CN114296103A - 一种机载高光谱分辨率激光雷达消光系数反演方法 - Google Patents
一种机载高光谱分辨率激光雷达消光系数反演方法 Download PDFInfo
- Publication number
- CN114296103A CN114296103A CN202111645439.6A CN202111645439A CN114296103A CN 114296103 A CN114296103 A CN 114296103A CN 202111645439 A CN202111645439 A CN 202111645439A CN 114296103 A CN114296103 A CN 114296103A
- Authority
- CN
- China
- Prior art keywords
- aerosol
- cloud
- ratio
- radar
- inversion
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种机载高光谱分辨率激光雷达消光系数反演方法,方法包含获取原始数据;使用多种噪声去除方法降低信号噪声;基于去噪信号进行后向散射系数与散射比的计算;利用散射比阈值法进行初步层次识别;通过精细筛选条件实现云、气溶胶、地表与清洁大气的初步分类;通过层次处理和地表去除,确定有效反演区域;利用常规反演方法初步反演消光系数与雷达比;在初步分类基础上,实现云和气溶胶的子类分类与处理;以初步反演的雷达比为初值,进行雷达比分类迭代,并由此计算出最终的消光系数结果。利用本发明能够提升机载高光谱分辨率激光雷达消光系数的反演精度和反演完整性,有助于云和气溶胶相互作用、大气污染防治等领域的研究。
Description
技术领域
本发明涉及大气环境遥感领域,尤其涉及一种机载高光谱分辨率激光雷达消光系数反演方法。
背景技术
大气气溶胶是空气中悬浮的固体或液体小微粒,半径在10-2-10-8cm之间。虽然气溶胶在大气中含量很低,但有降低能见度的作用,在气候变化、人类健康等诸多方面产生着显著的影响。而云是大气中水蒸气遇冷形成的小水滴与小冰晶所组成的可见混合物,常漂浮于大气空间中。云和气溶胶关系紧密,一方面两者在生态系统及地球大气辐射收支平衡中发挥着重要作用,另一方面两者的相互作用也被视为气候变化中最具不确定性的因素。为了大气污染监测、云-气溶胶相互作用研究等目的,需要对云和气溶胶进行高分辨率的连续观测与深入研究,减少其不确定性影响。
激光雷达是一种主动遥感探测仪器,凭借着高时空分辨率、昼夜连续观测等优势,被广泛应用于云和气溶胶探测。在大气探测激光雷达中,米散射激光雷达因其结构简单、成本低廉等特点,使用最为普遍。但由于米散射激光雷达方程的限制,其在光学特性反演过程中需要进行雷达比的假设,显著制约了米散射激光雷达的探测精度。高光谱分辨率激光雷达是一种在反演过程中无需假设雷达比的新型激光雷达,能够显著提升云和气溶胶光学特性的反演精度,成为了大气探测领域具有发展前景的重要技术之一。
大气激光雷达根据运载平台可以分为地基激光雷达、车载激光雷达、机载激光雷达和星载激光雷达,每种平台都有自己的优势与不足。机载激光雷达灵活性强、活动范围广、探测分辨率高,在大气探测领域具有不可替代的地位。机载高光谱分辨率激光雷达能够集机载平台特点与高光谱探测优势于一体,在全球云和气溶胶垂直结构、辐射特性、物理光学特性研究,云-气溶胶相互作用研究,气溶胶在大气污染、天气预报领域的应用研究等诸多方面发挥着重要的作用。
因此,需要发展一种基于机载高光谱分辨率激光雷达的消光反演方法,促进机载高光谱分辨率激光雷达领域的数据应用,推动云和气溶胶高精度光学特性反演与深入研究。
发明内容
为了解决机载高光谱分辨率激光雷达实测数据的消光系数反演问题,本发明提供了一种机载高光谱分辨率激光雷达消光系数反演方法,该反演方法基于大气衰减后向散射信号,通过层次识别和初分类方法判断并区分信号中的云和气溶胶层次,并在层次内进行信号去噪、云和气溶胶子类分类及基于分类迭代的消光系数反演,从而实现较高精度的大气光学参数的获取。
具体采用的技术方案如下:
一种机载高光谱分辨率激光雷达消光系数反演方法,包括以下步骤:
(1)获取机载高光谱分辨率激光雷达的衰减后向散射信号、硬件参数和大气分子参数;
(2)使用廓线叠加和三维块匹配方法抑制衰减后向散射信号噪声,得到去噪声信号;
(3)利用去噪信号、硬件参数及大气分子参数初步反演气溶胶后向散射系数,并计算得到散射比;
(4)借助高空清洁大气区域的散射比均值和标准差,基于先验知识分别设定云和气溶胶的层次识别阈值,并进行初步层次识别;
(5)在步骤(4)的基础上,利用筛选条件对云和气溶胶进行精细层次识别与初分类,并根据海拔高度和散射强度在已有层次中筛选出地表;
