CN114969425A - 一种基于地理加权回归的夜光遥感数据空间降尺度方法 - Google Patents

一种基于地理加权回归的夜光遥感数据空间降尺度方法 Download PDF

Info

Publication number
CN114969425A
CN114969425A CN202210417697.7A CN202210417697A CN114969425A CN 114969425 A CN114969425 A CN 114969425A CN 202210417697 A CN202210417697 A CN 202210417697A CN 114969425 A CN114969425 A CN 114969425A
Authority
CN
China
Prior art keywords
data
ndvi
meters
resolution
downscaling
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.)
Pending
Application number
CN202210417697.7A
Other languages
English (en)
Inventor
邓劲松
叶扬
黄晨豪
姜芳茗
陈镔捷
许洋
徐丽丽
张健华
王珂
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210417697.7A priority Critical patent/CN114969425A/zh
Publication of CN114969425A publication Critical patent/CN114969425A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于地理加权回归的夜光遥感数据空间降尺度方法，可将NPP‑VIIRS夜光数据的空间分辨率由15弧秒提升至100米。包括如下步骤：获取15弧秒尺度的NPP‑VIIRS夜光数据，重采样至500米，作为目标变量；采用PD、NDVI、LST和AWEI作为辅助变量并进行预处理；通过空间地理加权回归模型建立目标变量与预处理后辅助变量的关系，并得到500米分辨率的系数和残差；对所述系数和残差进行样条插值，得到100米分辨率的系数和残差；将辅助变量重采样至100米，结合100米分辨率的系数，计算得到100米夜光降尺度数据。经验证，根据本发明方法降尺度后的夜光数据质量相较于原始数据有了显著提高，主要表现在更高的空间分辨率和更加清晰细致的边缘信息，有助于提升数据的应用精度。

