CN110969609A - 一种微波遥感亮温图像云检测方法 - Google Patents

一种微波遥感亮温图像云检测方法 Download PDF

Info

Publication number
CN110969609A
CN110969609A CN201911206786.1A CN201911206786A CN110969609A CN 110969609 A CN110969609 A CN 110969609A CN 201911206786 A CN201911206786 A CN 201911206786A CN 110969609 A CN110969609 A CN 110969609A
Authority
CN
China
Prior art keywords
remote sensing
bright temperature
microwave remote
cloud
image
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
CN201911206786.1A
Other languages
English (en)
Other versions
CN110969609B (zh
Inventor
陈柯
樊许磊
李青侠
桂良启
郎量
靳榕
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911206786.1A priority Critical patent/CN110969609B/zh
Publication of CN110969609A publication Critical patent/CN110969609A/zh
Application granted granted Critical
Publication of CN110969609B publication Critical patent/CN110969609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种微波遥感亮温图像云检测方法，属于微波遥感及探测技术领域，包括：将待测多频率微波遥感亮温图像输入通过已知多频率微波遥感亮温图像训练的深度卷积神经网络，输出待测的观测亮温云标签图；通过其判断微波遥感观测亮温图像的每一个像元是否为云像元。训练深度卷积神经网络的方法为：将已知微波遥感观测亮温图像按频率排列形成已知多频率微波遥感亮温图像；判断已知多频率微波遥感亮温图像上各像元是否有云，建立已知观测亮温云标签图；以已知多频率微波遥感亮温图像与已知观测亮温云标签图为数据单元构建数据集；利用数据集建立并训练深度卷积神经网络。本发明能更高效实时地实现基于微波遥感亮温图像的云检测。

