CN110261341A - 一种基于静止气象卫星数据的火山灰云检测方法及系统 - Google Patents
一种基于静止气象卫星数据的火山灰云检测方法及系统 Download PDFInfo
- Publication number
- CN110261341A CN110261341A CN201910536684.XA CN201910536684A CN110261341A CN 110261341 A CN110261341 A CN 110261341A CN 201910536684 A CN201910536684 A CN 201910536684A CN 110261341 A CN110261341 A CN 110261341A
- Authority
- CN
- China
- Prior art keywords
- cloud
- volcanic ash
- effective
- satellite
- optical thickness
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000003287 optical effect Effects 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- 238000010521 absorption reaction Methods 0.000 claims description 71
- 230000005855 radiation Effects 0.000 claims description 51
- 238000010586 diagram Methods 0.000 claims description 28
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 11
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- CFKMVGJGLGKFKI-UHFFFAOYSA-N 4-chloro-m-cresol Chemical compound CC1=CC(O)=CC=C1Cl CFKMVGJGLGKFKI-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000004176 azorubin Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明实施例提供一种基于静止气象卫星数据的火山灰云检测方法及系统，包括：根据卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算有效云发射率；根据有效云发射率，获取有效吸收光学厚度比率；根据有效吸收光学厚度比率，构建基于搭载于Himawari‑8或Himawari‑9卫星上的AHI传感器数据的βobs‑特征空间，获取二维散点图；通过对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。本发明建立了适用于亚太地区的火山灰云检测方法，与传统分裂窗亮温差方法相比，显著提高火山灰云边界检测精度、减少范围上的误判。
Description
技术领域
本发明涉及火山灰云检测技术领域，尤其涉及一种基于静止气象卫星数据的火山灰云检测方法及系统。
背景技术
大规模爆炸性的火山喷发形成的火山灰云能够长期驻留在平流层中,给航空安全带来很大威胁。易引发航空安全事故。大规模的火山灰云会阻挡太阳辐射，从而对全球气候和环境产生深远影响。气象卫星数据具有较高的时间分辨率和丰富的光谱波段，有利于动态监测火山灰云的空间分布和漂移路径。
传统的分裂窗亮温差火山灰云检测方法(Split Window TemperatureDifference method,简称SWTD)已经在国际上被广泛应用了很长时间。该方法主要利用火山灰云在热红外波段的吸收特征，10-13pm的大气窗口内两个相邻通道的亮温差是负值，而对于气象上的云则为正值。通过对比火山灰云的亮度温度与火山爆发之前的亮度温度差来监测出火山灰云的分布和扩散变化特征。在亮温差图像中可以得到火山灰云的主体部分。但是当以亮温差数值小于0作为约束条件对火山灰云进行提取时，并不能理想的检测出火山灰云，阈值的设置不能用一个统一的值对火山灰云进行检测，需要大量的实验确定最优值。此外，在复杂气象条件下，气象云的辐射特性在红外分裂窗通道有时表现出和火山灰云一样的特性，从而不可避免的带来了大量的误判。
假彩色合成法被使用在火山灰云预警网站上，通过不同方式的彩色合成，能够凸显出特定的物质信息，增强图像的可识别性。如标准假彩色合成即将近红外波段对应红色，红光波段对应于绿色，绿光波段对应于蓝色得到假彩色合成图像。从假彩色合成图像上，可以看出一些火山灰云的分布区域和扩散路径，这种彩色合成方法是一种很简便而且很美观的凸显火山灰云信息的图像，但不能用来提取出火山灰云的具体范围。
气象卫星数据具有免费获取、空间覆盖广等优点,特别是静止气象卫星，时间分辨率高。为定量研究火山、大气相互作用提供了有利工具。Michael Pavolonis(2013)基于GOES-R卫星搭载的ABI传感器(Advanced Baseline Imager，简称ABI)，构建了基于βtheo-特征空间的火山灰云检测方法，βtheo-特征空间对于火山灰云组成成分的微物理特性的敏感度更高，可以用于检测火山灰云。但该方法中，GOES-R气象卫星主要应用于西半球，无法应用于亚太地区的火山灰云检测。同时，GOES-R火山灰云检测的阈值通过组合的辐射传输理论和统计模型，根据火山灰云的粒子特性模拟得出，是固定值。由于其他卫星搭载的传感器光谱响应特性不同，观测的大气条件和下垫面特性也不同，因此该方法在移植使用时会出现误判，精度有待进一步提高。
