CN111735772B - 改进的级联神经网络的高光谱数据地表反射率反演方法 - Google Patents

改进的级联神经网络的高光谱数据地表反射率反演方法 Download PDF

Info

Publication number
CN111735772B
CN111735772B CN202010404191.3A CN202010404191A CN111735772B CN 111735772 B CN111735772 B CN 111735772B CN 202010404191 A CN202010404191 A CN 202010404191A CN 111735772 B CN111735772 B CN 111735772B
Authority
CN
China
Prior art keywords
surface reflectivity
layer
parameters
inversion
parameter
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
Application number
CN202010404191.3A
Other languages
English (en)
Other versions
CN111735772A (zh
Inventor
杨杭
张东彦
臧文乾
王栋
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.)
Anhui University
Aerospace Information Research Institute of CAS
Original Assignee
Anhui University
Aerospace Information Research Institute of CAS
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 Anhui University, Aerospace Information Research Institute of CAS filed Critical Anhui University
Priority to CN202010404191.3A priority Critical patent/CN111735772B/zh
Publication of CN111735772A publication Critical patent/CN111735772A/zh
Application granted granted Critical
Publication of CN111735772B publication Critical patent/CN111735772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/55—Specular reflectivity
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明实施例提供一种改进的级联神经网络的高光谱数据地表反射率反演方法，所述方法包括：确定待测区域的高光谱数据和地形参数；将高光谱数据和地形参数输入至地表反射率反演模型，得到地表反射率反演模型输出的待测区域的地表反射率；其中，地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；地表反射率模型用于基于高光谱数据和样本地形参数，确定待测区域的大气参数集，并基于大气参数集，确定地表反射率。本发明实施例提供的方法，充分利用了地物的光谱特征，同时考虑了大气对传感器辐亮度的影响，能够实现高精度的地表反射率的反演。

