CN110580453A - 大气水汽含量监测方法、装置、计算机设备和存储介质 - Google Patents

大气水汽含量监测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110580453A
CN110580453A CN201910768506.XA CN201910768506A CN110580453A CN 110580453 A CN110580453 A CN 110580453A CN 201910768506 A CN201910768506 A CN 201910768506A CN 110580453 A CN110580453 A CN 110580453A
Authority
CN
China
Prior art keywords
data
water vapor
atmospheric water
target
atmospheric
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
Application number
CN201910768506.XA
Other languages
English (en)
Other versions
CN110580453B (zh
Inventor
龙笛
李雪莹
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201910768506.XA priority Critical patent/CN110580453B/zh
Publication of CN110580453A publication Critical patent/CN110580453A/zh
Application granted granted Critical
Publication of CN110580453B publication Critical patent/CN110580453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请涉及大气水汽含量监测方法、装置、计算机设备和存储介质。所述方法包括：获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据；对第二大气水汽数据进行时间重建和/或空间重建得到空间完整第二大气水汽数据；对空间完整第二大气水汽数据进行质量筛选得到目标第二大气水汽数据；对第一大气水汽数据进行重采样得到目标第一大气水汽数据；利用增强的自适应时空融合算法生成融合数据，根据融合数据和目标第二大气水汽数据计算目标区域的待测时间段内的大气水汽含量。本方法通过对高分辨率和低分辨大气数据进行融合得到时空连续的融合产品，能够展示大气水汽变化的空间细节，具有较高的产品精度。

Description

大气水汽含量监测方法、装置、计算机设备和存储介质
技术领域
本申请涉及卫星遥感技术领域，特别是涉及一种大气水汽含量监测方法、装置、计算机设备和存储介质。
背景技术
大气水汽含量，又称大气可降水量(Precipitable Water Vapor,PWV)，是影响大气环流模式，区域水量平衡的最活跃的大气变量之一。大气水汽含量与降水、蒸散等水文过程密切相关，水汽含量的监测对研究水循环特征有着重要的意义。
现有的大气水汽产品包括多种，例如欧洲中期天气预报中心(European Centrefor Medium-Range Weather Forecasts，简称ECMWF)提供的全球大气再分析数据集ERA-Interim，其产品精度较高，但ERA-Interim产品空间分辨率较低，无法展示大气水汽变化的空间细节；再如美国宇航局(NASA)的Terra卫星搭载的中分辨率成像光谱仪(ModerateResolution Imaging Spectrometer，简称MODIS)可提供全球大气可降水量MOD05产品，该产品的空间分辨率高，但受卫星轨道影响，该产品进行大气水汽含量监测时空间不连续；且该产品受云量影响较大，致使数据精度较低，很大程度上限制了高分辨率遥感数据在监测大气水汽含量方面的应用价值。
发明内容
基于此，有必要针对上述技术问题，提供一种时空连续且空间高分辨率高的大气水汽含量监测方法、装置、计算机设备和存储介质。
一种大气水汽含量监测方法，所述方法包括：
获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据；
对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
在其中一个实施例中，对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据包括：
获取第二大气水汽数据的缺值；
根据所述缺值对应的第二大气水汽数据的时间，从所述第二大气水汽数据中对应获取临近参考数据；其中，所述临近参考数据包括位于所述缺值的时间以前和以后预设时间段内的第二大气水汽数据；
利用线性回归法和所述临近参考数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据。
在其中一个实施例中，对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据包括：
