化的最小值。
根据查找表得到待云阴影识别数据的地表反射率数据与表观反射率之间的数学关系。
步骤四:云阴影识别算法自动生成
根据步骤三对每种气溶胶模式、大气模式下的表观反射率的值进行非线性最小二乘拟合,构建云阴影检测模型,得到表观反射率的极小值。将待检测数据与真实地表反射率数据集作对比,若其表观反射率仍低于拟合的结果,则判别为云阴影。
根据查找表数据拟合出待检测传感器波段表观反射率变化的极小值,若待检测数据的表观反射率低于对应的MOD09数据的表观反射率的极小值,则判别为云阴影。
构建的云阴影检测模型为:
蓝光波段:RBlue-min=a1RMOD+b1cos α cos β+c1
绿光波段:RGreen-min=a2RMOD+b2cos α cos β+c2
红光波段:RRed-min=a3RMOD+b3cos α cos β+c3
近红外波段:RNIR-min=a4RMOD+b4cos α cos β+c4
云阴影检测判别规则如下:
Ri=Ri-OLI<Ri-min i=Blue,Green,Red,NIR
R=RBlue∪RGreen∪RRed∪RNIR
式中,ai、bi、ci为本发明中云阴影识别算法模型参数,RMOD为MOD09 A1真实地表反射率数据,α为太阳天顶角值,β为卫星天顶角值,本发明基于这两个角度的余弦值的乘积作为一个影响因子;RRed-min、RGreen-min、RBlue-min、RNIR-min分别表示二乘拟合得到的待云阴影识别数据的红光波段(Red)、绿光波段(Green)、蓝光波段(Blue)和近红外波段(NIR)的表观反射率的极小值。Ri表示待云阴影识别数据第i波段的检测结果;Ri-OLI表示待云阴影识别数据第i波段的表观反射率值,若Ri值小于拟合得到的表观反射率的极小值Ri-min,则判别为云阴影,赋值为1,否则为晴空像元,赋值为0。R表示云阴影识别的最终结果,是一幅二值影像,1代表识别的云阴影区域。
本发明具有如下优点:
本发明利用MOD09 A1产品构建地表反射率数据集,基于真实地表反射率数据实现云阴影算法的自动生成,适用于多种传感器影像云阴影的识别。本发明云阴影识别算法对数据要求低、检测效率高、利于大范围长时间序列的云阴影识别的业务化运行。在本发明中只需要提供待检测数据的光谱响应函数就可以生成待检测数据的云阴影检测模型,且本发明中云阴影识别算法的阈值是动态的,从一定程度上消除了复杂地表对云阴影识别结果的影响。
附图说明
图1本发明中一种先验数据支持的云阴影识别方法的技术流程图
图2待云阴影识别的Landsat8 OLI影像,显示的是5、4、3波段的假彩色合成
图3 2012年6月合成的地表反射率数据,显示的是真彩色影像
图4不同气溶胶条件下气溶胶光学厚度与表观反射率之间的变化关系
图5地表反射率为0.4,气溶胶光学厚度为0.2时,太阳天顶角与对表观反射率之间的变化关系
图6不同的大气模式下,气溶胶光学厚度与表观反射率之间的变化关系
图7 Landsat8 OLI影像云阴影识别的拟合结果
图8云阴影识别结果,其中白色表示为云阴影
具体实施方式
为了使本发明的目的、技术方案更加清楚明白,下面结合具体实施方式对本发明进行详细说明。如图一所示,基于先验数据支持的云阴影识别方法包括以下步骤:
步骤一:构建地表反射率数据集
本发明基于8天合成的MOD09 A1产品构建真实地表反射率数据集。MOD09 A1是取传感器获得的临近的8天数据,尽可能采用质量好的像元替代云和云阴影像元、高视角像元、高气溶胶像元合成一景影像,比较真实的反映了地表反射率变化情况。MOD09 A1地表反射率的空间分辨率为500m,有7个波段。具体构建方法如下:
1)选取2012年中国大陆区域内的所有8天合成的MOD09 A1地表反射率数据,全年共 46景影像数据。
2)构建地表反射率数据集时选择与Landsat8数据对应的MOD09 A1数据的红光波段 (0.620-0.670nm)、绿光波段(0.545-0.565nm)、蓝光波段(0.459-0.479nm)及近红外波段(0.841-0.876nm)4个波段。
3)对选取的MOD09 A1数据进行投影转换、镶嵌等预处理。纠正后输出的影像均采用“Albers Conical Equal Area”投影。影像地面分辨率保持500m不变。
4)对镶嵌后的MOD09 A1数据进行裁剪处理,得到全国陆地范围的地表反射率数据集。
5)按第二小值合成的方式将长时间序列内每一月的多景影像合成为一景影像。
MOD09数据在经过严格的数据控制和处理后部分地区仍存在少量云覆盖现象,为了降低云覆盖的影响,对2012年内地表参数产品进行时间分析,根据MOD09 A1数据的时间分辨率和空间分布情况,一个月内某区域的地表覆盖不会发生特别大的变化,其反射率变化在一定范围之内,因此本发明利用第二小值合成法合成每月的一景影像,构建每月的MOD09 A1 地表反射率数据集,该影像基本全部由晴空像元组成。本方法最终获得我国大陆范围内的12 景地表反射率数据。
第二小值合成法描述如下:以2012年6月获取的MOD09 A1地表反射率数据为例,可获取本月份第2、10、18、26天的4景数据产品。对获取的影像逐像元比较,选取地表反射率第二小的像元值合成新的每月地表反射率影像,最终得到一景本月份中国地区无云标准的地表反射率数据,如图三所示。本方法月合成产品不但可以兼顾地表的时间序列变化和消除MODIS数据的生产误差,而且对于人为地表覆盖变化能够做出有效的反应等,能够最大限度降低云及大气的影响并且去除了奇异值的影响。