现有技术中的三种方法都无法给出针对于亚太地区的高精度的火山灰云范围。因此，亟需能得出针对于亚太地区的高精度火山灰云范围的检测方法。
发明内容
本发明实施例提供一种基于静止气象卫星数据的火山灰云检测方法及系统，用以解决现有技术中对亚太地区的火山灰云检测精度不高的问题。
第一方面，本发明实施例提供一种基于静止气象卫星数据的火山灰云检测方法，包括：
基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
根据每一通道对应的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；
根据相邻两通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用所述阈值系统在卫星影像中提取火山灰云的范围。
优选地，所述根据Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道的有效云发射率，之前还包括：
获取所述Himawari-8或所述Himawari-9气象卫星遥感图像中目标火山区域所在位置温度廓线、湿度廓线和臭氧廓线；
根据所述温度廓线、所述湿度廓线、所述臭氧廓线和红外大气快速传输模式，获取晴空时辐射亮度和有云时辐射亮度；
获取每一通道对应的大气顶层卫星观测角度条件下的实际辐射亮度。
优选地，根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率，具体包括：
其中，λ表示任一通道的红外波长，εeff(λ)表示所述任一通道对应的有效云发射率，Robs(λ)表示所述任一通道对应的卫星的实际辐射亮度，Rclr(λ)表示所述任一通道对应的晴空时辐射亮度，Rcld(λ)表示所述任一通道对应的有云时辐射亮度。
优选地，所述根据每一通道的有效云发射率，获取相邻两通道的有效吸收光学厚度比率，具体包括：
其中，λ1表示某一通道的红外波长，λ2表示另一通道的红外波长，βobs[λ1/λ2]表示相邻两通道的有效吸收光学厚度比率，εeff(λ1)表示所述某一通道的有效云发射率，εeff(λ2)表示所述另一通道的有效云发射率。
优选地，还包括：建立一套适用于搭载AHI传感器的所述Himawari-8或所述Himawari-9卫星数据的判识阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。
第二方面，本发明实施例提供一种基于静止气象卫星数据的火山灰云检测系统，包括：
有效云发射率模块，基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
有效吸收光学厚度比率模块，用于根据每一通道对应的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；
散点图模块，用于根据8.6μm、11.2μm和12.4μm、11.2μm通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
检测模块，用于根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。
第三方面，本发明实施例提供一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的一种基于静止气象卫星数据的火山灰云检测方法。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的一种基于静止气象卫星数据的火山灰云检测方法。
本发明实施例提供的一种基于静止气象卫星数据的火山灰云检测方法及系统，本发明建立了一套适用于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据的判识阈值系统，适用于亚太地区的火山灰云遥感监测。本发明相比于分裂窗亮温差检测法，显著提高火山灰云边界检测的精度，能减少火山灰云检测范围上的误判；相比于假彩色合成法，本发明能提取出火山灰云的具体范围；相比基于搭载ABI传感器的GOES-R气象卫星数据的βtheo-特征空间法，本发明更能体现实时大气下的火山灰云微物理特性，且能够应用于亚太地区的火山灰云检测。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种基于静止气象卫星数据的火山灰云检测方法的流程图；
图2表示林贾尼火山的位置概况图像；
图3为本发明实施例中林贾尼火山的红外波长为12.4μm/11.2μm的通道对应的有效吸收光学厚度比率示意图；
图4为本发明实施例中林贾尼火山的红外波长为8.6μm/11.2μm的通道对应的有效吸收光学厚度比率示意图；
图5为本发明实施例中林贾尼火山灰云区域的βobs(12.4/11.2μm)示意图；
图6表示为林贾尼火山区域中两个有效吸收光学厚度比率βobs组成的二维散点分布示意图；
图7表示火山灰云区域的两个有效吸收光学厚度比率βobs的二维散点分布示意图；
图8表示火山灰云区域的βobs-特征空间的分布示意图；
图9为本发明实施例中火山灰云的检测范围示意图；
图10为分裂窗亮温差法火山灰云的检测范围示意图；
图11为本发明实施例中提供的一种基于静止气象卫星数据的火山灰云检测系统的结构示意图；
图12示例了一种电子设备的实体结构示意图。
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。