利用最近邻法和所述缺值对应的第二大气水汽数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据。
在其中一个实施例中，基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据：
利用最近邻法对所述第一大气水汽数据进行重采样，得到所述目标第一大气水汽数据。
在其中一个实施例中，对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据包括：
获取与所述第二大气水汽数据对应的质量控制波段数据；
根据所述质量控制波段数据得到所述第二大气水汽数据的高质量像元；
将高质量像元占总像元比例大于预设值的第二大气水汽数据作为预设质量第二大气水汽数据；
将与所述预设质量第二水汽数据同时间的空间完整第二大气水汽数据作为目标第二大气水汽数据，将剩余的空间完整第二大气水汽数据移除。
在其中一个实施例中，利用增强的自适应时空融合算法对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据包括：
根据被移除的空间完整第二大气水汽数据获取目标时间；
根据所述目标时间和目标第二大气水汽数据，确定第一高分辨率参考数据和第二高分辨率参考数据；其中，所述第一高分辨率参考数据和所述第二高分辨率参考数据对应的时间分别位于所述目标时间以前和以后，且距离所述目标时间最近；
根据所述第一高分辨率参考数据和所述第二高分辨率参考数据的时间，从所述目标第一大气水汽数据中得到第一低分辨率参考数据和第二低分辨率参考数据；并根据所述目标时间，从所述目标第一大气水汽数据中得到目标时间低分辨率数据；
将所述第一高分辨率参考数据、所述第二高分辨率参考数据、所述第一低分辨率参考数据、所述第二低分辨率参考数据和所述目标时间低分辨率数据作为增强的自适应时空融合模型的输入，将增强的自适应时空融合模型的输出作为目标时间高分辨率数据。
在其中一个实施例中，所述计算目标区域待测时间段内的大气水汽含量包括：
根据所述目标时间高分辨率数据和所述目标第二大气水汽数据，计算目标区域待测时间段内的大气水汽含量。
一种大气水汽含量监测装置，所述装置包括：
数据获取模块，用于获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
数据处理模块，用于对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据，还用于基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
数据筛选模块，用于对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
数据融合模块，用于利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
大气水汽计算模块，用于根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：
获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据；
对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据；
对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
上述一种大气水汽含量监测方法、装置、计算机设备和存储介质通过增强的自适应时空融合算法实现对高分辨率大气数据和低分辨率大气水汽数据进行融合，得到时空连续的融合产品能够展示大气水汽变化的空间细节，具有较高的产品精度。
附图说明
图1为一个实施例中大气水汽监测方法的应用环境示意图；
图2为一个实施例中大气水汽监测方法的流程示意图；
图3为一个实施例中高分辨率数据预处理的流程示意图；
图4为一个实施例中高分辨率数据筛选的流程示意图；
图5为另一个实施例中高分辨率数据和低分辨率数据融合的流程示意图；
图6为一个实施例中的目标区域青藏高原的示意图；
图7为一个实施例中ERA-Interim产品、MOD05产品及本发明融合产品在青藏高原地区同期空间水汽含量估算结果对比图；
图8a为一个实施例中ERA-Interim产品在NCRS站点与观测结果的对比图；
图8b为一个实施例中MOD05产品在NCRS站点与观测结果的对比图；
图8c为一个实施例中本发明融合产品在NCRS站点与观测结果的对比图；
图9为一个实施例中ERA-Interim产品、MOD05产品以及本发明融合产品在青藏高原区域估算的日平均水汽含量对比结果图；
图10为一个实施例中大气水汽监测装置的结构框图；
图11为另一个实施例中大气水汽监测装置的结构框图；
图12为其中一个实施例中大气水汽监测装置的结构框图；
图13为其中另一个实施例中大气水汽监测装置的结构框图；
图14为其中一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的大气水汽含量监测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102能够从服务器104获取目标区域的待测时间段内每个周期内的大气水汽数据，并对大气数据进行处理以得到所述周期内的大气水汽含量。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本方法利用卫星遥感数据对大气水汽含量的监测，请参照图2所示，本申请提供的一种大气水汽含量监测方法，具体地所述方法包括以下步骤：