Description

一种微波遥感亮温图像云检测方法
技术领域
本发明属于微波遥感及探测技术领域，更具体地，涉及一种微波遥感亮温图像云检测方法。
背景技术
气象卫星图像云检测可以提高遥感图像中数据的利用率并掌握和检测大气的波动特征，同时还可以进行包含降水预测，气象灾害预测在内的若干气象预报任务。
卫星图像云检测的任务是在卫星图像中逐像素的确定每一个像素点是否为云，即为一个二元分割问题。对于微波遥感亮温图像的云检测，需匹配相同时间和空间位置的大气廓线数据，通过计算大气廓线中的大气温湿，云水含量等大气参数数据后进行判断，或者通过对应到和观测亮温同时段的分辨率较高的可见光和红外波段进行云检测，不能做到由观测亮温直接且实时地输出云检测结果。在云检测的探测波段中，微波遥感相对于可见光与红外遥感而言，具有穿透能力强和全天时等优点，且微波遥感的应用与可见光红外的分辨率不同，若要对微波的观测像元实现直接且实时的云检测，需要开发基于微波遥感图像的云检测方法。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种微波遥感亮温图像云检测方法，旨在解决现有的云检测方法不能对微波遥感亮温图像进行实时高效的云检测问题。
如图1所示，为实现上述目的，本发明提供了一种微波遥感亮温图像云检测方法，包括：
将待测微波遥感观测亮温图像以其频率为第三维排列形成待测多频率微波遥感亮温图像；
将待测多频率微波遥感亮温图像输入通过已知多频率微波遥感亮温图像训练的深度卷积神经网络，输出待测的观测亮温云标签图；
通过待测的观测亮温云标签图判断待测多频率微波遥感亮温图像的各像元是否为云像元。
优选地，通过已知多频率微波遥感亮温图像训练深度卷积神经网络的方法为：
(1)将已知微波遥感观测亮温图像以其频率为第三维排列形成已知多频率微波遥感亮温图像；
(2)判断已知多频率微波遥感亮温图像上各像元是否有云，建立已知观测亮温云标签图；
(3)以已知多频率微波遥感亮温图像与已知观测亮温云标签图为数据单元构建深度卷积神经网络的数据集；
(4)利用数据集建立并训练深度卷积神经网络。
优选地，步骤(4)具体包括：
(4.1)根据数据集的特征，初步建立深度卷积神经网络；
(4.2)随机在数据集中抽取若干数据单元，以已知多频率微波遥感亮温图像作为深度卷积神经网络的输入、以已知观测亮温云标签图作为深度卷积神经网络的标签，训练深度卷积神经网络；
(4.3)初始化深度卷积神经网络的权重矩阵、偏移量，设置超参数和损失函数，采用反向传播算法，使得深度卷积神经网络的权重矩阵，偏移量和损失函数收敛，完成对深度卷积神经网络的训练。
优选地，步骤(1)中判断已知多频率微波遥感亮温图像上各像元是否有云的方法为：
(1.1)根据已知的多频率维微波遥感亮温图像，匹配相同时间和空间位置的大气廓线数据；
(1.2)从大气廓线数据中读取大气温湿，云水含量等大气参数，通过计算获取大气廓线各网格点的云含量；
(1.3)将上述云含量与设定的云阈值比较，判断大气廓线网格上各点是否有云，由此可以判断与大气廓线网格经纬度相同的多频率微波遥感亮温图像各像元是否有云；
(1.4)将有云的多频率微波遥感亮温图像像元标记为“1”，将无云的多频率微波遥感亮温图像像元标记为“0”，建立观测亮温云标签图。
优选地，步骤(1.3)具体如下：
若云含量大于云阈值，则与大气廓线网格经纬度相同的多频率微波遥感亮温图像像元为云像元。
优选地，深度卷积神经网络的超参数包括：网络的学习率、网络的迭代次数、网络的运行模式和网络参数保存的位置。
优选地，大气廓线数据的获取方法为：对已知多频率微波遥感亮温图像进行反演，获取大气廓线数据；或找到和已知多频率微波遥感亮温图像同时间和空间位置的数值模式预报，获取大气廓线数据。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
本发明以已知多频率微波遥感亮温图像与已知观测亮温云标签图为数据单元构建深度卷积神经网络的数据集，利用数据集建立并训练深度卷积神经网络，通过将待测多频率微波遥感亮温图像输入通过已知多频率微波遥感亮温图像训练结束的深度卷积神经网络，输出待测的观测亮温云标签图。因此，本发明将判断待测观测亮温云标签图是否为云像元这一过程交给训练完成的深度卷积神经网络自主计算完成，能更高效实时地实现基于微波遥感亮温图像的云检测。
附图说明
图1是本发明提供的微波遥感亮温图像云检测方法的流程图；
图2是本发明提供的训练深度卷积神经网络方法的流程图；
图3(a)是实施例提供的18.7GHz的微波遥感观测亮温图像；
图3(b)是实施例提供的23.8GHz的微波遥感观测亮温图像；
图3(c)是实施例提供的36.5GHz的微波遥感观测亮温图像；
图4是实施例提供的多频率微波遥感亮温图像对应的观测亮温云标签图；