步骤二:数据处理
本发明以Landsat8 OLI传感器数据作为检测数据进行云阴影的识别。Landsat8OLI数据与步骤一中构建的地表反射率数据集的空间分辨率以及投影信息不匹配,因此需要进行如下处理:
1)重采样。步骤一中构建的地表反射率数据集的空间分辨率为500m,而Landsat8OLI 数据空间分辨率为30m,因此需要对Landsat8 OLI数据进行重采样、空间尺度转换等处理使两种数据相互配准。
2)数据裁剪。从Landsat8 OLI影像元数据中获取其成像日期,并从步骤一中选择之对应的地表反射率数据产品,并根据Landsat8 OLI影像数据区域对其进行裁剪处理,使两者区域相同。
3)精确配准。本发明中云阴影识别算法是在像元尺度上实现的,因此配准的精度直接影响云阴影识别的结果,本发明采用仿射坐标变化将Landsat8 OLI卫星数据与地表反射率产品数据集进行匹配。
4)辐射定标。将Landsat-8影像数据的DN值转换为表观反射率值。校正系数由Landsat-8 影像元数据提供。
步骤三:基于6S辐射传输模型的参数模拟分析
本发明假设地面像元均一、朗伯地表,忽略BRDF的影响,晴空条件下,基于6S辐射传输模型模拟Landsat8 OLI数据的可见光波段与近红外波段的地表反射率在不同的观测几何、大气模式、气溶胶模式以及气溶胶光学厚度条件下,表观反射率的变化,并分析在太阳辐射的传输过程对不同因素的影响。将Landsat8 OLI数据的可见光和近红外波段的光谱响应函数添加到6S辐射传输模型中,预设光谱积分的步长为2.5nm,每次只改变一个输入参数,其他输入参数设为默认值。
本发明假设地面像元均一且是朗伯地表,利用6S辐射传输模型,模拟晴空条件下在不同的地表反射率、大气模式、气溶胶模式以及气溶胶光学厚度条件下,可见光波段与近红外波段的表观反射率的变化情况,并分析不同参数因素在太阳辐射传输过程中对表观反射率的影响。
(1)气溶胶光学厚度的影响
图四模拟了当太阳天顶角和观测天顶角均为14°,地表反射率分别为0.01、0.1、0.2、0.4、 0.6、0.8时,城镇型、大陆型、海洋型气溶胶模式下,表观反射率与气溶胶光学厚度之间的变化情况。由模拟结果可知,随着气溶胶光学厚度的变化表观反射率变化显著,并且在不同气溶胶模式下表观反射率的变化情况也不相同。由图四可知当地表反射率为0.01和0.1时,随着气溶胶光学厚度的增加,表观反射率呈现增加的趋势,其中海洋型气溶胶模式下随着气溶胶光学厚度的增加表观反射率的上升变化趋势最大。当地表反射率大于或等于0.2时,随着气溶胶光学厚度的增加,表观反射率呈现减小的趋势,其中城镇型气溶胶模式下随着气溶胶光学厚度的增加表观反射率减小的变化趋势最大。因此,不同的气溶胶光学厚度和不同的气溶胶模式对表观反射率的变化都有很大的影响。
(2)角度的影响
图五模拟了当观测天顶角为14°,地表反射率分别为0.1和0.4,气溶胶光学厚度分别为 0.2和0.6时,城镇型、大陆型、海洋型3种气溶胶模式下,表观反射率与太阳天顶角之间的变化情况。由于太阳天顶角与观测天顶角的变化趋势是相似的,因此本发明仅对太阳天顶角与表观反射率的关系进行分析。由模拟结果可知,当地表反射率为0.1、气溶胶光学厚度为 0.2时,随着太阳天顶角的增大,表观反射率的变化较小,其中城镇型气溶胶模式变化最小。当地表反射率为0.1、气溶胶光学厚度为0.6时,随着太阳天顶角的增大,表观反射率的变化比较大,其中海洋型气溶胶模式变化最大。当地表反射率为0.4、气溶胶光学厚度为0.2时,随着太阳天顶角的增加,表观反射率整体呈现降低的趋势,并且城镇型气溶胶模式变化最大。当地表反射率为0.4、气溶胶光学厚度为0.6时,随着太阳天顶角的增加,表观反射率的变化趋势更明显。因此太阳天顶角对表观反射率的变化有一定的影响,且表观反射率在气溶胶光学厚度为0.6时变化大于气溶胶厚度为0.2时的变化。
(3)大气模式的影响
图六模拟了大陆型气溶胶模式下,当太阳天顶角为14°,观测天顶角均为14°,太阳方位角为100°时,地表反射率分别设置为0.01、0.1、0.2、0.4、0.6、0.8情况下,不同大气模式条件下,随着气溶胶光学厚度的变化,表观反射率的变化情况。由模拟结果可知,在不同的大气模式下,表观反射率随着气溶胶光学厚度的变化趋势是一致的,因此大气模式对表观反射率的影响较小。
步骤四:构建查找表
根据步骤二可知地表反射率、气溶胶光学厚度、太阳天顶角、观测天顶角、大气模式、气溶胶模式等参数的变化会影响表观反射率的变化,由于辐射传输方程涉及到的参数较多、过程复杂、解算耗时严重,本发明基于6S辐射传输模型构建不同区域、不同时间、不同观测条件的Landsat8 OLI可见光近红外波段的查找表,获取不同参数条件下表观反射率和地表反射率之间的量化方程式。步骤一构建的是中国大陆区域的地表反射率数据集,因此将大气模式设置为中纬度夏季或中纬度冬季。本发明假设地面为朗伯体并忽略地表BRDF的影响,在查找表构建过程中各参数的具体设置如下表所示:
参数项 | 参数设置 |
海拔高度 | 0.0 |
地表反射率 | 0.01、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9 |
气溶胶光学厚度 | 0.00001、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8 |
太阳天顶角 | 10°、25°、40°、55° |
观测天顶角 | 10°、20°、30°、40° |