S100、获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率。
目标区域是指定的待分析的区域，例如选取青藏高原地区作为目标区域；待测时间段是指是选定的时间段，待测时间段以小时、天、月或年等为单位，例如一个月或几个月。待测时间段包括多个周期，而周期可以根据待测时间段进行选择。第一大气水汽数据和第二大气水汽数据均用于表征观测的大气水汽含量，但空间分辨率不同，且第一大气水汽数据和第二大气水汽数据的来源不同，第一大气水汽数据和第二大气水汽数据均为现有的卫星遥感大气水汽数据或在分析数据。
举例来说，MOD05产品空间分辨率较高，其空间分辨可达1km×1km；ERA-Interim产品和AIRS产品的空间分辨率分别约90km×90km和110km×110km。在实施过程中低空间分辨率的ERA-Interim产品或AIRS产品可作为第一大气水汽数据，高空间分辨率MOD05产品可作为第二大气水汽数据。
S200、对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据。
由于卫星轨道及观测问题第二大气水汽数据存在缺失情况，即视为第二大气水汽数据存在缺失值，时间重建和/或空间重建是指利用时间相关性和/或空间相关性对缺失值进行重建，进而使存在缺失值的第二大气水汽数据在空间上完整。
S300、对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据。
空间完整第二大气水汽数据和第二大气水汽数据是对应的，利用第二大气水汽数据中高质量像元的占比判断第二大气水汽数据是否为可用数据，对应得到可用的空间完整第二大气水汽数据，可用的空间完整第二大气水汽数据即为目标第二大气水汽数据。
S400、基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同。
重采样是指利用低分辨率数据构造成高分辨率数据的过程，通常采用最近邻法插值、双线性插值和三次卷积插值等方法；举例来说，终端通过重采样将ERA-Interim数据空间分辨率为从90km×90km调整到1km×1km，进而将空间分辨率为1km×1km的ERA-Interim数据作为的目标ERA-Interim数据。
S500、利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据。
具体地，终端可以将可用的空间完整第二大气水汽数据和空间分辨率为1km×1km的ERA-Interim数据作为增强的自适应时空融合算法的输入，进而将增强的自适应时空融合算法的输出作为融合数据。
S600、根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
终端在得到融合数据和目标第二大气水汽数据之后，对融合数据和目标第二大气水汽数据进行计算，进而得到待测时间段内每个周期的大气水汽含量。
在本实施例中，通过增强的自适应时空融合算法对高分辨率大气数据和低分辨率大气水汽数据进行融合，得到时空连续的融合产品能够展示大气水汽变化的空间细节，且具有较高的产品精度；本发明方法适用性强，可服务于大气水汽监测、水文过程及气候变化研究、陆地-大气耦合水文模型、水资源利用与管理等诸多领域。
在其中一个实施例中，请参照图3所示，对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据包括：
S210、获取第二大气水汽数据的缺值。
具体地，本实施例中以MOD05产品数据作为第二大气水汽数据，缺值是指MOD05数据由于卫星轨道及观测问题导致的数据缺失。
S220、根据所述缺值对应的第二大气水汽数据的时间，从所述第二大气水汽数据中对应获取临近参考数据；其中，所述临近参考数据包括位于所述缺值的时间以前和以后预设时间段内的第二大气水汽数据。
在本实施例中，缺值的时间是指存在数据缺失的第二大气水汽数据对应的时间，结合缺值的时间利用相关性选取临近参考数据；例如，2007年7月16日的MOD05数据存在缺值，则从7月16日前后最近的时间开始找参考数据，若7月15日和7月17日处有观测值，则选择7月15日和7月17日数据，若没有则继续向前向后寻找。临近参考数据选取前后十五日，也可以根据实际需要选取合理的范围，本实施例不对其进行限定。
S230、利用线性回归法和所述临近参考数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据。
举例来说，终端利用15日和17日的数据进行线性拟合得到16日缺值的估算值；采用上述步骤对待测时间段内的全部MOD05数据进行时间重建；本实施例中通过数据间的时间相关性对第二大气水汽数据进行了重建，保证了数据的完整性。
在其中一个实施例中，对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据包括：
利用最近邻法和缺值对应的第二大气水汽数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据。
