CN110186820A - 多源数据融合与环境污染源及污染物分布分析方法 - Google Patents

多源数据融合与环境污染源及污染物分布分析方法 Download PDF

Info

Publication number
CN110186820A
CN110186820A CN201811566740.6A CN201811566740A CN110186820A CN 110186820 A CN110186820 A CN 110186820A CN 201811566740 A CN201811566740 A CN 201811566740A CN 110186820 A CN110186820 A CN 110186820A
Authority
CN
China
Prior art keywords
image
data
matching
feature
cloud
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
CN201811566740.6A
Other languages
English (en)
Inventor
郝震寰
黄瑶
陈旭
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.)
Hebei Chinars Information Technology Co Ltd
Original Assignee
Hebei Chinars Information Technology Co Ltd
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 Hebei Chinars Information Technology Co Ltd filed Critical Hebei Chinars Information Technology Co Ltd
Priority to CN201811566740.6A priority Critical patent/CN110186820A/zh
Publication of CN110186820A publication Critical patent/CN110186820A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/075—Investigating concentration of particle suspensions by optical means
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供多源数据融合与环境污染源及污染物分布分析方法，其具体主要由数据预处理、气溶胶反演、PM2.5反演组成；所述数据预处理通过对原始遥感数据进行系列处理，输出达到模型运算要求的数据，作为反演模块的数据基础，数据预处理针对遥感监测所用到的大气遥感数据进行预处理操作，数据预处理的过程包括几何校正与辐射校正方法、高精度影像配准方法、多源卫星数据融合方法、去云及阴影处理和大气校正环节；本发明以GF系列数据为主要遥感数据源，结合地面监测设备，研制颗粒物PM2.5的污染遥感监测并绘制专题图，为京津冀空气质量监测与管理工作提供遥感技术与信息支持。