气溶胶模式 | 大陆型、城市型、海洋型 |
步骤五:云阴影检测算法自动生成
根据步骤四得到的最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,构建云阴影检测模型。将Landsat8 OLI数据与真实地表反射率数据集作对比,若其表观反射率仍低于拟合的结果,则判别为云阴影。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,得到Landsat8 OLI可见光波段和近红外波段表观反射率变化的极小值Rmin的非线性拟合公式。拟合得到的极小值为云阴影识别的阈值,Landsat8 OLI值小于表观反射率变化的极小值为云阴影。
理想情况下Landsat8 OLI蓝、绿、红、近红外波段云阴影检测拟合结果如图七所示,构建的各个波段的云检测算法模型为:
Landsat8 OLI第二波段(蓝光波段):
R2-min=0.46789RMOD+0.032959cos α cos β+0.05665
Landsat8 OLI第三波段(绿光波段):
R3-min=0.50407RMOD+0.019384cos α cos β+0.033707
Landsat8 OLI第四波段(红光波段):
R4-min=0.58829RMOD+0.012761cos α cos β+0.022717
Landsat8 OLI第五波段(近红外波段):
R5-min=0.69871RMOD+0.006271cos α cos β+0.011671
云阴影检测的判别规则:
Ri=Ri-OLI<Ri-min i=2,3,4,5
R=R2∪R3∪R4∪R5
式中,RMOD表示选取的MOD09 A1地表反射率数据,α为卫星传感器太阳天顶角,β为卫星传感器天顶角;R2-min、R3-min、R4-min、R5-min分别表示Landsat8 OLI数据中蓝光(Blue)、绿光(Green)、红光(Red)和近红外(NIR)波段模拟得到的表观反射率极小值。Ri表示待检测数据第i波段的检测结果;Ri-OLI表示Landsat8 OLI数据第i波段的表观反射率值,若Ri小于表观反射率变化的极小值,则判别为云阴影,赋值为1,否则为晴空像元,赋值为0。R表示最终的云阴影识别结果,是一景二值影像,其中1代表云阴影区域,0代表晴空地表。
云阴影识别结果如图八所示,其中白色为Landsat8 OLI数据的云阴影。从云阴影检测结果中可以看出,云阴影被完整的识别出来,极少漏判和误判,说明本发明提出的云阴影检测算法整体检测效果较好。
Claims (1)
1.一种先验数据支持的云阴影识别方法,包括以下步骤:
1、构建地表反射率数据集
1)选取MOD09 A1地表反射率数据产品;
2)利用MRT对下载的MOD09 A1数据进行投影转换、镶嵌等预处理;
3)按第二小值合成的方式将长时间序列内每个月的多景影像合成为一景影像;
4)利用全国矢量对拼接的MOD09 A1地表反射率产品进行裁剪获得全国陆地地表反射率数据集。
2、基于6S辐射传输模型的参数模拟分析
假设地面像元均一、朗伯地表,晴空条件下在可见光近红外波段基于6S辐射传输模型模拟地表反射率在不同的大气模式、气溶胶类型、观测几何、气溶胶光学厚度条件下,表观反射率的变化情况,分析不同因素在太阳辐射的传输过程中的影响。本发明分别将待模拟数据的可见光和近红外波段的光谱响应函数添加到6S辐射传输模型中,预先设定光谱积分的步长,每次只改变一个输入参数,其他输入参数为默认值,分析不同参数在太阳辐射传输过程中的影响。
3、构建查找表
基于6S辐射传输模型,通过给定地表反射率、气溶胶光学厚度、太阳天顶角、观测天顶角、大气模式、气溶胶模式等参数,构建晴空条件下表观反射率的查找表,根据查找表拟合待检测数据表观反射率和地表反射率之间的量化关系。
4、云阴影检测算法自动生成
模拟得到在晴空像元所有可能条件下表观反射率变化的极小值,根据最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,构建云阴影检测模型。将待检测数据与真实地表反射率数据集作对比,若其表观反射率仍低于拟合的结果,则判别为云阴影。
构建的云阴影检测模型为:
蓝光波段:RBlue-min=a1RMOD+b1cosαcosβ+c1
绿光波段:RGreen-min=a2RMOD+b2cosαcosβ+c2
红光波段:RRed-min=a3RMOD+b3cosαcosβ+c3
近红外波段:RNIR-min=a4RMOD+b4cosαcosβ+c4
云阴影检测判别规则如下:
Ri=Ri-OLI<Ri-min i=Blue,Green,Re d,NIR
R=RBlue∪RGreen∪RRed∪RNIR
式中,ai、bi、ci为解算的模型参数,RMOD表示MOD09地表反射率数据,α表示太阳天顶角,β表示卫星天顶角,本发明将这两个角度的余弦值的乘积作为一个影响因子;RBlue-min、RGreen-min、RRed-min、RNIR-min分别表示待检测数据的蓝光(Blue)、绿光(Green)、红光(Red)和近红外(NIR)波段模拟得到的表观反射率极小值。Ri表示待检测数据第i波段的检测结果;Ri-OLI表示待测数据第i波段的表观反射率,若Ri小于表观反射率变化的极小值,则像元判别为云阴影像元,赋值1,否则为晴空像元,赋值0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169915.3A CN110163035A (zh) | 2018-02-11 | 2018-02-11 | 一种先验数据支持的云阴影识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169915.3A CN110163035A (zh) | 2018-02-11 | 2018-02-11 | 一种先验数据支持的云阴影识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163035A true CN110163035A (zh) | 2019-08-23 |