特别说明，在本实施例中，时间重建和空间重建可以并用也可单独使用，若通过时间重建能够得到空间完整数据，则可以不经过空间重建；若通过时间重建不能得到空间完整数据，则需要进一步采用空间重建。具体实施过程中，例如2007年7月16日的目标区域的MOD05数据存在缺失值，且从前后15日未能找到临近参考数据，此时利用2007年7月16日当天的MOD05数据对所述缺值进行插补，具体的通过设定搜索框对MOD05数据进行插补，其中搜索框的大小可以根据用户的精度需求设定，搜索框越小得到的插补值精度越高。
在其中一个实施例中，基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据包括：
利用最近邻法对所述第一大气水汽数据进行重采样，得到所述目标第一大气水汽数据。
具体地，第一大气水汽数据和第二大气水汽数据均为网格数据，利用最近邻法对第一大气水汽数据进行重采样，得到所述目标第一大气水汽数据。例如ERA-Interim数据作为第一大气水汽数据，可利用Matlab软件中resizem函数，或Arcmap软件中ArcToolbox→Data Management Tools→Raster→Raster Processing→Resample命令，将ERA-Interim数据重采样至空间分别率为1km×1km得到ERA-Interim目标数据。
在其中一个实施例中，请参照图4所示，本实施例中MOD05数据作为第二大气水汽数据，对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据包括：
S310、获取与所述第二大气水汽数据对应的质量控制波段数据。
质量控制波段数据是指与MOD05数据相匹配的数据，用于评价MOD05数据的质量信息。
S320、根据所述质量控制波段数据得到所述第二大气水汽数据的高质量像元。
在具体实施过程中，终端将十进制的质量控制波段数据转换成二进制，即对质量控制波段数据进行解码，例如在Matlab中利用dec2bin函数进行解码，进而通过二进制数据中相应位置的数值得到第二大气水汽数据像元的质量信息。
S330、将高质量像元占总像元比例大于预设值的第二大气水汽数据作为预设质量第二大气水汽数据。
举例来说，终端计算每一日的MOD05数据中高质量像元占总像元的比例，将高质量像元比例大于60％对应的该日MOD05数据作为预设质量的MOD05数据；可以理解的是预设值可以根据精度需求选取。
S340、将与所述预设质量第二水汽数据同时间的空间完整第二大气水汽数据作为目标第二大气水汽数据，将剩余的空间完整第二大气水汽数据移除。
空间完整第二大气水汽数据和第二大气水汽数据的时间是相对应的，对第二大气水汽数据筛选后能够获得对应时间的空间完整第二大气水汽数据；例如待测时间段内2007年15日和16日的MOD05数据中高质量像元的比值分别为70％和50％，则将空间完整MOD05数据中7月16日的数据删除，遍历整个预设时间段的空间完整MOD05数据，得到目标MOD05数据。在本实施例中结合质量控制波段对空间完整第二大气水汽数据进行质量筛选，保证了目标第二大气水汽数据的质量，进一步保证了后续融合数据的质量。
在其中一个实施例中，请参照图5所示，利用增强的自适应时空融合算法对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据包括：
S510、根据被移除的空间完整第二大气水汽数据获取目标时间。
目标时间指被移除的空间完整第二大气水汽数据的时间，例如2007年7月16日的空间完整MOD05数据被移除，此时2007年7月16日即为目标时间；
S520、根据所述目标时间和目标第二大气水汽数据，确定第一高分辨率参考数据和第二高分辨率参考数据；其中，所述第一高分辨率参考数据和所述第二高分辨率参考数据对应的时间分别位于所述目标时间以前和以后，且距离所述目标时间最近。
举例来说，若距离7月16日最近的两日中15日和17日空间完整MOD05数据被保留，则终端将15日的空间完整MOD05数据作为第一高分辨率参考数据，将17日的空间完整MOD05数据作为第二高分辨率参考数据。
S530、根据所述第一高分辨率参考数据和所述第二高分辨率参考数据的时间，得到第一低分辨率参考数据和第二低分辨率参考数据，并根据所述目标时间得到目标时间低分辨率数据。
举例来说，终端从目标ERA-Interim数据中选择7月15日的数据作为第一低分辨率参考数据，选择7月17日的数据作为第二低分辨率参考数据，选择7月16日的数据作为目标时间低分辨率数据。
S540、将所述第一高分辨率参考数据、所述第二高分辨率参考数据、所述第一低分辨率参考数据、所述第二低分辨率参考数据和所述目标时间低分辨率数据作为增强的自适应时空融合模型的输入，将增强的自适应时空融合模型的输出作为目标时间高分辨率数据。
本实施例中，第一高分辨率参考数据、第二高分辨率参考数据，第一低分辨率参考数据、第二低分辨率参考数据和目标时间低分辨率数据满足公式1的线性假设；
F(x,y,tp)＝F(x,y,tk)+a×(C(x,y,tp)-C(x,y,tk)),(k＝m,n) 公式1；
其中，(x,y)为像元的位置，F(·)代表高分辨率数据，C(·)代表低分辨率数据，a为高、低分辨率数据之间的线性转换系数，tp是目标时间，tm为第一高分辨率参考数据对应的时间，tn为第二高分辨率参考数据对应的时间。
在第一高分辨率参考数据和第二高分辨率参考数据搜索窗口中搜索相似像元，相似像元由搜索窗口内所有像元的标准差计算的阈值通过公式2确定；