图1为本发明实施例提供的一种基于静止气象卫星数据的火山灰云检测方法的流程图，如图1所示，该方法包括:
S1,基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
S2,根据每一通道对应的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；
S3,根据每一通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
S4,根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用所述阈值系统在卫星影像中提取火山灰云的范围。
火山灰云主要是由火山灰碎屑颗粒物和水蒸气、二氧化硫、硫化氢、二氧化碳等气体构成，当这些成分混合充分时，就容易形成酸性气溶胶，不但能够削弱到达地面的太阳辐射、引起臭氧层破坏、大气污染和气温异常等全球气候和环境系统问题，因此，需要对火山灰云进行检测。
为了方便说明，本发明实施例以Himawari-8或Himawari-9气象卫星检测林贾尼火山的火山灰云为例进行说明。
AHI全称Advanced Himawari Imager，此处的Himawari气象卫星为Himawari-8或Himawari-9气象卫星。
日本卫星Himawari-8或Himawari-9捕获了林贾尼火山爆发前后的图像信息，图2表示林贾尼火山的位置概况图像，图中的箭头所指处是林贾尼火山口位置，采用AHI传感器的8.6um通道，时间为2015年11月4日00时UTC。从图像中可以轻微的看出一些火山灰云不断从火山口冒出，前期产生的火山灰云正在从火山口附近向西南方向蔓延扩散。
首先，获取所述Himawari-8或Himawari-9气象卫星遥感图像中目标火山区域所在位置温度廓线、湿度廓线和臭氧廓线；
根据所述温度廓线、所述湿度廓线、所述臭氧廓线和红外大气快速传输模式，获取晴空时辐射亮度和有云时辐射亮度；
获取每一通道对应的的大气顶层卫星观测角度条件下的实际辐射亮度。
在获取的卫星遥感图像中，林贾尼火山的经纬度范围为107°E-122°E，4°S-14°S，所采取的研究范围包括1500*1000像素，读入对应区域的廓线数据，包括温度廓线、湿度廓线和臭氧廓线。
其中，温度廓线是描述大气中的温度随高度分布的曲线，湿度廓线是描述湿度随高度分布的曲线，臭氧廓线是指臭氧浓度随高度分布的曲线。
将读取的温度廓线、湿度廓线和臭氧廓线输入到红外大气快速传输模式中，逐像元模拟出8.6μm、11.2μm、12.4μm三个通道晴空时辐射亮度和有云时辐射亮度。
接着基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率。
具体地，实际辐射亮度是卫星获取的大气层顶卫星观测角度条件下的辐射亮度。
具体地，利用Himawari-8或Himawari-9气象卫星获取研究区域逐像元对应的三个通道实际辐射亮度，本发明实施例中，三个通道对应的红外中心波长分别为8.6μm、11.2μm、12.4μm，并且逐像元获取这三个通道对应的晴空时辐射亮度和有云时辐射亮度，计算出每个通道的有效云发射率。
具体地，计算某个通道的有效云发射率具体公式如下：
其中，λ表示任一通道的红外波长，εeff(λ)表示所述任一通道对应的有效云发射率，Robs(λ)表示所述任一通道对应的卫星的实际辐射亮度，Rclr(λ)表示所述任一通道对应的晴空时辐射亮度，Rcld(λ)表示所述任一通道对应的有云时辐射亮度。
接着根据每个通道的有效云发射率，计算出相邻两个通道的有效吸收光学厚度比率，本发明实施例中，一共有两个有效吸收光学厚度比率，分别为有效吸收光学厚度比率βobs(8.6/11.2μm)和有效吸收光学厚度比率βobs(12.4/11.2μm)。
有效吸收光学厚度比率具体可采用Parol et al.(1991)提出的有效吸收光学厚度比率概念。该指数是一个与物质的颗粒大小、特性、组成直接相关的数据。通过研究发现，即使在没有云垂直边界信息的情况下，通过将测量的辐射率转换为有效发射率，并从8-12μm“窗口”中的一对光谱发射率构建有效吸收光学厚度比，可以显著提高对云微物理的灵敏度。
具体地，本发明实施例中分别计算8.6μm、11.2μm和12.4μm、11.2μm对应的有效吸收光学厚度比率，其中，8.6μm/11.2μm的有效吸收光学厚度比率为：
其中，εeff(8.6)表示红外波长为8.6μm的通道所对应的有效云发射率，εeff(11.2)表示红外波长为11.2μm的通道所对应的有效云发射率。
12.4μm/11.2μm的有效吸收光学厚度比率为：
其中，εeff(12.4)表示红外波长为12.4μm的通道所对应的有效云发射率，εeff(11.2)表示红外波长为11.2μm的通道所对应的有效云发射率。
图3为本发明实施例中林贾尼火山的红外波长为12.4μm/11.2μm的通道对应的有效吸收光学厚度比率示意图，即βobs(12.4/11.2μm)的图像，采用AHI8.6um、11.2μm、12.4μm通道，时间为2015年11月4日00时UTC，采用美国标准大气廓线。
图4为本发明实施例中林贾尼火山的红外波长为8.6μm/11.2μm的通道对应的有效吸收光学厚度比率示意图，即βobs(8.6/11.2μm)的图像，采用AHI8.6um、11.2μm、12.4μm通道，时间为2015年11月4日00时UTC，采用美国标准大气廓线。
然后根据这三个通道中相邻两通道对应的有效吸收光学厚度比率βobs(8.6/11.2μm)和βobs(12.4/11.2μm)，获取火山灰云的二维散点图，具体步骤为：
