CN110927065B - 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 - Google Patents
遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 Download PDFInfo
- Publication number
- CN110927065B CN110927065B CN201911062449.XA CN201911062449A CN110927065B CN 110927065 B CN110927065 B CN 110927065B CN 201911062449 A CN201911062449 A CN 201911062449A CN 110927065 B CN110927065 B CN 110927065B
- Authority
- CN
- China
- Prior art keywords
- value
- remote sensing
- chl
- interpolation method
- spatial interpolation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 204
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 15
- 238000002310 reflectometry Methods 0.000 claims description 46
- 238000012937 correction Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 19
- 230000005855 radiation Effects 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229930002868 chlorophyll a Natural products 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感辅助的湖库chl‑a浓度空间插值方法优选方法和装置,属于水质监测领域。本发明获取遥感影像,通过预处理、裁剪、chl‑a反演获取chl‑a浓度空间分布图,将其作为同步观测的真实值;然后通过对插值方法可变参数的穷尽循环取值,根据所有地面监测站点同步测量获取的chl‑a浓度值计算每种取值空间插值后的插值结果与真实值的均方差,取均方差为最小值时的空间插值方法和参数值为最终优化结果。本发明最终得到的空间插值方法和参数值更准确,通过得到的空间插值方法和参数值插值获得的chl‑a浓度数据更能真实反映湖库区域的水质状况。
Description
技术领域
本发明涉及水质监测领域,特别是指一种遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置。
背景技术
随着我国经济的快速发展,人们的生活水平得到了大幅提升,同时也给人们带来了环境方面的困扰,水质的优劣直接关系到人们的正常生活以及自然环境的生存和发展。目前我国的自然水体普遍呈现富营养化状态,直接表现就是藻类物质的大量繁殖,而藻类物质中叶绿素a(chl-a)所占比例比较稳定,且便于人工测定,因此叶绿素a含量是作为反映水体富营养化程度的重要指标。
对湖泊、水库(简称湖库)水环境、水生态的全面评估,需要获取湖库chl-a等各个水质参数的空间分布状况。目前湖库水质监测站点布设主要考虑湖库入水出水、取水、污染物排放、水文条件等因素满足代表性和考核需求,同时考虑检测站点数量、可达性等经济性因素,力求以较少的监测断面和监测站点(例如chl-a监测站点)获取代表性样品反演湖库区水环境质量及空间分布特征。因此,目前获取湖库水质全局分布状况的最主要方法是,基于在湖库上设立的少数水质监测站点上获得的站点水质监测数据,通过空间插值(例如反距离加权插值、样条函数插值、趋势面插值或者克里格插值等方法)获得全湖库区域上的水质参数空间分布情况。
空间插值方法的选择和插值参数的优化,一般通过交叉验证法完成。其原理是每个监测站点的水质参数监测值(以chl-a浓度为例)都从数据列中去掉一次,去掉的监测站点作为参考站点,由参考站点周围监测站点的实测值插值来估算参考站点的插值结果,然后计算参考站点的插值结果与参考站点的实测值(参考站点的水质参数监测值)之间的误差,取插值结果与实测值之间的总体误差最小时的插值方法及其参数取值作为最优的插值方法和插值参数取值。
但是,现有湖库水质监测站点的布设,往往考虑以尽量少的监测站点数据反映湖库水质状况。许多插值方法对站点数量和站点空间相关性有很高要求,交叉验证法中去掉的实测值可能造成评价结果的偏差,也就是说,现有的湖库水质监测站点已经尽量少了,每个监测站点的水质参数监测值都很重要,去掉任意一个监测站点的监测值都会使得插值结果不准确,不能接近真实的湖库水质参数分布,进而导致选取的插值方法和插值参数取值出现偏差。另外,由于湖库水体持续动态变化,并且各个监测站点之间往往相距较远,对于需要手工取样测量的水质参数(例如chl-a浓度),往往很难获取相同时间的实测值,也会导致评价结果的偏差。
发明内容