(6)将云与气溶胶层次合并作为层次区域,地表和清洁大气合并作为非层次区域,并把非层次区域的数据置为无效值,不参与后续反演;
(7)利用消光系数理论计算公式,配合SG滤波方法进行云和气溶胶光学厚度、消光系数、雷达比这些光学参数的常规反演;
(8)利用雷达比和退偏振比对云和气溶胶分别进行子类分类,云被细分为冰云、水云和混合相态云,气溶胶被细分为海洋气溶胶、城市气溶胶/烟尘和含有沙尘的气溶胶,再根据反演需要进行一定程度的子类合并;
(9)利用步骤(8)的子类分类结果,对步骤(7)反演得到的雷达比进行不同尺度且分类别的迭代平滑,各类别雷达比迭代结果组合得出最终的雷达比反演结果,并结合消光系数与雷达比之间的关系得出优化的气溶胶消光系数反演结果。
步骤(1)中,所述衰减后向散射信号包含平行通道、垂直通道、高光谱通道的衰减后向散射系数;所述硬件参数包括接收系统中高光谱通道的分子透过率、气溶胶透过率;所述大气分子参数包括大气分子的后向散射系数、消光系数、退偏振比。
步骤(2)中,为抑制信号噪声,选择合适的参数对三通道衰减后向散射系数廓线进行水平和垂直方向的叠加平均,并结合三维块匹配算法与合理去噪的参数进一步减小信号噪声。
步骤(3)中,所述气溶胶后向散射系数的计算方法为:
其中,K(r)为距离r处平行通道与高光谱通道衰减后向散射系数的比值;Tm(r)和Ta(r)为距离r处的分子瑞利散射回波信号与气溶胶米散射回波信号经过高光谱通道鉴频器后的透过率;δ(r)为大气的总退偏振比,可通过计算垂直通道与平行通道的衰减后向散射系数比值得到;δm(r)为大气分子的退偏振比;βm(r)和βa(r)分别是大气分子和气溶胶的后向散射系数。所述散射比R(r)的计算方法为:
为使散射比足够连续,可利用中值滤波方法对散射比进行处理。
步骤(4)中,借助高空清洁大气区域的散射比均值和标准差,基于先验知识分别设定云和气溶胶层次识别的阈值,初步基于阈值法进行单像素尺度的云和气溶胶层次位置识别;超出云阈值的位置将被初步判定为云,未超过云阈值但超过气溶胶阈值的位置将被初步判定为气溶胶,剩余位置则被初步判定为没有层次存在的清洁大气。
云的层次识别阈值Tcloud与气溶胶的层次识别阈值Taerosol计算方法为:
步骤(5)中,所述的筛选条件包含层次连续性判断条件及厚云判断条件,具体判断条件为:当初步层次识别中出现单个像素与四周像素类别不同时,将该单像素类别调整为周边像素的类别;单个气溶胶层次在垂直方向的连续像素点不少于7个,否则将其归类为清洁大气;当初步层次识别无法探测到地表附近层次时,认定层次为可以造成信号剧烈衰减的厚云,并将其下方全部层次清除。
步骤(7)中,所述气溶胶光学厚度、消光系数、雷达比的计算方法为:
其中,τ(r)为大气光学厚度;αm(r)和αa(r)分别是大气分子和气溶胶的消光系数;BM(r)为高光谱通道衰减后向散射系数;Sa(r)为雷达比;气溶胶消光系数反演前,采用SG滤波算法对光学厚度进行平滑去噪,并着重提升光学厚度在垂直方向上的平滑程度,以有效地提高消光反演准确性。
步骤(8)中,所述子类分类方法为:利用退偏振比和雷达比信息,对云和气溶胶进行子类的分类。
对于初分类中的云,将其细分为冰云、水云和混合相态云;规定如果云的退偏振比大于0.25将被判定为冰云,如果云的退偏振比小于0.05将被判定为水云,否则将被判定为混合相态云。
对于初分类中的气溶胶,将其细分为城市气溶胶/烟尘、海洋气溶胶与含有沙尘的气溶胶;规定如果气溶胶的退偏振比大于0.1将被判定为含有沙尘的气溶胶,如果气溶胶的退偏振比小于等于0.1且雷达比大于35将被判定为城市气溶胶/烟尘,否则将被判定为海洋气溶胶。
完成云和气溶胶子类分类后,根据实际反演需要,进行一定程度的子类合并得到最终用于迭代反演的子类分类形式;所述最终的子类分类形式既可以是未进行子类合并的云和气溶胶子类直接分类结果,也可以是为达到简化雷达比分类迭代方法的目的进行部分子类的合并的结果。
步骤(9)中,对雷达比进行不同尺度且分类别的迭代平滑具体为:考虑云和气溶胶的性质差异以及不同云、不同气溶胶子类之间的性质差异,将层次按照步骤(8)的子类分类结果划分成不同的子区域,选取不同大小的迭代窗口对上述子区域分别进行雷达比迭代,并将多个雷达比迭代结果组合成最终的雷达比。
所述雷达比迭代的方法为:假定激光雷达回波信号中的噪声为高斯噪声,通过迭代使雷达比趋于平滑且逐渐减小信号噪声以达到准确反演的目的;所述雷达比迭代的公式为:
对于某一次迭代而言,为迭代后的雷达比结果;Sa为迭代前的雷达比初值;BM为分子通道的实测信号;l(Sa,BM)为层次区域信号噪声取负对数后的表达式;g(Sa)为分子通道信号的理论表达式;σm为分子通道实测信号的标准差;λ为正则化参数;||Sa||TV为雷达比整体变化量的半范数;N和K分别代表雷达比矩阵的行数和列数,下标n和k表示第n行第k列位置;Fn,k为第n行第k列的层次或清洁大气标识,若为层次则标识为1,否则标识为0。
