CN113392694B - 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备 - Google Patents
一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN113392694B CN113392694B CN202110350772.8A CN202110350772A CN113392694B CN 113392694 B CN113392694 B CN 113392694B CN 202110350772 A CN202110350772 A CN 202110350772A CN 113392694 B CN113392694 B CN 113392694B
- Authority
- CN
- China
- Prior art keywords
- morning
- evening
- remote sensing
- image
- earth surface
- 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 61
- 238000001514 detection method Methods 0.000 claims abstract description 184
- 239000000203 mixture Substances 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000005315 distribution function Methods 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 18
- NYPYHUZRZVSYKL-UHFFFAOYSA-N 2-azaniumyl-3-(4-hydroxy-3,5-diiodophenyl)propanoate Chemical compound OC(=O)C(N)CC1=CC(I)=C(O)C(I)=C1 NYPYHUZRZVSYKL-UHFFFAOYSA-N 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007668 thin rolling process Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 239000008276 ice cloud Substances 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 8
- 239000003595 mist Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于H8/AHI的晨昏陆地雾快速提取方法、装置、介质及设备,该方法首先利用低太阳高度角地表去除指数去除影像中低太阳高度角区域的地表、近晨昏线高斯混合地表去除模型去除晨昏线区域的地表,传统夜间雾检测算法去除夜间区域的地表,再结合低云检测指数去除影像中的低云,传统去云方法去除影像中的中高云,将低太阳高度角区域的地表去除结果、晨昏线附近区域的地表去除结果分别与低云去除结果、中高云去除结果取交集,获得低太阳高度角区域和近晨昏区域雾检测结果,再与夜间区域的地表去除结果取并集,获得遥感影像中晨昏时刻雾检测结果,实现大范围晨昏陆地雾检测。本发明能准确、高效快速实现晨昏陆地雾提取。
Description
技术领域
本发明涉及环境监测与气象预报领域,特别涉及一种基于H8/AHI的晨昏陆地雾快速提取方法、装置、介质及设备。
背景技术
晨昏时刻太阳高度角较低,地表气温降低,相对高的水汽含量导致该时刻极易发生雾。雾的出现极大降低了地面能见度,严重影响人们的出行和交通安全,因此晨昏时刻雾实时动态监测及预报对人们日常出行具有十分重要的意义。传统雾检测以气象观测站点实测数据为主,具有较低的时间和空间分辨率,很难捕捉到雾的分布和动态变化特征。随着遥感卫星技术的快速发展,静止气象卫星覆盖范围广、时间分辨率高为开展浓雾近实时动态监测提供了良好的数据源,日本第三代静止卫星葵花8号(Himawari-8)具有高时间分辨率(10min获取一副全盘影像)、高空间分辨率(500米)及高光谱分辨率(16个通道)等特征,可更好的捕捉雾的生消发展变化特征,为晨昏时刻雾近实时动态监测提供了一个良好的数据源。
目前对陆地雾遥感识别技术的研究主要集中在白天和夜间,对黎明和黄昏时间的研究相对较少。然而,雾多发生在黎明和黄昏,这一时期其光谱特征与白天和夜间具有较大的不同。因此,白天和夜间的陆地雾遥感检测技术已不再适用。另受遥感数据时间分辨率、资金、设备等因素的影响,纵观国内外雾检测研究现状,晨昏时刻雾近实时准确快速提取仍有一定困难。相比以往静止气象卫星,H8/AHI数据独特的特性为雾近实时快速提取提供了良好的数据源,为实现大面积雾的实时检测,为人类经济发展和社会活动有序进行提供数据支持,因此发明一种基于H8/AHI的晨昏陆地雾检测算法减少因雾造成的财产和生命损失是十分必要和迫切的。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种基于H8/AHI的晨昏陆地雾快速提取方法、装置、介质及设备,能快速、准确地检测晨昏陆地雾,减少因雾造成的财产和生命损失。
本发明提供的技术方案如下:
一方面,一种基于H8/AHI的晨昏陆地雾快速提取方法,包括以下步骤:
步骤1:针对晨昏时刻遥感影像的地表特征,采用三种方法进行地表去除,获得去除地表后的低太阳高度角区域、夜间区域和近晨昏区域的检测结果;
利用低太阳高度角地表去除指数针对晨昏时刻遥感影像中的低太阳高度角区域进行地表去除;
利用夜间雾与地表的亮温差针对晨昏时刻遥感影像中的夜间区域进行地表去除;
通过构建近晨昏线高斯混合模型,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除;
晨昏时刻遥感影像不同的区域,地表特征不同,采用不同的方法,可以高效的去除各区域中的地表;
步骤2:利用低云检测指数,对晨昏时刻遥感影像进行低云去除;
步骤3:利用中高云与雾的光谱特征和纹理特征差异,依次对晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除;
步骤4:将步骤1中低太阳高度角区域和近晨昏区域的检测结果分别与步骤2和步骤3检测结果做乘法运算,取交集,分别获得低太阳高度角区域和近晨昏区域雾检测结果,再将低太阳高度角区域和近晨昏区域雾检测结果与步骤1中得到的夜间区域检测结果取并集,获得遥感影像中晨昏时刻雾检测结果。
本发明基于高时相时间分辨率H8/AHI数据发展了一个大范围晨昏时刻陆地雾检测算法LRFDANN。FDILSAA基于雾与地表在中红外和热红外波段的亮度温度差异对晨昏时刻遥感影像中的低太阳高度角区域进行地表去除;DS-GMMNT基于雾与地表晨昏时刻亮温差变化速率差异和运动特征差异对晨昏时刻遥感影像中晨昏线附近区域进行地表去除;FDNT采用传统双通道亮温差差值对晨昏时刻遥感影像中的夜间区域进行地表去除;ELCDI和传统中高云去除算法对晨昏时刻遥感影像进行低云、冰云、薄卷云和具有复杂纹理的中高云去除;将低太阳高度角区域的地表去除结果、晨昏线附近区域的地表去除结果分别与低云去除结果、中高云去除结果取交集,获得低太阳高度角区域和近晨昏区域雾检测结果,再与夜间区域的地表去除结果取并集,获得遥感影像中晨昏时刻雾检测结果,实现大范围晨昏陆地雾检测。地面同步观测数据定量验证结果显示本算法检测结果精度较高,但算法无法有效区分雾与沙漠和高纬度的低云。同时早晨和黄昏连续90分钟雾检测案例显示算法既可检测出大面积雾区,也能捕捉小面积雾区,定性验证了算法的可靠性。同时相比时空分辨率较低的地面观测数据,高时相分辨率的H8/AHI数据可以很好的捕捉雾的生消发展过程。晨昏时刻中红外和热红外波段雾与地表的亮度温度差异及其变化速率差异为该时刻卫星雾检测提供了一个良好的物理基础。检测结果证明算法具有很大的优势和潜力,有效的克服了仅使用光谱纹理差异进行雾检测算法的局限性,为晨昏时刻雾检测提出了新的视角和解决方法。