Description

多源数据融合与环境污染源及污染物分布分析方法
技术领域
本发明涉及环境检测领域，尤其涉及多源数据融合与环境污染源及污染物分布分析方法。
背景技术
PM2.5是指悬浮在空气中空气动力学直径小于2.5μm的气溶胶颗粒物，也称为“细颗粒物”，主要由人为排放的硫酸盐、硝酸盐、铵盐、黑碳和挥发性有机化合物等组成。与TSP和PM10等颗粒物相比，PM2.5由于粒子直径较小，容易附着重金属和微生物等有毒有害物质，且能够穿过鼻腔和呼吸道抵达人体的肺泡区，给人体健康带来较大的影响；其对可见光消光强烈，高浓度时会使能见度急剧降低，以致引发交通事故，造成高速公路封闭和航班延误等情况；对太阳辐射的散射与吸收，也会影响气候变化。
在京津冀协同发展重大战略背景下，整合京津冀区域，为我国推动区域发展机制体制创新、探索完善城市群布局和形态、促进人口经济资源环境相协调、带动北方腹地发展趟出一条路。同时，高分系列卫星的成功发射标志着高分数据的应用已进入实施阶段，为推进高分辨率对地观察卫星应用，提高卫星数据处理与应用水平，针对京津冀城乡一体化快速发展进程中所引发的经济发展与生态环境突出矛盾的现状，迫切需要进行高分数据在城乡发展变化监测以及生态环境监测中应用研究。
发明内容
根据以上技术问题，本发明提供多源数据融合与环境污染源及污染物分布分析方法，其具体主要由数据预处理、气溶胶反演、PM2.5反演组成；
所述数据预处理通过对原始遥感数据进行系列处理，输出达到模型运算要求的数据，作为反演模块的数据基础，数据预处理针对遥感监测所用到的大气遥感数据进行预处理操作，数据预处理的过程包括几何校正与辐射校正方法、高精度影像配准方法、多源卫星数据融合方法、去云及阴影处理和大气校正环节；
所述气溶胶反演基于GF卫星数据结合地面点监测数据，选择适环境的估算方法/模型，建立适合多源卫星数据的反演模型库，提高反演精度，实现对气溶胶光学厚度、颗粒物浓度(PM2.5)的监测，生成相应的专题产品、并对颗粒物污染的卫星监测结果进行时、空多尺度合成、统计分析与验证，生成专题图与报告；所述气溶胶反演采用黑暗像元法、光谱消光法、结构函数法、大气透过率法方法；
全球或区域PM2.5浓度监测产品对于气候研究或区域环境空气质量检测具有重要的作用，目前，国际上基于遥感数据反演PM2.5浓度的算法主要是建立在气溶胶光学厚度(AOD)研究基础之上的，通过建立AOD-PM2.5关系模型来估算PM2.5浓度的空间分布，近年来，随着遥感技术的不断发展，以高分卫星数据源为基础，结合AOD数据与PM2.5之间的特定关系，建立PM2.5估算模型，进行PM2.5浓度监测。
所述几何校正方法与辐射精校正方法主要是通过遥感图像的精纠来消除图像中的几何变形，产生一幅符合某种地图投影或图形表达要求的新图像，辐射校正是指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程；
高精度影像配准方又称影像匹配的方法，实质上是在两幅或多幅影像之间识别同名点，影像匹配的方法大致可分为三类：1)基于影像灰度的匹配；通过在两影像上一定尺寸的窗口中比较灰度分布相似程度，在灰度层次上进行匹配；2) 基于影像特征的匹配；先在两张影像上提取特征(如边缘等)，然后对特征进行比较来确定同名影像，特征的相似度可用如边缘线的形状、灰度在边缘处梯度变化的正负等来度量；3)基于影像理解和解释的匹配；用从两影像中提出的语义信息确定同名影像；
多源卫星数据融合方法包括加权融合、基于IHS变换的图像融合、基于主分量变换的图像融合(K－L变换法)、基于小波变换的图像融合、值变换融合、基于特征的图像融合、基于分类的图像融合、源卫星数据融合流程、多光谱数据和高空间分辨率数据融合；
所述去云及阴影处理是遥感图像处理以及大气纠正的重要步骤，遥感图像去云的关键技术是云团及其阴影的检测技术，云团在图像中是亮度值最高的目标，其形状呈不规则团状，而阴影是图像中亮度较低的目标；影像中云有厚云和薄云之分，通常的去云技术是基于薄云的，厚云因严重影响地物光谱的反射，一般会产生阴影，厚云区则可以采用影像匹配替换法进行去除，利用多时相图像去云技术；目前已有技术的出发点:在影像中，云团是图像中亮度最高的目标，而且其形状呈不规则团状，而阴影是图像中亮度较低的目标，通过太阳方位角的联系和云之间形成共生关系，还可以通过直接目视解读的方法来确定厚云区、薄云区和非云区，对于薄云区利用同态滤波法，对于厚云区域，采用影像匹配法。
所述几何校正方法与辐射精校正方法包括多项式几何校正方法、共线方程几何校正方法、有理函数几何校正方法、随机场插值法几何校正方法、辐射精校正方法。
所述高精度影像配准方法利用国内外现有类同卫星数据和高精度地面控制测量数据，针对光学成像卫星数据的结构特征提取和匹配模型算法研究与验证，制订处理流程，所述高精度影像配准方法包括以下方法：
相似性测度法：
相似性测度法是一种基于灰度的影像匹配算法，包括：相关函数(矢量数积) 测度、协方差函数(矢量投影)测度、相关系数(矢量夹角)测度、差平方和(差矢量模)测度、差绝对值和(差矢量分量绝对和)测度，实际中常采用相关系数测度，由于灰度矢量经线性变换后相关系数是不变的，因此当目标影像的灰度与搜索影像的灰度之间存在线性畸变时，相关系数测度仍然能够较好地评价它们之间的相似性程度；
最小二乘影像匹配：
最小二乘影像匹配是一种基于“灰度差的平方和最小”的高精度影像匹配方法。在影像匹配中可以灵活地引入各种已知参数和条件，进行整体平差。它可以方便地引入粗差检测，从而提高影像匹配的可靠性；
特征匹配：
基于特征的影像匹配可以分为点、线、面的特征匹配，它可以灵活利用各种特征提取和特征定位算子，在很大的范围内进行匹配，特征的提取和定位直接影响到匹配结果的精度；
跨接法影像匹配正是一种改进了的特征匹配算法，它在相关之前预先消除了几何变形的影响，跨接法首先利用特征分割法来提取特征；然后左影像的两个待匹配特征点构成一个曲边梯形目标窗口，右影像上备选特征点相应于左影像窗口构成了形状不同的搜索窗口，匹配之前先对右窗口相对于左窗口进行重采样，使其从长度等于左影像目标窗口，然后再计算相应两个窗口的相关系数，由于它首先对搜索窗口进行重采样，从而补偿了由坡度产生的几何变形，提高了匹配的可靠性；
整体匹配：
整体影像匹配算法考虑解的相容性、一致性和整体协调性，从而提高影像匹配的可靠性，在所有的整体影像匹配算法中都有一个目标函数，它在动态规划影像匹配中称为代价函数，在松弛法影像匹配中称为全局一致性兼容函数，在神经网络影像匹配中称为能量函数，整体影像匹配算法主要包括以下几种：
①多点(片)最小二乘影像匹配
②动态规划法
③松弛法
④人工神经元网络法
⑤基于遗传算法的匹配；
所述气溶胶光学厚度、颗粒物浓度(PM2.5)监测可用地面监测设备监测。
本发明的有益效果为：本发明以环境要素监测指标为研究对象开展遥感大数据与实时地面观测数据融合研究。重点研究和解决环境要素监测指标遥感监测与地面测量的关联、整合等同化技术，重点关注京津冀地区典型污染物如 PM2.5、PM10、SO2的空间分布及动态变化。采用地表实测数据，结合国内外高分辨率遥感卫星影像(部分高分卫星仿真数据)，选择重点区域进行综合监测，实现京津冀地区典型污染物的时空分布分析，获得环境信息监测的高空间分辨率、高时间分辨率、高探测精度的融合信息专题产品。其中PM2.5和PM10主要基于卫星遥感数据，根据整层大气气溶胶光学厚度反演结果数据，以及观测数据、大气模式模拟数据，结合地面监测数据，选择适合估算方法/模型，对整层的大气气溶胶光学厚度数据进行参数化订正，建立反演模型，提高反演精度，实现对PM2.5和PM10的监测。SO2主要利用近紫外高光谱探测量，反演光路的 SO2斜柱浓度，使用多个离散波段的紫外线来探究大气O3总量(Ω)SO2(Ξ) 和地面有效反射率(R)，通过先验模型和所测量辐射中离散波段的差异，推导出地球物理参数Ω、Ξ和R，使用光谱拟合多项式对离散波长进行残差计算最终得到SO2。
本发明以GF系列数据为主要遥感数据源，结合地面监测设备，研制颗粒物 PM2.5的污染遥感监测并绘制专题图，为京津冀空气质量监测与管理工作提供遥感技术与信息支持。
附图说明
图1为本发明总体技术流程图。
图2为本发明多光谱遥感图像预处理流程图。
图3为本发明Kriging法纠正的流程图。
图4为本发明高精度影像匹配技术流程。
图5为本发明多光谱数据和高空间分辨率数据融合流程图。
图6为本发明去云及阴影处理技术路线。
图7为本发明颗粒物反演技术路线。
图8为本发明区域气溶胶光学厚度产品反演算法流程图。
图9为本发明区域气溶胶光学厚度产品反演算法流程图。
图10为本发明气溶胶光学厚度监测产品样例。
图11为发明近地面PM2.5浓度反演算法流程。
图12为本发明安次区-大城县PM2.5遥感监测专题图。
图13为本发明安次区-大城县PM2.5遥感监测专题图。
图14为本发明霸州市PM2.5遥感监测专题图。
图15为本发明固安县PM2.5遥感监测专题图。
图16为本发明固安县PM2.5遥感监测专题图。
图17为本发明固安-香河县PM2.5遥感监测专题图。
图18为本发明固安-香河县PM2.5遥感监测专题图。
图19为本发明实施例2中的地心坐标系。
图20为本发明实施例2中辐射校正流程图。
图21为本发明实施例2中大气影响的灰度直方图大气影响校正后的灰度直方图。
具体实施方式
根据图所示，对本发明进行进一步说明：
实施例1
多源数据融合与环境污染源及污染物分布分析方法，其具体主要由数据预处理、气溶胶反演、PM2.5反演组成；
所述数据预处理通过对原始遥感数据进行系列处理，输出达到模型运算要求的数据，作为反演模块的数据基础，数据预处理针对遥感监测所用到的大气遥感数据进行预处理操作，数据预处理的过程包括几何校正与辐射校正方法、高精度影像配准方法、多源卫星数据融合方法、去云及阴影处理和大气校正环节；