|F(xi,yi,tk)-F(xw/2,yw/2,tk)|≤σ×2 公式2；
其中，w为搜索窗口大小，w/2为搜索窗口内中心像元的位置；σ为像元的标准差。
终端分别获取第一高分辨率参考数据和第二高分辨率参考数中的相似像元及其在第一低分辨率参考数据和第二低分辨率参考数据中的对应像元，利用公式3-公式6计算每个相似像元的空间权重W；
其中，R(·)为统计学变量，代表高、低分辨率数据间的相关性；E(·)为代表数学期望；Var(·)代表数据间的方差。
Di＝(1-Ri)×di 公式5；
利用公式7计算每个相似像元的时间权重T；
其中，(x,y)为像元的位置，T为时间权重。
结合相似像元的空间权重W，利用公式8由所有相似像元的加权值估算搜索框内中心像元的估算值：
将第一高分辨率参考数据和第二高分辨率参考数据估算出的中心像元值代入公式9，结合相似像元的时间权重T估算目标时间高分辨率数据；
Fp(xw/2,yw/2,tp)＝Tm×Fm(xw/2,yw/2,tp)+Tn×Fn(xw/2,yw/2,tp) 公式9；
其中，Fm(·)为第一高分辨率参考数据估算出的目标时间中心像元值，Fn(·)为第二高分辨率参考数据估算出的目标时间中心像元值。
针对被移除的2007年7月16日的空间完整MOOD05数据，终端利用15日和17日的空间完整MOOD05数据和目标ERA-Interim数据中15、16和17日的数据，结合增强的自适应时空融合模型得到16日的融合数据；并利用融合数据替代被移除2007年7月16日的空间完整MOD05数据，得到时间连续、且空间完整的融合产品。
在具体实施过程中，以青藏高原地区作为目标区域为例，目标区域GPS站点的地理位置如图6所示；进一步对ERA-Interim产品、MOD05产品、融合产品的精度进行检验。其中青藏高原地区2007年7月10日至2007年7月15日期间ERA-Interim产品、MOD05产品和本发明的融合产品的日水汽含量估算结果分别如图7的第一行、第二行和第三行所示；ERA-Interim产品、MOD05产品及本发明融合产品在NCRS站点与观测结果的对比分别如图8a至图8c所示；ERA-Interim产品、MOD05产品及本发明融合产品在青藏高原区域估算的平均水汽含量对比结果如图9所示。图7至图9的结果表明，融合产品的时空连续且分辨率高，有效的改善了原始MOD05产品观测中的噪声问题；并且与MOD05产品相比融合产品的水汽估算质量极大提高。与站点对比结果为：相较于原始MOD05产品，本发明融合产品与站点观测数据的相关系数从0.39提高至0.56，平均偏差从0.29mm减小到0.17mm，均方根误差从4.77mm减小到3.73mm。
应该理解的是，虽然图2-图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，请参照图10所示，提供了一种大气水汽含量监测装置70，该装置包括：
数据获取模块710，用于获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
数据处理模块720，用于对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据，还用于基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
数据筛选模块730，用于对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
数据融合模块740，用于利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
大气水汽计算模块750，用于根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
在一个实施例中，请参照图11所示，在上述图10所示的大气水汽含量监测装置70的基础上，数据处理模块720可以包括：第一大气水汽数据处理单元7201和第二大气水汽数据处理单元7202；
数据获取模块710，用于获取第二大气水汽数据的缺值；
第一大气水汽数据处理单元7201，用于利用最近邻法对所述第一大气水汽数据进行重采样，得到所述目标第一大气水汽数据；
第二大气水汽数据处理单元7202，用于根据所述缺值对应的第二大气水汽数据的时间，从所述第二大气水汽数据中对应获取临近参考数据，并利用线性回归法和所述临近参考数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据；其中，所述临近参考数据包括位于所述缺值的时间以前和以后预设时间段内的第二大气水汽数据；
所述第二大气水汽数据处理单元7202，还用于利用最近邻法和所述缺值对应的第二大气水汽数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据。
在一个实施例中，请参照图12所示，在上述图11所示的大气水汽含量监测装置70的基础上，数据筛选模块730可以包括：解码单元7301、质量计算单元7302和质量筛选单元7303；
数据获取模块710，还用于获取与所述第二大气水汽数据对应的质量控制波段数据；
解码单元7301，用于根据所述质量控制波段数据得到所述第二大气水汽数据的高质量像元；
质量计算单元7302，用于将高质量像元占总像元比例大于预设值的第二大气水汽数据作为预设值量第二大气水汽数据；