进一步地,所述利用低太阳高度角地表去除指数对晨昏时刻遥感影像中的低太阳高度角区域,进行地表去除的具体过程如下:
其中,IMIR(x,y)(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值,FDILSAA(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点的低太阳高度角地表去除指数值;
步骤A2:基于低太阳高度角地表去除指数固定阈值22去除晨昏时刻遥感影像中与云雾差异较大的地表:
其中,IDDS(x,y)表示晨昏时刻遥感影像中位于(x,y)处基于低太阳高度角地表去除指数去除地表后的检测结果值。
进一步地,所述利用夜间雾与地表的亮温差对晨昏时刻遥感影像中的夜间区域,进行地表去除的具体过程如下:
步骤B1:利用遥感影像中的中红外波段影像数据与热红外段影像数据,获取亮温差值:IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处的亮温差值;
步骤B2:对亮温差影像采用夜间雾检测算法进行地表去除;
其中,IDNS(x,y)表示亮温差影像中位于(x,y)处基于夜间雾检测算法去除地表后的检测结果值,K表示热力学温度,单位为开尔文。
进一步地,所述通过构建近晨昏线高斯混合地表去除模型DS-GMMNT,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除的具体过程如下:
步骤C1:利用晨昏时刻遥感影像中红外波段影像数据和热红外波段影像数据,获取亮温差值:IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;
步骤C2:设置基于遥感影像的高斯混合模型,并进行参数初始化设置;
设置基于遥感影像的高斯混合模型中每个像素的单高斯分布函数个数C=3,均值偏差D=2.5,方差σ0=15,背景建模阈值TH=0.25,学习率a=0.25,利用随机数生成初始三维矩阵,并设置其权重为1/C,任意点的方差为初始方差σ0;
步骤C2:依次读取当前时刻及其间隔为t1=20分钟的连续5幅亮温差影像;
步骤C3:背景建模;
判断亮温差影像中任一像素点是否满足条件:|IBTD(x,y)-μi,t-1(x,y)|<=D*σ0
其中,IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处像素点的亮温差值;μi,t-1(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点在t-1时刻的第i个高斯分布函数的均值;
若满足,即判定当前像素点为背景,该像素点满足此高斯分布函数,认为该像素点对此高斯分布函数有贡献,更新第i个高斯分布函数在时刻t的均值μi,t、方差σi,t、权重wi,t:
μi,t=(1-ρ)×μi,t-1+ρ×It
wi,t=(1-α)×wi,t-1+α
若不满足,认为当前像素点不满足此高斯分布函数,对此高斯分布函数没有贡献,此时不更新均值和方差,减少此高斯分布函数的权重,按以下公式进行权重wi,t更新:
wi,t=(1-α)×wi,t-1
式中,表示时刻t的亮温差影像在点(x,y)处的亮温差值;BG(x,y,t)表示t时刻的背景目标,ρ表示均值和方差更新率;wi,t,μi,t以及σi,t分别表示t时刻第i个高斯分布函数的权重,均值和方差;代表t时刻第i个高斯分布函数概率密度函数;
若当前像素不满足3个高斯分布函数中任意一个时,更新该像素点的高斯分布函数,替换之前3个高斯分布函数中权重最小的高斯分布函数,新高斯分布函数的均值为当前像素点的灰度值,方差为初始化方差;并做归一化权重处理,同时计算rank并排序,使用阈值TH计算当前像素的3个高斯分布函数中被用于背景建模的高斯分布函数的个数N;
rank=w/σ
步骤C4:前景建模;
进一步地,利用低云检测指数ELCDI,对晨昏时刻遥感影像进行低云去除的具体实现过程包括:
步骤D1:取当前时刻及前14天晨昏时刻遥感影像的热红外波段影像数据中的最大亮度温度值合成热红外波段晴空底图影像;
步骤D3:使用固定阈值去除影像中低云,获取去除低云后影像:
其中,ISUR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段晴空底图影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段亮度温度像素值,ELCDI(x,y)表示增强型低云检测指数影像中位于(x,y)处的像素值,IDLC(x,y)表示增强型低云检测指数影像中位于(x,y)处基于低云检测指数去除低云后的检测结果值。
进一步地,利用中高云的光谱特征和纹理特征,依次晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除的具体实现过程包括:
步骤E1:对晨昏时刻遥感影像中热红外波段影像采用固定阈值240K去除影像中的冰云,冰云值设为0,否则为1;
步骤E2:利用晨昏时刻遥感影像中8.7um波段亮度温度影像与热红外波段亮度温度影像做差获取差值影像,对差值影像采用固定阈值0k去除薄卷云,薄卷云值设为0,否则为1;
步骤E3:对晨昏时刻遥感影像0.64um波段数据求其一阶纹理滤波,采用固定阈值0.03去除遥感影像中纹理复杂的中高云,纹理复杂的中高云值设为0,否则为1;
步骤E4:将步骤E1、步骤E2和步骤E3三个检测结果做乘法运算,取交集,获得去除中高云的检测结果,中高云值设为0,否则为1。
另一方面,一种基于H8/AHI的晨昏陆地雾快速提取装置,包括:
地表去除模块:基于晨昏时刻遥感影像的地表特征,采用三种地表去除单元进行地表去除,获得低太阳高度角区域、夜间区域和近晨昏区域去除地表检测结果;
所述三种地表去除单元包括低太阳高度角地表去除单元,亮温差地表去除单元以及高斯混合地表去除单元;
低太阳高度角地表去除单元,通过利用低太阳高度角地表去除指数针对晨昏时刻遥感影像中的低太阳高度角区域进行地表去除;
亮温差地表去除单元,利用夜间雾与地表的亮温差针对晨昏时刻遥感影像中的夜间区域进行地表去除;
高斯混合地表去除单元,通过构建近晨昏线高斯混合地表去除模型,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除;
低云去除模块:利用低云检测指数,对晨昏时刻遥感影像进行低云去除;
中高云去除模块:利用中高云与雾的光谱特征和纹理特征差异,依次对晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除;
雾检测结果模块:利用去除低云检测结果、去除中高云检测结果和低太阳高度角去除地表检测结果取交集获得低太阳高度角区域雾检测结果;利用去除低云检测结果、去除中高云检测结果和晨昏线附近去除地表检测结果取交集获得晨昏区域雾检测结果;低太阳高度角区域雾检测结果、晨昏线区域雾检测结果和夜间去除地表检测结果取并集,获得遥感影像中晨昏时刻雾检测结果。