所述气溶胶反演基于GF卫星数据结合地面点监测数据，选择适环境的估算方法/模型，建立适合多源卫星数据的反演模型库，提高反演精度，实现对气溶胶光学厚度、颗粒物浓度(PM2.5)的监测，生成相应的专题产品、并对颗粒物污染的卫星监测结果进行时、空多尺度合成、统计分析与验证，生成专题图与报告；所述气溶胶反演采用黑暗像元法、光谱消光法、结构函数法、大气透过率法方法；
全球或区域PM2.5浓度监测产品对于气候研究或区域环境空气质量检测具有重要的作用，目前，国际上基于遥感数据反演PM2.5浓度的算法主要是建立在气溶胶光学厚度(AOD)研究基础之上的，通过建立AOD-PM2.5关系模型来估算PM2.5浓度的空间分布，近年来，随着遥感技术的不断发展，以高分卫星数据源为基础，结合AOD数据与PM2.5之间的特定关系，建立PM2.5估算模型，进行PM2.5浓度监测。
实施例2
遥感图像的精纠正是消除图像中的几何变形，产生一幅符合某种地图投影或图形表达要求的新图像。辐射校正是指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程。针对GF卫星的特点，提出遥感影像的几何精校正和辐射精校正的可执行的技术方案。
多项式几何校正
多项式纠正回避成像的空间几何过程，直接对图像变形的本身进行数字模拟。遥感图像的几何变形由多种因素引起，其变化规律十分复杂。为此把遥感图像的总体变形看作是平移、缩放、旋转、仿射、偏扭、弯曲以及更高次的基本变形的综合作用结果，难以用一个严格的数字表达式来描述，而是用一个适当的多项式来描述纠正前后图像相应点之间的坐标关系。本法对各种类型传感器图像的纠正是适用的。利用地面控制点的图像坐标和其同名点的地面坐标通过平差原理计算多项式中的系数，然后用该多项式对图像进行纠正。
常用的多项式有一般多项式、勒让德多项式以及双变量分区插值多项式等。
一般多项式纠正变换公式为：
其中：x，y为某像素原始图像坐标；X，Y为同名像素的地面(或地图)坐标。
多项式的项数(即系数个数)N与其阶数n有着固定的关系：
N＝(n+1)(n+2)/2
多项式的系数ai，bi(i，j＝0，1，2，…(N－1))一般可由两种办法求得：
其一，用可预测的图像变形参数构成。
其二，利用已知控制点的坐标值按最小二乘法原理求解。
根据纠正图像要求的不同选用不同的阶数，当选用一次项纠正时，可以纠正图像因平移、旋转、比例尺变化和仿射变形等引起的线性变形。当选用二次项纠正时，则在改正一次项各种变形的基础上，还改正二次非线性变形。如选用三次项纠正则改正更高次的非线性变形。对参加计算的同名点的要求；
1)在影像上为明显的地物点，易于判读。
2)在影像上均匀分布。
利用已知地面控制点列误差方程，采用最小二乘法求解多项式系数：
1)列误差方程式
Vx＝AΔa-Lx
Vy＝AΔb-Ly
2)精度评定
其中n为控制点个数，N为系数个数，n－N为多余观侧
设定一个限制ε作为评定精度的标准。若δ>ε，则说明存在粗差，精度不可取，应对每个控制点上的平差残余误差Vxi，Vyi进行比较检查，视最大者为粗差，将其剔除或重新选点后再进行平差，直至满足δ<ε为止。
限差ε按成图比例尺规范规定为：
1:10万影像图δ≤±50m
1:5万影像图δ≤±25m
1:1万影像图δ≤±5m
共线方程几何校正
共线方程纠正是建立在图像坐标与地面坐标严格数学变换关系的基础上的，是对成像空间几何形态的直接描述。该方法纠正过程需要有地面高程信息 (DEM)，可以改正因地形起伏而引起的投影差。因此当地形起伏较大，且多项式纠正的精度不能满足要求时，要用共线方程进行纠正。
共线方程纠正时需要有数字高程信息，计算量比多项式纠正要大。同时，在动态扫描成像时，由于传感器的外方位元素是随时间变化的，因此外方位元素在扫描过程中的变化只能近似表达，此时共线方程本身的严密性就存在问题。所以动态扫描图像的共线方程纠正与多项式纠正相比精度不会有大的提高。
在卫星遥感监测的情况下，由于每幅图像所覆盖的地面范围很大，图像地物在地球切平面上的投影与其在地图上的投影之间有着不可忽略的形变差异，因此需要通过更严密的变换来建立地物的图像坐标与地图坐标之间的关系。为此，提出了建立以地心坐标系为基础的共线方程的问题。由于各类卫星图像的星历参数都是按地心直角坐标提供，故建立以地心直角坐标为基础的共线方程将有助于更好地利用卫星图像所附的星历参数文件。
1.以地心直角坐标为基础的共线方程
引进地心直角坐标系的作用是在于它既能够与传感器坐标系直接进行三维空间线性变换，恢复成像光束的空间几何状态，又能借助于大地测量学和地图投影学的知识，方便地转换为地理经纬度坐标，进而转换为任意一种所需要的地图投影坐标。即它是把地物的图像与地图坐标严密地联系起来的重要中间媒介。
(1)共线方程表达式
地面坐标O－XYZ是定义在地球切平面上的。令该切平面坐标系的原点与传感器的星下点Sˊ(传感器沿法线方向在地球参考椭球面上的投影)重合，X轴指向传感器航行方向，Z轴指向法线方向，Y轴指向旁向，构成XYZ右螺旋系统。同时，地心坐标系C－XCYCZC的定义为：原点C与地球椭球体中心重合，XC轴为赤道平面与格林尼治子午面的交线，ZC轴指向北极N，YC轴位于赤道面内，并垂直于XC轴。
为了建立以地心坐标系为基础的构像方程，只需把切平面坐标系进一步变换到地心坐标系即可：
式中，是地物点P在地心坐标系中的坐标，是地物点P 在切平面坐标系中的坐标；为星下点Sˊ的地心坐标。
经变换可得基于地心坐标的共线方程如下：
上式中等号的左端意义为等效的框幅摄影机图像坐标(x)和(y)，它的具体形式视不同传感器而变，mij为传感器平台坐标系与地心坐标系间的旋转矩阵M的项。
共线方程参数的解算方法，与多项式变换函数的系数解求类似，分两种方法。一是利用可预测的参数来直接构成；二是利用控制点通过最小二乘法原理解求。
有理函数几何校正
有理函数模型是用有理函数逼近二维像平面和三维物空间对应关系有理函数正解形式表示为：
式中，(rn，cn)和(Xn，Yn，Zn)分别表示像点坐标(r，c)和地面坐标(X，Y， Z)经平移和缩放后的归一化坐标，取值位于(-0.1～0.1)之间。有理函数模型采用归一化坐标的目的是减少计算过程中由于数据数量级差别过大引入的舍入误差。有理函数中多项式每一项的各个坐标分量X，Y，Z的幂最大不超过3，每一项各个坐标分量的幂的总和也不超过3(一般有1，2，3三种取值)分母项p2、p4的取值可以有两种情况:p2＝p4，p2≠p4。
有理函数模型不需要知道卫星轨道信息及成像参量，且其系数包含了各种因素的影响(传感器构造、地球曲率、大气折光等)，因此适用于大多数传感器；但高阶有理函数模型计算复杂，通常由于参量过多会导致解的不稳定性；而且模型系数没有具体物理含义，因此校正准确度存在一定局限性。
随机场插值法几何校正
虽然几何成像模型是最严格的影像纠正模型，但算法比较复杂，对辅助数据如星历参数、DEM数据等)要求较高。如果辅助数据不足，或者不是原始数据，就无法使用。多项式模型虽然简单，但对地形起伏较大的地区没有考虑高程影响，因此精度不高。而改进的多项式模型只是简单地将高程作为多项式中的一个参数来看待，无法解释其物理意义。
最近的研究表明高程变化在本质上是随机的，它可以模型化为一个随机场。多项式纠正法等传统方法都没有考虑高程变化的这个特点。空间统计学中的 Kriging插值方法(Kriging多项式)从平稳随机场理论出发，根据若干随机变量的实现(观测值)来构建Kriging方程组，可获得对未观测点的最佳无偏插值。因此，可将像点移位分解为趋势项和随机项，将地形高程变化看作是一个平稳随机场，由高程变化引起的像点移位归入到随机项中，应用普通Kriging插值法逐点求出随机误差，对趋势项进行求精，从而达到精纠正的目的。
令{Z(x)，x∈Ω}，其中Z(x)表示一随机场，Ω为随机场的空间区域，z(x) 则是Z(x)在空间某点x的一个实现。现通过一系列已知数据(z(xi)，i＝1，2，， m)用加权线性函数估算出一个未知量z(x0)。设与z(xi)相对应的权值为λi0，则有：
其中，z*(x0)表示z(x0)估计值。
Kriging算法要求估计是最佳无偏估计，这可通过估计误差具有最小标准差来衡量。由此可以得到普通Kriging方程组：
其中γij＝γ(|xi-xj|)是随机场Z(x)的变差函数，它的定义如下：
求解普通Kriging方程组得到Kriging加权值λio，将它们代入等式(1)中可得z(x0)的Kriging估计值z*(x0)。Kriging插值的另一个优点是能对估计的好坏给出一个评判，即所谓估计方差，由下式给出
变差函数是随机场空间结构变化的度量，是解求Kriging方程组的必要参数。理论上可以证明，一个不存在协方差函数的随机场，可以有变差函数存在。实际计算中，用观测数据{z(xi)，i＝1，2，…，m}对变差函数进行估算。
本质上，图像纠正是为了建立起像素的图像坐标(以行列为坐标值)和给定投影和基准后的地图坐标之间的对应关系。从Kriging插值的观点来看，如果将某个地理坐标(水平方向或垂直方向)Z(x，y)看作是随机场，其中(x，y)为图像坐标，那么就是用已知控制点，通过Kriging插值求得其他点的估计值，同时利用Kriging方差，能够对这种估计的总体精度做出评价。但由于普通Kriging 插值是针对二阶平稳随机场的，而Z(x，y)与图像坐标之间却有趋势项存在，因此无法直接应用普通Kriging插值法。在空间统计学中，这种趋势称为漂移 (drift)。可以用一阶(仿射变换)或超过一阶的多项式来拟合。对图像纠正来说，相当于先做一次或多次多项式纠正，然后对纠正误差进一步做Kriging插值，再逐点在多项式纠正的基础上加上改正项，达到进一步提高精度的目的。空间统计学中已经证明，漂移和剩余的关系，对一般的自然现象均符合信号和加性噪声的关系。因此可以减去用仿射变换拟合出来的漂移，剩余部分便是由地形变化而引起的像点位移，符合二阶随机场假设。综上所述，Kriging法纠正的流程如图所示。