质量筛选单元7303，用于将与所述预设质量第二水汽数据同时间的空间完整第二大气水汽数据作为目标第二大气水汽数据，还用于将剩余的空间完整第二大气水汽数据移除。
在一个实施中，请参照图13所示，在上述图12所示的大气水汽含量监测装置70的基础上，数据融合模块740可以包括：目标时间确定单元7401、参考数据确定单元7402和数据融合单元7403；
目标时间确定单元7401，用于根据被移除的空间完整第二大气水汽数据获取目标时间；
参考数据确定单元7402，用于根据所述目标时间和目标第二大气水汽数据，确定第一高分辨率参考数据和第二高分辨率参考数据；以及用于根据所述第一高分辨率参考数据和所述第二高分辨率参考数据的时间，得到第一低分辨率参考数据和第二低分辨率参考数据，并根据所述目标时间得到目标时间低分辨率数据；其中，所述第一高分辨率参考数据和所述第二高分辨率参考数据对应的时间分别位于所述目标时间以前和以后，且距离所述目标时间最近；
数据融合单元7403，用于将所述第一高分辨率参考数据、所述第二高分辨率参考数据、所述第一低分辨率参考数据、所述第二低分辨率参考数据和所述目标时间低分辨率数据作为增强的自适应时空融合模型的输入，得到增强的自适应时空融合模型的输出作为目标时间高分辨率数据；
所述大气水汽计算模块750，用于根据所述目标时间高分辨率数据和所述目标第二大气水汽数据，计算目标区域待测时间段内的大气水汽含量。
关于一种大气水汽含量监测装置的具体限定可以参见上文中对于一种大气水汽含量监测方法的限定，在此不再赘述。上述一种大气水汽含量监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种大气水汽含量监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：
获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据；
对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据；
对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种大气水汽含量监测方法，其特征在于，所述方法包括：
获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据；
对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
2.根据权利要求1所述的方法，其特征在于，对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据包括：
获取第二大气水汽数据的缺值；
根据所述缺值对应的第二大气水汽数据的时间，从所述第二大气水汽数据中对应获取临近参考数据；其中，所述临近参考数据包括位于所述缺值的时间以前和以后预设时间段内的第二大气水汽数据；
利用线性回归法和所述临近参考数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据。
3.根据权利要2所述的方法其特征在于，对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据包括：
利用最近邻法和所述缺值对应的第二大气水汽数据对所述缺值进行插补，得到所述空间完整第二大气水汽数据。
4.根据权利要求1所述的方法，其特征在于，基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据：
利用最近邻法对所述第一大气水汽数据进行重采样，得到所述目标第一大气水汽数据。
5.根据权利要求4所述的方法，其特征在于，对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据包括：
获取与所述第二大气水汽数据对应的质量控制波段数据；
根据所述质量控制波段数据得到所述第二大气水汽数据的高质量像元；
将高质量像元占总像元比例大于预设值的第二大气水汽数据作为预设值量第二大气水汽数据；
将与所述预设质量第二水汽数据同时间的空间完整第二大气水汽数据作为目标第二大气水汽数据，将剩余的空间完整第二大气水汽数据移除。
6.根据权利要求5所述的方法，其特征在于，利用增强的自适应时空融合算法对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据包括：
根据被移除的空间完整第二大气水汽数据获取目标时间；
根据所述目标时间和目标第二大气水汽数据，确定第一高分辨率参考数据和第二高分辨率参考数据；其中，所述第一高分辨率参考数据和所述第二高分辨率参考数据对应的时间分别位于所述目标时间以前和以后，且距离所述目标时间最近；
根据所述第一高分辨率参考数据和所述第二高分辨率参考数据的时间，从所述目标第一大气水汽数据中得到第一低分辨率参考数据和第二低分辨率参考数据；并根据所述目标时间，从所述目标第一大气水汽数据中得到目标时间低分辨率数据；
将所述第一高分辨率参考数据、所述第二高分辨率参考数据、所述第一低分辨率参考数据、所述第二低分辨率参考数据和所述目标时间低分辨率数据作为增强的自适应时空融合模型的输入，将增强的自适应时空融合模型的输出作为目标时间高分辨率数据。
7.根据权利要求6所述的方法，其特征在于，所述计算目标区域待测时间段内的大气水汽含量包括：