Description

改进的级联神经网络的高光谱数据地表反射率反演方法
技术领域
本发明涉及遥感技术领域，尤其涉及一种改进的级联神经网络的高光谱数据地表反射率反演方法。
背景技术
高光谱遥感技术不仅能够获取地物的空间信息，而且能够为每个像素提供数十个至数百个窄波段光谱信息，体现了地物精细的光谱特征。高光谱数据处理和分析的核心是光谱分析，而准确的地表反射率光谱曲线是高光谱数据处理与分析的基础。因此，对高光谱数据进行大气校正，获取高光谱地表反射率立方体是高光谱遥感数据应用首要解决的任务和重要前提。
现有的针对高光谱地表反射率反演方法主要集中在三个方面：基于气溶胶光学厚度的反演方法、基于大气水汽含量的反演方法和地表反射率反演模型方法。由于大气状况不稳定，气溶胶、水汽时空分布不均一，且存在剧烈变化，气溶胶组成和来源复杂，实际获取与影像同步的大气参数成本高，基于气溶胶光学厚度和基于大气水汽含量的反演方法中不确定因素多，无法保证反演精度。由于太阳辐射在大气中的传输过程和与复杂地表的耦合过程中存在许多无法用数学模型精准表达的部分，现有的地表反射率反演模型方法通常采用经验模型和经验参数，往往精度不高。
因此，如何实现高精度的地表反射率的反演，成为亟待解决的问题。
发明内容
本发明实施例提供一种改进的级联神经网络的高光谱数据地表反射率反演方法，用以解决现有的地表反射率反演方法精度不高的问题。
第一方面，本发明实施例提供一种改进的级联神经网络的高光谱数据地表反射率反演方法，包括：
确定待测区域的高光谱数据和地形参数；
将所述高光谱数据和所述地形参数输入至地表反射率反演模型，得到所述地表反射率反演模型输出的所述待测区域的地表反射率；
其中，所述地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；
所述地表反射率模型用于基于所述高光谱数据和所述地形参数，确定所述待测区域的大气参数集，并基于所述大气参数集，确定所述地表反射率。
可选地，所述将所述高光谱数据和所述地形参数输入至地表反射率反演模型，得到所述地表反射率反演模型输出的所述待测区域的地表反射率，具体包括：
将所述高光谱数据中的辐射传输参数和所述地形参数输入至所述地表反射率反演模型的大气参数层，得到所述大气参数层输出的所述大气参数集；
将所述大气参数集和所述高光谱数据中的辐亮度输入至所述地表反射率反演模型的地表反射率计算层，得到所述地表反射率计算层输出的所述地表反射率。
可选地，所述将所述高光谱数据中的辐射传输参数和所述地形参数输入至所述地表反射率反演模型的大气参数层，得到所述大气参数层输出的所述大气参数集，具体包括：
将所述辐射传输参数和所述地形参数输入至所述大气参数层的批量正则化层，得到所述批量正则化层输出的正则化后的参数；
将除正则化后的半高全宽以外的所述正则化后的参数输入至所述大气参数层的组合反演层，得到所述组合反演层输出的第一大气参数对；
将所述第一大气参数对和所述正则化后的半高全宽输入至所述大气参数层的光谱响应卷积层，得到所述光谱响应卷积层输出的第二大气参数对；
将所述第二大气参数对输入至所述大气参数层的合成计算层，得到所述合成计算层输出的所述大气参数集。
可选地，所述组合反演层包括多个对应于所述大气参数集中的不同大气参数的参数计算层；
所述将除正则化后的半高全宽以外的所述正则化后的参数输入至所述大气参数层的组合反演层，得到所述组合反演层输出的第一大气参数对，具体包括：
将除正则化后的半高全宽以外的所述正则化后的参数输入至任一大气参数对应的参数计算层，得到所述任一大气参数对应的参数计算层输出的所述任一大气参数的计算结果。
可选地，所述大气参数层是基于样本辐射传输参数及其对应的样本地形参数和样本大气参数集训练得到的。
可选地，所述将所述大气参数集和所述高光谱数据中的辐亮度输入至所述地表反射率反演模型的地表反射率计算层，得到所述地表反射率计算层输出的所述地表反射率，具体包括：
将所述大气参数集和所述高光谱数据中的辐亮度输入至所述地表反射率计算层的辐射传输层，得到所述辐射传输层输出的第一地表反射率；
将所述第一地表反射率输入至所述地表反射率计算层的优化层，得到所述优化层输出的所述地表反射率。
可选地，所述将所述第一地表反射率输入至所述地表反射率计算层的优化层，得到所述优化层输出的所述地表反射率，具体包括：
将所述第一地表反射率输入至所述优化层的激活函数层，得到所述激活函数层输出的所述地表反射率；
或，将所述第一地表反射率输入至所述优化层的光谱平滑卷积层，得到所述光谱平滑卷积层输出的所述地表反射率；
或，将所述第一地表反射率输入至所述激活函数层，得到所述激活函数层输出的第二地表反射率；
将所述第二地表反射率输入至所述光谱平滑卷积层，得到所述光谱平滑卷积层输出的所述地表反射率；
其中，所述激活函数层用于基于所述激活函数层的任一输入参数与预设阈值的大小关系，确定所述任一输入参数对应的权重，并基于所述任一输入参数和所述任一输入参数对应的权重，确定所述任一输入参数对应的输出函数值。
第二方面，本发明实施例提供一种改进的级联神经网络的高光谱数据地表反射率反演系统，包括：
数据确定模块，用于确定待测区域的高光谱数据和地形参数；
地表反射率反演模块，用于将所述高光谱数据和所述地形参数输入至地表反射率反演模型，得到所述地表反射率反演模型输出的所述待测区域的地表反射率；
其中，所述地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；
所述地表反射率模型用于基于所述高光谱数据和所述样本地形参数，确定所述待测区域的大气参数集，并基于所述大气参数集，确定所述地表反射率。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面所述的改进的级联神经网络的高光谱数据地表反射率反演方法。
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，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的改进的级联神经网络的高光谱数据地表反射率反演方法。