Kriging法是一种误差为0的精确插值方法。可以利用控制点之间的交叉有效性来验证Kriging模型的纠正结果。利用交叉有效性法检验时，每次从控制点数据集中移去一个抽样值作为未知值，然后用拟合出来的变差函数模型对其进行解算，由其结果检验是否符合精度要求。该方法的关键公式可以用下式表示:
式中，是随机变量xi的普通Kriging估计方差。
辐射精校正技术
由于遥感图像成像过程的复杂性，传感器接收到的电磁波能量与目标本身辐射的能量是不一致的。传感器输出的能量还包含了由于太阳位置和角度条件、大气条件、地形影响和传感器本身的性能等所引起的各种失真，这些失真不是地面目标本身的辐射，因此对图像的使用和理解造成影响，必须加以校正或消除。一般情况下，用户得到的遥感图像在地面接收站处理中心已经做了系统辐射校正。
从辐射传输方程可以看出，传感器接收的电磁波能量包含三部分：
1)太阳经大气衰减后照射到地面，经地面反射后，又经大气第二次衰减进入传感器的能量；
2)地面本身辐射的能量经大气后进入传感器的能量；
3)大气散射、反射和辐射的能量。
传感器输出的能量还与传感器的光谱响应系数有关。因此遥感图像的辐射误差主要包括：
1)传感器本身的性能引起的辐射误差；
2)地形影响和光照条件的变化引起的辐射误差；
3)大气的散射和吸收引起的辐射误差。
相应的辐射误差校正包含上述几方面。
1)传感器本身的性能引起的辐射误差校正
由于制造工艺的限制，传感器的性能对传感器的能量输出有直接影响，主要指传感器的光谱响应系数。在扫描类传感器中，电磁波能量在传感器系统能量转换过程中会产生辐射误差。由于能量转换系统的灵敏度特性有很好的重复性，可以在地面定期测量其特性，根据测量值对其进行辐射误差校正。而在摄影类传感器中，由于光学镜头的非均匀性，成像时图像边缘会比中间部分暗。可以通过测定镜头边缘与中心的角度加以改正。
传感器本身辐射误差校正公式为：
其中：Vr为校正前的辐射值，Vc为校正后的辐射值，Ks为太阳校正系数，是常数，为滤波偏移值，是大气散射影响或其他原因产生的附加辐射值，决定于检测系统的大气的干扰，为滤波增益，决定于检测系统的波谱响应因素。
计算的过程为滤波。当卫星上的传感器对地面正向扫描时，传感器接收目标的辐射光谱，而当传感器回归扫描时，则传感器不接收目标辐射能量，而是接收系统内的人工辐射光源发出的标准信号(校正锲，随时间而改变辐射的强弱)，此时传感器对标准锲
进行取样，输出Vi值，该值和遥感图像数据一起传至地面站进行处理。地面站进行校正处理时，对Vi值作回归运算得到Ci，Di为回归系数，它们决定于检测器、波段和高增益等因素。这些因素不同，其差别也较大。通过事先对各个传感器进行大量的测试实验来确定。
为随机变量，可以通过对的逐次估计进行统计运算，以求得接近于实际的估计量。当进行第n次观测时，得到观测量用来修改第(n－1)次的估计量得到第n次的估计量第n次估计量比第n－1次估计量更接近正确值。计算采用逐次估计：
分别为第n和n－1次观测的估计值，为第n 次的观测值，n为观测次数，一般取值32。辐射校正流程图见图。
2)太阳高度角和地形影响引起的辐射误差校正
太阳高度角引起的辐射畸变校正是将太阳光线倾斜照射时获取的图像校正为太阳光垂直照射时获取的图像，因此在做辐射校正时，需要知道成像时刻的太阳高度角。太阳高度角可以根据成像时刻的时间、季节和地理位置确定。由于太阳高度角的影响，在图像上会产生阴影现象，阴影会覆盖阴坡地物，对图像的定量分析和自动识别产生影响。一般情况下阴影是难以消除的，但对多光谱图像可以用两个波段图像的比值产生一个新图像以消除地形的影响。在多光谱图像上，产生阴影区的图像亮度值是无阴影时的亮度和阴影亮度值之和，通过两个波段的比值可以基本消除。
具有地形坡度的地面，对进入传感器的太阳光线的辐射亮度有影响，但是地形坡度引起的辐射亮度校正需要知道成像地区的数字地面模型，校正不方便。同样也可以用比值图像来消除其影响。
3)大气校正
上述辐射校正未考虑大气的影响，需要进行大气校正。大气的影响是指大气对阳光和来自目标的辐射产生吸收和散射，消除大气的影响是非常重要的，在图像匹配和变化检测中消除大气影响尤为重要。消除大气影响的校正过程称为大气校正。
基于地面场地数据或辅助数据进行辐射校正
在遥感成像的同时，同步获取成像目标的反射率，或通过预先设置已知反射率的目标，把地面实况数据与传感器的输出数据进行比较，来消除大气的影响。
将地面测定的结果与卫星图像对应像元的亮度值进行回归分析，其回归方程为：
L＝a+bR，其中a为常数，b为回归系数，设。
bR＝La则L＝a+La
其中La为地面实测值，该值未受大气影响，a为大气影响，L为卫星观测值。所以可以得到大气影响：
a＝L－La
大气校正公式为：
LG＝L－a
图像中的每一像元亮度值均减去a，以获得成像地区大气校正后的图像。
a.大气模型
大气模型计算复杂，并且需要有关大气假设或成像时刻的大气参数。常用模型有LOWTRAN或MODTRAN，这些模型需要输入大气参数，大气剖面参数(气压，温度，水汽，臭氧等)，气体中的悬浮物类型，高度，太阳高度角，传感器的视角等。
在处理高光谱数据，其波段宽度在10nm或更小，需要更精确的大气模型。这些波段数据的校正可以结合LANDSAT或SPOT传感器的校正进行。
b.其他情况
在一些特殊情况，利用某些波段不受大气影响或影响较小的特性来校正其它波段的大气影响。散射主要发生在短波图像，对近红外几乎没有影响，如MSS-7 几乎不受大气辐射的影响，把它作为无散射影响的标准图像，通过对不同波段图像的对比分析来计算大气影响。
回归分析法
在不受大气影响的波段图像和待校正的某一波段图像中，选择由最亮至最暗的一系列目标，将每一目标的两个待比较的波段亮度值进行回归分析，如MSS 的第4和7波段，其亮度值分别为L4和L7，回归方程为：
y＝a4+b4x
其中x，y为两个波段图像灰度的平均值
根据线性回归方程的推导可以求得回归系数:
所以：
则大气校正公式为：
L′4＝L4-a4
L′4为第四波段校正后得图像亮度值。对任一波段i，其大气影响为ai，它是第i波段图像回归分析得到的截距，即i波段大气校正值。
直方图法
若图像中存在亮度为零的目标，如深海水体、阴影等，则其对应图像的亮度值应为零，实际上只有在没有受大气影响的情况下，其亮度值才可能为零，其他目标由于受水气散射、辐射使得目标的亮度值不为零。根据具体大气条件，各波段要校正的大气影响是不同的。为确定大气影响，显示有关图像的直方图，如图2－7，从图上可以得知最黑的目标亮度为零，第四波段的亮度最小值为a4，则a4就是第四波段图像的大气校正。其它波段同理可以得到大气校正。
公式计算法
在卫星上传感器观测到的辐射率与地面反射率有线性变化关系，其一般表达式为：
Lai＝a+bRi
a，b为回归系数，a为大气辐射引起的对辐射的干扰，且
a＝SiLRi
Si为系统增益因素，LRi为大气路径辐射率系数，b表示辐射率随地面反射率增递而增长的程度大小，从数字上来说，它是表达式所描述的直线斜率:
b＝SiTiHicos(α/π)
其中：Ti为大气透射率，Hi为太阳辐照度，α太阳天顶角。对各波段分别进行，i代表波段号。代入，得：
LAi＝SiLBi+SiTiHicosα/π
决定LAi的因素比较复杂，需要知道成象时刻的大气条件如反射率、透射率等。由式得到；
bRi＝LAi－a
bRi是真正的辐射率。卫星接收到的辐射率减去大气路径中散射的干扰a，即为大气校正后的辐射率。
高精度影像配准技术
影像匹配实质上是在两幅或多幅影像之间识别同名点。影像匹配的方法大致可分为三类：1)基于影像灰度的匹配。通过在两影像上一定尺寸的窗口中比较灰度分布相似程度，在灰度层次上进行匹配。2)基于影像特征的匹配。先在两张影像上提取特征(如边缘等)，然后对特征进行比较来确定同名影像。特征的相似度可用如边缘线的形状、灰度在边缘处梯度变化的正负等来度量。3)基于影像理解和解释的匹配。用从两影像中提出的语义信息确定同名影像。
影像匹配算法：
1.相似性测度法：
相似性测度法是一种基于灰度的影像匹配算法，包括：相关函数(矢量数积) 测度、协方差函数(矢量投影)测度、相关系数(矢量夹角)测度、差平方和(差矢量模)测度、差绝对值和(差矢量分量绝对和)测度。实际中常采用相关系数测度，由于灰度矢量经线性变换后相关系数是不变的，因此当目标影像的灰度与搜索影像的灰度之间存在线性畸变时，相关系数测度仍然能够较好地评价它们之间的相似性程度。
2.最小二乘影像匹配：
最小二乘影像匹配是一种基于“灰度差的平方和最小”的高精度影像匹配方法。在影像匹配中可以灵活地引入各种已知参数和条件，进行整体平差。它可以方便地引入粗差检测，从而提高影像匹配的可靠性。
3.特征匹配：
基于特征的影像匹配可以分为点、线、面的特征匹配。它可以灵活利用各种特征提取和特征定位算子，在很大的范围内进行匹配。特征的提取和定位直接影响到匹配结果的精度。
跨接法影像匹配正是一种改进了的特征匹配算法，它在相关之前预先消除了几何变形的影响。跨接法首先利用特征分割法来提取特征；然后左影像的两个待匹配特征点构成一个曲边梯形目标窗口，右影像上备选特征点相应于左影像窗口构成了形状不同的搜索窗口，匹配之前先对右窗口相对于左窗口进行重采样，使其从长度等于左影像目标窗口，然后再计算相应两个窗口的相关系数。由于它首先对搜索窗口进行重采样，从而补偿了由坡度产生的几何变形，提高了匹配的可靠性。
4.整体匹配：
整体影像匹配算法考虑解的相容性、一致性和整体协调性，从而提高影像匹配的可靠性。在所有的整体影像匹配算法中都有一个目标函数，它在动态规划影像匹配中称为代价函数，在松弛法影像匹配中称为全局一致性兼容函数，在神经网络影像匹配中称为能量函数。整体影像匹配算法主要包括以下几种：
①多点(片)最小二乘影像匹配
②动态规划法