Family
ID=67635854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810169915.3A Pending CN110163035A (zh) | 2018-02-11 | 2018-02-11 | 一种先验数据支持的云阴影识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163035A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726653A (zh) * | 2019-09-25 | 2020-01-24 | 中国电子科技集团公司第二十七研究所 | 基于天地一体化信息的pm2.5浓度监测方法 |
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 |
CN113836731A (zh) * | 2021-09-28 | 2021-12-24 | 中国科学院空天信息创新研究院 | 陆表稳定目标大气层顶反射率模型的构建方法和装置 |
US11430210B2 (en) * | 2020-06-18 | 2022-08-30 | Raytheon Company | Methods and system for estimation of lambertian equivalent reflectance for reflective band imagery |
CN116297068A (zh) * | 2023-05-25 | 2023-06-23 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020096622A1 (en) * | 2001-01-23 | 2002-07-25 | Steven Adler-Golden | Methods for atmospheric correction of solar-wavelength Hyperspectral imagery over land |
CN101566692A (zh) * | 2009-05-26 | 2009-10-28 | 吉林大学 | 利用卫星遥感数据中的云影信息检测云高的方法 |
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 |
CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
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 |
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
-
2018
- 2018-02-11 CN CN201810169915.3A patent/CN110163035A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020096622A1 (en) * | 2001-01-23 | 2002-07-25 | Steven Adler-Golden | Methods for atmospheric correction of solar-wavelength Hyperspectral imagery over land |
CN101566692A (zh) * | 2009-05-26 | 2009-10-28 | 吉林大学 | 利用卫星遥感数据中的云影信息检测云高的方法 |
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 |
CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
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 |
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726653A (zh) * | 2019-09-25 | 2020-01-24 | 中国电子科技集团公司第二十七研究所 | 基于天地一体化信息的pm2.5浓度监测方法 |
CN110726653B (zh) * | 2019-09-25 | 2022-03-04 | 中国电子科技集团公司第二十七研究所 | 基于天地一体化信息的pm2.5浓度监测方法 |
US11430210B2 (en) * | 2020-06-18 | 2022-08-30 | Raytheon Company | Methods and system for estimation of lambertian equivalent reflectance for reflective band imagery |