为解决上述技术问题,本发明提供一种遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置,本发明得到的空间插值方法和参数值更准确,通过得到的空间插值方法和参数值插值获得的chl-a浓度数据更能真实反映湖库区域的水质状况。
本发明提供技术方案如下:
一种遥感辅助的湖库chl-a浓度空间插值方法优选方法,所述方法包括:
步骤1:获取包括湖库区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
步骤2:对遥感影像进行预处理,得到遥感反射率影像;
步骤3:对遥感反射率影像进行图像裁剪运算,得到湖库区域的遥感反射率影像;
步骤4:利用chl-a反演模型,对湖库区域的遥感反射率影像进行运算,获得chl-a浓度空间分布图;
步骤5:从待选择的空间插值方法中选择一种空间插值方法;
步骤6:选择的空间插值方法具有至少一个待定的可变参数,每个可变参数具有其对应的取值范围,在每个可变参数的取值范围内选取若干取值,所有可变参数的所有种取值组合,构成一系列的取值方案;
步骤7:以所有chl-a监测站点的chl-a浓度为初始值,使用选择的空间插值方法进行空间插值,其中所有可变参数的每个取值方案插值一次,得到多个插值chl-a浓度空间分布图;
步骤8:计算每个插值chl-a浓度空间分布图与chl-a浓度空间分布图之间的均方差;
步骤9:取最小的均方差对应的取值方案中各个可变参数的取值作为该空间插值方法对应的最优取值,该最小的均方差为该空间插值方法对应的最优均方差;
步骤10:从待选择的空间插值方法中选择还未被选择过的空间插值方法,并返回步骤6,重复执行若干次,直至所有待选择的空间插值方法均被选择完毕,得到每个空间插值方法对应的最优取值和最优均方差;
步骤11:最小的最优均方差对应的空间插值方法和最优取值即为最终选定的最优空间插值方法和该最优空间插值方法中各个可变参数的取值。
进一步的,以固定的步长在可变参数的取值范围内选取若干取值。
进一步的,选择的空间插值方法具有一个待定的可变参数a,可变参数a的取值范围为[x,y],以步长delt将取值范围[x,y]分为n等份,可变参数a的取值为ak,其中:
ak=x+(k-1)·delt,k∈[1,n];
可变参数a的一个取值构成一个取值方案,可变参数a的所有取值构成一系列的取值方案。
进一步的,选择的空间插值方法具有M个待定的可变参数ai,i∈[1,M],每个可变参数ai的取值范围为[xi,yi],以步长delti将每个可变参数ai的取值范围[xi,yi]分为ni等份,每个可变参数ai的取值为ai,k,其中:
ai,k=xi+(ki-1)·delti,ki∈[1,ni],i∈[1,M];
所有可变参数中每个可变参数的一种取值组合,构成一个取值方案,所有可变参数中每个可变参数的所有种取值组合,构成一系列的取值方案。
进一步的,所述预处理包括辐射校正、大气校正和几何校正。
一种遥感辅助的湖库chl-a浓度空间插值方法优选装置,所述装置包括:
遥感影像获取模块,用于获取包括湖库区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
预处理模块,用于对遥感影像进行预处理,得到遥感反射率影像;
图像裁剪模块,用于对遥感反射率影像进行图像裁剪运算,得到湖库区域的遥感反射率影像;
chl-a反演模块,用于利用chl-a反演模型,对湖库区域的遥感反射率影像进行运算,获得chl-a浓度空间分布图;
空间插值方法选择模块,用于从待选择的空间插值方法中选择一种空间插值方法;
取值模块,用于选择的空间插值方法具有至少一个待定的可变参数,每个可变参数具有其对应的取值范围,在每个可变参数的取值范围内选取若干取值,所有可变参数的所有种取值组合,构成一系列的取值方案;
插值模块,用于以所有chl-a监测站点的chl-a浓度为初始值,使用选择的空间插值方法进行空间插值,其中所有可变参数的每个取值方案插值一次,得到多个插值chl-a浓度空间分布图;
均方差计算模块,用于计算每个插值chl-a浓度空间分布图与chl-a浓度空间分布图之间的均方差;
第一确定模块,用于取最小的均方差对应的取值方案中各个可变参数的取值作为该空间插值方法对应的最优取值,该最小的均方差为该空间插值方法对应的最优均方差;
循环模块,用于从待选择的空间插值方法中选择还未被选择过的空间插值方法,并返回取值模块,重复执行若干次,直至所有待选择的空间插值方法均被选择完毕,得到每个空间插值方法对应的最优取值和最优均方差;
第二确定模块,用于最小的最优均方差对应的空间插值方法和最优取值即为最终选定的最优空间插值方法和该最优空间插值方法中各个可变参数的取值。
进一步的,以固定的步长在可变参数的取值范围内选取若干取值。
进一步的,选择的空间插值方法具有一个待定的可变参数a,可变参数a的取值范围为[x,y],以步长delt将取值范围[x,y]分为n等份,可变参数a的取值为ak,其中:
ak=x+(k-1)·delt,k∈[1,n];
可变参数a的一个取值构成一个取值方案,可变参数a的所有取值构成一系列的取值方案。
进一步的,选择的空间插值方法具有M个待定的可变参数ai,i∈[1,M],每个可变参数ai的取值范围为[xi,yi],以步长delti将每个可变参数ai的取值范围[xi,yi]分为ni等份,每个可变参数ai的取值为ai,k,其中:
ai,k=xi+(ki-1)·delti,ki∈[1,ni],i∈[1,M];