进一步地,所述高斯混合地表去除单元通过构建高斯混合地表去除模型DS-GMMNT,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除的具体过程如下:
步骤C1:利用晨昏时刻遥感影像中红外波段影像数据和热红外波段影像数据,获取亮温差值:IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;
步骤C2:设置基于遥感影像的高斯混合模型,并进行参数初始化设置;
设置基于遥感影像的高斯混合模型中每个像素的单高斯分布函数个数C=3,均值偏差D=2.5,方差σ0=15,背景建模阈值TH=0.25,学习率α=0.25,利用随机数生成初始三维矩阵,并设置其权重为1/C,任意点的方差为初始方差σ0;
步骤C2:依次读取当前时刻及其间隔为t1=20分钟的连续5幅亮温差影像;
步骤C3:背景建模;
判断亮温差影像中任一像素点是否满足条件:|IBTD(x,y)-μi,t-1(x,y)|<=D*σ0
其中,IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处像素点亮温差值;μi,t-1(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点在t-1时刻的第i个高斯分布函数的均值;
若满足,即判定当前像素点为背景,该像素点满足此高斯分布函数,认为该像素点对此高斯分布函数有贡献,更新第i个高斯分布函数在时刻t的均值μi,t、方差σi,t、权重wi,t:
μi,t=(1-ρ)×μi,t-1+ρ×It
wi,t=(1-α)×wi,t-1+α
若不满足,认为当前像素点不满足此高斯分布函数,对此高斯分布函数没有贡献,此时不更新均值和方差,减少此高斯分布函数的权重,按以下公式进行权重wi,t更新:wi,t=(1-α)×wi,t-1;
式中,表示时刻t的亮温差影像在点(x,y)处的亮温差值;BG(x,y,t)表示t时刻的背景目标,ρ表示均值和方差更新率;wi,t,μi,t以及σi,t分别表示t时刻第i个高斯分布函数的权重,均值和方差;代表t时刻第i个高斯分布函数概率密度函数;
若当前像素不满足3个高斯分布函数中任意一个时,更新该像素点的高斯分布函数,替换之前3个高斯分布函数中权重最小的高斯分布函数,新高斯分布函数的均值为当前像素点的灰度值,方差为初始化方差;并做归一化权重处理,同时计算rank并排序,使用阈值TH计算当前像素的3个高斯分布函数中被用于背景建模的高斯分布函数的个数N;
rank=w/σ
步骤C4:前景建模:认为不满足三个高斯分布函数中任意一个的像素点为云雾前景,并设置该像素值为1,否则,认为属于地表背景,像素值设置为0,获得去除地表后的遥感影像IDNTS,实现遥感影像中晨昏线区域地表的去除。
再一方面,一种可读存储介质,包括计算机程序指令,所述计算机程序指令被处理终端执行时使所述处理终端执行上述一种基于H8/AHI的晨昏陆地雾快速提取方法。
再一方面,一种基于H8/AHI的晨昏陆地雾快速提取设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述基于H8/AHI的晨昏陆地雾快速提取设备执行如上述一种基于H8/AHI的晨昏陆地雾快速提取方法。
有益效果
本发明技术方案提供了一种基于H8/AHI的晨昏陆地雾快速提取方法、装置、介质及设备,该方法首先利用低太阳高度角地表去除指数去除影像中低太阳高度角区域的地表、近晨昏线高斯混合地表去除模型去除晨昏线区域的地表,传统夜间雾检测算法去除夜间区域的地表,再结合低云检测指数去除影像中的低云,传统去云方法去除影像中的中高云,将低太阳高度角区域的地表去除结果、晨昏线附近区域的地表去除结果分别与低云去除结果、中高云去除结果取交集,获得低太阳高度角区域和近晨昏区域雾检测结果,再与夜间区域的地表去除结果取并集,获得遥感影像中晨昏时刻雾检测结果,实现大范围晨昏陆地雾检测。
与现有技术相比,本发明所具有的有益效果为:本发明是当前具有高时间、高空间分辨率的静止气象卫星数据的条件下的一种可准确、高效快速实现晨昏陆地雾提取的方法,检测结果可靠,精度高。
附图说明
图1为基于H8/AHI的晨昏陆地雾检测算法流程图;
图2为本发明关注的研究区域地形、遥感影像和观测站点分布图;
图3为早晨卫星雾检测结果与H8/AHI假彩色影像叠加图;其中,(a)7:00卫星雾检测结果与H8/AHI假彩色影像叠加图;(b)7:30卫星雾检测结果与H8/AHI假彩色影像叠加图;(c)8:00卫星雾检测结果与H8/AHI假彩色影像叠加图;(d)8:30卫星雾检测结果与H8/AHI假彩色影像叠加图;注:(c)图叠加了早晨8点的地面验证数据,不同形状表示不同的类型;影像中三种不同颜色表示3种不同方法得到的雾检测结果;
图4为黄昏卫星雾检测结果与H8/AHI假彩色影像叠加图;其中,(a)15:30卫星雾检测结果与H8/AHI假彩色影像叠加图;(b)16:00卫星雾检测结果与H8/AHI假彩色影像叠加图;(c)16:30卫星雾检测结果与H8/AHI假彩色影像叠加图;(d)17:00卫星雾检测结果与H8/AHI假彩色影像叠加图。注:(d)图叠加了下午17点的地面验证数据;
图5为雾与地表在不同时刻的亮温差差异图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
一种基于H8/AHI的晨昏陆地雾快速提取方法,包括以下步骤:
步骤1:针对晨昏时刻遥感影像的地表特征,采用三种方法进行地表去除,获得去除地表后的低太阳高度角区域、夜间区域和近晨昏区域的检测结果;
晨昏时刻遥感影像不同的区域,地表特征不同,采用不同的方法,可以高效的去除各区域中的地表;
晨昏时刻部分时段内(图5c段和d段)雾与地表BTD具有一定的差异,但差异大小受太阳高度角影响。为消除该影响去除该时段的地表,利用低太阳高度角地表去除指数FDILSAA针对晨昏时刻遥感影像中的低太阳高度角区域进行地表去除,具体过程如下:
其中,IMIR(x,y)(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值,FDILSAA(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点的低太阳高度角地表去除指数值;
步骤A2:基于低太阳高度角地表去除指数固定阈值22去除晨昏时刻遥感影像中与云雾差异较大的地表:
其中,IDDS(x,y)表示晨昏时刻遥感影像中位于(x,y)处基于低太阳高度角地表去除指数去除地表后的检测结果值。
夜间雾与地表的亮温差非常不同(图5的a段和f段),二者可使用传统的MIR和TIR亮温差(BTD)夜间雾检测算法(FDNT)进行分离检测,利用夜间雾与地表的亮温差针对晨昏时刻遥感影像中的夜间区域进行地表去除,具体过程如下:
步骤B1:利用遥感影像中的中红外波段影像数据与热红外段影像数据,获取亮温差值:IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处的亮温差值;
步骤B2:对亮温差影像采用夜间雾检测算法进行地表去除;
其中,IDNS(x,y)IDNS(x,y)表示亮温差影像中位于(x,y)处基于夜间雾检测算法去除地表后的检测结果值,K表示热力学温度,单位为开尔文。
FDILSAA无法检测出晨昏线附近的雾(图5b段和e段)。在晨昏时刻时序亮温差影像中,雾亮温差随时间变化速率大于地表亮温差变化速率,同时雾与地表运动差异显著,雾随时间具有面积上的增大或者缩小,地表静止不动,基于上述差异,实验结合H8/AHI高时间分辨率的特征,构建近晨昏线高斯混合地表去除模型(DS-GMMNT)进行该时段的地表去除。H8气象卫星如同一个固定的摄像机在高空对地球以10分钟的时间分辨率拍摄视频,其可较好地捕捉到晨昏时刻雾与地表亮度温度变化速率不一致的特征,且可同时捕捉地表和云雾不随空间及太阳高度角变化的运动差异特征。