本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演方法，通过将高光谱数据输入至地表反射率反演模型中，充分利用了地物的光谱特征，同时通过地表反射率反演模型基于大气参数集反演地表反射率，充分考虑了大气对传感器辐亮度的影响，能够实现高精度的地表反射率的反演。
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改进的级联神经网络的高光谱数据地表反射率反演方法的流程示意图；
图2为本发明实施例提供的参数计算层的网络结构示意图；
图3为本发明实施例提供的地表反射率反演模型的结构示意图；
图4为本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演系统的结构示意图；
图5为本发明实施例提供的电子设备的结构示意图。
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改进的级联神经网络的高光谱数据地表反射率反演方法的流程示意图，如图1所示，本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演方法包括：
步骤110，确定待测区域的高光谱数据和地形参数。
具体地，待测区域即待反演地表反射率的区域，待测区域的高光谱数据即为通过高光谱传感器对待测区域进行观测获取的数据，待测区域的地形参数为待测区域的ELEV(Elevation，地表高程)。高光谱传感器可以是卫星高光谱传感器和航空高光谱传感器，本发明实施例对此不作具体限定。高光谱数据可以通过一个高光谱传感器获取，也可以通过多个高光谱传感器联合获取，本发明实施例对高光谱数据的获取方式不作具体限定。待测区域的地形参数可以通过仪器勘测获取，也可以通过DEM(Digital Elevation Model，数字高程模型)获取，本发明实施例对地形参数的获取方式不作具体限定。
高光谱数据可以包括高光谱传感器观测几何参数、大气同步参数和传感器参数和辐亮度等。
高光谱传感器观测几何参数可以包括SZA(Solar Zenith Angle，太阳天顶角)、VZA(View Zenith Angle，传感器天顶角)、RAA(Relative Azimuth Angle，相对方位角)等。大气同步参数可以包括AOT(Aerosol Optical Thickness，气溶胶光学厚度)、CWV(Columnar Water Vapor，水汽含量)等。传感器参数可以包括WV(Wavelength，中心波长)、FWHM(Full Width at Half Maximum，半高全宽)等。其中，AOT和CWV是基于辐亮度反演得到的，WV和FWHM是基于高光谱传感器参数设置确定的。辐亮度为高光谱传感器获取的可见-近红外-短波红外(例如400nm-2500nm)范围的辐射亮度。
步骤120，将高光谱数据和地形参数输入至地表反射率反演模型，得到地表反射率反演模型输出的待测区域的地表反射率；
其中，地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；地表反射率模型用于基于高光谱数据和地形参数，确定待测区域的大气参数集，并基于大气参数集，确定地表反射率。
具体地，根据大气辐射传输理论，假设地面目标物为均一朗伯体，传感器在大气顶层接收到的辐亮度可以表示为：
Figure BDA0002490658100000061
式中，Lsensor为辐亮度，Lpath为大气程辐射，Edir为到达地表的直接辐射，Edif为到达地表的散射辐射，μs为太阳天顶角的余弦值，ρs为地表反射率，S为地表-大气多次散射的半球反照率，Tup为上行辐射总透射率。
由上式可知，地表反射率的计算公式如下：
Figure BDA0002490658100000062
式中，A为中间参数，具体的计算公式如下：
Figure BDA0002490658100000071
基于上述辐射传输理论，地表反射率反演模型用于对输入的高光谱数据和地形参数进行反演，输出得到待测区域的地表反射率。将高光谱数据和地形参数输入至地表反射率反演模型之后，地表反射率反演模型首先基于高光谱数据和地形参数，确定待测区域的大气参数集。其中，大气参数集可以包括S、Lpath、Edir、Edif、μs和Tup等。基于大气参数集，根据地表反射率的计算公式，可以确定待测区域的地表反射率。
在执行步骤120之前，还可以预先训练得到地表反射率反演模型，具体可通过如下方式训练得到地表反射率反演模型：首先，收集样本区域的样本高光谱数据和样本地形参数，样本区域的地表反射率可以通过地物光谱仪直接观测获取，也可以通过遥感卫星影像反演得到，本发明实施例对此不作具体限定。随即，将样本区域的样本高光谱数据、样本地形参数和地表反射率输入至初始模型进行训练，从而得到地表反射率反演模型。
本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演方法，通过将高光谱数据输入至地表反射率反演模型中，充分利用了地物的光谱特征，同时通过地表反射率反演模型基于大气参数集反演地表反射率，充分考虑了大气对传感器辐亮度的影响，能够实现高精度的地表反射率的反演。
基于上述实施例，步骤120具体包括：
步骤121，将高光谱数据中的辐射传输参数和地形参数输入至地表反射率反演模型的大气参数层，得到大气参数层输出的大气参数集；
步骤122，将大气参数集和高光谱数据中的辐亮度输入至地表反射率反演模型的地表反射率计算层，得到地表反射率计算层输出的地表反射率。
具体地，大气参数层用于对输入的辐射传输参数和地形参数进行计算，并输出大气参数集。地表反射率计算层用于将输入的大气参数集和辐亮度代入地表反射率的计算公式，并输出地表反射率。其中，辐射传输参数可以包括SZA、VZA、RAA、AOT、CWV、ELEV、WV和FWHM等。
大气参数集既为大气参数层的输出，也为地表反射率计算层的输入，由此将大气参数层与地表反射率计算层相连接，通过利用高光谱数据精细的光谱特征，得到待测区域准确的大气状况，并在地表反射率计算中考虑大气对高光谱传感器接收到的辐亮度的影响，从而更真实地模拟了太阳辐射在大气中传输过程，提高了待测区域地表反射率反演的精度。
基于上述任一实施例，步骤121具体包括：