所有可变参数中每个可变参数的一种取值组合,构成一个取值方案,所有可变参数中每个可变参数的所有种取值组合,构成一系列的取值方案。
进一步的,所述预处理包括辐射校正、大气校正和几何校正。
本发明具有以下有益效果:
本发明在插值时,使用所有水质监测站点chl-a浓度值进行插值,不会去掉一个监测站点的chl-a浓度值;并且通过遥感影像获取各个点同一时间的chl-a浓度值;另外,遥感影像可以得到湖库各个地点的chl-a浓度,数据量更丰富。从而使得最终得到的空间插值方法和参数值更准确,通过得到的空间插值方法和参数值插值获得的chl-a浓度数据更能真实反映湖库区域的水质状况。
附图说明
图1为本发明的遥感辅助的湖库chl-a浓度空间插值方法优选方法流程图;
图2为本发明的遥感辅助的湖库chl-a浓度空间插值方法优选装置示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
一方面,本发明提供一种遥感辅助的湖库chl-a浓度空间插值方法优选方法,如图1所示,该方法包括:
步骤1:获取包括湖库区域的遥感影像,遥感影像包括多光谱或高光谱遥感影像。
本发明通过遥感影像以及chl-a监测站点监测到的的chl-a浓度确定用于湖库的最优化的空间插值方法,优选用于湖泊或水库。
多光谱遥感影像是指包含多个波段的遥感影像,波段数一般为几个到十几个,高光谱波段数一般为上百个。一般从图像采集设备(搭载在卫星上的成像光谱仪等)获取多光谱遥感影像。
步骤2:对遥感影像进行预处理,得到遥感反射率影像。预处理能够消除遥感影像的误差和畸变等。
步骤3:对遥感反射率影像进行图像裁剪运算,得到湖库区域的遥感反射率影像。
湖泊或水库等水体一般已知边界,利用已知的湖泊或水库边界对遥感反射率影像进行图像裁剪运算即可得到湖库区域。
优选的,如果不知道湖泊或水库边界,可以通过如下方法得到多景湖库区域的遥感反射率影像(当然该方法也可以用于已知边界的情况):
步骤31:对遥感反射率影像进行水陆分离,得到初步确定的湖库区域的遥感反射率影像。
本步骤中,利用特定波段的信息,对影像进行边缘检测,检测出岛礁和大陆的轮廓,进行裁剪,完成水陆分离。
步骤32:对初步确定的湖库区域的遥感反射率影像的边缘进行掩膜运算,得到湖库区域的遥感反射率影像。水陆分离后可能存在边缘不精确的问题,边缘掩膜能够对初步确定的湖库区域的边缘进行修正。
步骤4:利用chl-a反演模型,对湖库区域的遥感反射率影像进行运算,获得chl-a浓度空间分布图Y。
计算方法如下:Y=g(X),Y代表湖库chl-a浓度,X代表影像各个波段的遥感反射率,g代表chl-a反演模型。
步骤5:从待选择的空间插值方法中选择一种空间插值方法。
本发明的目的是从多个空间插值方法中选择一种最优的空间插值方法,并确定该空间插值方法最优的参数值,因此需要预先确定多个空间插值方法待选择。当然,特殊情况下,可能只有一种可选择的插值方法,这种情况下只需要确定这种空间插值方法最优的参数值即可。
本步骤从待选择的空间插值方法中选择一种方法,后续的步骤6~步骤9都是针对该插值方法进行的。
步骤6:选择的空间插值方法具有至少一个待定的可变参数,每个可变参数具有其对应的取值范围,在每个可变参数的取值范围内选取若干取值,所有可变参数的所有种取值组合,构成一系列的取值方案。
空间插值方法具有一些可变的参数,这些参数取值的不同,插值得到的结果也不同,而其中所有参数的一种取值组合,得到的插值结构最接近真实值,本发明需要从取值范围内找出这种取值组合。
本发明系采用的方法是穷尽循环取值:在每个可变参数的取值范围内选取若干取值,所有可变参数的一种取值组合作为一个取值方案,所有参数的所有取值组合构成一系列的取值方案。在取值范围取值的精度根据实际需要设定,可以是等间距取值,也可以是其他取值方式,各个参数的选取精度可以都不同,也可以部分或全部相同,根据实际情况设定。
例如,假设有2个可变参数,其取值范围分别为[1,2]和[3,4],每个参数设定选取的精度都为每0.5取一次值,那么第一个参数有1,1.5,2三个取值,第二个参数有3,3.5,4三个取值。两个参数的一种取值组合,构成一个取值方案,例如,第一参数取1,第二参数取3,构成一个取值组合(1,3),即为一个取值方案。两个参数的穷尽循环取值组合(1,3)、(1,3.5)、(1,4)、(1.5,3)、(1.5,3.5)、(1.5,4)、(2,3)、(2,3.5)、(2,4)构成一系列的取值方案。
然后对每一种取值方案的空间插值方法,进行插值并计算插值误差,误差最小的取值方案即为我们需要的取值组合(也就是后续的步骤7-9)。
步骤7:以所有chl-a监测站点的chl-a浓度为初始值,使用选择的空间插值方法进行空间插值,其中所有可变参数的每个取值方案插值一次,得到多个插值chl-a浓度空间分布图。
地面chl-a监测站点在获取遥感影像时同步测量获取chl-a浓度,作为插值的初始值。假设有N种取值方案,那么每种取值方案插值的到一个插值chl-a浓度空间分布图Yj,j∈[1,N]。
步骤8:计算每个插值chl-a浓度空间分布图与chl-a浓度空间分布图之间的均方差。
本步骤用于计算插值的误差,插值的误差用于反映插值方法的好坏,误差越小说明插值方法的准确性越好,越接近真实之。
要计算插值的误差,需要知道插值结果(也就是插值后的值)和真实值,插值结果也就是前述步骤7得到的多个插值chl-a浓度空间分布图Yj,接下来的关键就是真实值如何选取的问题。
