CN114994794B - 一种云团无探测数据区的云粒子相态生长方法 - Google Patents
一种云团无探测数据区的云粒子相态生长方法 Download PDFInfo
- Publication number
- CN114994794B CN114994794B CN202210723194.2A CN202210723194A CN114994794B CN 114994794 B CN114994794 B CN 114994794B CN 202210723194 A CN202210723194 A CN 202210723194A CN 114994794 B CN114994794 B CN 114994794B
- Authority
- CN
- China
- Prior art keywords
- cloud
- phase
- growth
- particle
- cluster
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Computational Mathematics (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种云团无探测数据区的云粒子相态生长方法,依托PARASOL、Aqua、CALIPSO和CloudSat四类卫星载荷数据分别进行伞型云团水平和垂直向云粒子动态协同处理,构建云团无效探测区域的云粒子生长数学模型并重构出云团内数据缺失区域的粒子相态,实现云团粒子相态的动态获取,解决多源异构空间数据的协同及无探测数据区反演的难题,为云、气溶胶等大气协同探测提供新的方法支撑。
Description
技术领域
本发明涉及大气科学领域,具体涉及一种云团无探测数据区的云粒子相态生长方法。
背景技术
云覆盖地表约三分之二。云是地球辐射收支平衡的关键调节器之一。云特性及其时空变化对全球天气及气候变化影响巨大。云相态的准确判定不仅有助于其他云物理参数的反演,也能为天气预报、气候模式、地球辐射收支、大气及降水循环研究提供依据。现有星载单传感器云相态反演存在一定的局限。单一主动或被动传感器由于仪器性能的差异会导致云粒子相态反演结果存在一定差异,而且现有的多传感器联合探测主要从水平或垂直单方向进行分析,缺少将两者结合起来从空间角度来进行云粒子相态的研究。无论被动探测还是主动探测都是利用云粒子与电磁波相互作用即散射和吸收这一基本物理规律开展研究。被动光学载荷在探测广度上有较大优势,但在探测深度上却存在不足。主动载荷发射的电磁波信号能穿透云顶到达云层内部甚至云底,可获取云团内部垂直廓线的反射信息,但由于载荷主动发射的能量束范围窄而导致其探测广度不足。因此,存在无法获取云团非有效探测区域的三维空间相态信息。
发明内容
本发明的目的在于:针对目前多载荷联合反演云团粒子相态在非有效探测数据区现有反演算法失效的难题,提供了一种云团无探测数据区的云粒子相态生长方法,先对云团有效观测区联合主动(CALIOP和CPR)和被动(POLDER3和MODIS)卫星载荷数据获取异构的云相态数据,并将多源异构的云相态进行空间维度统一,再分别从云团伞状构型的云顶水平向和云团内部垂直向实现云相态动态融合,得到云团有效观测区伞型云相态融合结果集。最后基于有效观测区的云相态融合结果集对云层内探测数据缺失区域开展云粒子相态生长数学模型研究,并重构无探测数据区的云粒子形态,从而获取云团非有效探测区域的三维空间相态信息。解决了无法获取云团非有效探测区域的三维空间相态信息的难题。
本发明的技术方案如下:
本发明公开了一种云团无探测数据区的云粒子相态生长方法,包括以下步骤,
分别获取云团有效观测区联合主动和被动卫星载荷异构的云相态数据,将多源异构的云相态进行空间维度统一;
从云团伞状构型的云顶水平向和云团内部垂直向实现云相态动态融合,得到云团有效观测区伞型云相态融合结果集;
利用云相态融合结果集对云层内探测数据缺失区域开展粒子相态生长数学模型,重构无探测数据区的云粒子形态,获取云团非有效探测区域的三维空间相态信息。
进一步的,所述获取云团有效观测区联合主动和被动星载荷异构的云相态数据具体方法为:利用PARASOL、Aqua、CALIPSO和CloudSat四类卫星获取CALIOP、CPR和POLDER3、MODIS的卫星载荷云相态数据,记为{PPolder,PModis,PCaliop,PCpr};
进一步的,所述实现云相态动态融合具体方法为:基于云团有效观测区伞型结构,在伞型结构云顶方向和垂直方向建立四/两载荷多目标最优化融合算法,算法如下:
其中分别表示POLDER3、MODIS、CALIOP、CPR调整后的云相态反演结果,a,b,c,d分别表示四个载荷云相态在水平融合过程中的权重系数,e,f分别表示两个载荷云相态在垂直融合过程中的权重系数,表示云顶相态融合结果,表示垂直廊线上的云相态融合结果。