步骤1211，将辐射传输参数和地形参数输入至大气参数层的批量正则化层，得到批量正则化层输出的正则化后的参数。
具体地，由于辐射传输参数和地形参数中各个参数的量级存在差异，需要对各个参数进行归一化处理。批量正则化层用于对输入的辐射传输参数和地形参数进行正则化处理，并输出正则化后的参数。
对任一参数所对应的参数向量p＝{p1，... pi ...，pn}，p可以对应表示SZA、VZA、RAA、AOT、CWV、ELEV、WV和FWHM中的任一参数，n为参数向量p的数据量，pi为参数向量中第i个数据，
Figure BDA0002490658100000081
为正则化后的参数向量，正则化的具体公式如下：
Figure BDA0002490658100000082
式中，
Figure BDA0002490658100000083
为参数向量p中n个数据的平均值，σ为对应的标准差，为避免被除数为0，ε可以为一个很小的正整数。
其中，
Figure BDA0002490658100000084
和σ的计算公式如下：
Figure BDA0002490658100000085
Figure BDA0002490658100000086
步骤1212，将除正则化后的半高全宽以外的正则化后的参数输入至大气参数层的组合反演层，得到组合反演层输出的第一大气参数对。
具体地，组合反演层用于对输入的除正则化后的半高全宽以外的正则化后的参数进行计算，分别得到大气参数集中每个大气参数所对应的第一参数向量，并输出第一大气参数对。其中，第一大气参数对包括S、Lpath、Eair、Edif、μs和Tup所对应的6个第一参数向量。大气参数所对应的第一参数向量为在预设光谱范围内，以预设光谱分辨率为间隔，若干个波长所对应的若干个大气参数值构成的向量。例如，预设光谱范围为400nm-2500nm，预设光谱分辨率为1nm，则每个第一参数向量为大小为1×2100的向量。
步骤1213，将第一大气参数对和正则化后的半高全宽输入至大气参数层的光谱响应卷积层，得到光谱响应卷积层输出的第二大气参数对。
具体地，光谱响应卷积层用于基于输入的正则化后的半高全宽确定卷积核函数，同时利用卷积核函数对输入的第一大气参数对进行降维处理，并输出第二大气参数对。其中，第二大气参数对包括S、Lpath、Edir、Edif、μs和Tup所对应的6个第二参数向量，大气参数所对应的第二参数向量为高光谱传感器的若干个光谱通道所对应的若干个大气参数值构成的向量。例如，SASI的光谱通道数为101，则每个第二参数向量为大小为1×101的向量。
高光谱传感器的每一个光谱通道对应一个卷积核函数，卷积核函数可以为高斯函数，具体计算公式如下：
Figure BDA0002490658100000091
式中，x为输入的第一参数向量，WVj为第j个光谱通道的中心波长，FWHMj为第j个光谱通道的半高全宽，Gj为第j个光谱通道所对应的卷积核。
当高光谱传感器的光谱通道数为m，m个光谱通道的卷积核函数为G＝{G1，......，Gm}，利用上述卷积核函数分别对第一大气参数对中所有第一参数向量进行卷积运算，得到每一大气参数所对应的第二参数向量，并输出第二大气参数对。
步骤1214，将第二大气参数对输入至大气参数层的合成计算层，得到合成计算层输出的大气参数集。
具体地，合成计算层用于对输入的第二大气参数对进行排列，并输出大气参数集。当高光谱传感器的光谱通道数为m，第二大气参数对包括S、Lpath、Edir、Edif、μs和Tup所对应的6个大小为1×m的第二参数向量，对应地，合成计算层输出的大气参数集为行数为m，列数为6的数组，其中，该数组第j行的6个元素分别为第j个光谱通道S、Lpath、Edir、Edif、μs和Tup所对应的大气参数值。
基于上述任一实施例，组合反演层包括多个对应于大气参数集中的不同大气参数的参数计算层，步骤1222，具体包括：
将除正则化后的半高全宽以外的正则化后的参数输入至任一大气参数对应的参数计算层，得到任一大气参数对应的参数计算层输出的任一大气参数的计算结果。
具体地，组合反演层包括多个参数计算层，大气参数集包括S、Lpath、Edir、Edif、μs和Tup等大气参数，对应地，组合反演层包括S层、Lpath层、Edir层、Edif层、μs层和Tup层，其中，S层、Lpath层、Edir层、Edif层、μs层和Tup层分别为S、Lpath、Edir、Edif、μs和Tup所对应的参数计算层，且每个参数计算层彼此独立，结构相同。
参数计算层用于对输入的除正则化后的半高全宽以外的正则化后的参数进行计算，并输出对应大气参数的计算结果。所有参数计算层的输入参数是相同的，除正则化后的半高全宽以外的正则化后的参数即为正则化后的SZA、VZA、RAA、AOT、CWV、ELEV和WV。每一参数计算层的输出结果是不同的，对应大气参数的计算结果即为对应大气参数的第一参数向量。
图2为本发明实施例提供的参数计算层的网络结构示意图，如图2所示，参数计算层包括输入层、隐层和输出层。本发明实施例以S层为例，对参数计算层的网络结构进行说明，其他参数计算层的网络结构与S层相同，在此不再赘述。
本发明实施例中，预设光谱范围为400nm-2500nm，预设光谱分辨率为1nm，则第一参数向量为大小为1×2100的向量。在此基础上，S层中输入层结构为1×7的向量，隐层结构为2100×2100的数组，输出层结构为1×2100的向量。隐层中，SW1为7×2100数组，SW2、SW3分别为2100×2100数组，SB1、SB2、SB3分别为1×2100向量，Sigmoid函数作为神经网络的激活函数。S层的输入为正则化后的SZA、VZA、RAA、AOT、CWV、ELEV和WV构成的大小为1×7的向量，S层的输出为大小为1×2100地表-大气多次散射的半球反照率光谱，即S所对应的第一参数向量。
基于上述任一实施例，该改进的级联神经网络的高光谱数据地表反射率反演方法中，大气参数层是基于样本辐射传输参数及其对应的样本地形参数和样本大气参数集训练得到的。
具体地，大气参数层可以单独进行预训练，相应地，地表反射率反演模型的初始模型可以包含预训练得到的大气参数层。