现有技术中使用一个参考站点的水质参数监测值(chl-a浓度)作为真实值,使用参考站点周围监测站点的实测chl-a浓度进行插值,估算参考站点的插值结果,然后计算插值结果和真实值的误差。这种方法由于去掉了一个监测站点的水质参数监测值,容易出现前述的背景技术中的问题,导致最终选取的空间插值方法和各个参数出现偏差。
本发明不使用参考站点的chl-a浓度值作为真实值,而是通过遥感影像获得chl-a浓度空间分布图Y,使用chl-a浓度空间分布图Y作为真实值。插值chl-a浓度空间分布图Yj为插值结果,计算插值chl-a浓度空间分布图Yj与chl-a浓度空间分布图Y之间的均方差可以得到插值结果与真实值之间的误差。
本发明不去掉一个监测站点的chl-a浓度值,而是使用所有监测站点的chl-a浓度值进行插值,不会因为去掉一个监测站点的监测值从而导致插值结果不准确,评价结果不会出现偏差。
另外,本发明通过遥感影像获取chl-a浓度值,比通过监测站点获取chl-a浓度值更加方便,并且遥感影像上各个点的chl-a浓度值都是同一时间点上的浓度值(因为一张遥感影像上的每个点的成像时间都是同一时间,所以代表的chl-a浓度值也就是同一时间点的浓度值),与各个监测站点很难获取相同时间的chl-a浓度实测值相比,通过遥感影像获取的各个点同一时间的chl-a浓度值无疑更加准确,最终选取的空间插值方法和各个参数也更加准确。
而且,通过各个监测站点获取chl-a浓度实测值,受限于监测站点的数量,只能获取有限的几个点的chl-a浓度值,而遥感影像可以得到影像中每一个像元(每个像元与湖库中的实际地点一一对应)的chl-a浓度值,数据量更丰富,更能反映湖库中各个地点的chl-a浓度,最终得到的结果无疑也就更加准确。
步骤9:取最小的均方差对应的取值方案中各个可变参数的取值作为该空间插值方法对应的最优取值,该最小的均方差为该空间插值方法对应的最优均方差。
均方差最小,代表插值结果最准确,该均方差对应的取值方案中各个可变参数的取值即为我们需要的该空间插值方法的最优取值。
步骤10:从待选择的空间插值方法中选择还未被选择过的空间插值方法,并返回步骤6,重复执行若干次,直至所有待选择的空间插值方法均被选择完毕,得到每个空间插值方法对应的最优取值和最优均方差。
前述步骤6~步骤9获得了一个空间插值方法的最优参数取值,如果只有一个插值方法供选择,那么也就是说所有待选择的空间插值方法均被选择完毕,就不再执行了。如果有多个插值方法供选择,还有未被选择过的空间插值方法,那么就选择出一个新的空间插值方法,然后返回步骤6,重复执行步骤6~步骤9,得到这个新的空间插值方法对应的最优取值和最优均方差。以此类推,重复执行步骤6~步骤9若干次。直至所有空间插值方法都被选择完毕。
步骤11:最小的最优均方差对应的空间插值方法和最优取值即为最终选定的最优空间插值方法和该最优空间插值方法中各个可变参数的值。
一个空间插值方法对应一个最优取值和最优均方差,哪个空间插值方法的最优均方差最小,说明哪个空间插值方法最准确,选取该空间插值方法作为最终确定使用的插值方法,并且根据最优取值确定其各个参数的值。
得到最终的插值方法和参数后,该湖库区域就可以基于固定站点测量的chl-a浓度值,使用该插值方法和参数进行插值,获取湖库全局chl-a浓度分布状况,插值获得的chl-a浓度数据能够更真实的反映湖库区域的水质状况,为湖库水质评估和环境管理提供技术支撑。
本发明获取遥感影像,通过预处理、裁剪、chl-a反演获取chl-a浓度空间分布图,将其作为同步观测的真实值;然后通过对插值方法可变参数的穷尽循环取值,根据所有地面监测站点同步测量获取的chl-a浓度值计算每种取值空间插值后的插值结果与真实值(chl-a浓度空间分布图)的均方差,取均方差为最小值时的空间插值方法和参数值为最终优化结果。
本发明在插值时,使用所有水质监测站点chl-a浓度值进行插值,不会去掉一个监测站点的chl-a浓度值;并且通过遥感影像获取各个点同一时间的chl-a浓度值;另外,遥感影像可以得到湖库各个地点的chl-a浓度,数据量更丰富。从而使得最终得到的空间插值方法和参数值更准确,通过得到的空间插值方法和参数值插值获得的chl-a浓度数据更能真实反映湖库区域的水质状况。
本发明中,在可变参数的取值范围内取值时,可以以固定的步长在可变参数的取值范围内选取若干取值。
空间插值方法具有的参数可以是一个,也可以是多个,以下给出两个具体示例:
示例一:
选择的空间插值方法具有一个待定的可变参数a,可变参数a的取值范围为[x,y],以步长delt将取值范围[x,y]分为n等份,分成n等分后,y=x+(n-1)·delt,步长delt是参数a的最小变化单位,步长delt可以根据需要设定。
分成n等分后,可变参数a在取值范围[x,y]内的取值为ak,其中:
ak=x+(k-1)·delt,k∈[1,n],n为正整数,
确定出a的取值后,由于只有一个可变参数a,因此可变参数a的一个取值就构成一个取值方案,可变参数a的所有取值构成了一系列的取值方案。
也就是说,对于k∈[1,n],取ak=x+(k-1)·delt(即每delt步长取一个值),利用空间插值方法进行空间插值,a的每一个值插值一次,获得n个chl-a浓度空间分布图Yk,k∈[1,n]。
示例二:
选择的空间插值方法具有M个待定的可变参数ai,i∈[1,M],M为大于1的整数。每个可变参数ai的取值范围为[xi,yi],以步长delti将每个可变参数ai的取值范围[xi,yi]分为ni等份,每个可变参数ai的取值为ai,k,其中:
ai,k=xi+(ki-1)·delti,ki∈[1,ni],i∈[1,M];
所有可变参数中每个可变参数的一种取值组合,构成一个取值方案,所有可变参数中每个可变参数的所有种取值组合,构成一系列的取值方案。
例如,有2个可变参数a1、a2;可变参数a1的取值范围为[x1,y1],以步长delt1将[x1,y1]分为n1等份,可变参数a1的取值为a1,k;
a1,k=x1+(k1-1)·delt1,k1∈[1,n1];
a1,k以展开的形式可以表示为a1,1,a1,2,…a1,n1。
可变参数a2的取值范围为[x2,y2],以步长delt2将[x2,y2]分为n2等份,可变参数a2的取值为a2,k;
a2,k=x2+(k2-1)·delt2,k2∈[1,n2];
a2,k以展开的形式可以表示为a2,1,a2,2,…a2,n2。
a1、a2的一种取值组合构成一个取值方案,例如(a1,1,a2,1)构成一个取值方案,a1、a2的所有取值组合构成一系列的取值方案。
本发明的预处理可以包括辐射校正、大气校正和几何校正。
辐射校正(radiometric correction)是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。
大气校正(atmospheric correction),用于消除大气散射、吸收、反射引起的误差。
遥感成像的时候,由于飞行器的姿态、高度、速度以及地球自转等因素的影响,造成图像相对于地面目标发生几何畸变,这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等,针对几何畸变进行的误差校正就叫几何校正。
本发明可以获取湖库基于现有监测站点条件下水质参数的最优空间插值方法和参数取值,从而利用站点监测值插值获取全湖库区域上的水质参数浓度空间分布状况,为湖库水质评估和环境管理提供技术支撑。
另一方面,本发明提供一种遥感辅助的湖库chl-a浓度空间插值方法优选装置,如图2所示,该装置包括:
遥感影像获取模块101,用于获取包括湖库区域的遥感影像,遥感影像包括多光谱或高光谱遥感影像。
预处理模块102,用于对遥感影像进行预处理,得到遥感反射率影像。
图像裁剪模块103,用于对遥感反射率影像进行图像裁剪运算,得到湖库区域的遥感反射率影像。
湖泊或水库等水体一般已知边界,利用已知的湖泊或水库边界对遥感反射率影像进行图像裁剪运算即可。
优选的,如果不知道湖泊或水库边界,可以通过如下单元得到多景湖库区域的遥感反射率影像(当然也可以用于已知边界的情况):
水陆分离单元,用于对每景遥感反射率影像进行水陆分离,得到每景初步确定的湖库区域的遥感反射率影像。
本发明利用特定波段的信息,对影像进行边缘检测,检测出岛礁和大陆的轮廓,进行裁剪,完成水陆分离。
边缘掩膜单元,用于对每景初步确定的湖库区域的遥感反射率影像的边缘进行掩膜运算,得到多景湖库区域的遥感反射率影像。水陆分离后可能存在边缘不精确的问题,边缘掩膜能够对初步确定的湖库区域的边缘进行修正。
chl-a反演模块104,用于利用chl-a反演模型,对湖库区域的遥感反射率影像进行运算,获得chl-a浓度空间分布图。
空间插值方法选择模块105,用于从待选择的空间插值方法中选择一种空间插值方法。
取值模块106,用于选择的空间插值方法具有至少一个待定的可变参数,每个可变参数具有其对应的取值范围,在每个可变参数的取值范围内选取若干取值,所有可变参数的所有种取值组合,构成一系列的取值方案。
插值模块107,用于以所有chl-a监测站点的chl-a浓度为初始值,使用选择的空间插值方法进行空间插值,其中所有可变参数的每个取值方案插值一次,得到多个插值chl-a浓度空间分布图。
均方差计算模块108,用于计算每个插值chl-a浓度空间分布图与chl-a浓度空间分布图之间的均方差。
第一确定模块109,用于取最小的均方差对应的取值方案中各个可变参数的取值作为该空间插值方法对应的最优取值,该最小的均方差为该空间插值方法对应的最优均方差。
循环模块110,用于从待选择的空间插值方法中选择还未被选择过的空间插值方法,并返回取值模块106,重复执行若干次,直至所有待选择的空间插值方法均被选择完毕,得到每个空间插值方法对应的最优取值和最优均方差。
第二确定模块111,用于最小的最优均方差对应的空间插值方法和最优取值即为最终选定的最优空间插值方法和该最优空间插值方法中各个可变参数的取值。
本发明获取遥感影像,通过预处理、裁剪、chl-a反演获取chl-a浓度空间分布图,将其作为同步观测的真实值;然后通过对插值方法可变参数的穷尽循环取值,根据所有地面监测站点同步测量获取的chl-a浓度值计算每种取值空间插值后的插值结果与真实值(chl-a浓度空间分布图)的均方差,取均方差为最小值时的空间插值方法和参数值为最终优化结果。
本发明在插值时,使用所有水质监测站点chl-a浓度值进行插值,不会去掉一个监测站点的chl-a浓度值;并且通过遥感影像获取各个点同一时间的chl-a浓度值;另外,遥感影像可以得到湖库各个地点的chl-a浓度,数据量更丰富。从而使得最终得到的空间插值方法和参数值更准确,通过得到的空间插值方法和参数值插值获得的chl-a浓度数据更能真实反映湖库区域的水质状况。