根据所述目标时间高分辨率数据和所述目标第二大气水汽数据，计算目标区域待测时间段内的大气水汽含量。
8.一种大气水汽含量监测装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标区域的待测时间段内的第一大气水汽数据和第二大气水汽数据，其中，所述第一大气水汽数据的空间分辨率低于所述第二大气水汽数据的空间分辨率；
数据处理模块，用于对所述第二大气水汽数据进行时间重建和/或空间重建，得到空间完整第二大气水汽数据，还用于基于所述第二大气水汽数据的空间分辨率对所述第一大气水汽数据进行重采样，得到目标第一大气水汽数据，其中，所述目标第一大气水汽数据的空间分辨率与所述第二大气水汽数据的空间分辨率相同；
数据筛选模块，用于对所述空间完整第二大气水汽数据进行质量筛选，得到目标第二大气水汽数据；
数据融合模块，用于利用增强的自适应时空融合算法，对所述目标第二大气水汽数据和所述目标第一大气水汽数据进行时空融合生成融合数据；
大气水汽计算模块，用于根据所述融合数据和所述目标第二大气水汽数据，计算目标区域的待测时间段内的大气水汽含量。
9.一种计算机设备，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计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910768506.XA 2019-08-20 2019-08-20 大气水汽含量监测方法、装置、计算机设备和存储介质 Active CN110580453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910768506.XA CN110580453B (zh) 2019-08-20 2019-08-20 大气水汽含量监测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910768506.XA CN110580453B (zh) 2019-08-20 2019-08-20 大气水汽含量监测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110580453A true CN110580453A (zh) 2019-12-17
CN110580453B CN110580453B (zh) 2020-06-30

Family

ID=68811308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910768506.XA Active CN110580453B (zh) 2019-08-20 2019-08-20 大气水汽含量监测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110580453B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629431A (zh) * 2022-12-22 2023-01-20 成都数之联科技股份有限公司 一种水汽含量预测方法、装置、设备及介质
CN117290675A (zh) * 2023-11-27 2023-12-26 中国电建集团西北勘测设计研究院有限公司 降水数据处理方法、装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106814371A (zh) * 2017-01-20 2017-06-09 武汉大学 一种测量大气温度和水汽以及气溶胶的激光雷达系统
CN106840085A (zh) * 2016-12-20 2017-06-13 长安大学 一种基于多层信息融合的无人机测高方法
CN107687900A (zh) * 2017-09-01 2018-02-13 中国科学院上海技术物理研究所 一种适用于机载热红外成像光谱仪大气校正系统和方法
CN108168710A (zh) * 2017-12-28 2018-06-15 福建农林大学 一种基于遥感技术的城区热岛效应评估方法
CN109001382A (zh) * 2018-09-20 2018-12-14 武汉大学 一种基于cors的区域大气水汽实时监测方法及系统
US20190167125A1 (en) * 2017-12-01 2019-06-06 Siemens Healthcare Gmbh Inflow-based pulse wave velocity profiling along the aorta using magnetic resonance imaging

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106840085A (zh) * 2016-12-20 2017-06-13 长安大学 一种基于多层信息融合的无人机测高方法
CN106814371A (zh) * 2017-01-20 2017-06-09 武汉大学 一种测量大气温度和水汽以及气溶胶的激光雷达系统
CN107687900A (zh) * 2017-09-01 2018-02-13 中国科学院上海技术物理研究所 一种适用于机载热红外成像光谱仪大气校正系统和方法