大气参数层的训练方式具体包括：首先，收集样本辐射传输参数及其对应的样本地形参数，可以通过大气查找表确定样本辐射传输参数及其对应的样本地形参数，也可以通过高光谱数据确定样本辐射参数，并通过仪器勘测或DEM确定对应的样本地形参数，相应地，可以通过大气查找表确定样本大气参数集，也可以通过遥感数据反演确定样本大气参数集，本发明实施例对此不作具体限定。随即，将样本辐射传输参数及其对应的样本地形参数和样本大气参数集输入至初始模型进行训练，从而得到大气参数层。
基于大气查找表确定样本辐射传输参数及其对应的样本地形参数和样本大气参数集的方法具体包括：首先，设置输入参数，其中，输入参数包括SZA、VZA、RAA、VIS(Visibility，能见度)、CWV、ELEV、WV；将设置好的输入参数输入至辐射传输模型软件，并得到输出参数，其中，输出参数包括S、Lpath、Edir、Edif、μs和Tup。作为优选，辐射传输模型软件可以为MODTRAN。
由于在MODTRAN软件中没有提供专门的AOT输入参数，可以基于AOT与VIS之间的转换关系，将VIS转换为AOT，AOT与VIS之间的转换公式如下：
AOT(VIS，z)＝ea(z)+b(z)ln(VIS)
其中，z为高度，a(z)，b(z)分别为在高度z时，ln(AOT)和ln(VIS)之间的线型回归系数。
因此，辐射传输模型软件构建的大气查找表包括SZA、VZA、RAA、VIS、CWV、ELEV、WV、S、Lpath、Edir、Edif、μs和Tup。基于上述大气查找表，同时通过传感器参数设置确定FWHM，即可确定样本辐射传输参数及其对应的样本地形参数和样本大气参数集。
本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演方法，通过提前训练大气参数层，并使得训练好的大气参数层包含于地表反射率反演模型的初始模型，进一步提高了地表反射率反演模型的精度。
基于上述任一实施例，步骤122具体包括：
步骤1221，将大气参数集和高光谱数据中的辐亮度输入至地表反射率计算层的辐射传输层，得到辐射传输层输出的第一地表反射率；
步骤1222，将第一地表反射率输入至地表反射率计算层的优化层，得到优化层输出的地表反射率。
具体地，地表反射率计算层包括辐射传输层和优化层。辐射传输层用于对输入的大气参数集和辐亮度代入地表反射率计算公式进行计算，并输出第一地表反射率。根据地表反射率的计算公式，将大气参数集中S、Lpath、Edir、Edif、μs、Tup和辐亮度Lsensor代入该公式，即可计算得到初始的地表反射率。
优化层用于对输入的第一地表反射率进行修正或去噪，并输出第二地表反射率。由于辐射传输层输出的第一地表反射率为初始的地表反射率，使得第一地表反射率存在模型计算的误差和大气噪声带来的误差，优化层通过对第一地表反射率进行修正或去噪，消除了模型计算和大气噪声的误差，进一步提高了地表反射率反演的精度。
基于上述任一实施例，步骤1222具体包括：
将第一地表反射率输入至优化层的激活函数层，得到激活函数层输出的地表反射率；
其中，激活函数层用于基于激活函数层的任一输入参数与预设阈值的大小关系，确定任一输入参数对应的权重，并基于任一输入参数和任一输入参数对应的权重，确定任一输入参数对应的输出函数值。
具体地，一般的ReLU函数中，若输入参数为负，则输出的函数值为0，使得输入参数为负时存在梯度消失的问题。而且个别地物的反射率较低，例如水和阴影，初始的地表反射率往往为负，一般的ReLU函数直接用0填充会失去地物的许多光谱细节。
优化层可以包括激活函数层，激活函数层用于将输入的第一地表反射率代入改进的ReLU函数进行计算，并输出地表反射率。在得到第一地表反射率之后，将第一地表反射率与预设阈值进行比较，当第一地表反射率大于预设阈值时，将第一地表反射率对应的权重设为w1；当第一地表反射率小于预设阈值时，将第一地表反射率对应的权重设为w2，其中w1和w2数值不相同。随后基于第一地表反射率及其对应的权重，确定输出的地表反射率。本发明实施例对预设阈值和权重的设置方式不作具体限定。
作为优选，预设阈值可以为-0.1。在此基础上，改进的ReLU函数的计算公式如下：
Figure BDA0002490658100000131
其中，ρ为改进的ReLU函数的输入参数，a为ρ<-0.1时对应的权重，f(ρ)为ρ对应的输出函数值。作为优选，a可以为0.01。
本发明实施例提供的改进的ReLU函数，通过将预设阈值设为-0.1同时对第一地表反射率小于－0.1时，输出函数值设为第一地表反射率与其对应权重的乘积，不仅使得第一地表反射率为正值时，神经网络的神经元具有稀疏激活性，而且解决了第一地表反射率为负值时梯度消失的问题，同时保留了反射率较低的地物的光谱特征。
基于上述任一实施例，步骤1222具体包括：
将第一地表反射率输入至优化层的光谱平滑卷积层，得到光谱平滑卷积层输出的地表反射率。
具体地，优化层可以包括光谱平滑卷积层，光谱平滑卷积层用于对输入的第一地表反射率进行卷积运算，并输出地表反射率。由于初始的地表反射率在水汽吸收波段存在较大的波动性，光谱移动平均法可以用于大气残留噪声的去除，同时保留主要的光谱特征。在得到第一地表反射率之后，光谱平滑卷积层将第一地表反射率与平滑卷积核进行运算，作为优选，平滑卷积核可以为[0.2，0.2，0.2，0.2，0.2]。
基于上述任一实施例，步骤1222具体包括：
将第一地表反射率输入至激活函数层，得到激活函数层输出的第二地表反射率；将第二地表反射率输入至光谱平滑卷积层，得到光谱平滑卷积层输出的地表反射率。
具体地，优化层可以包括激活函数层和光谱平滑卷积层，激活函数层用于对输入的第一地表反射率代入改进的ReLU函数进行计算，并输出第二地表反射率；随后光谱平滑卷积层对输入第二地表反射率与平滑卷积核进行运算，并输出地表反射率。
本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演方法，通过设置激活函数层和光谱平滑层，同时消除了模型计算和大气噪声带来的误差，进一步提高了地表反射率反演的精度。
图3为本发明实施例提供的地表反射率反演模型的结构示意图，如图3所示，地表反射率反演模型为一个级联的深度神经网络，地表反射率反演模型整体是一个深度神经网络，其中，大气参数层为多个浅层神经网络的组合。