通过构建近晨昏线高斯混合地表去除模型,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除,具体过程如下:
步骤C1:利用晨昏时刻遥感影像中红外波段影像数据和热红外波段影像数据,获取亮温差值:IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;
步骤C2:设置基于遥感影像的高斯混合模型,并进行参数初始化设置;
设置基于遥感影像的高斯混合模型中每个像素的单高斯分布函数个数C=3,均值偏差D=2.5,方差σ0=15,背景建模阈值TH=0.25,学习率α=0.25,利用随机数生成初始三维矩阵,并设置其权重为1/C,任意点的方差为初始方差σ0;
步骤C2:依次读取当前时刻及其间隔为t1=20分钟的连续5幅亮温差影像;
步骤C3:背景建模;
判断亮温差影像中任一像素点是否满足条件:|IBTD(x,y)-μi,t-1(x,y)|<=D*σ0
其中,IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处像素点的亮温差值;μi,t-1(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点在t-1时刻的第i个高斯分布函数的均值;
若满足,即判定当前像素点为背景,该像素点满足此高斯分布函数,认为该像素点对此高斯分布函数有贡献,更新第i个高斯分布函数在时刻t的均值μi,t、方差σi,t、权重wi,t:
μi,t=(1-ρ)×μi,t-1+ρ×It
wi,t=(1-α)×wi,t-1+α
若不满足,认为当前像素点不满足此高斯分布函数,对此高斯分布函数没有贡献,此时不更新均值和方差,减少此高斯分布函数的权重,按以下公式进行权重wi,t更新:
wi,t=(1-α)×wi,t-1
式中,表示时刻t的亮温差影像在点(x,y)处的亮温差值;BG(x,y,t)表示t时刻的背景目标,ρ表示均值和方差更新率;wi,t,μi,t以及σi,t分别表示t时刻第i个高斯分布函数的权重,均值和方差;代表t时刻第i个高斯分布函数概率密度函数;
若当前像素不满足3个高斯分布函数中任意一个时,更新该像素点的高斯分布函数,替换之前3个高斯分布函数中权重最小的高斯分布函数,新高斯分布函数的均值为当前像素点的灰度值,方差为初始化方差;并做归一化权重处理,同时计算rank并排序,使用阈值TH计算当前像素的3个高斯分布函数中被用于背景建模的高斯分布函数的个数N;
rank=w/σ
步骤C4:前景建模;
步骤2:利用低云检测指数ELCDI,对晨昏时刻遥感影像进行低云去除,具体实现过程包括:
步骤D1:取当前时刻及前14天晨昏时刻遥感影像的热红外波段影像数据中的最大亮度温度值合成热红外波段晴空底图影像;
步骤D3:使用固定阈值去除影像中低云,获取去除低云后影像:
其中,ISUR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段晴空底图影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段亮度温度像素值,ELCDI(x,y)表示增强型低云检测指数影像中位于(x,y)处的像素值,IDLC(x,y)表示增强型低云检测指数影像中位于(x,y)处基于低云检测指数去除低云后的检测结果值。
步骤3:利用中高云与雾的光谱特征和纹理特征差异,依次对晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除,具体实现过程包括:
步骤E1:对晨昏时刻遥感影像中热红外波段影像采用固定阈值240K去除影像中的冰云,冰云值设为0,否则为1;
冰云在热红外波段(11.2μm)的亮度温度较低,使用该波段去除影像中的冰云;
步骤E2:利用晨昏时刻遥感影像中8.7um波段亮度温度影像与热红外波段亮度温度影像做差获取差值影像,对差值影像采用固定阈值0k去除薄卷云,薄卷云值设为0,否则为1;
WIEGNER等在1998年发现薄卷云在8.7μm与10.8μm的亮温差大于0k,雾不具备该特征,基于该特征去除薄卷云;
步骤E3:对晨昏时刻遥感影像0.64um波段数据求其一阶纹理滤波,采用固定阈值0.03去除遥感影像中纹理复杂的中高云,纹理复杂的中高云值设为0,否则为1;
中高云纹理粗糙,对可见光B3波段采用纹理滤波的方法去除中高云;
步骤E4:将步骤E1、步骤E2和步骤E3三个检测结果做乘法运算,取交集,获得去除中高云的检测结果,中高云值设为0,否则为1。
步骤4:将步骤1中低太阳高度角区域和近晨昏区域的检测结果分别与步骤2和步骤3检测结果做乘法运算,取交集,分别获得低太阳高度角区域和近晨昏区域雾检测结果,再将低太阳高度角区域和近晨昏区域雾检测结果与步骤1中得到的夜间区域检测结果取并集,获得遥感影像中晨昏时刻雾检测结果。
检测结果精度定量验证
选取中国气象局2015年11月26日-2015年12月1日晨昏卫星影像对应时刻8:00和17:00的地面观测数据,验证晨昏陆地雾检测算法的精度。
图3a~d示出了2015年11月30日7:00-8:30卫星雾检测结果。图3c地面观测数据显示该区域存在大范围的雾。检测结果显示,研究区域中部和东北部发生了较大的浓雾。本算法检测结果与地面观测数据具有高度的一致性(图3c)。从检测结果来看,区域内雾均得到检测,低太阳高度角时刻以FDILsAA检测算法为主(图3c和d),夜间以FDNT检测算法为主(图3a和b),DS-GMMNT则检测出晨线两侧的雾区(图3a,b,c和d),三种雾检测算子在大范围早晨时刻雾检测中起着不同的作用,最终将研究区域内的雾全部检测出来。图3a、b、c和d显示算法不仅将研究区域中部和东北部的大范围雾检测出来,而且也将关中盆地和河套平原地区的小面积雾检测出来。在高时间分辨率H8卫星数据的帮助下,雾的生命周期被完整的捕捉到,卫星数据显示雾面积处于增长状态,标明该区域雾处于持续发展状态。
图4a~d示出了2015年11月30日15:30-17:00卫星雾检测结果。17:00的检测结果显示,研究区域中部和东北部发生了较大的浓雾(图4d)。17:00地面观测数据同样显示该区域有浓雾出现(图4d)。本算法检测结果与地面观测数据具有高度的一致性。与早晨时刻相似,三种检测算子分别检测出对应时刻的雾,共同将研究区域内大范围的雾检测出来。受太阳辐射增强等的影响,东北和关中盆地的雾具有消散趋势,面积有一定程度的减小,但中部区域雾仍处于稳定状态,与早晨检测结果相比,黄昏中国中部地区雾层结构稳定,受太阳辐射影响较小,未出现消散迹象。
为进一步验证算法的有效性,对检测结果进行定量精度指标评价。常用指标评价体系评价分类的精度,验证算法的有效性,其中检验指标包括正确率(probabilityofdetection,POD),误警率(falsealarmratio,FAR)和可靠性因子(criticalsuccessindex,CSI)。这些指标定义为:
式中:NX为检测个数,其下标X为检测指标种类,包括H、M和F(H表示卫星检测结果与地面观测结果一致,即正确检测;M表示卫星检测结果中没雾而地面数据显示有雾,即失误检测;F表示卫星检测结果中有雾而地面数据显示没雾,即错误检测)。上述检测指标范围均为0-1,POD越大表示检测精度越高;CSI越大说明方法越有效。