不同大小的迭代窗口依据云层次及气溶胶层次所覆盖的范围进行选取,覆盖范围大则选取较大的迭代窗口。
与现有技术相比,本发明具有以下有益效果:
1、本发明基于机载高光谱分辨率激光雷达数据,提出了新型的消光系数反演方法,实现了大气中云和气溶胶消光系数及相关光学参数的有效反演,并显著提升了反演结果的连续性、完整性和精确性。
2、本发明提出的机载高光谱分辨率激光雷达消光系数反演方法,能够直接应用于飞机、无人机等机载平台的高光谱分辨率激光雷达数据处理及光学特性反演,同时也可以为星载平台的高光谱分辨率激光雷达数据处理及消光反演提供支持,具有广阔的应用前景和较大的实用价值。
附图说明
图1为本发明方法的流程示意图。
图2为原始衰减后向散射信号图,(a)为平行通道衰减后向散射系数,(b)为垂直通道衰减后向散射系数;(c)为高光谱通道衰减后向散射系数。
图3为利用本发明方法进行云、气溶胶、地表及清洁大气分类的结果。
图4为利用本发明方法与常规方法分别进行云、气溶胶消光系数反演的结果对比图,(a)为利用常规方法的消光系数反演结果,(b)为利用本发明方法的消光系数反演结果。
具体实施方式
为使本发明的目的、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的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
本实施例提供了一种机载高光谱分辨率激光雷达数据反演方法,如图1所示,该数据反演方法包含数据获取、信号廓线去噪、后向散射系数及散射比计算、初步层次识别、云和气溶胶初分类、层次处理及地表去除、初步消光反演、云和气溶胶子类分类、分类迭代消光反演九个步骤,下面针对每个步骤进行详细说明:
(1)数据获取:
获取机载高光谱分辨率激光雷达的衰减后向散射信号、硬件参数和大气分子参数;所述衰减后向散射信号包含平行通道信号B||(r)、垂直通道信号B⊥(r)、高光谱通道信号BM(r),通过机载数据预处理得到,本实施例中信号的水平方向分辨率为1s,垂直方向分辨率为24m,如图2所示;所述硬件参数包括接收系统中高光谱通道的分子透过率Tm(r)、气溶胶透过率Ta(r),通过实测得到;所述大气分子参数包括大气分子的后向散射系数βm(r)、消光系数αm(r)、退偏振比δm(r),通过理论大气模型得到。
(2)信号廓线去噪:
考虑实际机载数据分辨率,在水平和垂直方向分别进行3次衰减后向散射信号的叠加平均,在降低信号噪声的同时确保较高的反演结果分辨率;通过三维块匹配算法与合适的去噪参数对信号进行去噪,平行、垂直、高光谱三通道的去噪参数分别为10、10和20;上述去噪算法的使用,使衰减后向散射系数及后续光学参数反演结果的水平分辨率变为3s,垂直分辨率变为72m。
(3)后向散射系数及散射比计算:
利用去噪的三通道衰减后向散射系数、大气分子后向散射系数、大气分子退偏振比、高光谱通道分子透过率与气溶胶透过率,通过气溶胶后向散射系数计算方法,计算得到气溶胶后向散射系数βa(r):
利用气溶胶后向散射系数和大气分子后向散射系数,通过散射比计算方法得到大气散射比R(r):
(4)初步层次识别:
利用阈值Tcloud、Taerosol和步骤(3)计算的散射比R(r)进行比较,实现层次位置的初步判定:云散射较强,规定信号中散射比超过云阈值的点都将被认定为云的层次;气溶胶散射相对较弱,规定散射比小于云阈值但超过气溶胶阈值的点都为气溶胶层次,而未达到气溶胶阈值的点则被认为是清洁大气;所述云层次及气溶胶层次位置皆为层次区域,两者共同组成初步层次识别结果。
(5)云和气溶胶初分类:
在步骤(4)的基础上,通过精细筛选条件得到云和气溶胶的初步分类结果,即有效地将云、气溶胶、地表与清洁大气分开。
所述云和气溶胶初分类方法为:利用分类判断条件对步骤(4)的识别结果进行调整,得到更为准确的云、气溶胶分类结果。所述分类判断条件为:当初步层次识别中出现单个像素与四周像素类别不同时,将该单像素类别调整为周边像素的类别;单个气溶胶层次在垂直方向的连续像素点不少于7个,否则将其归类为清洁大气;当初步层次识别无法探测到地表附近层次时,认定层次为可以造成信号剧烈衰减的厚云,并将其下方全部层次清除;当层次海拔高度低于2km且类别为云时,将该强散射层次标记为地表。初步分类结果如图3所示。
(6)层次处理及地表去除:
将步骤(5)中云层次、气溶胶层次的识别结果合并作为层次区域,地表和清洁大气合并作为非层次区域,分别冠以不同的标识;把非层次区域的衰减后向散射系数置为无效值,不进行后续的消光反演。