Description

一种基于地理加权回归的夜光遥感数据空间降尺度方法
技术领域
本发明涉及图像处理和计算机视觉领域，尤其涉及一种降低夜光遥感数据空间尺度的方法，即一种基于地理加权回归的NPP-VIIRS夜光遥感数据空间降尺度方法。
背景技术
近几十年，得益于应用范围广、数据易获取等优势，夜光遥感得到了快速的发展，目前已有较多的夜光遥感产品数据源，例如DMSP-OLS、NPP-VIIRS、珞珈一号(Loujia1-01)、吉林一号(Jilin1-03B)和EROS-B等。相比于第一代夜光数据产品DMSP-OLS，NPP-VIIRS(theSuomi National Polar-orbiting Partnership-Visible Infrared Imaging RadiometerSuite)全球无云月合成夜光数据的夜光图像在时间和空间分辨率上有了显著的提升，且探测得到的辐射值经过在轨矫正，数据不存在过饱和效应，在产品质量与数据可获得性方面综合表现较好，在城市结构分析、经济活动指标评估等领域有了更加广泛且深入的应用，快速地推动了夜光遥感的发展。
当前在夜光遥感方面的许多研究主要侧重于宏观层面的夜光环境变化分析，缺乏较精细尺度的研究。伴随着近年来遥感应用精细化的趋势，近500米尺度的NPP-VIIRS夜光数据作为目前主流的夜光数据产品，其较低的空间分辨率难以满足较精细尺度的应用需求。因此，在目前缺乏更高质量且开放获取的夜光遥感数据的情况下，迫切需要建立一套可行的降尺度框架，在保留原始数据真实性的前提下，丰富细节信息，提高夜光数据空间分辨率，以提升数据的应用精度。
发明内容
本发明的目的在于提供一种降低夜光遥感数据空间尺度的方法，即一种基于地理加权回归的NPP-VIIRS夜光遥感数据空间降尺度方法。
本发明的技术方案如下：
一种基于地理加权回归的夜光遥感数据空间降尺度方法，包括如下步骤：
(1)目标变量数据预处理：获取15弧秒尺度的NPP-VIIRS夜光数据，将其重采样至500米，作为目标变量；
(2)选取辅助变量：采用人口密度PD、归一化植被指数NDVI、地表温度LST和水体指数AWEI作为辅助变量；
(3)辅助变量预处理：利用Landsat 8OLI/TIRS数据定量反演降尺度所需的NDVI、LST、AWEI三个辅助变量，通过双线性插值法重采样至500米；人口密度PD数据通过爬虫技术获取，并进行地理空间位置校正；
(4)通过空间地理加权回归模型建立目标变量与步骤(3)中得到的预处理后辅助变量之间的关系，并据此得到500米分辨率下的系数和残差；
(5)对步骤(4)中得到的500米分辨率下的系数和残差进行样条插值，得到100米分辨率下的系数和残差；
(6)将各原始辅助变量重采样至100米，利用步骤(5)中获得的100米分辨率的系数，按照目标变量与辅助变量之间的关系公式，计算得到100米的夜光降尺度数据。
具体地，步骤(3)中对各辅助变量预处理的方式如下：
①归一化植被指数NDVI：
NDVI＝(b5-NIR-b4-red)/(b5-NIR+b4-red)
式中，NDVI数据尺度为30米，b5-NIR为近红外波段b5的反射率，b4-red为红波段b4的反射率，均由Landsat8 OLI/TIRS获得；
②地表温度LST：
Figure BDA0003605497740000021
ελ＝0.004Pv+0.986
LST＝K2/ln(K1/B+1)
式中，LST数据尺度为100米，Lsensor,λ是传感器接收到的热红外辐射亮度值，ελ为地表比辐射率，B为黑体热辐射亮度；
Figure BDA0003605497740000022
和
Figure BDA0003605497740000023
分别表示向下和向上的大气辐射亮度，τλ表示热红外波段的大气透过率；
Figure BDA0003605497740000024
和τλ通过NASA大气校正参数计算器获得；
当NDVI小于0.05时Pv赋值为0，当NDVI大于0.75时Pv赋值为1，当NDVI位于0.05-0.75之间时，Pv通过下式计算：
Pv＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)
式中，NDVIsoil表示区域无植被覆盖时的NDVI值，取0.05；NDVIveg表示区域完全被植被覆盖时的NDVI值，取0.75；
K1和K2是普朗克常数，对于landsat8 OLI/TIRS的波段b10，其取值分别为774.89W/(m2*μm*sr)和1321.08K；
③水体指数AWEI：
AWEI＝b2-blue+2.5×b3-green-1.5×(b5-NIR+b6-SWIR1)-0.25×b7-SWIR2
式中，AWEI数据尺度为30米，b2-blue为蓝波段b2的反射率、b3-green为绿波段b3的反射率、b5-NIR为近红外波段b5的反射率、b6-SWIR1和b7-SWIR2分别为短波红外波段b6和b7的反射率，均由landsat8 OLI/TIRS获得；
④人口密度PD：为网络公开数据，通过爬虫技术实时抓取，并进行地理空间位置校正。
具体地，步骤(4)中所述的目标变量与辅助变量之间的关系具体如下：
Figure BDA0003605497740000031
式中，上脚标‘LR’表示500米分辨率下的变量与参数；NTLi LR表示位置i处的目标变量；Xk LR表示位置i处的第k个辅助变量；βk LR(ui,vi)表示位置i处的第k个待求系数，β0 LR(ui,vi)表示位置i处的待求常数，βk LR(ui,vi)和β0 LR(ui,vi)均通过最小二乘法计算得到；残差项εLR通过真实值减去回归估计值求得。
具体地，步骤(6)中，将各辅助变量重采样至100米的方法与步骤(3)相同。
具体地，步骤(6)中所述的计算得到100米的夜光降尺度数据的公式具体如下：
Figure BDA0003605497740000036
式中，上脚标‘HR’用于标记100米分辨率下的变量与参数，
Figure BDA0003605497740000037
表示位置i处的100米夜光降尺度数据；
Figure BDA0003605497740000038