进一步的,所述得到云团有效观测区伞型云相态融合结果集的具体方法为:根据多目标最优化融合算法获取云顶相态融合结果集和垂直廓线上的云相态融合结果集其中X,Y,Z和X′,Y′,Z′表示为X轴Y轴Z轴的坐标。
进一步的,所述开展粒子相态生长数学模型研究具体方法为:联合云团顶部相态云顶高度h(top)、云底高度h(button)与云廓线粒子相态以云顶相态融合结果集HF与垂直云相态融合结果集VF的交集Λ=HF∩VF={HVF(xt,yt,zt)}为生长点,构建基于改进的蒙特卡罗规则的相邻粒子相态生长模型;模型如下:
假设生长起点云粒子相态为HVF(xt,yt,zt),其同层邻近粒子相态可用以下生长公式推导:
进一步的,根据所述生长公式和所述蒙特卡罗生长因子,推导当前云粒子左下方和右下方云粒子的相态,并依次循环递推得到下一个相邻云粒子在不同蒙特卡罗生长因子作用下的云粒子相态,构建基于蒙特卡罗方法的相邻云粒子相态生长模型,获取每层未探测区域的云粒子相态,重构整个云团非有效探测区域的三维云粒子相态,实现统一空间下非有效探测数据区的云相态动态协同反演。
与现有的技术相比本发明的有益效果是:
1、本发明一种云团无探测数据区的云粒子相态生长方法,依托PARASOL、Aqua、CALIPSO和CloudSat四类卫星载荷数据分别进行伞形云团水平和垂直向云粒子动态协同处理,构建云团无效探测区云粒子生长数学模型并重构出云团内数据缺失区域的粒子相态,实现云团粒子相态的动态获取,解决多源异构空间数据的协同及无探测数据区反演的难题,为云、气溶胶等大气协同探测提供新的方法支撑;
2、本发明一种云团探测数据区的云粒子相态生长方法,用多种技术协同反演研究可以突破单一识别云相态手段,为大气协同观测和反演提供新技术手段,为气候变化、天气变化、人工干预天气、极端气象灾害防治和飞行器安全飞行等提供新的技术手段。
3、本发明一种云团探测数据区的云粒子相态生长方法,联合多种卫星传感器尤其是主被动探测仪器进行云粒子相态空间协同处理,可以克服多载荷探测有效信息不足和协同方向单一的缺陷,从而获取非有效探测区域云层粒子的相态信息。
具体实施方式
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
本发明公开了一种云团无探测数据区的云粒子相态生长方法,包括以下步骤,
分别获取云团有效观测区联合主动和被动卫星载荷异构的云相态数据,利用PARASOL、Aqua、CALIPSO和CloudSat四类卫星获取CALIOP、CPR和POLDER3、MODIS的卫星载荷云相态数据,记为{PPolder,PModis,PCaliop,PCpr},将多源异构的云相态进行空间维度统一,选择云相态空间分辨率最高的CALIOP云相态为参考标准维度,对其他CPR、POLDER3和MODIS云相态进行二维重构,得到调整后的云相态
从云团伞状构型的云顶水平向和云团内部垂直向实现云相态动态融合,此处伞状构型指云团有效探测区域为伞状构型,基于云团有效观测区伞型结构,在伞型结构云顶方向和垂直方向建立四/两载荷多目标最优化融合算法,算法如下:
其中分别表示POLDER3、MODIS、CALIOP、CPR调整后的云相态反演结果,a,b,c,d分别表示四个载荷云相态在水平融合过程中的权重系数,e,f分别表示两个载荷云相态在垂直融合过程中的权重系数,表示云顶相态融合结果,表示垂直廊线上的云相态融合结果,得到云团有效观测区伞型云相态融合结果集,根据多目标最优化融合算法获取云顶相态融合结果集和垂直廓线上的云相态融合结果集其中X,Y,Z和X′,Y′,Z′表示为X轴Y轴Z轴的坐标。
利用云相态融合结果集对云层内探测数据缺失区域开展粒子相态生长数学模型,联合云团顶部相态云顶高度h(top)、云底高度h(button)与云廓线粒子相态以云顶相态融合结果集HF与垂直云相态融合结果集VF的交集Λ=HF∩VF={HVF(xt,yt,zt)}为生长点,构建基于改进的蒙特卡罗规则的相邻粒子相态生长模型;模型如下:
假设生长起点云粒子相态为HVF(xt,yt,zt),其同层邻近粒子相态可用以下生长公式推导:
其中m,n,l分别为生长终点距离生长起点沿X轴Y轴Z轴的投影单位距离,分别为左下右下云粒子的蒙特卡罗生长因子,云顶高度h(top)指云团顶部在天空中所达到的垂直方向最大高度;云底高度h(button)指的是云团底部距离地面观测点的垂直距离。云底高度作为表征云宏观特性的关键参数,在云层与地表之间的能量交换中起着重要作用。
重构无探测数据区的云粒子形态,获取云团非有效探测区域的三维空间相态信息;根据所述生长公式和所述蒙特卡罗生长因子,推导当前云粒子左下方和右下方云粒子的相态,并依次循环递推得到下一个相邻云粒子在不同蒙特卡罗生长因子作用下的云粒子相态,构建基于蒙特卡罗方法的相邻云粒子相态生长模型,获取每层未探测区域的云粒子相态,重构整个云团非有效探测区域的三维云粒子相态,实现统一空间下非有效探测数据区的云相态动态协同反演。