本发明中,在可变参数的取值范围内取值时,可以以固定的步长在可变参数的取值范围内选取若干取值。
空间插值方法具有的参数可以是一个,也可以是多个,以下给出两个具体示例:
示例一:
选择的空间插值方法具有一个待定的可变参数a,可变参数a的取值范围为[x,y],以步长delt将取值范围[x,y]分为n等份,分成n等分后,y=x+(n-1)·delt,步长delt是参数a的最小变化单位,步长delt可以根据需要设定。
分成n等分后,可变参数a在取值范围[x,y]内的取值为ak,其中:
ak=x+(k-1)·delt,k∈[1,n],n为正整数,
确定出a的取值后,由于只有一个可变参数a,因此可变参数a的一个取值就构成一个取值方案,可变参数a的所有取值构成了一系列的取值方案。
也就是说,对于k∈[1,n],取ak=x+(k-1)·delt(即每delt步长取一个值),利用空间插值方法进行空间插值,a的每一个值插值一次,获得n个chl-a浓度空间分布图Yk,k∈[1,n]。
示例二:
选择的空间插值方法具有M个待定的可变参数ai,i∈[1,M],M为大于1的整数。每个可变参数ai的取值范围为[xi,yi],以步长delti将每个可变参数ai的取值范围[xi,yi]分为ni等份,每个可变参数ai的取值为ai,k,其中:
ai,k=xi+(ki-1)·delti,ki∈[1,ni],i∈[1,M];
所有可变参数中每个可变参数的一种取值组合,构成一个取值方案,所有可变参数中每个可变参数的所有种取值组合,构成一系列的取值方案。
例如,有2个可变参数a1、a2;可变参数a1的取值范围为[x1,y1],以步长delt1将[x1,y1]分为n1等份,可变参数a1的取值为a1,k;
a1,k=x1+(k1-1)·delt1,k1∈[1,n1];
a1,k以展开的形式可以表示为a1,1,a1,2,…a1,n1。
可变参数a2的取值范围为[x2,y2],以步长delt2将[x2,y2]分为n2等份,可变参数a2的取值为a2,k;
a2,k=x2+(k2-1)·delt2,k2∈[1,n2];
a2,k以展开的形式可以表示为a2,1,a2,2,…a2,n2。
a1、a2的一种取值组合构成一个取值方案,例如(a1,1,a2,1)构成一个取值方案,a1、a2的所有取值组合构成一系列的取值方案。
本发明的预处理可以包括辐射校正、大气校正和几何校正。
辐射校正(radiometric correction)是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。
大气校正(atmospheric correction),用于消除大气散射、吸收、反射引起的误差。
遥感成像的时候,由于飞行器的姿态、高度、速度以及地球自转等因素的影响,造成图像相对于地面目标发生几何畸变,这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等,针对几何畸变进行的误差校正就叫几何校正。
本发明可以获取湖库基于现有监测站点条件下水质参数的最优空间插值方法和参数取值,从而利用站点监测值插值获取全湖库区域上的水质参数浓度空间分布状况,为湖库水质评估和环境管理提供技术支撑。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,该装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种遥感辅助的湖库chl-a浓度空间插值方法优选方法,其特征在于,所述方法包括:
步骤1:获取包括湖库区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
步骤2:对遥感影像进行预处理,得到遥感反射率影像;
步骤3:对遥感反射率影像进行图像裁剪运算,得到湖库区域的遥感反射率影像;
步骤4:利用chl-a反演模型,对湖库区域的遥感反射率影像进行运算,获得chl-a浓度空间分布图;
步骤5:从待选择的空间插值方法中选择一种空间插值方法;
步骤6:选择的空间插值方法具有至少一个待定的可变参数,每个可变参数具有其对应的取值范围,在每个可变参数的取值范围内选取若干取值,所有可变参数的所有种取值组合,构成一系列的取值方案;
步骤7:以所有chl-a监测站点的chl-a浓度为初始值,使用选择的空间插值方法进行空间插值,其中所有可变参数的每个取值方案插值一次,得到多个插值chl-a浓度空间分布图;
步骤8:计算每个插值chl-a浓度空间分布图与chl-a浓度空间分布图之间的均方差;
步骤9:取最小的均方差对应的取值方案中各个可变参数的取值作为该空间插值方法对应的最优取值,该最小的均方差为该空间插值方法对应的最优均方差;
步骤10:从待选择的空间插值方法中选择还未被选择过的空间插值方法,并返回步骤6,重复执行若干次,直至所有待选择的空间插值方法均被选择完毕,得到每个空间插值方法对应的最优取值和最优均方差;
步骤11:最小的最优均方差对应的空间插值方法和最优取值即为最终选定的最优空间插值方法和该最优空间插值方法中各个可变参数的取值;
其中,所述步骤3包括:
步骤31:对所述遥感反射率影像进行水陆分离,得到初步确定的湖库区域的遥感反射率影像;
步骤32:对所述初步确定的湖库区域的遥感反射率影像的边缘进行掩膜运算,得到湖库区域的遥感反射率影像。