US20190167125A1 (en) * 2017-12-01 2019-06-06 Siemens Healthcare Gmbh Inflow-based pulse wave velocity profiling along the aorta using magnetic resonance imaging
CN108168710A (zh) * 2017-12-28 2018-06-15 福建农林大学 一种基于遥感技术的城区热岛效应评估方法
CN109001382A (zh) * 2018-09-20 2018-12-14 武汉大学 一种基于cors的区域大气水汽实时监测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘建波等: ""遥感高时空融合方法的研究进展及应用现状"", 《遥感学报》 *
王茜雯: ""地基GPS融合多源数据的香港地区水汽含量估算研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115629431A (zh) * 2022-12-22 2023-01-20 成都数之联科技股份有限公司 一种水汽含量预测方法、装置、设备及介质
CN117290675A (zh) * 2023-11-27 2023-12-26 中国电建集团西北勘测设计研究院有限公司 降水数据处理方法、装置、存储介质及电子设备
CN117290675B (zh) * 2023-11-27 2024-02-27 中国电建集团西北勘测设计研究院有限公司 降水数据处理方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN110580453B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
CN110580453B (zh) 大气水汽含量监测方法、装置、计算机设备和存储介质
Van Hoolst et al. FAO’s AVHRR-based Agricultural Stress Index System (ASIS) for global drought monitoring
US8411954B2 (en) Image processing system, image processing program, and image processing method
CN111178635A (zh) 天气预报方法、装置、计算机设备和计算机可读存储介质
CN113111835B (zh) 卫星遥感图像语义分割方法、装置、电子设备和存储介质
CN110796472A (zh) 信息推送方法、装置、计算机可读存储介质和计算机设备
Zhang et al. An object-based spatiotemporal fusion model for remote sensing images
CN108154170B (zh) 一种长时间序列的ndvi数据产品融合方法
CN112700516A (zh) 基于深度学习的视频渲染方法、装置、计算机设备以及存储介质
CN115272082A (zh) 模型训练、视频质量提升方法、装置和计算机设备
Zhang et al. Removing cloud cover interference from Sentinel-2 imagery in Google Earth Engine by fusing Sentinel-1 SAR data with a CNN model
CN114691069A (zh) 图像显示调整的方法和装置、电子设备
CN115730718A (zh) 结合超光谱卫星与人工智能的大气no2时空预测算法
US12088481B2 (en) Dynamic histogram builder
CN110830848B (zh) 图像插值方法、装置、计算机设备和存储介质
CN114897702A (zh) 图像重构方法、装置、计算机设备和存储介质
CN114913287A (zh) 一种三维人体模型重建方法及系统
Wölk et al. A temporal–spatial analysis on the socioeconomic development of rural villages in Thailand and Vietnam based on satellite image data
CN113139893B (zh) 图像翻译模型的构建方法和装置、图像翻译方法和装置
Hirahara et al. Denoising and inpainting of sea surface temperature image with adversarial physical model loss
CN110910436A (zh) 基于图像信息增强技术的测距方法、装置、设备和介质
CN114299001B (zh) 基于结构循环一致性的异源图像变化检测方法及装置
CN116156088B (zh) 一种视频图像缩放处理系统、方法、计算机设备及存储介质
Wang et al. A boundary finding-based spatiotemporal fusion model for vegetation index

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