本发明实施例提供的地表反射率反演模型中大气参数层是单独经过预训练得到的，大气参数层的训练的过程中，是基于大气查找表确定样本辐射传输参数及其对应的样本地形参数和样本大气参数集，此处，输入参数的设置如表1所示：
表1
Figure BDA0002490658100000141
Figure BDA0002490658100000151
由上表可知，当WV为400nm-2500nm，光谱间隔为1nm时，大气查找表的数据行数为7×7×8×14×15×4×2100＝691488000条数据。基于上述数据对大气参数层进行训练，在此基础上，构建包含训练好的大气参数层的地表反射率反演的初始模型。
本发明实施例提供的地表反射率反演模型的训练过程中，样本区域的样本高光谱数据是通过CASI和SASI两种高光谱传感器联合获取的、样本地形参数是通过全国90米的DEM获取的，样本地表反射率是利用美国ASD公司(Analytical Spectral Devices，Inc)生产的ASD(Analytical Spectral Devices)光谱仪获取的。CASI和SASI的传感器参数如表2所示：
表2
Figure BDA0002490658100000152
/>
本发明实施例中，预设光谱范围为400nm-2500nm，预设光谱分辨率为1nm，则每个第一参数向量为大小为1×2100的向量，高光谱传感器的光谱通道数为133，每个第二参数向量大小为1×133的向量，大气参数集为行数为133，列数为6的数组。
基于上述任一实施例，图4为本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演系统的结构示意图，如图4所示，本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演系统包括：
数据确定模块410，用于确定待测区域的高光谱数据和地形参数；
地表反射率反演模块420，用于将高光谱数据和地形参数输入至地表反射率反演模型，得到地表反射率反演模型输出的待测区域的地表反射率；
其中，地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；地表反射率模型用于基于高光谱数据和样本地形参数，确定待测区域的大气参数集，并基于大气参数集，确定地表反射率。
本发明实施例提供的改进的级联神经网络的高光谱数据地表反射率反演系统，通过将高光谱数据输入至地表反射率反演模型中，充分利用了地物的光谱特征，同时通过地表反射率反演模型基于大气参数集反演地表反射率，充分考虑了大气对传感器辐亮度的影响，能够实现高精度的地表反射率的反演。
基于上述任一实施例，数据确定模块410具体包括：
大气参数子模块，用于将高光谱数据中的辐射传输参数和地形参数输入至地表反射率反演模型的大气参数层，得到大气参数层输出的大气参数集；
地表反射率计算子模块，用于将大气参数集和高光谱数据中的辐亮度输入至地表反射率反演模型的地表反射率计算层，得到地表反射率计算层输出的地表反射率。
基于上述任一实施例，大气参数子模块具体包括：
批量正则化子模块，用于将辐射传输参数和地形参数输入至大气参数层的批量正则化层，得到批量正则化层输出的正则化后的参数；
组合反演子模块，用于将除正则化后的半高全宽以外的正则化后的参数输入至大气参数层的组合反演层，得到组合反演层输出的第一大气参数对；
光谱响应卷积子模块，用于将第一大气参数对和正则化后的半高全宽输入至大气参数层的光谱响应卷积层，得到光谱响应卷积层输出的第二大气参数对；
合成计算子模块，用于将第二大气参数对输入至大气参数层的合成计算层，得到合成计算层输出的大气参数集。
基于上述任一实施例，组合反演层包括多个对应于大气参数集中的不同大气参数的参数计算层，组合反演子模块具体用于：
将除正则化后的半高全宽以外的正则化后的参数输入至任一大气参数对应的参数计算层，得到任一大气参数对应的参数计算层输出的任一大气参数的计算结果。
基于上述任一实施例，该地表反射率反演系统中，大气参数层是基于样本辐射传输参数及其对应的样本地形参数和样本大气参数集训练得到的。
基于上述任一实施例，地表反射率反演模块420具体包括：
辐射传输子模块，用于将大气参数集和高光谱数据中的辐亮度输入至地表反射率计算层的辐射传输层，得到辐射传输层输出的第一地表反射率；
优化子模块，用于将第一地表反射率输入至地表反射率计算层的优化层，得到优化层输出的地表反射率。
基于上述任一实施例，优化子模块具体用于：
将第一地表反射率输入至优化层的激活函数层，得到激活函数层输出的地表反射率；
或，将第一地表反射率输入至优化层的光谱平滑卷积层，得到光谱平滑卷积层输出的地表反射率。
或，将第一地表反射率输入至激活函数层，得到激活函数层输出的第二地表反射率；
将第二地表反射率输入至光谱平滑卷积层，得到光谱平滑卷积层输出的地表反射率；
其中，激活函数层用于基于激活函数层的任一输入参数与预设阈值的大小关系，确定任一输入参数对应的权重，并基于任一输入参数和任一输入参数对应的权重，确定任一输入参数对应的输出函数值。
图5为本发明实施例提供的电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：确定待测区域的高光谱数据和地形参数；将高光谱数据和地形参数输入至地表反射率反演模型，得到地表反射率反演模型输出的待测区域的地表反射率；其中，地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；地表反射率模型用于基于高光谱数据和样本地形参数，确定待测区域的大气参数集，并基于大气参数集，确定地表反射率。
此外，上述的存储器503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方法，例如包括：确定待测区域的高光谱数据和地形参数；将高光谱数据和地形参数输入至地表反射率反演模型，得到地表反射率反演模型输出的待测区域的地表反射率；其中，地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；地表反射率模型用于基于高光谱数据和样本地形参数，确定待测区域的大气参数集，并基于大气参数集，确定地表反射率。
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 (9)