图5是实施例提供的由训练完的深度卷积神经网络判定的观测亮温云标签图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种微波遥感亮温图像云检测方法，包括：
将待测微波遥感观测亮温图像以其频率为第三维排列形成待测多频率微波遥感亮温图像；
将待测多频率微波遥感亮温图像输入通过已知多频率微波遥感亮温图像训练的深度卷积神经网络，输出待测的观测亮温云标签图；
通过待测的观测亮温云标签图判断多频率微波遥感亮温图像的各像元是否为云像元。
优选地，如图2所示通过已知多频率微波遥感亮温图像训练深度卷积神经网络的方法为：
(1)将已知微波遥感观测亮温图像以其频率为第三维排列形成已知多频率微波遥感亮温图像；
(2)判断已知多频率微波遥感亮温图像上各像元是否有云，建立已知观测亮温云标签图；
(3)以已知多频率微波遥感亮温图像与已知观测亮温云标签图为数据单元构建深度卷积神经网络的数据集；
(4)利用数据集建立并训练深度卷积神经网络。
优选地，如图2所示，步骤(4)具体包括：
(4.1)根据数据集的特征，初步建立深度卷积神经网络；
(4.2)随机在数据集中抽取若干数据单元，以已知多频率微波遥感亮温图像作为深度卷积神经网络的输入、以已知观测亮温云标签图作为深度卷积神经网络的标签，训练深度卷积神经网络；
(4.3)初始化深度卷积神经网络的权重矩阵、偏移量，设置超参数和损失函数，采用反向传播算法，使得深度卷积神经网络的权重矩阵，偏移量和损失函数收敛，完成对深度卷积神经网络的训练。
优选地，步骤(1)中判断已知多频率微波遥感亮温图像上各像元是否有云的方法为：
(1.1)根据已知的多频率维微波遥感亮温图像，匹配相同时间和空间位置的大气廓线数据；
(1.2)从大气廓线数据中读取大气温湿，云水含量等大气参数，通过计算得到大气廓线各网格点的云含量；
(1.3)将上述云含量与设定的阈值比较，判断大气廓线网格上各点是否有云，由此可以判断与大气廓线网格经纬度相同的多频率微波遥感亮温图像各像元是否有云；
(1.4)将有云的多频率微波遥感亮温图像像元标记为“1”，将无云的多频率微波遥感亮温图像像元标记为“0”，建立观测亮温云标签图。
优选地，步骤(1.3)具体如下：
若云含量大于云阈值，则与大气廓线网格经纬度相同的多频率微波遥感亮温图像像元为云像元。
优选地，深度卷积神经网络的超参数包括：网络的学习率、网络的迭代次数、网络的运行模式和网络参数保存的位置。
优选地，大气廓线数据的获取方法为：对已知多频率微波遥感亮温图像进行反演，获取大气廓线数据；或找到和已知多频率微波遥感亮温图像同时间和空间位置的数值模式预报，获取大气廓线数据。
实施例
本发明提供的一种微波遥感亮温图像云检测方法，能够更高效实时地实现基于微波遥感亮温图像的云检测。本实施例以频率18.7GHz，23.8GHz和50.3GHz三个频率的模拟微波遥感观测亮温图像为例。
第一步，利用大气廓线数据，基于微波辐射传输(RT)模式正演产生三个频率的微波遥感视在亮温图像(TB)，将微波遥感视在亮温图像(TB)输入到辐射计正向观测模型模拟计算实际观测的微波遥感观测亮温图像，最后三个频率共产生4200个已知微波遥感观测亮温图像，将这4200个已知微波遥感观测亮温图像以其频率为第三维排列形成共1400个已知多频率微波遥感亮温图像(TA)；
第二步，根据已知多频率微波遥感亮温图像TA制作已知观测亮温云标签图：利用WPS和WRFV3软件对大气廓线数据进行处理得到wrfout文件；从wrfout文件中读取大气廓线中的大气参数QVAPOR、QCLOUD、QRAIN、QICE、QSNOW、QGRAUPEL，通过计算得到大气廓线各网格点的云含量，设定阈值进行判定已知多频率微波遥感亮温图像TA的各像元是晴空像元还是云像元，判断条件如下：若云含量大于设定的云阈值，则与大气廓线网格经纬度相同的多频率微波遥感亮温图像像元为云像元，标记为“1”；否则与大气廓线网格经纬度相同的多频率微波遥感亮温图像像元为晴空像元，标记为“0”。将判断后的结果保存到CArray数组中，成为观测亮温云标签图；
第三步，将多频率微波遥感亮温图像(TA)保存为mat格式的文件，将观测亮温云标签图保存为PNG格式的文件，最后共产生1400组已知多频率微波遥感亮温图像和观测亮温云标签图的数据单元，随机选取1200组数据单元作为训练集，200组数据单元作为测试集；
第四步，使用TensorFlow框架，在代码中编写深度卷积神经网络结构，深度卷积神经网络一共为11层，共8个卷积层和3个反卷积层；在代码中设置深度卷积神经网络的学习率、运行模式以及网络参数存储的位置，训练深度卷积神经网络；
第五步，采用测试集对训练完的深度卷积神经网络进行测试；