(7)初步消光反演:
利用消光反演计算方法,在层次区域计算出光学厚度τ(r):
采用SG滤波对光学厚度进行平滑,再采用常规消光系数反演方法进行消光系数αa(r)的反演和雷达比Sa(r)的计算,消光系数反演结果如图4(a)所示。所述常规消光反演方法为:
(8)云和气溶胶子类分类:
利用云和气溶胶的子类分类算法,基于步骤(5)的初分类结果进行云和气溶胶子类的细分;对于初分类中的云,将其细分为冰云、水云和混合相态云,并规定如果云的退偏振比大于0.25将被判定为冰云,如果云的退偏振比小于0.05将被判定为水云,否则将被判定为混合相态云;对于初分类中的气溶胶,将其细分为城市气溶胶/烟尘、海洋气溶胶与含有沙尘的气溶胶,并规定如果气溶胶的退偏振比大于0.1将被判定为含有沙尘的气溶胶,如果气溶胶的退偏振比小于等于0.1且雷达比大于35将被判定为城市气溶胶/烟尘,否则将被判定为海洋气溶胶。
经过分类,本实施例中的云层次全部为冰云,符合数据获取日期的地表温度约为0℃的情况,满足冰云存在的合理性;气溶胶被细分为城市气溶胶/烟尘、海洋气溶胶和含有沙尘的气溶胶,且各类气溶胶存在的区域和数据获取区域的地表类型较为吻合,如海洋气溶胶主要分布在海面上空。为提升运算效率,本实施例对子类分类结果进行了一定的合并,合并后的类别包含云、含沙尘的气溶胶及较洁净的气溶胶。
(9)分类迭代消光反演:
考虑到不同云、气溶胶子类之间的性质差异将导致显著的雷达比差异,故使用分类迭代的方法进行雷达比优化,实现高精度消光系数反演。
在上述三个类别所占据的层次区域中分别进行雷达比的迭代计算,并将迭代结果组合成最终的雷达比结果;所述雷达比迭代的公式为:
所述迭代方法将步骤(7)中常规方法计算所得雷达比作为迭代的初始值,并将高光谱通道信号、高光谱通道噪声、鉴频器大气分子透过率及气溶胶透过率、大气分子后向散射系数、大气分子消光系数、重叠因子、高度、气溶胶后向散射系数、层次信息及分类标识符作为输入进行分类迭代;迭代过程正则化参数为0.1,迭代次数下限为10,上限为100;迭代窗口的选择上,云所在区域的迭代窗口大小为7,气溶胶所在区域的迭代窗口大小为23。通过步骤(7)中气溶胶消光系数与雷达比的关系,最终得到高精度的气溶胶消光系数,如图4中(b)所示。
相比图4中(a)的常规方法反演结果,可以看出,图4中(b)的本发明方法反演所得消光系数连续性好,完整性好,无异常突变,符合客观实际,在不降低分辨率的情况下能够达到较高的精度。本发明方法提升了机载高光谱分辨率激光雷达的消光系数反演精度,有利于云和气溶胶相互作用及大气污染防治等领域的研究。
Claims (10)
1.一种机载高光谱分辨率激光雷达消光系数反演方法,其特征在于,包括以下步骤:
(1)获取机载高光谱分辨率激光雷达的衰减后向散射信号、硬件参数和大气分子参数;
(2)使用廓线叠加和三维块匹配方法抑制衰减后向散射信号噪声,得到去噪声信号;
(3)利用去噪信号、硬件参数及大气分子参数初步反演气溶胶后向散射系数,并计算得到散射比;
(4)借助高空清洁大气区域的散射比均值和标准差,基于先验知识分别设定云和气溶胶的层次识别阈值,并进行初步层次识别;
(5)在步骤(4)的基础上,利用筛选条件对云和气溶胶进行精细层次识别与初分类,并根据海拔高度和散射强度在已有层次中筛选出地表;
(6)将云与气溶胶层次合并作为层次区域,地表和清洁大气合并作为非层次区域,并把非层次区域的数据置为无效值,不参与后续反演;
(7)利用消光系数理论计算公式,配合SG滤波方法进行云和气溶胶光学厚度、消光系数、雷达比这些光学参数的常规反演;
(8)利用雷达比和退偏振比对云和气溶胶分别进行子类分类,云被细分为冰云、水云和混合相态云,气溶胶被细分为海洋气溶胶、城市气溶胶/烟尘和含有沙尘的气溶胶,再根据反演需要进行一定程度的子类合并;
(9)利用步骤(8)的子类分类结果,对步骤(7)反演得到的雷达比进行不同尺度且分类别的迭代平滑,各类别雷达比迭代结果组合得出最终的雷达比反演结果,并结合消光系数与雷达比之间的关系得出优化的气溶胶消光系数反演结果。
4.根据权力要求1所述的机载高光谱分辨率激光雷达消光系数反演方法,其特征在于,步骤(5)中,所述的筛选条件包含层次连续性判断条件及厚云判断条件,具体判断条件为:当初步层次识别中出现单个像素与四周像素类别不同时,将该单像素类别调整为周边像素的类别;单个气溶胶层次在垂直方向的连续像素点不少于7个,否则将其归类为清洁大气;当初步层次识别无法探测到地表附近层次时,认定层次为可以造成信号剧烈衰减的厚云,并将其下方全部层次清除。
6.根据权力要求1所述的机载高光谱分辨率激光雷达消光系数反演方法,其特征在于,步骤(8)中,所述子类分类方法为:利用退偏振比和雷达比信息,对云和气溶胶进行子类的分类;