1.一种改进的级联神经网络的高光谱数据地表反射率反演方法，其特征在于，包括：
确定待测区域的高光谱数据和地形参数；
将所述高光谱数据和所述地形参数输入至地表反射率反演模型，得到所述地表反射率反演模型输出的所述待测区域的地表反射率；
其中，所述地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；
所述地表反射率模型用于基于所述高光谱数据和所述地形参数，确定所述待测区域的大气参数集，并基于所述大气参数集，确定所述地表反射率；
所述将所述高光谱数据和所述地形参数输入至地表反射率反演模型，得到所述地表反射率反演模型输出的所述待测区域的地表反射率，具体包括：
将所述高光谱数据中的辐射传输参数和所述地形参数输入至所述地表反射率反演模型的大气参数层，得到所述大气参数层输出的所述大气参数集；
将所述大气参数集和所述高光谱数据中的辐亮度输入至所述地表反射率反演模型的地表反射率计算层，得到所述地表反射率计算层输出的所述地表反射率；
所述地表反射率反演模型为一个级联的深度神经网络。
2.根据权利要求1所述的改进的级联神经网络的高光谱数据地表反射率反演方法，其特征在于，所述将所述高光谱数据中的辐射传输参数和所述地形参数输入至所述地表反射率反演模型的大气参数层，得到所述大气参数层输出的所述大气参数集，具体包括：
将所述辐射传输参数和所述地形参数输入至所述大气参数层的批量正则化层，得到所述批量正则化层输出的正则化后的参数；
将除正则化后的半高全宽以外的所述正则化后的参数输入至所述大气参数层的组合反演层，得到所述组合反演层输出的第一大气参数对；
将所述第一大气参数对和所述正则化后的半高全宽输入至所述大气参数层的光谱响应卷积层，得到所述光谱响应卷积层输出的第二大气参数对；
将所述第二大气参数对输入至所述大气参数层的合成计算层，得到所述合成计算层输出的所述大气参数集。
3.根据权利要求2所述的改进的级联神经网络的高光谱数据地表反射率反演方法，其特征在于，所述组合反演层包括多个对应于所述大气参数集中的不同大气参数的参数计算层；
所述将除正则化后的半高全宽以外的所述正则化后的参数输入至所述大气参数层的组合反演层，得到所述组合反演层输出的第一大气参数对，具体包括：
将除正则化后的半高全宽以外的所述正则化后的参数输入至任一大气参数对应的参数计算层，得到所述任一大气参数对应的参数计算层输出的所述任一大气参数的计算结果。
4.根据权利要求1-3任一项所述的改进的级联神经网络的高光谱数据地表反射率反演方法，其特征在于，所述大气参数层是基于样本辐射参数及其对应的样本地形参数和样本大气参数集训练得到的。
5.根据权利要求1-3任一项所述的改进的级联神经网络的高光谱数据地表反射率反演方法，其特征在于，所述将所述大气参数集和所述高光谱数据中的辐亮度输入至所述地表反射率反演模型的地表反射率计算层，得到所述地表反射率计算层输出的所述地表反射率，具体包括：
将所述大气参数集和所述高光谱数据中的辐亮度输入至所述地表反射率计算层的辐射传输层，得到所述辐射传输层输出的第一地表反射率；
将所述第一地表反射率输入至所述地表反射率计算层的优化层，得到所述优化层输出的所述地表反射率。
6.根据权利要求5所述的改进的级联神经网络的高光谱数据地表反射率反演方法，其特征在于，所述将所述第一地表反射率输入至所述地表反射率计算层的优化层，得到所述优化层输出的所述地表反射率，具体包括：
将所述第一地表反射率输入至所述优化层的激活函数层，得到所述激活函数层输出的所述地表反射率；
或，将所述第一地表反射率输入至所述优化层的光谱平滑卷积层，得到所述光谱平滑卷积层输出的所述地表反射率；
或，将所述第一地表反射率输入至所述激活函数层，得到所述激活函数层输出的第二地表反射率；
将所述第二地表反射率输入至所述光谱平滑卷积层，得到所述光谱平滑卷积层输出的所述地表反射率；
其中，所述激活函数层用于基于所述激活函数层的任一输入参数与预设阈值的大小关系，确定所述任一输入参数对应的权重，并基于所述任一输入参数和所述任一输入参数对应的权重，确定所述任一输入参数对应的输出函数值。
7.一种改进的级联神经网络的高光谱数据地表反射率反演系统，其特征在于，包括：
数据确定模块，用于确定待测区域的高光谱数据和地形参数；
地表反射率反演模块，用于将所述高光谱数据和所述地形参数输入至地表反射率反演模型，得到所述地表反射率反演模型输出的所述待测区域的地表反射率；
其中，所述地表反射率反演模型是基于样本区域的样本高光谱数据、样本地形参数和样本地表反射率训练得到的；
所述地表反射率模型用于基于所述高光谱数据和所述样本地形参数，确定所述待测区域的大气参数集，并基于所述大气参数集，确定所述地表反射率；
所述将所述高光谱数据和所述地形参数输入至地表反射率反演模型，得到所述地表反射率反演模型输出的所述待测区域的地表反射率，具体包括：
将所述高光谱数据中的辐射传输参数和所述地形参数输入至所述地表反射率反演模型的大气参数层，得到所述大气参数层输出的所述大气参数集；
将所述大气参数集和所述高光谱数据中的辐亮度输入至所述地表反射率反演模型的地表反射率计算层，得到所述地表反射率计算层输出的所述地表反射率；
所述地表反射率反演模型为一个级联的深度神经网络。
8.一种电子设备，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6任一项所述的改进的级联神经网络的高光谱数据地表反射率反演方法的步骤。
9.一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6任一项所述的改进的级联神经网络的高光谱数据地表反射率反演方法的步骤。
CN202010404191.3A 2020-05-13 2020-05-13 改进的级联神经网络的高光谱数据地表反射率反演方法 Active CN111735772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010404191.3A CN111735772B (zh) 2020-05-13 2020-05-13 改进的级联神经网络的高光谱数据地表反射率反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010404191.3A CN111735772B (zh) 2020-05-13 2020-05-13 改进的级联神经网络的高光谱数据地表反射率反演方法