以βobs(8.6/11.2μm)为横坐标，以βobs(12.4/11.2μm)为纵坐标，显示出βobs(12.4/11.2μm)和βobs(8.6/11.2μm)的二维散点图，把βobs(8.6/11.2μm)和βobs(12.4/11.2μm)的图像连接起来，查看火山灰云区域的βobs(8.6/11.2μm)和βobs(12.4/11.2μm)的数值范围，图5为本发明实施例中林贾尼火山灰云区域的βobs示意图。
接着根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。具体地：
图5为本发明实施例中林贾尼火山灰云区域的βobs(12.4/11.2μm)示意图，采用AHI8.6um、11.2μm、12.4μm通道，时间为2015年11月4日00时UTC，采用美国标准大气廓线。在图5中对应的火山口西侧的灰色区域，正是火山灰云区域。在火山灰云的二维散点图中，分别把火山灰云区域的βobs(12.4/11.2μm)和βobs(8.6/11.2μm)导出。
利用origin(绘图、数据分析软件)显示火山灰云的有效吸收光学厚度比率范围，图6表示为林贾尼火山区域中两个有效吸收光学厚度比率βobs组成的二维散点分布示意图，其中βobs(8.6/11.2μm)为横坐标，βobs(12.4/11.2μm)为纵坐标。
图7表示火山灰云区域的两个有效吸收光学厚度比率βobs的二维散点分布示意图。从图7可以提出火山灰云区域βobs(12.4/11.2μm)和βobs(8.6/11.2μm)的边界值，得到火山灰云区域的有效吸收光学厚度比率的边界分布，构建βobs-特征空间。图8表示火山灰云区域的βobs-特征空间的分布示意图。
该二维散点图的边界值分别为A(0.93,0.94)、B(0.93,0.78)、C(1.1,0.78)、D(1.13,0.94)，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，由四个坐标的计算可以得到火山灰云的检测范围，即一个像素的βobs(12.4/11.2μm)值和βobs(8.6/11.2μm)值满足以下两个条件中的一个：
条件一：0.93≦βobs(8.6/11.2μm)≦1.1，且，0.78≦βobs(12.4/11.2μm)≦0.94。
条件二：1.1≦βobs(8.6/11.2μm)≦1.13，且，0.78≦βobs(12.4/11.2μm)≦(-5.3*β(8.6/11.2)+6.80)。
将二维散点图中满足条件一的像素确定为火山灰云像素，或者，将二维散点图中满足条件二的像素确定为火山灰云像素。
最后，根据火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，得到的火山灰云的检测范围，图9为本发明实施例中火山灰云的检测范围示意图，采用AHI 8.6um、11.2μm、12.4μm通道，时间为2015年11月4日00时UTC，采用美国标准大气廓线。
本发明实施例将有效吸收光学厚度比率与遥感图像数据相结合，提供了两个有效吸收光学厚度比率的关系去约束火山灰云范围，在边界设置的角度考虑，相比亮温差算法只通过一个差值的阈值设置检测火山灰云，本发明显著提高火山灰云边界检测的精度，能减少火山灰云检测范围上的误判，图10为分裂窗亮温差法火山灰云的检测范围示意图，采用AHI 11.2μm、12.4μm通道，时间为2015年11月4日00时UTC。
具体地，建立一套适用于搭载AHI传感器的Himawari-8或Himawari-9卫星数据的判识阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。
图11为本发明实施例中提供的一种基于静止气象卫星数据的火山灰云检测系统的结构示意图，如图11所示，该系统包括有效云发射率模块1101、有效吸收光学厚度比率模块1102、散点图模块1103、检测模块1104，其中：
有效云发射率模块1101基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
有效吸收光学厚度比率模块1102用于根据每一通道对应的有效云发射率，获取每一通道对应的有效吸收光学厚度比率；
散点图模块1103用于根据8.6μm、11.2μm和12.4μm、11.2μm通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
检测模块1104用于根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。
具体地，有效云发射率模块1101首先基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；有效吸收光学厚度比率模块1102根据有效云发射率模块1101获得的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；散点图模块1103根据8.6μm、11.2μm和12.4μm、11.2μm通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；检测模块1104根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。。
本系统实施例的具体执行过程与上述方法实施例相同，详情请参考上述方法实施例，本系统实施例在此不再赘述。
图12示例了一种电子设备的实体结构示意图，如图12所示，该服务器可以包括：处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和总线1240，其中，处理器1210，通信接口1220，存储器1230通过总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行如下方法：