对于初分类中的云,将其细分为冰云、水云和混合相态云;规定如果云的退偏振比大于0.25将被判定为冰云,如果云的退偏振比小于0.05将被判定为水云,否则将被判定为混合相态云;
对于初分类中的气溶胶,将其细分为城市气溶胶/烟尘、海洋气溶胶与含有沙尘的气溶胶;规定如果气溶胶的退偏振比大于0.1将被判定为含有沙尘的气溶胶,如果气溶胶的退偏振比小于等于0.1且雷达比大于35将被判定为城市气溶胶/烟尘,否则将被判定为海洋气溶胶。
7.根据权力要求1所述的机载高光谱分辨率激光雷达消光系数反演方法,其特征在于,步骤(8)中,所述子类合并方法为:根据实际反演需要,进行一定程度的子类合并,得到最终用于迭代反演的子类分类形式;所述最终的子类分类形式是未进行子类合并的云和气溶胶子类直接分类结果,或者是为达到简化雷达比分类迭代方法的目的进行部分子类的合并的结果。
8.根据权力要求1所述的机载高光谱分辨率激光雷达消光系数反演方法,其特征在于,步骤(9)中,对雷达比进行不同尺度且分类别的迭代平滑具体为:考虑云和气溶胶的性质差异以及不同云、不同气溶胶子类之间的性质差异,将层次按照步骤(8)的子类分类结果划分成不同的子区域,选取不同大小的迭代窗口对上述子区域分别进行雷达比迭代,并将多个雷达比迭代结果组合成最终的雷达比。
9.根据权力要求8所述的机载高光谱分辨率激光雷达消光系数反演方法,其特征在于,所述雷达比迭代的方法为:假定激光雷达回波信号中的噪声为高斯噪声,通过迭代使雷达比趋于平滑且逐渐减小信号噪声以达到准确反演的目的;所述雷达比迭代的公式为:
10.根据权力要求8所述的机载高光谱分辨率激光雷达消光系数反演方法,其特征在于,不同大小的迭代窗口依据云层次及气溶胶层次所覆盖的范围进行选取,覆盖范围大则选取较大的迭代窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111645439.6A CN114296103B (zh) | 2021-12-30 | 2021-12-30 | 一种机载高光谱分辨率激光雷达消光系数反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111645439.6A CN114296103B (zh) | 2021-12-30 | 2021-12-30 | 一种机载高光谱分辨率激光雷达消光系数反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114296103A true CN114296103A (zh) | 2022-04-08 |
CN114296103B CN114296103B (zh) | 2022-08-30 |
Family
ID=80972180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111645439.6A Active CN114296103B (zh) | 2021-12-30 | 2021-12-30 | 一种机载高光谱分辨率激光雷达消光系数反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114296103B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115791574A (zh) * | 2023-02-08 | 2023-03-14 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种固态与液态云粒子比例测量装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3519354A (en) * | 1965-06-17 | 1970-07-07 | Sperry Rand Corp | System for measuring extinction coefficients in the atmosphere utilizing backscattered signals |
JP2010025966A (ja) * | 2008-07-15 | 2010-02-04 | Stanley Electric Co Ltd | 光パルス発生装置及びその設計方法 |
CN103197305A (zh) * | 2013-03-21 | 2013-07-10 | 武汉大学 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN107870336A (zh) * | 2017-10-26 | 2018-04-03 | 武汉大学 | 一种星载激光雷达的可穿透层层底迭代检测方法 |