表1示出2015年11月26日-12月1日8:00雾检测精度。6天8:00卫星雾检测正确率平均值为89.2%,误警率平均值为22.0%,可靠性因子平均值为70.8%。算法正确率较高,可靠性因子稍低,其中2015年11月26日卫星雾检测的正确率和误检率最大,可靠性因子最小。进一步分析其原因为:卫星雾检测结果中包含低云噪声,该噪声主要出现在内蒙古自治区和甘肃省境内,研究区域内蒙古自治区境内有很多山脉,例如大兴安岭,山区上空常年低云环绕,使用本文提出的低云检测方法无法有效的区分出低云和雾,导致算法误检。
表1早晨8:00雾检测精度
表2示出2015年11月26日-12月1日17:00雾检测精度。6天17:00的检测结果正确率平均值为77.0%,误检率平均值为27.5%,可靠性因子平均值为61.0%。算法雾检测正确率较高,但可靠性因子稍低,进一步分析原因为:算法将内蒙古自治区境内的腾格里沙漠误判为雾导致误检,这一现象与算法的基本原理有密切关系,下午沙漠地表在中红外和热红外通道中分别表现出高反射率和高辐射率的特性,导致其在亮温差影像中光谱特征与云雾类似,使用本文提出的方法,无法有效的将雾与沙漠区分,极大地降低了算法正确率和可靠性因子。
表2黄昏17:00雾检测精度
检测结果精度定性验证
雾具有很强的空间和时间一致性,空间一致性指的是雾呈片状出现,时间一致性指的是某一时刻该地区有雾出现,则该时刻前后该地区出现雾的概率较高,但因雾的生消变化雾区具有一定的面积变化。根据雾的生命周期特征,在早晨7:00~8:30、黄昏15:30~17:00其他时刻该区域天气现象应为雾,遥感影像其他时刻该区域也显示出与8:00、17:00相同的影像特征,但因地面观测数据时间分辨率(3小时一次)较低,未能捕捉到其他时刻的雾。连续6天的雾检测结果表明本发明所述方法在晨昏时刻雾检测方面具有较高的精度,同时高时相分辨率的H8数据可以很好的捕捉雾的生消发展过程。
基于上述方法,本发明实施例还提供一种基于H8/AHI的晨昏陆地雾快速提取装置,包括:
地表去除模块:基于晨昏时刻遥感影像的地表特征,采用三种地表去除单元进行地表去除,获得低太阳高度角区域、夜间区域和近晨昏区域去除地表检测结果;
所述三种地表去除单元包括低太阳高度角地表去除单元,亮温差地表去除单元以及高斯混合地表去除单元;
低太阳高度角地表去除单元,通过利用低太阳高度角地表去除指数针对晨昏时刻遥感影像中的低太阳高度角区域进行地表去除;
亮温差地表去除单元,利用夜间雾与地表的亮温差针对晨昏时刻遥感影像中的夜间区域进行地表去除;
高斯混合地表去除单元,通过构建近晨昏线高斯混合地表去除模型,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除;
低云去除模块:利用低云检测指数,对晨昏时刻遥感影像进行低云去除;
中高云去除模块:利用中高云的光谱特征和纹理特征,依次对晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除;
雾检测结果模块:利用去除低云检测结果、去除中高云检测结果和低太阳高度角去除地表检测结果取交集获得低太阳高度角区域雾检测结果;利用去除低云检测结果、去除中高云检测结果和晨昏线附近去除地表检测结果取交集获得晨昏区域雾检测结果;低太阳高度角区域雾检测结果、晨昏线区域雾检测结果和夜间去除地表检测结果取并集,获得遥感影像中晨昏时刻雾检测结果。
应当理解,本发明各个实施例中的功能单元模块可以集中在一个处理单元中,也可以是各个单元模块单独物理存在,也可以是两个或两个以上的单元模块集成在一个单元模块中,可以采用硬件或软件的形式来实现。
本发明实施例还提供一种可读存储介质,包括计算机程序指令,所述计算机程序指令被处理终端执行时使所述处理终端执行上述一种基于H8/AHI的晨昏陆地雾快速提取方法,其有益效果参见方法部分的有益效果,在此不再赘述。
本发明实例还提供一种基于H8/AHI的晨昏陆地雾快速提取设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述基于H8/AHI的晨昏陆地雾快速提取设备执行如上述一种基于H8/AHI的晨昏陆地雾快速提取方法,其有益效果参见方法部分的有益效果,在此不再赘述。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种基于H8/AHI的晨昏陆地雾快速提取方法,其特征在于,包括以下步骤:
步骤1:针对晨昏时刻遥感影像的地表特征,采用三种方法进行地表去除,获得去除地表后的低太阳高度角区域、夜间区域和近晨昏区域的检测结果;
利用低太阳高度角地表去除指数针对晨昏时刻遥感影像中的低太阳高度角区域进行地表去除;
利用夜间雾与地表的亮温差针对晨昏时刻遥感影像中的夜间区域进行地表去除;
通过构建近晨昏线高斯混合模型,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除;
步骤2:利用低云检测指数,对晨昏时刻遥感影像进行低云去除;
步骤3:利用中高云与雾的的光谱特征和纹理特征差异,依次对晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除;
步骤4:将步骤1中低太阳高度角区域和近晨昏区域的检测结果分别与步骤2和步骤3检测结果做乘法运算,取交集,分别获得低太阳高度角区域和近晨昏区域雾检测结果,再将低太阳高度角区域和近晨昏区域雾检测结果与步骤1中得到的夜间区域检测结果取并集,获得遥感影像中晨昏时刻雾检测结果。
2.根据权利要求1所述的方法,其特征在于,所述利用低太阳高度角地表去除指数对晨昏时刻遥感影像中的低太阳高度角区域,进行地表去除的具体过程如下:
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值,FDILSAA(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点的低太阳高度角地表去除指数值;
步骤A2:基于低太阳高度角地表去除指数固定阈值22去除晨昏时刻遥感影像中与云雾差异较大的地表:
其中,IDDS(x,y)表示晨昏时刻遥感影像中位于(x,y)处基于低太阳高度角地表去除指数去除地表后的检测结果值。
3.根据权利要求1所述的方法,其特征在于,所述利用夜间雾与地表的亮温差对晨昏时刻遥感影像中的夜间区域,进行地表去除的具体过程如下:
步骤B1:利用遥感影像中的中红外波段影像数据与热红外段影像数据,获取亮温差值:
IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处的亮温差值;
步骤B2:对亮温差影像采用夜间雾检测算法进行地表去除;
其中,IDNS(x,y)表示亮温差影像中位于(x,y)处基于夜间雾检测算法去除地表后的检测结果值,K表示热力学温度,单位为开尔文。
4.根据权利要求1所述的方法,其特征在于,所述通过构建近晨昏线高斯混合地表去除模型DS-GMMNT,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除的具体过程如下:
步骤C1:利用晨昏时刻遥感影像中红外波段影像数据和热红外波段影像数据,获取亮温差值:IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;
步骤C2:设置基于遥感影像的高斯混合模型,并进行参数初始化设置;
设置基于遥感影像的高斯混合模型中每个像素的单高斯分布函数个数C=3,均值偏差D=2.5,方差σ0=15,背景建模阈值TH=0.25,学习率α=0.25,利用随机数生成初始三维矩阵,并设置其权重为1/C,任意点的方差为初始方差σ0;
步骤C2:依次读取当前时刻及其间隔为t1=20分钟的连续5幅亮温差影像;