基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
根据每一通道对应的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；
根据相邻两通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用所述阈值系统在卫星影像中提取火山灰云的范围。
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：
基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
根据每一通道对应的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；
根据相邻两通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用所述阈值系统在卫星影像中提取火山灰云的范围。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括每一指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (8)
1.一种基于静止气象卫星数据的火山灰云检测方法，其特征在于，包括：
基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
根据每一通道对应的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；
根据相邻两通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用所述阈值系统在卫星影像中提取火山灰云的范围。
2.根据权利要求1所述方法，其特征在于，根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道的有效云发射率，之前还包括：
获取所述Himawari-8或所述Himawari-9气象卫星遥感图像中目标火山区域所在位置温度廓线、湿度廓线和臭氧廓线；
根据所述温度廓线、所述湿度廓线、所述臭氧廓线和红外大气快速传输模式，获取晴空时辐射亮度和有云时辐射亮度；
获取每一通道对应的大气顶层卫星观测角度条件下的实际辐射亮度。
3.根据权利要求2所述方法，其特征在于，所述根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率，具体包括：
其中，λ表示任一通道的红外波长，εeff(λ)表示所述任一通道对应的有效云发射率，Robs(λ)表示所述任一通道对应的卫星的实际辐射亮度，Rclr(λ)表示所述任一通道对应的晴空时辐射亮度，Rcld(λ)表示所述任一通道对应的有云时辐射亮度。
4.根据权利要求1所述方法，其特征在于，所述根据每一通道的有效云发射率，获取相邻两通道的有效吸收光学厚度比率，具体包括：
其中，λ1表示某一通道的红外波长，λ2表示另一通道的红外波长，βobs[λ1/λ2]表示相邻两通道的有效吸收光学厚度比率，εeff(λ1)表示所述某一通道的有效云发射率，εeff(λ2)表示所述另一通道的有效云发射率。
5.根据权利要求1所述方法，其特征在于，还包括：
建立一套适用于搭载AHI传感器的所述Himawari-8或所述Himawari-9卫星数据的判识阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。
6.一种基于静止气象卫星数据的火山灰云检测系统，其特征在于，包括：
有效云发射率模块，基于搭载AHI传感器的Himawari-8或Himawari-9气象卫星数据，选取8.6μm、11.2μm、12.4μm三个通道，并根据所述Himawari-8或所述Himawari-9气象卫星获取的红外波段的实际辐射亮度、红外大气快速传输模式计算的晴空时辐射亮度和有云时辐射亮度，逐像元计算每一通道对应的有效云发射率；
有效吸收光学厚度比率模块，用于根据每一通道对应的有效云发射率，获取相邻两通道对应的有效吸收光学厚度比率；
散点图模块，用于根据8.6μm、11.2μm和12.4μm、11.2μm通道对应的有效吸收光学厚度比率，构建基于AHI数据的βobs-特征空间，获取二维散点图；
检测模块，用于根据所述二维散点图中有效吸收光学厚度比率的分布特性，对比同时次的卫星多通道增强图像，建立火山灰云区域有效吸收光学厚度比率的边界值和阈值系统，利用该阈值系统在卫星影像中提取火山灰云的范围。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于静止气象卫星数据的火山灰云检测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于静止气象卫星数据的火山灰云检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910536684.XA CN110261341B (zh) | 2019-06-20 | 2019-06-20 | 一种基于静止气象卫星数据的火山灰云检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910536684.XA CN110261341B (zh) | 2019-06-20 | 2019-06-20 | 一种基于静止气象卫星数据的火山灰云检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110261341A true CN110261341A (zh) | 2019-09-20 |