表示位置i处的第k个辅助变量；βk HR(ui,vi)表示位置i处的第k个待求系数，β0 HR(ui,vi)表示位置i处的待求常数。
与现有技术相比，本发明具有如下有益效果：
经验证，本发明的方法可实现对NPP-VIIRS夜光数据分辨率的有效提升，根据本发明中的方法降尺度后的夜光数据质量相较于原始数据有了显著的提高，主要表现在更高的空间分辨率和更加清晰细致的边缘信息，有助于提升数据的应用精度。具体表现在提升了数据在人口、国内生产总值、电力消耗量、客运流量等社会经济指标估算上的精度，以及在城市空间信息提取、城市群演化分析、灾害检测评估等领域的应用精度。
附图说明
图1为本发明中降低NPP-VIIRS夜光数据尺度的技术路线图。
图2为杭州市的降尺度夜光图像与原始NPP-VIIRS图像对比图。
具体实施方式
下面结合附图详细描述本发明，本发明的目的和效果将变得更加明显。
本实例的方法具体流程如图1所示，包括：
1)目标变量数据获取与预处理：从NOAA的官方网站获取2018年10月杭州市主城区15弧秒尺度的NPP-VIIRS夜光数据，通过双线性插值重采样至500米。
2)辅助变量数据获取与预处理
1.辅助变量选取：依据与目标变量(NPP-VIIRS夜光数据)的相关性和数据的可得性，采用代表社会经济活动和自然地理属性的多个指标，例如人口密度PD、归一化植被指数NDVI、地表温度LST和水体指数AWEI，作为高分辨率的辅助变量。
2.辅助变量数据预处理：下载云量小于1.5％的2018年3月20日的Landsat8 OLI/TIRS数据，在此基础上定量反演降尺度所需的辅助变量NDVI、LST和AWEI，并通过双线性插值法重采样至500米，具体操作方法如下：
归一化植被指数NDVI：
NDVI＝(b5-NIR-b4-red)/(b5-NIR+b4-red)
式中，NDVI数据尺度为30米，b5-NIR为近红外波段b5的反射率，b4-red为红波段b4的反射率，均由Landsat8 OLI/TIRS获得。
地表温度LST：
Figure BDA0003605497740000051
ελ＝0.004Pv+0.986
LST＝K2/ln(K1/B+1)
式中，LST数据尺度为100米，Lsensor,λ是传感器接收到的热红外辐射亮度值，ελ为地表比辐射率，B为黑体热辐射亮度；
Figure BDA0003605497740000052
和
Figure BDA0003605497740000053
分别表示向下和向上的大气辐射亮度，τλ表示热红外波段的大气透过率；
Figure BDA0003605497740000054
和τλ通过NASA大气校正参数计算器获得；
当NDVI小于0.05时Pv赋值为0，当NDVI大于0.75时Pv赋值为1，当NDVI位于0.05-0.75之间时Pv通过下式计算：
Pv＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)
式中，NDVIsoil表示区域无植被覆盖时的NDVI值，取0.05；NDVIveg表示区域完全被植被覆盖时的NDVI值，取0.75。
K1和K2是普朗克常数，对于landsat8 OLI/TIRS的波段b10，其取值分别为774.89W/(m2*μm*sr)和1321.08K；
水体指数AWEI：
AWEI＝b2-blue+2.5×b3-green-1.5×(b5-NIR+b6-SWIR1)-0.25×b7-SWIR2
式中，AWEI数据尺度为30米，b2-blue为蓝波段b2的反射率、b3-green为绿波段b3的反射率、b5-NIR为近红外波段b5的反射率、b6-SWIR1和b7-SWIR2分别为短波红外波段b6和b7的反射率，均由landsat8 OLI/TIRS获得。
对于PD数据，通过爬虫技术获取2019年1月22日夜间两个代表性时间点，即18时与22时的带空间地理坐标的点数据，经过数据清洗后对两个时间点的数据求平均值，用于表征当地的人口夜间活动的强度，同样通过双线性插值法重采样至500米。
3.上述地理空间数据均采用WGS84坐标系，统一投影至WGS_84_UTM_Zone_51N系统。
3)基于地理加权回归的降尺度处理
1.空间地理加权回归模型拟合：通过空间地理加权回归模型建立目标变量NPP-VIIRS夜光数据与辅助变量之间的关系。
所述的目标变量与辅助变量之间的关系具体如下：
Figure BDA0003605497740000061
式中，上脚标‘LR’表示500米分辨率下的变量与参数；NTLi LR表示位置i处的目标变量；Xk LR表示位置i处的第k个辅助变量；βk LR(ui,vi)表示位置i处的第k个待求系数，β0 LR(ui,vi)表示位置i处的待求常数，βk LR(ui,vi)和β0 LR(ui,vi)均通过最小二乘法计算得到；残差项εLR通过真实值减去回归估计值求得。
2.高分辨率参数计算：将得到的粗分辨率下的系数和残差，利用样条插值，计算得到100米高分辨率下的系数和残差。
3.获取降尺度结果：将各辅助变量重采样至100米，利用获得的高分辨率的系数，按照基于空间地理加权回归模型建立的变量关系，计算得到100米的夜光降尺度数据。
所述的计算得到100米的夜光降尺度数据的公式具体如下：
Figure BDA0003605497740000064
式中，上脚标‘HR’用于标记100米分辨率下的变量与参数，
Figure BDA0003605497740000065
表示位置i处的100米夜光降尺度数据；
Figure BDA0003605497740000066
表示位置i处的第k个辅助变量；βk HR(ui,vi)表示位置i处的第k个待求系数，β0 HR(ui,vi)表示位置i处的待求常数。
降尺度后的夜光影像与原始NPP-VIIRS夜光影响的对比如图2所示。可以看出，根据本发明中的方法降尺度后的夜光数据质量相较于原始数据有了显著的提高，主要表现在更高的空间分辨率和更加清晰细致的边缘信息。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (4)