联合卫星队列“A-Train”主被动载荷获取同时云观测数据,对云团非有效探测区域进行云粒子相态空间协同处理具有重要的理论意义和实际应用价值。本发明正是依托PARASOL、Aqua、CALIPSO和CloudSat四类卫星载荷数据分别进行伞形云团水平和垂直向云粒子动态协同处理,构建云团无效探测区域的云粒子生长数学模型并重构出云团内数据缺失区域的粒子相态,实现云团粒子相态的动态获取,解决多源异构空间数据的协同及无探测数据区反演的难题,为云、气溶胶等大气协同探测提供新的方法支撑。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (4)
1.一种云团无探测数据区的云粒子相态生长方法,其特征在于,包括以下步骤,
分别获取云团有效观测区联合主动和被动卫星载荷异构的云相态数据,将多源异构的云相态进行空间维度统一,具体方法为:
利用PARASOL、Aqua、CALIPSO和CloudSat四类卫星获取CALIOP、CPR和POLDER3、MODIS的卫星载荷云相态数据,记为;
选择云相态空间分辨率最高的CALIOP云相态为参考标准维度,对其他CPR、POLDER3和MODIS云相态进行二维重构,得到调整后的云相态;
从云团伞型的云顶水平向和云团内部垂直向实现云相态动态融合,得到云团有效观测区伞型云相态融合结果集;
所述实现云相态动态融合具体方法为:基于云团有效观测区伞型结构,在伞型结构云顶方向和垂直方向建立四/两载荷多目标最优化融合算法,算法如下:
其中,,,分别表示POLDER3、MODIS、CALIOP、CPR调整后的云相态反演结果,分别表示四个载荷云相态在水平融合过程中的权重系数,分别表示两个载荷云相态在垂直融合过程中的权重系数,表示云顶相态融合结果,表示垂直廊线上的云相态融合结果,和分别为云顶水平方向、垂直方向相态融合冗余;
利用云相态融合结果集对云层内探测数据缺失区域开展粒子相态生长数学模型,重构无探测数据区的云粒子形态,获取云团非有效探测区域的三维空间相态信息。
2.根据权利要求1所述的一种云团无探测数据区的云粒子相态生长方法,其特征在于,所述得到云团有效观测区伞型云相态融合结果集的具体方法为:根据多目标最优化融合算法获取云顶相态融合结果集HF=和垂直廓线上的云相态融合结果集VF=,其中X,Y,Z和X´,Y´,Z´表示为X轴Y轴Z轴的坐标。
3.根据权利要求2所述的一种云团无探测数据区的云粒子相态生长方法,其特征在于,所述开展粒子相态生长数学模型研究具体方法为:联合云团顶部相态、云顶高度、云底高度与云廓线粒子相态,以云顶相态融合结果集HF与垂直云相态融合结果集VF的交集为生长点,构建基于改进的蒙特卡罗规则的相邻粒子相态生长模型;模型如下:
假设生长起点云粒子相态为,其同层邻近粒子相态可用以下生长公式推导:
其中分别为生长终点距离生长起点沿X轴Y轴Z轴的投影单位距离,,分别为左下右下云粒子的蒙特卡罗生长因子。
4.根据权利要求3所述的一种云团无探测数据区的云粒子相态生长方法,其特征在于,根据所述生长公式和所述蒙特卡罗生长因子,推导当前云粒子左下方和右下方云粒子的相态,并依次循环递推得到下一个相邻云粒子在不同蒙特卡罗生长因子作用下的云粒子相态,构建基于蒙特卡罗方法的相邻云粒子相态生长模型,获取每层未探测区域的云粒子相态,重构整个云团非有效探测区域的三维云粒子相态,实现统一空间下非有效探测数据区的云相态动态协同反演。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210723194.2A CN114994794B (zh) | 2022-06-24 | 2022-06-24 | 一种云团无探测数据区的云粒子相态生长方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210723194.2A CN114994794B (zh) | 2022-06-24 | 2022-06-24 | 一种云团无探测数据区的云粒子相态生长方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994794A CN114994794A (zh) | 2022-09-02 |
CN114994794B true CN114994794B (zh) | 2023-05-09 |
Family