步骤C3:背景建模;
判断亮温差影像中任一像素点是否满足条件:∣IBTD(x,y)-μi,t-1(x,y)∣<=D*σ0
其中,IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处像素点的亮温差值;μi,t-1(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点在t-1时刻的第i个高斯分布函数的均值;
若满足,即判定当前像素点为背景,该像素点满足此高斯分布函数,认为该像素点对此高斯分布函数有贡献,更新第i个高斯分布函数在时刻t的均值μi,t、方差σi,t、权重wi,t:
μi,t=(1-ρ)×μi,t-1+ρ×It
wi,t=(1-α)×wi,t-1+α
若不满足,认为当前像素点不满足此高斯分布函数,对此高斯分布函数没有贡献,此时不更新均值和方差,减少此高斯分布函数的权重,按以下公式进行权重wi,t更新:
wi,t=(1-α)×wi,t-1
式中,表示时刻t的亮温差影像在点(x,y)处的亮温差值;BG(x,y,t)表示t时刻的背景目标,ρ表示均值和方差更新率;wi,t,μi,t以及σi,t分别表示t时刻第i个高斯分布函数的权重,均值和方差;代表t时刻第i个高斯分布函数概率密度函数;
若当前像素不满足3个高斯分布函数中任意一个时,更新该像素点的高斯分布函数,替换之前3个高斯分布函数中权重最小的高斯分布函数,新高斯分布函数的均值为当前像素点的灰度值,方差为初始化方差;并做归一化权重处理,同时计算rank并排序,使用阈值TH计算当前像素的3个高斯分布函数中被用于背景建模的高斯分布函数的个数N;
rank=w/σ
步骤C4:前景建模;
5.根据权利要求1所述的方法,其特征在于,利用低云检测指数ELCDI,对晨昏时刻遥感影像进行低云去除的具体实现过程包括:
步骤D1:取当前时刻及前14天晨昏时刻遥感影像的热红外波段影像数据中的最大亮度温度值合成热红外波段晴空底图影像;
步骤D3:使用固定阈值去除影像中低云,获取去除低云后影像:
其中,ISUR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段晴空底图影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段亮度温度像素值,ELCDI(x,y)表示增强型低云检测指数影像中位于(x,y)处的像素值,IDLC(x,y)表示增强型低云检测指数影像中位于(x,y)处基于低云检测指数去除低云后的检测结果值。
6.根据权利要求1所述的方法,其特征在于,利用中高云的光谱特征和纹理特征,依次对晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除的具体实现过程包括:
步骤E1:对晨昏时刻遥感影像中热红外波段影像采用固定阈值240K去除影像中的冰云,冰云值设为0,否则为1;
步骤E2:利用晨昏时刻遥感影像中8.7um波段亮度温度影像与热红外波段亮度温度影像做差获取差值影像,对差值影像采用固定阈值0k去除薄卷云,薄卷云值设为0,否则为1;
步骤E3:对晨昏时刻遥感影像0.64um波段数据求其一阶纹理滤波,采用固定阈值去除遥感影像中纹理复杂的中高云,纹理复杂的中高云值设为0,否则为1;
步骤E4:将步骤E1、步骤E2和步骤E3三个检测结果做乘法运算,取交集,获得去除中高云的检测结果,中高云值设为0,否则为1。
7.一种基于H8/AHI的晨昏陆地雾快速提取装置,其特征在于,包括:
地表去除模块:基于晨昏时刻遥感影像的地表特征,采用三种地表去除单元进行地表去除,获得低太阳高度角区域、夜间区域和近晨昏区域去除地表检测结果;
所述三种地表去除单元包括低太阳高度角地表去除单元,亮温差地表去除单元以及高斯混合地表去除单元;
低太阳高度角地表去除单元,通过利用低太阳高度角地表去除指数针对晨昏时刻遥感影像中的低太阳高度角区域进行地表去除;
亮温差地表去除单元,利用夜间雾与地表的亮温差针对晨昏时刻遥感影像中的夜间区域进行地表去除;
高斯混合地表去除单元,通过构建近晨昏线高斯混合地表去除模型,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除;
低云去除模块:利用低云检测指数,对晨昏时刻遥感影像进行低云去除;
中高云去除模块:利用中高云与雾的光谱特征和纹理特征差异,依次对晨昏时刻遥感影像中的冰云、薄卷云和纹理复杂的中高云进行去除;
雾检测结果模块:利用去除低云检测结果、去除中高云检测结果和低太阳高度角去除地表检测结果取交集获得低太阳高度角区域雾检测结果;利用去除低云检测结果、去除中高云检测结果和晨昏线附近去除地表检测结果取交集获得近晨昏线区域雾检测结果;低太阳高度角区域雾检测结果、近晨昏线区域雾检测结果和夜间去除地表检测结果取并集,获得遥感影像中晨昏时刻雾检测结果。
8.根据权利要求7所述的装置,其特征在于,所述高斯混合地表去除单元通过构建高斯混合地表去除模型DS-GMMNT,针对晨昏时刻遥感影像中晨昏线附近区域,进行地表去除的具体过程如下:
步骤C1:利用晨昏时刻遥感影像中红外波段影像数据和热红外波段影像数据,获取亮温差值:IBTD(x,y)=IMIR(x,y)-ITIR(x,y);
其中,IMIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处中红外波段影像像素值,ITIR(x,y)表示晨昏时刻遥感影像中位于(x,y)处热红外波段影像像素值;
步骤C2:设置基于遥感影像的高斯混合模型,并进行参数初始化设置;
设置基于遥感影像的高斯混合模型中每个像素的单高斯分布函数个数C=3,均值偏差D=2.5,方差σ0=15,背景建模阈值TH=0.25,学习率α=0.25,利用随机数生成初始三维矩阵,并设置其权重为1/C,任意点的方差为初始方差σ0;
步骤C2:依次读取当前时刻及其间隔为t1=20分钟的连续5幅亮温差影像;
步骤C3:背景建模;
判断亮温差影像中任一像素点是否满足条件:∣IBTD(x,y)-μi,t-1(x,y)∣<=D*σ0
其中,IBTD(x,y)表示晨昏时刻遥感影像中位于(x,y)处像素点亮温差值;μi,t-1(x,y)表示晨昏时刻遥感影像中位于(x,y)处的像素点在t-1时刻的第i个高斯分布函数的均值;
若满足,即判定当前像素点为背景,该像素点满足此高斯分布函数,认为该像素点对此高斯分布函数有贡献,更新第i个高斯分布函数在时刻t的均值μi,t、方差σi,t、权重wi,t:
μi,t=(1-ρ)×μi,t-1+ρ×It
wi,t=(1-α)×wi,t-1+α
若不满足,认为当前像素点不满足此高斯分布函数,对此高斯分布函数没有贡献,此时不更新均值和方差,减少此高斯分布函数的权重,按以下公式进行权重wi,t更新:wi,t=(1-α)×wi,t-1;
式中,表示时刻t的亮温差影像在点(x,y)处的亮温差值;BG(x,y,t)表示t时刻的背景目标,ρ表示均值和方差更新率;wi,t,μi,t以及σi,t分别表示t时刻第i个高斯分布函数的权重,均值和方差;代表t时刻第i个高斯分布函数概率密度函数;
若当前像素不满足3个高斯分布函数中任意一个时,更新该像素点的高斯分布函数,替换之前3个高斯分布函数中权重最小的高斯分布函数,新高斯分布函数的均值为当前像素点的灰度值,方差为初始化方差;并做归一化权重处理,同时计算rank并排序,使用阈值TH计算当前像素的3个高斯分布函数中被用于背景建模的高斯分布函数的个数N;
rank=w/σ
9.一种可读存储介质,包括计算机程序指令,其特征在于:所述计算机程序指令被处理终端执行时使所述处理终端执行权利要求1至6任一项所述的方法。