1.一种基于地理加权回归的夜光遥感数据空间降尺度方法，其特征在于，包括如下步骤：
(1)目标变量数据预处理：获取15弧秒尺度的NPP-VIIRS夜光数据，将其重采样至500米，作为目标变量；
(2)选取辅助变量：采用人口密度PD、归一化植被指数NDVI、地表温度LST和水体指数AWEI作为辅助变量；
(3)辅助变量预处理：利用Landsat 8 OLI/TIRS数据定量反演降尺度所需的NDVI、LST、AWEI三个辅助变量，通过双线性插值法重采样至500米；人口密度PD数据通过爬虫技术获取，并进行地理空间位置校正；
(4)通过空间地理加权回归模型建立目标变量与步骤(3)中得到的预处理后辅助变量之间的关系，并据此得到500米分辨率下的系数和残差；
(5)对步骤(4)中得到的500米分辨率下的系数和残差进行样条插值，得到100米分辨率下的系数和残差；
(6)将原始辅助变量重采样至100米，利用步骤(5)中获得的100米分辨率下的系数，按照目标变量与辅助变量之间的关系公式，计算得到100米的夜光降尺度数据。
2.根据权利要求1所述的基于地理加权回归的夜光遥感数据空间降尺度方法，其特征在于，步骤(3)中对各辅助变量预处理的方式如下：
①归一化植被指数NDVI：
NDVI＝(b5-NIR-b4-red)/(b5-NIR+b4-red)
式中，NDVI数据尺度为30米，b5-NIR为近红外波段b5的反射率，b4-red为红波段b4的反射率，均由Landsat 8 OLI/TIRS获得；
②地表温度LST：
Figure FDA0003605497730000011
ελ＝0.004Pv+0.986
LST＝K2/ln(K1/B+1)
式中，LST数据尺度为100米，Lsensor,λ是传感器接收到的热红外辐射亮度值，ελ为地表比辐射率，B为黑体热辐射亮度；
Figure FDA0003605497730000021
和
Figure FDA0003605497730000022
分别表示向下和向上的大气辐射亮度，τλ表示热红外波段的大气透过率；
Figure FDA0003605497730000023
和τλ通过NASA大气校正参数计算器获得；
当NDVI小于0.05时Pv赋值为0，当NDVI大于0.75时Pv赋值为1，当NDVI位于0.05-0.75之间时，Pv通过下式计算：
Pv＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)
式中，NDVIsoil表示区域无植被覆盖时的NDVI值，取0.05；NDVIveg表示区域完全被植被覆盖时的NDVI值，取0.75；
K1和K2是普朗克常数，对于landsat 8 OLI/TIRS的波段b10，其取值分别为774.89W/(m2*μm*sr)和1321.08K；
③水体指数AWEI：
AWEI＝b2-blue+2.5×b3-green-1.5×(b5-NIR+b6-SWIR1)-0.25×b7-SWIR2
式中，AWEI数据尺度为30米，b2-blue为蓝波段b2的反射率、b3-green为绿波段b3的反射率、b5-NIR为近红外波段b5的反射率、b6-SWIR1和b7-SWIR2分别为短波红外波段b6和b7的反射率，均由landsat 8 OLI/TIRS获得；
④人口密度PD：为网络公开数据，通过爬虫技术实时抓取，并进行地理空间位置校正。
3.根据权利要求1所述的基于地理加权回归的夜光遥感数据空间降尺度方法，其特征在于，步骤(4)中所述的目标变量与辅助变量之间的关系具体如下：
Figure FDA0003605497730000024
式中，上脚标‘LR’表示500米分辨率下的变量与参数；NTLi LR表示位置i处的目标变量；Xk LR表示位置i处的第k个辅助变量；βk LR(ui,vi)表示位置i处的第k个待求系数，β0 LR(ui,vi)表示位置i处的待求常数，βk LR(ui,vi)和β0 LR(ui,vi)均通过最小二乘法计算得到；残差项εLR通过真实值减去回归估计值求得。
4.根据权利要求1所述的基于地理加权回归的夜光遥感数据空间降尺度方法，其特征在于，步骤(6)中所述的计算得到100米的夜光降尺度数据的公式具体如下：
Figure FDA0003605497730000031
式中，上脚标‘HR’用于标记100米分辨率下的变量与参数，
Figure FDA0003605497730000032
表示位置i处的100米夜光降尺度数据；
Figure FDA0003605497730000033
表示位置i处的第k个辅助变量；βk HR(ui,vi)表示位置i处的第k个待求系数，β0 HR(ui,vi)表示位置i处的待求常数。
CN202210417697.7A 2022-04-20 2022-04-20 一种基于地理加权回归的夜光遥感数据空间降尺度方法 Pending CN114969425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210417697.7A CN114969425A (zh) 2022-04-20 2022-04-20 一种基于地理加权回归的夜光遥感数据空间降尺度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210417697.7A CN114969425A (zh) 2022-04-20 2022-04-20 一种基于地理加权回归的夜光遥感数据空间降尺度方法