ID=83036355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210723194.2A Active CN114994794B (zh) | 2022-06-24 | 2022-06-24 | 一种云团无探测数据区的云粒子相态生长方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994794B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035710A (en) * | 1999-05-28 | 2000-03-14 | Lockheed Martin Missiles & Space Co. | Cloud base height and weather characterization, visualization and prediction based on satellite meteorological observation |
WO2002067013A2 (en) * | 2001-02-20 | 2002-08-29 | Massachusetts Institute Of Technology | Method and apparatus for short-term prediction of convective weather |
CN102707336A (zh) * | 2012-02-13 | 2012-10-03 | 安徽师范大学 | 一种利用A-Train系列卫星数据协同反演云相态和云参量的新方法 |
CN103913750A (zh) * | 2014-04-24 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于卫星云参数产品确定灰霾分布的方法 |
CN107064957A (zh) * | 2017-04-05 | 2017-08-18 | 南京信息工程大学 | 一种用于液态水云测量的多视场激光雷达探测系统及方法 |
CN206638826U (zh) * | 2017-04-05 | 2017-11-14 | 南京信息工程大学 | 一种用于液态水云测量的多视场激光雷达探测系统 |
CN108614309A (zh) * | 2018-05-11 | 2018-10-02 | 西安理工大学 | 云水资源探测系统及方法 |
KR102044246B1 (ko) * | 2019-08-26 | 2019-11-19 | 대한민국 | 해수표면온도 영상을 이용한 수온전선 산출 방법 및 이의 시스템 |
AU2020103741A4 (en) * | 2020-11-27 | 2021-02-11 | J. Arunnehru | Feed forward neural networks combined with extreme learning machine approach for large weather data |
CN114896544A (zh) * | 2022-03-15 | 2022-08-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种风云气象卫星协同多数据源的三维云融合分析的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6920233B2 (en) * | 2001-02-20 | 2005-07-19 | Massachusetts Institute Of Technology | Method and apparatus for short-term prediction of convective weather |
US10168448B2 (en) * | 2013-04-30 | 2019-01-01 | International Business Machines Corporation | Machine learning approach for analysis and prediction of cloud particle size and shape distribution |
US9964482B2 (en) * | 2015-01-26 | 2018-05-08 | The United States Of America As Represented By The Secretary Of The Army | Detecting clouds using polarized sunlight |
US10888051B2 (en) * | 2017-04-11 | 2021-01-12 | Thomas Peter DeFelice | Intelligent systems for weather modification programs |
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 |