第六步，图3展示了一组多频率微波遥感亮温图像(TA)，图3(a)是18.7GHz的微波遥感观测亮温图像，图3(b)是23.8GHz的微波遥感观测亮温图像，图3(c)是36.5GHz的微波遥感观测亮温图像，图4是与多频率微波遥感亮温图像(TA)数据对应的观测亮温云标签图，图5是由训练好的深度卷积神经网络判定得到的二值观测亮温云标签图。通过计算，实施例的均像素精度为90.26％。
由以上结果可以看出:从视觉上可以清晰的看出通过训练完成的深度卷积神经网络得到的观测亮温云标签图与通过计算大气廓线数据得到的云标签有着很好的相似度，200个测试数据的均像素精度(MPA)大致在90％左右，可以对微波遥感亮温图像进行有效的云检测。
综上所述，本发明以已知多频率微波遥感亮温图像与已知观测亮温云标签图为数据单元构建深度卷积神经网络的数据集，利用数据集建立并训练深度卷积神经网络，通过将待测多频率微波遥感亮温图像输入通过已知多频率微波遥感亮温图像训练结束的深度卷积神经网络，输出待测的观测亮温云标签图。因此，本发明将判断待测观测亮温云标签图是否为云像元这一过程交给训练完成的深度卷积神经网络自主计算完成，能更高效实时地实现基于微波遥感亮温图像的云检测。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种微波遥感亮温图像云检测方法，其特征在于，包括：
将待测微波遥感观测亮温图像以其频率为第三维排列形成待测多频率微波遥感亮温图像；
将待测多频率微波遥感亮温图像输入通过已知多频率微波遥感亮温图像训练结束的深度卷积神经网络，输出待测的观测亮温云标签图；
通过待测的观测亮温云标签图判断待测多频率微波遥感亮温图像的各像元是否为云像元。
2.根据权利要求1所述的微波遥感亮温图像云检测方法，其特征在于，所述通过已知多频率微波遥感亮温图像训练深度卷积神经网络的方法为：
(1)将已知微波遥感观测亮温图像以其频率为第三维排列形成已知多频率微波遥感亮温图像；
(2)判断已知多频率微波遥感亮温图像上各像元是否有云，建立已知观测亮温云标签图；
(3)以已知多频率微波遥感亮温图像与已知观测亮温云标签图为数据单元构建深度卷积神经网络的数据集；
(4)利用数据集建立并训练深度卷积神经网络。
3.根据权利要求2所述的微波遥感亮温图像云检测方法，其特征在于，所述步骤(4)具体包括：
(4.1)根据数据集的特征，初步建立深度卷积神经网络；
(4.2)随机在数据集中抽取若干数据单元，以已知多频率微波遥感亮温图像作为深度卷积神经网络的输入、以已知观测亮温云标签图作为深度卷积神经网络的标签；
(4.3)初始化深度卷积神经网络的权重矩阵、偏移量，设置超参数和损失函数，采用反向传播算法，使得深度卷积神经网络的权重矩阵，偏移量和损失函数收敛，完成对深度卷积神经网络的训练。
4.根据权利要求2或3所述的微波遥感亮温图像云检测方法，其特征在于，所述步骤(1)中判断已知多频率微波遥感亮温图像上各像元是否有云的方法为：
(1.1)根据已知多频率微波遥感亮温图像，匹配相同时间和空间位置的大气廓线数据；
(1.2)从大气廓线数据中读取大气参数，通过计算获取大气廓线各网格点的云含量；
(1.3)将所述云含量与设定的云阈值比较，判断大气廓线网格上各点是否有云；
(1.4)将有云的多频率微波遥感亮温图像像元标记为“1”，将无云的多频率微波遥感亮温图像像元标记为“0”，建立观测亮温云标签图。
5.根据权利要求4所述的微波遥感亮温图像云检测方法，其特征在于，所述步骤(1.3)具体如下：
若云含量大于设定的云阈值，则与大气廓线网格经纬度相同的多频率微波遥感亮温图像像元为云像元。
6.根据权利要求3所述的微波遥感亮温图像云检测方法，其特征在于，所述深度卷积神经网络的超参数包括：网络的学习率、网络的迭代次数、网络的运行模式和网络参数保存的位置。
7.根据权利要求4所述的微波遥感亮温图像云检测方法，其特征在于，所述大气廓线数据的获取方法为：对已知多频率微波遥感亮温图像进行反演，获取大气廓线数据；或找到和已知多频率微波遥感亮温图像同时间和空间位置的数值模式预报，获取大气廓线数据。
CN201911206786.1A 2019-11-29 2019-11-29 一种微波遥感亮温图像云检测方法 Active CN110969609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911206786.1A CN110969609B (zh) 2019-11-29 2019-11-29 一种微波遥感亮温图像云检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911206786.1A CN110969609B (zh) 2019-11-29 2019-11-29 一种微波遥感亮温图像云检测方法