| CN110261341B CN110261341B (zh) | 2020-10-02 |
Family
ID=67919775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910536684.XA Active CN110261341B (zh) | 2019-06-20 | 2019-06-20 | 一种基于静止气象卫星数据的火山灰云检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110261341B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223153A (zh) * | 2020-01-03 | 2020-06-02 | 上海眼控科技股份有限公司 | 云顶高度计算方法、装置、计算机设备和存储介质 |
| CN113466917A (zh) * | 2020-03-31 | 2021-10-01 | 中国矿业大学(北京) | 一种煤烟型气溶胶辐射强迫计算新方法 |
| CN117236528A (zh) * | 2023-11-15 | 2023-12-15 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694461A (zh) * | 2009-10-16 | 2010-04-14 | 中国科学院安徽光学精密机械研究所 | 一种污染源气体排放通量红外多组份监测方法与系统 |
| US8170282B1 (en) * | 2009-09-17 | 2012-05-01 | Sandia Corporation | Technique for ship/wake detection |
| CN104502999A (zh) * | 2014-12-10 | 2015-04-08 | 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 |
| CN105913033A (zh) * | 2016-04-15 | 2016-08-31 | 北京航空航天大学 | 遥感图像中多层云和单层云类型综合分类与识别的方法 |
-
2019
- 2019-06-20 CN CN201910536684.XA patent/CN110261341B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8170282B1 (en) * | 2009-09-17 | 2012-05-01 | Sandia Corporation | Technique for ship/wake detection |
| CN101694461A (zh) * | 2009-10-16 | 2010-04-14 | 中国科学院安徽光学精密机械研究所 | 一种污染源气体排放通量红外多组份监测方法与系统 |
| CN104502999A (zh) * | 2014-12-10 | 2015-04-08 | 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 |
| CN105913033A (zh) * | 2016-04-15 | 2016-08-31 | 北京航空航天大学 | 遥感图像中多层云和单层云类型综合分类与识别的方法 |
Non-Patent Citations (1)
| Title |
|---|
| MICHAEL J. PAVOLONIS: "Advances in Extracting Cloud Composition Information from Spaceborne Infrared Radiances—A Robust Alternative to Brightness Temperatures. Part I: Theory", 《JOURNAL OF APPLIED METEOROLOGY AND CLIMATOLOGY》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223153A (zh) * | 2020-01-03 | 2020-06-02 | 上海眼控科技股份有限公司 | 云顶高度计算方法、装置、计算机设备和存储介质 |
| CN113466917A (zh) * | 2020-03-31 | 2021-10-01 | 中国矿业大学(北京) | 一种煤烟型气溶胶辐射强迫计算新方法 |
| CN113466917B (zh) * | 2020-03-31 | 2023-12-15 | 中国矿业大学(北京) | 一种煤烟型气溶胶辐射强迫计算方法 |
| CN117236528A (zh) * | 2023-11-15 | 2023-12-15 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
| CN117236528B (zh) * | 2023-11-15 | 2024-01-23 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110261341B (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112435207B (zh) | 一种基于天空地一体化的森林火灾监测预警方法 | |