CN110441777A (zh) * | 2019-07-11 | 2019-11-12 | 中山大学 | 一种基于激光雷达的气溶胶垂直廓线的反演方法 |
CN111551961A (zh) * | 2020-06-12 | 2020-08-18 | 南通大学 | 基于多波长激光雷达的云凝结核数浓度垂直廓线反演方法 |
-
2021
- 2021-12-30 CN CN202111645439.6A patent/CN114296103B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3519354A (en) * | 1965-06-17 | 1970-07-07 | Sperry Rand Corp | System for measuring extinction coefficients in the atmosphere utilizing backscattered signals |
JP2010025966A (ja) * | 2008-07-15 | 2010-02-04 | Stanley Electric Co Ltd | 光パルス発生装置及びその設計方法 |
CN103197305A (zh) * | 2013-03-21 | 2013-07-10 | 武汉大学 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN107870336A (zh) * | 2017-10-26 | 2018-04-03 | 武汉大学 | 一种星载激光雷达的可穿透层层底迭代检测方法 |
CN110441777A (zh) * | 2019-07-11 | 2019-11-12 | 中山大学 | 一种基于激光雷达的气溶胶垂直廓线的反演方法 |
CN111551961A (zh) * | 2020-06-12 | 2020-08-18 | 南通大学 | 基于多波长激光雷达的云凝结核数浓度垂直廓线反演方法 |
Non-Patent Citations (10)
Title |
---|
DA XIAO: "Development of ZJU High-Spectral-Resolution Lidar for Aerosol and Cloud: Extinction Retrieval", 《REMOTE SENSING》 * |
NANCHAO WANG: "Development of ZJU high-spectral-resolution lidar for aerosol and cloud: Feature detection and classification", 《JOURNAL OF QUANTITATIVE SPECTROSCOPY & RADIATIVE TRANSFER》 * |
S. P. BURTON: "Aerosol classification using airborne High Spectral Resolution Lidar measurements-methodology and examples", 《ATMOSPHERIC MEASUREMENT TECHNIQUES》 * |
刘东等: "星载激光雷达CALIOP数据处理算法概述", 《红外与激光工程》 * |
刘秉义等: "基于高光谱分辨率激光雷达的气溶胶分类方法研究", 《红外与激光工程》 * |
徐俊杰等: "机载高光谱分辨率激光雷达探测大气气溶胶的研究", 《中国激光》 * |
程周杰等: "云微物理参数的地基探测反演研究综述", 《气象科技》 * |
罗卉卉等: "基于CALIPSO卫星和地面观测资料的气溶胶垂直分布对比", 《中国激光》 * |
赵明等: "高光谱分辨率激光雷达探测大气透过率", 《红外与激光工程》 * |
郑卓凡: "星载高光谱分辨率激光雷达正演评估与去噪方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115791574A (zh) * | 2023-02-08 | 2023-03-14 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种固态与液态云粒子比例测量装置 |
CN115791574B (zh) * | 2023-02-08 | 2023-04-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种固态与液态云粒子比例测量装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114296103B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830506B (zh) | 一种基于K-means聚类算法的海面风速方法 | |