Publications (2)

Publication Number Publication Date
CN110969609A true CN110969609A (zh) 2020-04-07
CN110969609B CN110969609B (zh) 2022-04-29

Family

ID=70032504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911206786.1A Active CN110969609B (zh) 2019-11-29 2019-11-29 一种微波遥感亮温图像云检测方法

Country Status (1)

Country Link
CN (1) CN110969609B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737913A (zh) * 2020-06-15 2020-10-02 洛阳师范学院 一种基于云水含量反演的mwhts晴空观测亮温选择方法
CN112345151A (zh) * 2020-10-15 2021-02-09 洛阳师范学院 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20170061249A1 (en) * 2015-08-26 2017-03-02 Digitalglobe, Inc. Broad area geospatial object detection using autogenerated deep learning models
CN108805861A (zh) * 2018-04-28 2018-11-13 中国人民解放军国防科技大学 一种基于深度学习的遥感图像云检测方法
CN109584262A (zh) * 2018-12-15 2019-04-05 中国科学院深圳先进技术研究院 基于遥感影像的云检测方法、装置及电子设备
CN110308097A (zh) * 2019-07-05 2019-10-08 山东科技大学 一种卫星图像云检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20170061249A1 (en) * 2015-08-26 2017-03-02 Digitalglobe, Inc. Broad area geospatial object detection using autogenerated deep learning models
CN108805861A (zh) * 2018-04-28 2018-11-13 中国人民解放军国防科技大学 一种基于深度学习的遥感图像云检测方法
CN109584262A (zh) * 2018-12-15 2019-04-05 中国科学院深圳先进技术研究院 基于遥感影像的云检测方法、装置及电子设备
CN110308097A (zh) * 2019-07-05 2019-10-08 山东科技大学 一种卫星图像云检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIANXING WANG ET AL.: ""Toward a general method for detecting clouds and shadows in optical remote sensing imagery"", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 *
马丽娜 等: ""地基微波辐射计的亮温观测与模拟数据的一致性分析和云检测"", 《遥感技术与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737913A (zh) * 2020-06-15 2020-10-02 洛阳师范学院 一种基于云水含量反演的mwhts晴空观测亮温选择方法
CN111737913B (zh) * 2020-06-15 2023-08-15 洛阳师范学院 一种基于云水含量反演的mwhts晴空观测亮温选择方法
CN112345151A (zh) * 2020-10-15 2021-02-09 洛阳师范学院 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法

Also Published As

Publication number Publication date
CN110969609B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN110516596B (zh) 基于Octave卷积的空谱注意力高光谱图像分类方法
CN107703564B (zh) 一种降雨预测方法、系统及电子设备
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN109063569B (zh) 一种基于遥感影像的语义级变化检测方法
CN108875905B (zh) 一种大气温湿廓线的可见度函数直接反演方法
CN111983732B (zh) 一种基于深度学习的降水强度估计方法
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN108009989A (zh) 一种基于srcnn的微波遥感图像超分辨率重建方法
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN110969609B (zh) 一种微波遥感亮温图像云检测方法
CN111986193B (zh) 一种遥感影像变化检测方法、电子设备及存储介质
CN111610524B (zh) 一种基于一维变分算法的冰云廓线反演方法及系统
CN112036249B (zh) 端对端行人检测及属性识别的方法、系统、介质及终端
CN114529097B (zh) 多尺度农作物物候期遥感降维预测方法
CN112163450A (zh) 基于s3d学习算法的高频地波雷达船只目标检测方法
CN111178438A (zh) 一种基于ResNet101的天气类型识别方法
CN110516552B (zh) 一种基于时序曲线的多极化雷达图像分类方法及系统
Feng et al. Predictability of sea surface temperature anomalies at the eastern pole of the Indian Ocean Dipole—using a convolutional neural network model
CN117351440B (zh) 基于开放式文本检测的半监督船舶检测方法及系统
Xin et al. Seasonal differences in the dominant factors of surface urban heat islands along the urban-rural gradient
Anand et al. The potential of remote sensing and GIS in urban building energy modelling
CN114170446A (zh) 一种基于深层融合神经网络的温度、亮度特征提取方法
CN115797184B (zh) 一种地表水体超分辨率提取方法
Lu et al. Convolutional neural networks for hydrometeor classification using dual polarization Doppler radars
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统

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