③松弛法
④人工神经元网络法
⑤基于遗传算法的匹配
高精度影像配准技术流程
利用国内外现有类同卫星数据和高精度地面控制测量数据，针对光学成像卫星数据的结构特征提取和匹配模型算法研究与验证，制订处理流程，技术如图：
多源卫星数据融合技术
多源卫星数据融合技术
遥感技术的发展为人们提供了丰富的多源遥感数据。这些来自不同传感器的数据具有不同的时间、空间和光谱分辨率以及不同的极化方式。单一传感器获取的图像信息量有限，往往难以满足应用需要，通过图像融合可以从不同的遥感图像中获得更多的有用信息，补充单一传感器的不足。图像融合是指将多源遥感图像按照一定的算法，在规定的地理坐标系，生成新的图像的过程。全色图像一般具有较高空间分辨率，多光谱图像光谱信息较丰富，为提高多光谱图像的空间分辨率，可以将全色图像融合进多光谱图像。通过融合既提高多光谱图像空间分辨率，又保留其多光谱特性。
图像融合可以分为若干层次。一般认为可分像素级，特征级和决策级。像素级融合对原始图像及预处理各阶段上所产生的信息分别进行融合处理，以增加图像中有用信息成分，改善图像处理效果。特征级融合能以高的置信度来提取有用的图像特征。决策级融合允许来自多源数据在最高抽象层次上被有效的利用。
下面主要介绍基于像素级的图像融合。图像融合首先要求多源图像精确配准，分辨率不一致时，要求重采样后保持一致；其次，将图像按某种变换方式分解成不同级的子图像，同时，这种分解变换必须可逆，即由多幅子图像合成一幅图像，即为融合图像。这时多幅子图像中包含了来自其它需要融合的经图像变换的子图像。
遥感图像融合的算法很多，有基于IHS变换、主成分变换、比值变换、剩法变换以及小波变换的融合方法。
加权融合
基于像元的加权融合对两幅图像Ii，Ij按下式进行：
I'ij＝A(PiIi+PjIj)+B
其中：Pi，Pj为两个图像的权，其值由下式决定：
Pi＝(1－|rij|)′0.5Pj＝1－Pi
ri，j为两幅图像的相关系数
B为常数。
G全色图像与多光谱图像的融合，由于多光谱中的绿、红波段与全色波段相关性较强，而与红外波段相关性较小，可以采用全色波段图像与多光谱波段图像的相关系数来融合。其过程如下：
(1)对两幅图像进行几何配准，并对多光谱图像重采样与全色图像分辨率相同；
(2)分别计算全色波段与多光谱波段图像的相关系数；
其中：rPXsj为全色波段与多光谱波段(j＝1，2，3)图像的相关系数；PKL为全色波段(K，L)的像素灰度值；为全色波段图像灰度平均值；XSkLj为第j 波段图像在(K，L)处的像素灰度值；为第j波段图像灰度平均值。
(3)用全色波段图像和多光谱波段图像按下式组合。
基于IHS变换的图像融合
IHS变换将图像处理常用的RGB彩色空间变换到IHS空间。IHS空间用亮度(Intensity)、色调(Hue)、饱和度(Saturation)表示。IHS变换可以把图像的亮度、色调和饱和度分开，图像融合只在强度通道上进行，图像的色调和饱和度保持不变。
基于IHS变换的融合过程如下：
(1)待融合的全色图像和多光谱图像进行几何配准，并将多光谱图像重采样与全色分辨率相同；
(2)将多光谱图像变换转换到IHS空间。
(3)对全色图像I′和IHS空间中的亮度分量I进行直方图匹配。
(4)用全色图像I′代替IHS空间的亮度分量，即IHS－>I′HS。
(5)将I’HS逆变换到RGB空间，即得到融合图像。
通过变换、替代、逆变换获得的融合图像既具有全色图像高分辨的优点，又保持了多光谱图像的色调和饱和度。
基于主分量变换的图像融合(K－L变换法)
设多光谱图像M，有n个波段，全色图像P，将它们组成一个向量集X含有n+1个波段，
X＝[X1，X2，X3，…，Xn，Xn+1]
其中mi，mj为第i，j波段的均值，可以得到向量X的协方差矩阵：
∑是一个满秩矩阵，其特征根λ为实数。求出特征根后对特征根λ＝(λ1，λ2，…，λn+1)进行排序，且λ1＞λ2＞…λn+1，然后求出对应的特征向量Yi，构成特征向量集Y：
Y＝(Y1，Y2，…，Yn，Yn+1)
用原来的n+1个波段和特征向量集Y进行变换，得到新的n+1个图像。一般情况下，前三个特征值之和占总的特征值的97％以上，因而原来的图像97％以上的信息集中到了变换后的前三个图像中，其余基本上为噪声。
基于主分量影像融合的模型步骤如下：
(1)利用主分量变换：对多光谱图像进行主分量变换，变换后的第一主分量含有变换前各波段图像的相同信息，而各波段中其余对应的部分，被分配到变换后的其它波段。
(2)将高分辨率图像和第一主分量进行直方图匹配，使高分辨率图像与第一分量图像有相近的均值和方差。
(3)用直方图匹配后的高分辨率图像代替主分量中的第一主分量和其余分量一起进行主分量逆变换，得到融合图像。
基于小波变换的图像融合
小波变换是一种以多分辨率分析为核心的全局变换，在时域和频域上同时具有良好的定位能力与局部化性质，对影像的高频成分采用逐步精细的时间域取样步长，可以“聚焦”到影像的任意细节，从而被誉为“数学显微镜”。它能够将一个信号分解成信号对空间和时间的独立成分，同时又不丢失原信号所包含的信息。
相关学者提出了多种小波变换的遥感影像融合方法，包括影像的二维Mallat 算法、基于正交二进制小波变换的影像融合、基于àtrous小波与广义HIS变换的 SAR与多光谱影像融合、基于小波变换与SFIM遥感影像的融合算法、基于HIS变换与àtrous小波分解的遥感影像融合、基于多进制小波变换的多源遥感影像融合等。
值变换融合
比值变换融合算法按下式进行：
[B1/B1+B2+B3]*D＝DB1
[B2/B1+B2+B3]*D＝DB2
[B3/B1+B2+B3]*D＝DB3
其中:Bi(I＝1，2，3)为多光谱图像；D为高分辨率图像；DBi(I＝1，2，3)为比值度变换融合图像。
比值变换融合可以增加图像两端的对比度。当要保持原始图像的辐射度时，本方法不宜采用。
基于特征的图像融合
基于特征的图像融合有以下几种方法：
(1)对两个不同特性的图像作边缘增强，然后加权融合；
(2)对其中一个图像作边缘提取，然后融合到另一个图像上；
(3)对两个图像经小波变换后形成基带图像和子带图像，对基带图像用加权融合方法，而对子带图像采用选择子带中特征信息丰富的图像进行融合。
基于分类的图像融合
该方法首先要求对图像中的地物类别进行分类，在分类的基础上进行图像融合。
(1)对图像中的不同类别用不同波段或不同图像融合以达到增加空间特性和光谱特性；
(2)对不同时相的图像进行分类后融合，可以达到提取图像内变化信息的目的。
多源卫星数据融合流程
多光谱数据和高空间分辨率数据融合
多光谱数据和高空间分辨率数据的融合即能够发挥多光谱信息的地物识别作用，能够提高遥感影像的空间分辨率，要针对不同的多光谱数据和高空间数据特点，研究多光谱数据和高空间数据的融合方法。多光谱数据和高空间分辨率数据的分辨率差别不同，对应的数据融合算法也不同，要对以上数据间的融合算法分别进行研究，生成不同应用需求的融合数据产品。
去云及阴影处理
由于气候的原因，获取完全无云的遥感影像有时是比较困难的，大部分影像在获取时都会或多或少的受到云以及云在地面投射时的阴影以及气溶胶等的影响。这给许多遥感影像的应用者带来了麻烦，如何从遥感影像中去除云的影响，往往是许多应用者所面临的首要问题。去云处理是遥感图像处理以及大气纠正的重要步骤。遥感图像去云的关键技术是云团及其阴影的检测技术。通常情况下，云团在图像中是亮度值最高的目标，其形状呈不规则团状，而阴影是图像中亮度较低的目标。
遥感图像中云团的产生与拍摄时间、拍摄角度、当时天气状况密切相关，而云团的阴影还与拍摄时太阳的方位角有关。在不同时间不同角度拍摄的同一地域图像中，云覆盖的有无、位置、形状都不相同，使得所暴露的地面景物也不相同。如何将多时相图像的非云非阴信息搜集起来产生一幅云阴影响最小的遥感图像就成为当前实际应用和理论研究所关心的重要技术。
影像中云有厚云和薄云之分，通常的去云技术是基于薄云的，厚云因严重影响地物光谱的反射，一般会产生阴影，厚云区则可以采用影像匹配替换法进行去除，利用多时相图像去云技术。目前已有技术的出发点:在影像中，云团是图像中亮度最高的目标，而且其形状呈不规则团状，而阴影是图像中亮度较低的目标，通过太阳方位角的联系和云之间形成共生关系。另外，还可以通过直接目视解读的方法来确定厚云区、薄云区和非云区。对于薄云区利用同态滤波法，对于厚云区域，采用影像匹配法。
实施例3
气溶胶浓度监测产品
气溶胶是指悬浮在大气中的各种液态或固态微粒，通常所指的烟、雾、尘等都属于气溶胶，气溶胶不仅影响全球变化，而且也是影响区域大气环境质量的主要因素，对大气中发生的许多物理化学过程有着重要的影响。遥感是一种监测从局地到全球气溶胶分布的强有力的手段。
在对气溶胶的遥感监测方面，高分辨率的卫星遥感弥补了一般地面观测难以反映气溶胶空间具体分布和变化趋向不同的缺陷，为全球和区域气候的研究及城市污染的分析提供了研究资料。利用卫星遥感监测气溶胶是一种地基遥感监测较好的替代方法，可以弥补地基遥感地面观测空间覆盖不足的缺陷。
总体技术路线
基于GF卫星数据结合地面点监测数据，选择适合京津冀环境的估算方法/ 模型，建立适合多源卫星数据的反演模型库，提高反演精度，实现对气溶胶光学厚度、颗粒物浓度(PM2.5)的监测，生成相应的专题产品、并对颗粒物污染的卫星监测结果进行时、空多尺度合成、统计分析与验证，生成专题图与报告。颗粒物反演技术路线图如下：
黑暗像元法
气溶胶模块基于GF数据，利用暗目标法等较成熟的大气气溶胶光学厚度反演算法模型，从卫星接收到的地气混合信号中分离出地大气信息，进行整层气溶胶光学厚度数据的反演。为大气可吸入细颗粒物(PM2.5)反演提供基础数据。其算法流程图如下：
光谱消光法
多波段太阳光度计测量大气气溶胶，从七波段太阳光度计测量的大气气溶胶光学厚度拟合出Angstrom波长指数与浑浊度系数，得出550m气溶胶光学厚度。