EP2927709B1 (en) | Identifying and tracking convective weather cells | |
CN102540165B (zh) | Modis地表反射率数据的预处理方法及系统 | |
CN109583516A (zh) | 一种基于地基和卫星观测的时空连续pm2.5反演方法 | |
CN109657363B (zh) | 一种时空连续的pm2.5反演方法 | |
CN111191673B (zh) | 一种地表温度降尺度方法及系统 | |
CN114296103B (zh) | 一种机载高光谱分辨率激光雷达消光系数反演方法 | |
Jiang et al. | Delineation of built-up land change from SAR stack by analysing the coefficient of variation | |
CN110599800A (zh) | 一种停车场车位状态监测系统及监测方法 | |
Lee et al. | Analytical approach to estimating aerosol extinction and visibility from satellite observations | |
Miller et al. | A Tale of Two Dust Storms: analysis of a complex dust event in the Middle East | |
CN115166750A (zh) | 一种基于双偏振多普勒雷达数据的定量降水估计方法 | |
Jebali et al. | Performance evaluation of detector algorithms of Dust storms in arid lands (Case study: Yazd province) | |
Courcelle et al. | On the importance of quantifying visibility for autonomous vehicles under extreme precipitation | |
CN104700457B (zh) | 降雨情形下风矢量反演的象元筛选、滤波方法和系统 | |
Choi et al. | Retrieval of hourly PM2. 5 using top-of-atmosphere reflectance from geostationary ocean color imagers I and II | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
Daliakopoulos et al. | A weather radar data processing module for storm analysis | |
CN117036972A (zh) | 一种基于卫星数据自动判别全球大型点源排放烟羽方法 | |
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 | |
CN115932762A (zh) | 一种气象数值预测雷达基数据质量控制方法 | |
CN111308469B (zh) | 一种基于PSInSAR技术的建筑物高程测量方法 | |
Sreekanth et al. | Comparison of V4 and V3 CALIOP (L3) aerosol products: A global perspective | |
Ishimoto et al. | Optimal ash particle refractive index model for simulating the brightness temperature spectrum of volcanic ash clouds from satellite infrared sounder measurements | |
Pal et al. | Quality enhancement of foggy images comprising of large sky region on SAMEER TU dataset |
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 |