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 |
CN113836731A (zh) * | 2021-09-28 | 2021-12-24 | 中国科学院空天信息创新研究院 | 陆表稳定目标大气层顶反射率模型的构建方法和装置 |
CN113836731B (zh) * | 2021-09-28 | 2023-06-20 | 中国科学院空天信息创新研究院 | 陆表稳定目标大气层顶反射率模型的构建方法和装置 |
CN116297068A (zh) * | 2023-05-25 | 2023-06-23 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
CN116297068B (zh) * | 2023-05-25 | 2023-08-18 | 山东大学 | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163035A (zh) | 一种先验数据支持的云阴影识别方法 | |
Elvidge et al. | Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using an automatic scattergram-controlled regression | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
Liu et al. | A process-based boreal ecosystem productivity simulator using remote sensing inputs | |
Chen et al. | Multi-angular optical remote sensing for assessing vegetation structure and carbon absorption | |
Lyapustin et al. | Multi-angle implementation of atmospheric correction for MODIS (MAIAC): 3. Atmospheric correction | |
Ma et al. | Determination of regional net radiation and soil heat flux over a heterogeneous landscape of the Tibetan Plateau | |
Moran et al. | Assessing the spatial distribution of evapotranspiration using remotely sensed inputs | |
CN108169161B (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
CN109885959B (zh) | 一种地表温度鲁棒降尺度方法 | |
CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
CN102982538B (zh) | 一种资源卫星多光谱图像模拟真彩色方法 | |
Bartlett et al. | The spectral effects of clouds on solar irradiance | |
CN103901420A (zh) | 先验地表反射率支持的动态阈值法遥感数据云识别方法 | |
CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
Igawa | Improving the All Sky Model for the luminance and radiance distributions of the sky | |
CN110927120B (zh) | 一种植被覆盖度预警方法 | |
CN105404873B (zh) | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 | |
CN103712955A (zh) | 一种基于神经网络二次优化的二类水体大气校正方法 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
Jarníková et al. | Towards a revised climatology of summertime dimethylsulfide concentrations and sea–air fluxes in the Southern Ocean | |
CN110186822A (zh) | 一种气溶胶光学厚度遥感反演方法 | |
Kuester et al. | Simulation of multitemporal and hyperspectral vegetation canopy bidirectional reflectance using detailed virtual 3-D canopy models |
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 |