利用地面观测到的直接太阳辐射，根据bouguer定律，得到符合bouguer定律的特定波长处的气溶胶光学厚度，然后根据光学厚度随波长变化规律，得到所求波段的AOT。
结构函数法
结构函数法是早期研究陆地污染气溶胶采用的卫星遥感算法。该算法假设同一个地区一段时间内地表反射率是不变的，利用“清洁日”大气作为参考，反演“污染日”大气的气溶胶光学厚度。
大气透过率法
从大气透过率获取的气溶胶光学厚度是以多幅图像的透过率的比率为基础的,称为ConatrsteRduicton。建议将这个方法用于干早地区。透过率的变化是由距离一个特定像素特定距离内的像素来决定的。从公式l()可知,两个相邻像素(i,j) 和i(j+l)的辐射值变化量城,l与实际的地表反射率变化率相关。
其中<p>是两个像素的平均反射率。如果这个方法应用于一组图像,其中包括了一张比较清晰的图像,那么就可以通过这幅图像估计出光学厚度,然后计算实际的△P，最后就可以根据公式(4)计算出每一幅图像的光学厚度了。这样所计算出来的光学厚度是独立于散射象位函数而依赖于单次散射反照率和气溶胶的非对称参数的。
地面监测
大气气溶胶浓度监测可用地面监测设备监测。相比于卫星遥感监测，地面监测在精度上有一定的优势，但是由于站点密度低、分布离散，在空间覆盖和时间连续性上有很大的劣势。
本次验证数据采用BOA-80气溶胶采样器及AERONET基站-气溶胶监测仪 C318所获取的监测数据。
确定技术路线
依据上述大气气溶胶监测反演技术方法所得数据对比地面监测数据，最终确认“黑暗像元法”作为大气气溶胶光学厚度的监测方法。
实施例4
PM2.5监测产品
PM2.5直径越小进入呼吸系统位置越深。短期暴露即可诱发肺部疾病，如哮喘、急性气管炎、呼吸道感染；长期暴露会导致肺功能下降，慢性支气管炎等。研究表明，PM2.5浓度增加与呼吸道疾病患者人数增加显著相关，PM2.5的增加可引起儿童哮喘、心血管疾病等，不仅对人体健康造成严重危害，同时也是影响全球气候、区域城市能见度重要因子。由于依靠地面观测站点资料尚不能反映大范围可吸入颗粒物的空间分布特征，因此，全球或区域PM2.5浓度监测产品对于气候研究或区域环境空气质量检测具有重要的作用。目前，国际上基于遥感数据反演PM2.5浓度的算法主要是建立在气溶胶光学厚度(AOD)研究基础之上的，通过建立AOD-PM2.5关系模型来估算PM2.5浓度的空间分布。近年来，随着遥感技术的不断发展，以高分卫星数据源为基础，结合AOD数据与PM2.5之间的特定关系，建立PM2.5估算模型，进行PM2.5浓度监测。
技术流程
基于GF卫星遥感数据，根据反演的整层大气气溶胶光学厚度数据，确定适合京津冀的大气细颗粒物浓度估算方法/模型，对整层的大气气溶胶光学厚度数据进行参数化订正，建立区域化的适合多源卫星数据的大气细颗粒物反演模型库，提高反演精度，实现对大气细颗粒物浓度(PM2.5)的监测，生成相应的专题产品、并对颗粒物污染的卫星监测结果进行时、空多尺度合成、统计分析与验证，生成专题图与报告。其算法流程如附图所述，得到遥感检测专题图如附图 12-18所示。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.多源数据融合与环境污染源及污染物分布分析方法，其具体主要由数据预处理、气溶胶反演、PM2.5反演组成；
所述数据预处理通过对原始遥感数据进行系列处理，输出达到模型运算要求的数据，作为反演模块的数据基础，数据预处理针对遥感监测所用到的大气遥感数据进行预处理操作，数据预处理的过程包括几何校正与辐射校正方法、高精度影像配准方法、多源卫星数据融合方法、去云及阴影处理和大气校正环节；
所述气溶胶反演基于GF卫星数据结合地面点监测数据，选择适环境的估算方法/模型，建立适合多源卫星数据的反演模型库，提高反演精度，实现对气溶胶光学厚度、颗粒物浓度(PM2.5)的监测，生成相应的专题产品、并对颗粒物污染的卫星监测结果进行时、空多尺度合成、统计分析与验证，生成专题图与报告；所述气溶胶反演采用黑暗像元法、光谱消光法、结构函数法、大气透过率法方法；
全球或区域PM2.5浓度监测产品对于气候研究或区域环境空气质量检测具有重要的作用，目前，国际上基于遥感数据反演PM2.5浓度的算法主要是建立在气溶胶光学厚度(AOD)研究基础之上的，通过建立AOD-PM2.5关系模型来估算PM2.5浓度的空间分布，近年来，随着遥感技术的不断发展，以高分卫星数据源为基础，结合AOD数据与PM2.5之间的特定关系，建立PM2.5估算模型，进行PM2.5浓度监测。
2.按照权利要求1所述的多源数据融合与环境污染源及污染物分布分析方法，其特征在于所述几何校正方法与辐射精校正方法主要是通过遥感图像的精纠来消除图像中的几何变形，产生一幅符合某种地图投影或图形表达要求的新图像，辐射校正是指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程；
高精度影像配准方又称影像匹配的方法，实质上是在两幅或多幅影像之间识别同名点，影像匹配的方法大致可分为三类：1)基于影像灰度的匹配；通过在两影像上一定尺寸的窗口中比较灰度分布相似程度，在灰度层次上进行匹配；2)基于影像特征的匹配；先在两张影像上提取特征(如边缘等)，然后对特征进行比较来确定同名影像，特征的相似度可用如边缘线的形状、灰度在边缘处梯度变化的正负等来度量；3)基于影像理解和解释的匹配；用从两影像中提出的语义信息确定同名影像；
多源卫星数据融合方法包括加权融合、基于IHS变换的图像融合、基于主分量变换的图像融合(K－L变换法)、基于小波变换的图像融合、值变换融合、基于特征的图像融合、基于分类的图像融合、源卫星数据融合流程、多光谱数据和高空间分辨率数据融合；
所述去云及阴影处理是遥感图像处理以及大气纠正的重要步骤，遥感图像去云的关键技术是云团及其阴影的检测技术，云团在图像中是亮度值最高的目标，其形状呈不规则团状，而阴影是图像中亮度较低的目标；影像中云有厚云和薄云之分，通常的去云技术是基于薄云的，厚云因严重影响地物光谱的反射，一般会产生阴影，厚云区则可以采用影像匹配替换法进行去除，利用多时相图像去云技术；目前已有技术的出发点:在影像中，云团是图像中亮度最高的目标，而且其形状呈不规则团状，而阴影是图像中亮度较低的目标，通过太阳方位角的联系和云之间形成共生关系，还可以通过直接目视解读的方法来确定厚云区、薄云区和非云区，对于薄云区利用同态滤波法，对于厚云区域，采用影像匹配法。
3.按照权利要求1所述的多源数据融合与环境污染源及污染物分布分析方法，其特征在于所述几何校正方法与辐射精校正方法包括多项式几何校正方法、共线方程几何校正方法、有理函数几何校正方法、随机场插值法几何校正方法、辐射精校正方法。
4.按照权利要求1所述多源数据融合与环境污染源及污染物分布分析方法，其特征在于所述高精度影像配准方法利用国内外现有类同卫星数据和高精度地面控制测量数据，针对光学成像卫星数据的结构特征提取和匹配模型算法研究与验证，制订处理流程，所述高精度影像配准方法包括以下方法：
相似性测度法：
相似性测度法是一种基于灰度的影像匹配算法，包括：相关函数(矢量数积)测度、协方差函数(矢量投影)测度、相关系数(矢量夹角)测度、差平方和(差矢量模)测度、差绝对值和(差矢量分量绝对和)测度，实际中常采用相关系数测度，由于灰度矢量经线性变换后相关系数是不变的，因此当目标影像的灰度与搜索影像的灰度之间存在线性畸变时，相关系数测度仍然能够较好地评价它们之间的相似性程度；
最小二乘影像匹配：
最小二乘影像匹配是一种基于“灰度差的平方和最小”的高精度影像匹配方法。在影像匹配中可以灵活地引入各种已知参数和条件，进行整体平差。它可以方便地引入粗差检测，从而提高影像匹配的可靠性；
特征匹配：
基于特征的影像匹配可以分为点、线、面的特征匹配，它可以灵活利用各种特征提取和特征定位算子，在很大的范围内进行匹配，特征的提取和定位直接影响到匹配结果的精度；
跨接法影像匹配正是一种改进了的特征匹配算法，它在相关之前预先消除了几何变形的影响，跨接法首先利用特征分割法来提取特征；然后左影像的两个待匹配特征点构成一个曲边梯形目标窗口，右影像上备选特征点相应于左影像窗口构成了形状不同的搜索窗口，匹配之前先对右窗口相对于左窗口进行重采样，使其从长度等于左影像目标窗口，然后再计算相应两个窗口的相关系数，由于它首先对搜索窗口进行重采样，从而补偿了由坡度产生的几何变形，提高了匹配的可靠性；
整体匹配：
整体影像匹配算法考虑解的相容性、一致性和整体协调性，从而提高影像匹配的可靠性，在所有的整体影像匹配算法中都有一个目标函数，它在动态规划影像匹配中称为代价函数，在松弛法影像匹配中称为全局一致性兼容函数，在神经网络影像匹配中称为能量函数，整体影像匹配算法主要包括以下几种：
①多点(片)最小二乘影像匹配
②动态规划法
③松弛法
④人工神经元网络法
⑤基于遗传算法的匹配。
5.按照权利要求1所述多源数据融合与环境污染源及污染物分布分析方法，其特征在于所述气溶胶光学厚度、颗粒物浓度(PM2.5)监测可用地面监测设备监测。
CN201811566740.6A 2018-12-19 2018-12-19 多源数据融合与环境污染源及污染物分布分析方法 Pending CN110186820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811566740.6A CN110186820A (zh) 2018-12-19 2018-12-19 多源数据融合与环境污染源及污染物分布分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811566740.6A CN110186820A (zh) 2018-12-19 2018-12-19 多源数据融合与环境污染源及污染物分布分析方法