Publications (2)

Publication Number Publication Date
CN111735772A CN111735772A (zh) 2020-10-02
CN111735772B true CN111735772B (zh) 2023-07-07

Family

ID=72647199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010404191.3A Active CN111735772B (zh) 2020-05-13 2020-05-13 改进的级联神经网络的高光谱数据地表反射率反演方法

Country Status (1)

Country Link
CN (1) CN111735772B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943142B (zh) * 2022-04-29 2023-11-28 中国科学院空天信息创新研究院 高光谱地表反射率和大气参数一体化反演方法及装置
CN115758855B (zh) * 2022-08-18 2024-04-12 中国人民解放军61540部队 一种基于lstm及注意力机制的地表反射率反演方法
CN116384237A (zh) * 2023-03-29 2023-07-04 大连海事大学 热红外大气参数反演方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104279967A (zh) * 2014-05-23 2015-01-14 中国科学院光电研究院 基于高光谱图像的气溶胶光学厚度反演方法
CN110987821A (zh) * 2019-11-12 2020-04-10 中国科学院西安光学精密机械研究所 一种高光谱快速大气校正参数化方法
CN111007021A (zh) * 2019-12-31 2020-04-14 北京理工大学重庆创新中心 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104279967A (zh) * 2014-05-23 2015-01-14 中国科学院光电研究院 基于高光谱图像的气溶胶光学厚度反演方法
CN110987821A (zh) * 2019-11-12 2020-04-10 中国科学院西安光学精密机械研究所 一种高光谱快速大气校正参数化方法
CN111007021A (zh) * 2019-12-31 2020-04-14 北京理工大学重庆创新中心 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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A METHOD FOR ATMOSPHERIC PARAMETERS AND SURFACE REFLECTANCE RETRIEVAL FROM HYPERSPECTRAL REMOTE SENSING DATA;Yaokai Liu,Ning Wang,Lingling Ma,Chuanrong Li and Lingli Tang;《2015 7th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing》;20171023;全文 *
Land surface reflectance retrieval from optical hyperspectral data collected with an unmanned aerial vehicle platform;YAO-KAI LIU,CHUAN-RONG LI,LING-LING MA, YONG-GANG QIAN, NING WAN;《Optics Express》;20190304;第27卷(第5期);第2页第02-05段、第5页第01-02段、第10页第01-02段、第16页第01段、表2、图9、图10 *
一种协同反演气溶胶与水汽含量的高光谱图像大气校正算法;佃袁勇等;《国土资源遥感》;20150630(第02期);全文 *
一种改进的光谱图像反演地表目标遥感反射率的方法;张翔等;《光子学报》;20090515(第05期);全文 *
高光谱传感器光谱性能参数反演与反射率恢复;王天星等;《光谱学与光谱分析》;20101015(第10期);全文 *

Also Published As

Publication number Publication date
CN111735772A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111735772B (zh) 改进的级联神经网络的高光谱数据地表反射率反演方法
Gupta et al. Non-Gaussian information from weak lensing data via deep learning
Müller et al. The Ocean Colour Climate Change Initiative: I. A methodology for assessing atmospheric correction processors based on in-situ measurements
Vohland et al. Applying different inversion techniques to retrieve stand variables of summer barley with PROSPECT+ SAIL
Baret et al. Estimating canopy characteristics from remote sensing observations: Review of methods and associated problems
Bailey et al. A multi-sensor approach for the on-orbit validation of ocean color satellite data products
Verger et al. Optimal modalities for radiative transfer-neural network estimation of canopy biophysical characteristics: Evaluation over an agricultural area with CHRIS/PROBA observations
Abdou et al. Comparison of coincident Multiangle Imaging Spectroradiometer and Moderate Resolution Imaging Spectroradiometer aerosol optical depths over land and ocean scenes containing Aerosol Robotic Network sites
Xu et al. Detecting layer height of smoke aerosols over vegetated land and water surfaces via oxygen absorption bands: hourly results from EPIC/DSCOVR in deep space
Mousivand et al. Multi-temporal, multi-sensor retrieval of terrestrial vegetation properties from spectral–directional radiometric data
Pan et al. An improved spectral optimization algorithm for atmospheric correction over turbid coastal waters: A case study from the Changjiang (Yangtze) estuary and the adjacent coast
Pahlevan et al. Uncertainties in coastal ocean color products: Impacts of spatial sampling
Atzberger et al. Suitability and adaptation of PROSAIL radiative transfer model for hyperspectral grassland studies
Bouvet Radiometric comparison of multispectral imagers over a pseudo-invariant calibration site using a reference radiometric model
Singh et al. Machine learning to estimate surface roughness from satellite images
CN111707373B (zh) 温度与发射率分离方法及装置
Bak et al. Characterization and correction of OMPS nadir mapper measurements for ozone profile retrievals
Colarco et al. Simulation of the Ozone Monitoring Instrument aerosol index using the NASA Goddard Earth Observing System aerosol reanalysis products
CN111426643B (zh) 一种大气二氧化氮柱浓度反演条带噪声自适应窗口校正方法
Richardson et al. Information content of OCO-2 oxygen A-band channels for retrieving marine liquid cloud properties
Staebell et al. Spectral calibration of the MethaneAIR instrument
Liu et al. Hyperspectral infrared sounder cloud detection using deep neural network model
Xu et al. Enhanced all-weather precipitable water vapor retrieval from MODIS near-infrared bands using machine learning
Ghasemi et al. A modified model for estimating tree height from PolInSAR with compensation for temporal decorrelation
Yu et al. Impact of 3D cloud structures on the atmospheric trace gas products from UV–Vis sounders–Part 2: Impact on NO 2 retrieval and mitigation strategies

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