Publications (1)

Publication Number Publication Date
CN114969425A true CN114969425A (zh) 2022-08-30

Family

ID=82977173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210417697.7A Pending CN114969425A (zh) 2022-04-20 2022-04-20 一种基于地理加权回归的夜光遥感数据空间降尺度方法

Country Status (1)

Country Link
CN (1) CN114969425A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468612A (zh) * 2023-06-19 2023-07-21 武汉大学 夜光遥感数据降尺度处理方法
CN117556382A (zh) * 2023-10-13 2024-02-13 广东省科学院广州地理研究所 基于极端梯度提升的海表温度遥感数据的空间降尺度方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468612A (zh) * 2023-06-19 2023-07-21 武汉大学 夜光遥感数据降尺度处理方法
CN116468612B (zh) * 2023-06-19 2023-09-12 武汉大学 夜光遥感数据降尺度处理方法
CN117556382A (zh) * 2023-10-13 2024-02-13 广东省科学院广州地理研究所 基于极端梯度提升的海表温度遥感数据的空间降尺度方法

Similar Documents

Publication Publication Date Title
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
CN105046648B (zh) 一种构建高时空遥感数据的方法
Shen et al. Long-term and fine-scale satellite monitoring of the urban heat island effect by the fusion of multi-temporal and multi-sensor remote sensed data: A 26-year case study of the city of Wuhan in China
CN108268735A (zh) 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN114969425A (zh) 一种基于地理加权回归的夜光遥感数据空间降尺度方法
JP4425983B1 (ja) 日射量の評価方法および評価装置
CN109903234B (zh) 一种城市热力景观定量描述及多尺度特征分析方法
CN116011342B (zh) 一种高分辨率热红外地表温度全天候重建方法
CN110927120B (zh) 一种植被覆盖度预警方法
CN116486931B (zh) 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统
CN108256186B (zh) 一种在线计算查找表的逐像元大气校正方法
CN114120101B (zh) 一种土壤水分多尺度综合感知方法
CN111723525B (zh) 一种基于多源数据和神经网络模型的pm2.5反演方法
CN112884672B (zh) 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法
CN112733596A (zh) 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用
CN114092835B (zh) 基于不同时空分辨率的归一化植被指数数据时空融合方法
CN116519557A (zh) 一种气溶胶光学厚度反演方法
CN115204691A (zh) 基于机器学习和遥感技术的城市人为热排放量估算方法
CN115438562A (zh) 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法
CN112364289A (zh) 一种通过数据融合提取水体信息的方法
Chen et al. A stepwise framework for interpolating land surface temperature under cloudy conditions based on the solar-cloud-satellite geometry
CN114707396A (zh) 一种全天时pm2.5浓度无缝格点数据的近实时生产方法
CN113779863A (zh) 一种基于数据挖掘的地表温度降尺度方法
Liao et al. Fast and accurate estimation of solar irradiation on building rooftops in Hong Kong: A machine learning-based parameterization approach
CN116522090A (zh) 一种考虑植被记忆和精细尺度植被指数的土壤水分降尺度方法

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