2.根据权利要求1所述的遥感辅助的湖库chl-a浓度空间插值方法优选方法,其特征在于,以固定的步长在可变参数的取值范围内选取若干取值。
3.根据权利要求2所述的遥感辅助的湖库chl-a浓度空间插值方法优选方法,其特征在于,选择的空间插值方法具有一个待定的可变参数a,可变参数a的取值范围为[x,y],以步长delt将取值范围[x,y]分为n等份,可变参数a的取值为ak,其中:
ak=x+(k-1)·delt,k∈[1,n];
可变参数a的一个取值构成一个取值方案,可变参数a的所有取值构成一系列的取值方案。
4.根据权利要求2所述的遥感辅助的湖库chl-a浓度空间插值方法优选方法,其特征在于,选择的空间插值方法具有M个待定的可变参数ai,i∈[1,M],每个可变参数ai的取值范围为[xi,yi],以步长delti将每个可变参数ai的取值范围[xi,yi]分为ni等份,每个可变参数ai的取值为ai,k,其中:
ai,k=xi+(ki-1)·delti,ki∈[1,ni],i∈[1,M];
所有可变参数中每个可变参数的一种取值组合,构成一个取值方案,所有可变参数中每个可变参数的所有种取值组合,构成一系列的取值方案。
5.根据权利要求1-4任一所述的遥感辅助的湖库chl-a浓度空间插值方法优选方法,其特征在于,所述预处理包括辐射校正、大气校正和几何校正。
6.一种遥感辅助的湖库chl-a浓度空间插值方法优选装置,其特征在于,所述装置包括:
遥感影像获取模块,用于获取包括湖库区域的遥感影像,所述遥感影像包括多光谱或高光谱遥感影像;
预处理模块,用于对遥感影像进行预处理,得到遥感反射率影像;
图像裁剪模块,用于对遥感反射率影像进行图像裁剪运算,得到湖库区域的遥感反射率影像;
chl-a反演模块,用于利用chl-a反演模型,对湖库区域的遥感反射率影像进行运算,获得chl-a浓度空间分布图;
空间插值方法选择模块,用于从待选择的空间插值方法中选择一种空间插值方法;
取值模块,用于选择的空间插值方法具有至少一个待定的可变参数,每个可变参数具有其对应的取值范围,在每个可变参数的取值范围内选取若干取值,所有可变参数的所有种取值组合,构成一系列的取值方案;
插值模块,用于以所有chl-a监测站点的chl-a浓度为初始值,使用选择的空间插值方法进行空间插值,其中所有可变参数的每个取值方案插值一次,得到多个插值chl-a浓度空间分布图;
均方差计算模块,用于计算每个插值chl-a浓度空间分布图与chl-a浓度空间分布图之间的均方差;
第一确定模块,用于取最小的均方差对应的取值方案中各个可变参数的取值作为该空间插值方法对应的最优取值,该最小的均方差为该空间插值方法对应的最优均方差;
循环模块,用于从待选择的空间插值方法中选择还未被选择过的空间插值方法,并返回取值模块,重复执行若干次,直至所有待选择的空间插值方法均被选择完毕,得到每个空间插值方法对应的最优取值和最优均方差;
第二确定模块,用于最小的最优均方差对应的空间插值方法和最优取值即为最终选定的最优空间插值方法和该最优空间插值方法中各个可变参数的取值;
其中,所述图像裁剪模块包括:
水陆分离单元,用于对所述遥感反射率影像进行水陆分离,得到初步确定的湖库区域的遥感反射率影像;
边缘掩膜单元,用于对所述初步确定的湖库区域的遥感反射率影像的边缘进行掩膜运算,得到湖库区域的遥感反射率影像。
7.根据权利要求6所述的遥感辅助的湖库chl-a浓度空间插值方法优选装置,其特征在于,以固定的步长在可变参数的取值范围内选取若干取值。
8.根据权利要求7所述的遥感辅助的湖库chl-a浓度空间插值方法优选装置,其特征在于,选择的空间插值方法具有一个待定的可变参数a,可变参数a的取值范围为[x,y],以步长delt将取值范围[x,y]分为n等份,可变参数a的取值为ak,其中:
ak=x+(k-1)·delt,k∈[1,n];
可变参数a的一个取值构成一个取值方案,可变参数a的所有取值构成一系列的取值方案。
9.根据权利要求7所述的遥感辅助的湖库chl-a浓度空间插值方法优选装置,其特征在于,选择的空间插值方法具有M个待定的可变参数ai,i∈[1,M],每个可变参数ai的取值范围为[xi,yi],以步长delti将每个可变参数ai的取值范围[xi,yi]分为ni等份,每个可变参数ai的取值为ai,k,其中:
ai,k=xi+(ki-1)·delti,ki∈[1,ni],i∈[1,M];
所有可变参数中每个可变参数的一种取值组合,构成一个取值方案,所有可变参数中每个可变参数的所有种取值组合,构成一系列的取值方案。
10.根据权利要求6-9任一所述的遥感辅助的湖库chl-a浓度空间插值方法优选装置,其特征在于,所述预处理包括辐射校正、大气校正和几何校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911062449.XA CN110927065B (zh) | 2019-11-02 | 2019-11-02 | 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911062449.XA CN110927065B (zh) | 2019-11-02 | 2019-11-02 | 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110927065A CN110927065A (zh) | 2020-03-27 |