10.一种基于H8/AHI的晨昏陆地雾快速提取设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述基于H8/AHI的晨昏陆地雾快速提取设备执行如权利要求1至6中任一项所述一种基于H8/AHI的晨昏陆地雾快速提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350772.8A CN113392694B (zh) | 2021-03-31 | 2021-03-31 | 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350772.8A CN113392694B (zh) | 2021-03-31 | 2021-03-31 | 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392694A CN113392694A (zh) | 2021-09-14 |
CN113392694B true CN113392694B (zh) | 2022-07-01 |
Family
ID=77617622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110350772.8A Active CN113392694B (zh) | 2021-03-31 | 2021-03-31 | 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392694B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452078A (zh) * | 2008-12-30 | 2009-06-10 | 国家卫星气象中心 | 极轨气象卫星遥感白天和夜间海雾的检测方法 |
CN101464521A (zh) * | 2008-12-31 | 2009-06-24 | 国家卫星气象中心 | 静止气象卫星遥感白天和夜间海雾的检测方法 |
CN101536015A (zh) * | 2006-07-28 | 2009-09-16 | 电视广播有限公司 | 通过卫星系统自动探测地球表面的火点和例如云、薄雾、尘雾或类似的大气现象 |
CN102540277A (zh) * | 2012-01-16 | 2012-07-04 | 武汉大学 | 基于面向对象和时序影像的白天陆地辐射雾检测方法 |
CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
CN104966298A (zh) * | 2015-06-17 | 2015-10-07 | 南京大学 | 一种基于微光云图数据的夜间低云大雾监测方法 |
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN108564608A (zh) * | 2018-04-23 | 2018-09-21 | 中南大学 | 一种基于h8/ahi的白天雾快速提取的方法 |
CN108761484A (zh) * | 2018-04-26 | 2018-11-06 | 江苏省气象台 | 一种基于多源卫星遥感数据的海雾监测方法 |
CN109033984A (zh) * | 2018-06-29 | 2018-12-18 | 中南大学 | 一种夜间雾快速自动检测方法 |
CN109815968A (zh) * | 2019-03-04 | 2019-05-28 | 中国石油大学(华东) | 一种基于Himawari-8卫星数据的晨昏时刻海雾探测算法 |
WO2020130545A1 (ko) * | 2018-12-18 | 2020-06-25 | 주식회사 월드텍 | 좌표계를 이용한 안개 탐지 장치 및 그 방법 |
-
2021
- 2021-03-31 CN CN202110350772.8A patent/CN113392694B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101536015A (zh) * | 2006-07-28 | 2009-09-16 | 电视广播有限公司 | 通过卫星系统自动探测地球表面的火点和例如云、薄雾、尘雾或类似的大气现象 |
CN101452078A (zh) * | 2008-12-30 | 2009-06-10 | 国家卫星气象中心 | 极轨气象卫星遥感白天和夜间海雾的检测方法 |
CN101464521A (zh) * | 2008-12-31 | 2009-06-24 | 国家卫星气象中心 | 静止气象卫星遥感白天和夜间海雾的检测方法 |
CN102540277A (zh) * | 2012-01-16 | 2012-07-04 | 武汉大学 | 基于面向对象和时序影像的白天陆地辐射雾检测方法 |
CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
CN104966298A (zh) * | 2015-06-17 | 2015-10-07 | 南京大学 | 一种基于微光云图数据的夜间低云大雾监测方法 |
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN108564608A (zh) * | 2018-04-23 | 2018-09-21 | 中南大学 | 一种基于h8/ahi的白天雾快速提取的方法 |
CN108761484A (zh) * | 2018-04-26 | 2018-11-06 | 江苏省气象台 | 一种基于多源卫星遥感数据的海雾监测方法 |
CN109033984A (zh) * | 2018-06-29 | 2018-12-18 | 中南大学 | 一种夜间雾快速自动检测方法 |
WO2020130545A1 (ko) * | 2018-12-18 | 2020-06-25 | 주식회사 월드텍 | 좌표계를 이용한 안개 탐지 장치 및 그 방법 |
CN109815968A (zh) * | 2019-03-04 | 2019-05-28 | 中国石油大学(华东) | 一种基于Himawari-8卫星数据的晨昏时刻海雾探测算法 |
Non-Patent Citations (8)
Title |
---|
《Application of Himavari-8 Satellite DAta in Daytimne Sea Fog Monitoring in South China Coast》;Li He et al.;《IOP Conference Series:Earth and Environmental Science》;20191231;全文 * |
《Classification of Fog Situations Based on Gaussian Mixture Model》;Jinjin Wang et al.;《Proceedings of the 36th Chinese Control Conference》;20170728;全文 * |
《城市和沿海大雾遥感自动检测和云、雾分离技术研究》;周红妹 等;《高原气象》;20110630;第30卷(第3期);全文 * |
《基于MODI S 卫星数据的平流雾检测研究》;马慧云 等;《武汉大学学报· 信息科学版》;20050228;第30卷(第2期);全文 * |
《基于SBDART和BP的夜间雾遥感检测和能见度反演》;张伟康 等;《解放军理工大学学报(自然科学版)》;20140430;第15卷(第2期);全文 * |