Publications (1)

Publication Number Publication Date
CN110186820A true CN110186820A (zh) 2019-08-30

Family

ID=67713915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811566740.6A Pending CN110186820A (zh) 2018-12-19 2018-12-19 多源数据融合与环境污染源及污染物分布分析方法

Country Status (1)

Country Link
CN (1) CN110186820A (zh)

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569599A (zh) * 2019-09-10 2019-12-13 上海彩虹鱼海洋科技股份有限公司 地图服务发布方法、系统和介质
CN110580474A (zh) * 2019-09-30 2019-12-17 生态环境部卫星环境应用中心 一种基于多源数据的农田重金属高风险区遥感快速识别方法
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN110907364A (zh) * 2019-11-26 2020-03-24 中国科学院空间应用工程与技术中心 基于星历参数的光学遥感影像大气校正方法及装置
CN111538940A (zh) * 2020-05-12 2020-08-14 自然资源部第二海洋研究所 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法
CN111652817A (zh) * 2020-05-28 2020-09-11 大连海事大学 一种基于人眼视觉感知机理的水下图像清晰化方法
CN111652056A (zh) * 2020-04-24 2020-09-11 深圳大学 一种基于遥感影像的行人路网太阳辐照指数检测方法
CN111724036A (zh) * 2020-05-19 2020-09-29 黑龙江省网络空间研究中心 一种基于高分多源数据融合的界河水资源动态监测方法
CN111931833A (zh) * 2020-07-30 2020-11-13 上海卫星工程研究所 一种基于多源数据驱动的天基多维信息融合方法及系统
CN111948687A (zh) * 2020-08-07 2020-11-17 上海卫星工程研究所 一种适用于多星编队的分布式多源信息融合系统
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN112147078A (zh) * 2020-09-22 2020-12-29 华中农业大学 一种农作物表型信息多源遥感监测方法
CN112214723A (zh) * 2020-09-09 2021-01-12 暨南大学 一种基于多卫星火点的生物质开放燃烧排放动态表征方法
CN112461779A (zh) * 2020-12-16 2021-03-09 重庆商勤科技有限公司 机载光谱遥感监测VOCs污染的方法、装置及存储介质
CN112560974A (zh) * 2020-12-22 2021-03-26 清华大学 一种信息融合、车辆信息获取方法及装置
CN112905560A (zh) * 2021-02-02 2021-06-04 中国科学院地理科学与资源研究所 一种多源时空大数据深度融合的空气污染预测方法
CN113156395A (zh) * 2021-04-07 2021-07-23 中国科学院大气物理研究所 气溶胶激光雷达数据融合方法及系统
CN113408527A (zh) * 2021-06-21 2021-09-17 中国科学院大气物理研究所 一种基于图像融合特征的高效pm2.5浓度预测方法
CN113436123A (zh) * 2021-06-22 2021-09-24 宁波大学 去云-分辨率提升协同的高分sar与低分多光谱图像融合方法
CN114283548A (zh) * 2021-12-27 2022-04-05 北京科技大学天津学院 一种无人机火灾持续监测方法及其系统
CN114397230A (zh) * 2021-12-31 2022-04-26 中国科学院空天信息创新研究院 一种基于卫星遥感的近地面颗粒物组分检测方法和装置
CN114414503A (zh) * 2022-01-10 2022-04-29 武汉华信联创技术工程有限公司 潜在气体排放源检测方法、装置、设备及可读存储介质
CN114459728A (zh) * 2022-04-13 2022-05-10 中国空气动力研究与发展中心高速空气动力研究所 一种低温温敏漆转捩测量试验方法
CN115019163A (zh) * 2022-04-01 2022-09-06 湖南大学 基于多源大数据的城市要素识别方法
CN115290526A (zh) * 2022-09-29 2022-11-04 南通炜秀环境技术服务有限公司 基于数据分析的空气污染物浓度检测方法
CN115436573A (zh) * 2022-08-30 2022-12-06 南京云创大数据科技股份有限公司 一种大气污染源智能监测方法及装置
CN115855761A (zh) * 2022-11-03 2023-03-28 生态环境部卫星环境应用中心 五基协同天空地一体化大气环境立体遥感监测系统及方法
CN116008481A (zh) * 2023-01-05 2023-04-25 山东理工大学 基于大范围地面监测站点的空气污染物监测方法、装置
CN116579960A (zh) * 2023-05-06 2023-08-11 广州纳诺科技股份有限公司 一种地理空间数据融合方法
CN117009818A (zh) * 2023-04-12 2023-11-07 中国科学院空天信息创新研究院 一种基于多项式改正的大气co2融合方法和系统
CN117214398A (zh) * 2023-09-04 2023-12-12 江苏省连云港环境监测中心 一种深层地下水体污染物检测方法及系统
CN117252785A (zh) * 2023-11-16 2023-12-19 安徽省测绘档案资料馆(安徽省基础测绘信息中心) 一种基于多源sar与光学影像联合的去云方法
CN117274584A (zh) * 2023-08-25 2023-12-22 三峡高科信息技术有限责任公司 遥感图像的阴影处理方法及装置、存储介质、终端
CN117609932A (zh) * 2023-09-22 2024-02-27 宁波市气象网络与装备保障中心 一种海面能见度多源数据融合方法
CN117992757A (zh) * 2024-04-03 2024-05-07 菏泽市土地储备中心 基于多维数据的国土生态环境遥感数据分析方法