CN110927065B true CN110927065B (zh) | 2020-09-11 |
Family
ID=69850146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911062449.XA Active CN110927065B (zh) | 2019-11-02 | 2019-11-02 | 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927065B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581586B (zh) * | 2020-04-28 | 2021-02-05 | 生态环境部卫星环境应用中心 | 基于套合模型的湖库水质各向异性插值方法和装置 |
CN113255961B (zh) * | 2021-04-16 | 2022-05-10 | 长江水利委员会长江科学院 | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 |
CN117851736B (zh) * | 2024-03-07 | 2024-05-14 | 南京信息工程大学 | 一种基于模糊自适应寻优融合的气象要素插值方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014763B (zh) * | 2017-04-07 | 2019-11-26 | 山东理工大学 | 叶绿素遥感反演装置及方法 |
CN108195775B (zh) * | 2017-12-25 | 2019-03-01 | 环境保护部卫星环境应用中心 | 基于遥感影像的湖库指示性水质监测站点确认方法和装置 |
CN108334989B (zh) * | 2018-02-09 | 2019-02-01 | 环境保护部卫星环境应用中心 | 基于遥感影像的湖库chl-a监测站点优化方法和装置 |
CN108956505B (zh) * | 2018-09-18 | 2021-05-28 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
CN109409441A (zh) * | 2018-11-16 | 2019-03-01 | 福州大学 | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 |
-
2019
- 2019-11-02 CN CN201911062449.XA patent/CN110927065B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110927065A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927065B (zh) | 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 | |
CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 | |
CN112434617B (zh) | 一种基于多源遥感数据的森林生物量变化监测方法及系统 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
CN111415309B (zh) | 一种基于最小反射率法的高分辨率遥感影像大气校正方法 | |
CN112131746B (zh) | 叶绿素a浓度反演方法及系统 | |
CN112989692A (zh) | 基于遥感数据的湖泊富营养化反演方法 | |
CN110388986B (zh) | 基于tasi数据的土地表面温度反演方法 | |
CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
CN110222783A (zh) | 基于小波域正则化的地基和星载雷达降水数据融合方法 | |
CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
CN115586140A (zh) | 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质 | |
CN111561916A (zh) | 一种基于四波段多光谱遥感图像的浅海水深无控提取方法 | |
CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析系统 | |
CN116735507A (zh) | 一种基于无人机低空遥感影像的开裂盐碱土电导率测量方法 | |
CN115825388A (zh) | 一种重金属估算模型的训练方法、估算方法、装置及设备 | |
CN113740263B (zh) | 一种气溶胶光学厚度反演方法及大气颗粒物遥感反演方法 | |
Huang et al. | Spaceborne SAR wave mode data as big data for global ocean wave observation |
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 |