《基于葵花8卫星遥感数据的大雾识别研究》;陆会;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190715(第7期);全文 * |
《夜间陆地辐射雾的遥感时序数据检测》;杜娟 等;《武汉大学学报· 信息科学版》;20190831;第44卷(第9期);全文 * |
《福建沿海海雾的卫星遥感监测》;张春桂 等;《中国农业气象》;20130909;第34卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113392694A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamadinata et al. | Sky image-based solar irradiance prediction methodologies using artificial neural networks | |
Elvidge et al. | VIIRS night-time lights | |
Li et al. | Mapping Moso bamboo forest and its on-year and off-year distribution in a subtropical region using time-series Sentinel-2 and Landsat 8 data | |
Dong et al. | Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine | |
Sun et al. | Monitoring dynamic changes of global land cover types: Fluctuations of major lakes in China every 8 days during 2000–2010 | |
Wohlfart et al. | Multi-faceted land cover and land use change analyses in the Yellow River Basin based on dense Landsat time series: Exemplary analysis in mining, agriculture, forest, and urban areas | |
Li et al. | An index and approach for water extraction using Landsat–OLI data | |
Roy et al. | Web-enabled Landsat Data (WELD): Landsat ETM+ composited mosaics of the conterminous United States | |
Wang et al. | Monitoring the invasion of Spartina alterniflora from 1993 to 2014 with Landsat TM and SPOT 6 satellite data in Yueqing Bay, China | |
Khalid et al. | Evaluating spectral indices for water bodies extraction in western Tibetan Plateau | |
Qin et al. | Quantifying annual changes in built-up area in complex urban-rural landscapes from analyses of PALSAR and Landsat images | |
Behrangi et al. | Daytime precipitation estimation using bispectral cloud classification system | |
Kumar et al. | Analyzing trend in artificial light pollution pattern in India using NTL sensor's data | |
Rastogi et al. | Spatial and temporal patterns of cloud cover and fog inundation in coastal California: ecological implications | |
Ayanlade et al. | Land surface temperature and heat fluxes over three cities in Niger Delta | |
Anees et al. | Estimation of fractional vegetation cover dynamics based on satellite remote sensing in Pakistan: a comprehensive study on the FVC and its drivers | |
CN102540277A (zh) | 基于面向对象和时序影像的白天陆地辐射雾检测方法 | |
Montesano et al. | Spaceborne potential for examining taiga–tundra ecotone form and vulnerability | |
Kan et al. | Snow Cover Mapping for Mountainous Areas by Fusion of MODIS L1B and Geographic Data Based on Stacked Denoising Auto-Encoders. | |
Degefu et al. | Effects of urbanization on the relationship between greenspace patterns and evolution of regional heat island in cities of Ethiopia | |
CN109767465B (zh) | 一种基于h8/ahi的白天雾快速提取的方法 | |
Spasova et al. | A synchronized remote sensing monitoring approach in the Livingstone island region of Antarctica | |
Liu et al. | Bi-LSTM model for time series leaf area index estimation using multiple satellite products | |
CN113392694B (zh) | 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备 | |
Marchesoni-Acland et al. | Deep learning methods for intra-day cloudiness prediction using geostationary satellite images in a solar forecasting framework |
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 |