Cited By (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569599A (zh) * 2019-09-10 2019-12-13 上海彩虹鱼海洋科技股份有限公司 地图服务发布方法、系统和介质
CN110580474A (zh) * 2019-09-30 2019-12-17 生态环境部卫星环境应用中心 一种基于多源数据的农田重金属高风险区遥感快速识别方法
CN110580474B (zh) * 2019-09-30 2020-08-14 生态环境部卫星环境应用中心 一种基于多源数据的农田重金属高风险区遥感快速识别方法
CN110907364A (zh) * 2019-11-26 2020-03-24 中国科学院空间应用工程与技术中心 基于星历参数的光学遥感影像大气校正方法及装置
CN110907364B (zh) * 2019-11-26 2022-04-19 中国科学院空间应用工程与技术中心 基于星历参数的光学遥感影像大气校正方法及装置
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN111652056B (zh) * 2020-04-24 2023-06-23 深圳大学 一种基于遥感影像的行人路网太阳辐照指数检测方法
CN111652056A (zh) * 2020-04-24 2020-09-11 深圳大学 一种基于遥感影像的行人路网太阳辐照指数检测方法
CN111538940A (zh) * 2020-05-12 2020-08-14 自然资源部第二海洋研究所 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法
CN111724036A (zh) * 2020-05-19 2020-09-29 黑龙江省网络空间研究中心 一种基于高分多源数据融合的界河水资源动态监测方法
CN111652817B (zh) * 2020-05-28 2023-08-22 大连海事大学 一种基于人眼视觉感知机理的水下图像清晰化方法
CN111652817A (zh) * 2020-05-28 2020-09-11 大连海事大学 一种基于人眼视觉感知机理的水下图像清晰化方法
CN111931833B (zh) * 2020-07-30 2022-08-12 上海卫星工程研究所 一种基于多源数据驱动的天基多维信息融合方法及系统
CN111931833A (zh) * 2020-07-30 2020-11-13 上海卫星工程研究所 一种基于多源数据驱动的天基多维信息融合方法及系统
CN111948687B (zh) * 2020-08-07 2024-04-23 上海卫星工程研究所 一种适用于多星编队的分布式多源信息融合系统
CN111948687A (zh) * 2020-08-07 2020-11-17 上海卫星工程研究所 一种适用于多星编队的分布式多源信息融合系统
CN111985567A (zh) * 2020-08-21 2020-11-24 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN111985567B (zh) * 2020-08-21 2022-11-22 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN112214723A (zh) * 2020-09-09 2021-01-12 暨南大学 一种基于多卫星火点的生物质开放燃烧排放动态表征方法
CN112214723B (zh) * 2020-09-09 2023-07-07 暨南大学 一种基于多卫星火点的生物质开放燃烧排放动态表征方法
CN112147078A (zh) * 2020-09-22 2020-12-29 华中农业大学 一种农作物表型信息多源遥感监测方法
CN112461779A (zh) * 2020-12-16 2021-03-09 重庆商勤科技有限公司 机载光谱遥感监测VOCs污染的方法、装置及存储介质
CN112560974B (zh) * 2020-12-22 2021-12-31 清华大学 一种信息融合、车辆信息获取方法及装置
CN112560974A (zh) * 2020-12-22 2021-03-26 清华大学 一种信息融合、车辆信息获取方法及装置
CN112905560A (zh) * 2021-02-02 2021-06-04 中国科学院地理科学与资源研究所 一种多源时空大数据深度融合的空气污染预测方法
CN113156395A (zh) * 2021-04-07 2021-07-23 中国科学院大气物理研究所 气溶胶激光雷达数据融合方法及系统
CN113408527B (zh) * 2021-06-21 2024-01-12 中国科学院大气物理研究所 一种基于图像融合特征的高效pm2.5浓度预测方法
CN113408527A (zh) * 2021-06-21 2021-09-17 中国科学院大气物理研究所 一种基于图像融合特征的高效pm2.5浓度预测方法
CN113436123A (zh) * 2021-06-22 2021-09-24 宁波大学 去云-分辨率提升协同的高分sar与低分多光谱图像融合方法
CN114283548A (zh) * 2021-12-27 2022-04-05 北京科技大学天津学院 一种无人机火灾持续监测方法及其系统
CN114397230A (zh) * 2021-12-31 2022-04-26 中国科学院空天信息创新研究院 一种基于卫星遥感的近地面颗粒物组分检测方法和装置
CN114414503A (zh) * 2022-01-10 2022-04-29 武汉华信联创技术工程有限公司 潜在气体排放源检测方法、装置、设备及可读存储介质
CN114414503B (zh) * 2022-01-10 2024-05-07 武汉华信联创技术工程有限公司 潜在气体排放源检测方法、装置、设备及可读存储介质
CN115019163A (zh) * 2022-04-01 2022-09-06 湖南大学 基于多源大数据的城市要素识别方法
CN114459728A (zh) * 2022-04-13 2022-05-10 中国空气动力研究与发展中心高速空气动力研究所 一种低温温敏漆转捩测量试验方法
CN114459728B (zh) * 2022-04-13 2022-06-24 中国空气动力研究与发展中心高速空气动力研究所 一种低温温敏漆转捩测量试验方法
CN115436573A (zh) * 2022-08-30 2022-12-06 南京云创大数据科技股份有限公司 一种大气污染源智能监测方法及装置
CN115290526A (zh) * 2022-09-29 2022-11-04 南通炜秀环境技术服务有限公司 基于数据分析的空气污染物浓度检测方法
CN115855761A (zh) * 2022-11-03 2023-03-28 生态环境部卫星环境应用中心 五基协同天空地一体化大气环境立体遥感监测系统及方法
CN115855761B (zh) * 2022-11-03 2023-09-26 生态环境部卫星环境应用中心 五基协同天空地一体化大气环境立体遥感监测系统及方法
CN116008481A (zh) * 2023-01-05 2023-04-25 山东理工大学 基于大范围地面监测站点的空气污染物监测方法、装置
CN117009818B (zh) * 2023-04-12 2024-01-23 中国科学院空天信息创新研究院 一种基于多项式改正的大气co2融合方法和系统
CN117009818A (zh) * 2023-04-12 2023-11-07 中国科学院空天信息创新研究院 一种基于多项式改正的大气co2融合方法和系统
CN116579960A (zh) * 2023-05-06 2023-08-11 广州纳诺科技股份有限公司 一种地理空间数据融合方法
CN116579960B (zh) * 2023-05-06 2023-12-08 广州纳诺科技股份有限公司 一种地理空间数据融合方法
CN117274584A (zh) * 2023-08-25 2023-12-22 三峡高科信息技术有限责任公司 遥感图像的阴影处理方法及装置、存储介质、终端
CN117274584B (zh) * 2023-08-25 2024-05-03 三峡高科信息技术有限责任公司 遥感图像的阴影处理方法及装置、存储介质、终端
CN117214398A (zh) * 2023-09-04 2023-12-12 江苏省连云港环境监测中心 一种深层地下水体污染物检测方法及系统
CN117214398B (zh) * 2023-09-04 2024-05-14 江苏省连云港环境监测中心 一种深层地下水体污染物检测方法及系统
CN117609932A (zh) * 2023-09-22 2024-02-27 宁波市气象网络与装备保障中心 一种海面能见度多源数据融合方法
CN117609932B (zh) * 2023-09-22 2024-05-24 宁波市气象网络与装备保障中心 一种海面能见度多源数据融合方法
CN117252785B (zh) * 2023-11-16 2024-03-12 安徽省测绘档案资料馆(安徽省基础测绘信息中心) 一种基于多源sar与光学影像联合的去云方法
CN117252785A (zh) * 2023-11-16 2023-12-19 安徽省测绘档案资料馆(安徽省基础测绘信息中心) 一种基于多源sar与光学影像联合的去云方法
CN117992757A (zh) * 2024-04-03 2024-05-07 菏泽市土地储备中心 基于多维数据的国土生态环境遥感数据分析方法

Similar Documents

Publication Publication Date Title
CN110186820A (zh) 多源数据融合与环境污染源及污染物分布分析方法
Ganguly et al. Generating global leaf area index from Landsat: Algorithm formulation and demonstration
Bastin et al. Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach
Li et al. Satellite-derived land surface temperature: Current status and perspectives
Yang et al. Estimation of subpixel land surface temperature using an endmember index based technique: A case examination on ASTER and MODIS temperature products over a heterogeneous area
CN111553245A (zh) 基于机器学习算法和多源遥感数据融合的植被分类方法
CN110046415A (zh) 一种时空精细化的土壤有机质含量遥感动态反演方法
Xia et al. Analysis of surface urban heat islands based on local climate zones via spatiotemporally enhanced land surface temperature
Thomas et al. Data assimilation for convective-cell tracking on meteorological image sequences
Stovall et al. TLSLeAF: automatic leaf angle estimates from single‐scan terrestrial laser scanning
Wang et al. Fractional vegetation cover estimation method through dynamic Bayesian network combining radiative transfer model and crop growth model
CN107688003A (zh) 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法
Defourny et al. Global land-cover map validation experiences: Toward the characterization of quantitative uncertainty
Wei et al. A comparative assessment of multisensor data merging and fusion algorithms for high-resolution surface reflectance data
Lou et al. An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data
Mohamed et al. Change detection techniques using optical remote sensing: a survey
Sihvonen et al. Spectral profile partial least-squares (SP-PLS): Local multivariate pansharpening on spectral profiles
Meng et al. Improving the spatial resolution of hyperspectral image using panchromatic and multispectral images: An integrated method
Belfiore et al. Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos
Chawla Possibilistic c-means-spatial contextual information based sub-pixel classification approach for multi-spectral data
Baraldi et al. Probability sampling protocol for thematic and spatial quality assessment of classification maps generated from spaceborne/airborne very high resolution images
Kwiatkowska et al. Merger of ocean color data from multiple satellite missions within the SIMBIOS project
Zhen et al. Spatial Resolution Requirements for the Application of Temperature and Emissivity Separation (TES) Algorithm over Urban Areas
Fayad et al. Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights
Kleynhans Detecting land-cover change using Modis time-series data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190830