| CN110261341B (zh) | 一种基于静止气象卫星数据的火山灰云检测方法及系统 | |
| CN111795936B (zh) | 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质 | |
| Hamann et al. | Remote sensing of cloud top pressure/height from SEVIRI: analysis of ten current retrieval algorithms | |
| CN109581372A (zh) | 一种生态环境遥感监测方法 | |
| CN108731817B (zh) | 应用于林火热点判别的不同传感器红外辐射归一建模方法 | |
| US8094886B1 (en) | Thermal wake/vessel detection technique | |
| CN113553907A (zh) | 一种基于遥感技术的森林生态环境状况评价方法 | |
| Stow et al. | Measuring fire spread rates from repeat pass airborne thermal infrared imagery | |
| Liu et al. | Analysis of the impact of the forest fires in August 2007 on air quality of Athens using multi-sensor aerosol remote sensing data, meteorology and surface observations | |
| Schläpfer et al. | Cast shadow detection to quantify the aerosol optical thickness for atmospheric correction of high spatial resolution optical imagery | |
| Ye et al. | Atmospheric correction of Landsat-8/OLI imagery in turbid estuarine waters: A case study for the Pearl River estuary | |
| Vermote et al. | LEDAPS surface reflectance product description | |
| Chen et al. | The Fengyun-3D (FY-3D) global active fire product: Principle, methodology and validation | |
| CN114112065A (zh) | 一种卫星遥感火险判识的方法 | |
| Rousset et al. | Remote sensing of Trichodesmium spp. mats in the western tropical South Pacific | |
| Sun et al. | A satellite imagery smoke detection framework based on the Mahalanobis distance for early fire identification and positioning | |
| Jiang et al. | Diurnal variations in directional brightness temperature over urban areas through a multi-angle UAV experiment | |
| Jang et al. | Thermal‐water stress index from satellite images | |
| KR20210018739A (ko) | 에어로졸 탐지 및 에어로졸 유형 분류 방법 | |
| Razali et al. | Quantifying haze from satellite using haze optimized transformation (HOT) | |
| Ilangakoon et al. | Estimating leaf area index by bayesian linear regression using terrestrial Lidar, LAI-2200 plant canopy analyzer, and landsat tm spectral indices | |
| EP1642087B1 (en) | Method and apparatus for automatically detecting and mapping, particularly for burnt areas without vegetation | |
| Zhang et al. | A Self‐Adaptive Wildfire Detection Algorithm with Two‐Dimensional Otsu Optimization | |
| CN115901553A (zh) | 一种基于Himawari-8卫星遥感数据的沙尘监测方法 |
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 |