CN113111974B (zh) * | 2021-05-10 | 2021-12-14 | 清华大学 | 基于深度典型相关分析的视觉-激光雷达融合方法及系统 |
-
2022
- 2022-06-24 CN CN202210723194.2A patent/CN114994794B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035710A (en) * | 1999-05-28 | 2000-03-14 | Lockheed Martin Missiles & Space Co. | Cloud base height and weather characterization, visualization and prediction based on satellite meteorological observation |
WO2002067013A2 (en) * | 2001-02-20 | 2002-08-29 | Massachusetts Institute Of Technology | Method and apparatus for short-term prediction of convective weather |
CN102707336A (zh) * | 2012-02-13 | 2012-10-03 | 安徽师范大学 | 一种利用A-Train系列卫星数据协同反演云相态和云参量的新方法 |
CN103913750A (zh) * | 2014-04-24 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于卫星云参数产品确定灰霾分布的方法 |
CN107064957A (zh) * | 2017-04-05 | 2017-08-18 | 南京信息工程大学 | 一种用于液态水云测量的多视场激光雷达探测系统及方法 |
CN206638826U (zh) * | 2017-04-05 | 2017-11-14 | 南京信息工程大学 | 一种用于液态水云测量的多视场激光雷达探测系统 |
CN108614309A (zh) * | 2018-05-11 | 2018-10-02 | 西安理工大学 | 云水资源探测系统及方法 |
KR102044246B1 (ko) * | 2019-08-26 | 2019-11-19 | 대한민국 | 해수표면온도 영상을 이용한 수온전선 산출 방법 및 이의 시스템 |
AU2020103741A4 (en) * | 2020-11-27 | 2021-02-11 | J. Arunnehru | Feed forward neural networks combined with extreme learning machine approach for large weather data |
CN114896544A (zh) * | 2022-03-15 | 2022-08-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种风云气象卫星协同多数据源的三维云融合分析的方法 |
Non-Patent Citations (8)
Title |
---|
Cloud thermodynamic phase inferred from merged POLDER and MODIS data;J.Riedi;《Atmospheric Chemistry and Physics》;第10卷(第23期);第11851-11865页 * |
Combining CloudSat/CALIPSO and MODIS measurements to reconstruct tropical convective cloud structure;Kang Yang;《Remote Sensing of Environment》;第287卷;第113478页 * |
Multimodel evaluation of cloud phase transition using satellite and reanalysis data;Ceasana,G;《Journal of geophysical resarch.Atmopheres》;第120卷(第15期);第7871-7892页 * |
Zhenting Chen.Dynamic spatial fusion of cloud top phase from PARASOL,CALIPSO,cloudsat satellite data.《Journal or quantitative spectroscopy & radiative transfer》.2019,第224卷第176-185页. * |
基于AIRS和MODIS数据融合的卷云参数反演;邢颖;《中国优秀硕士学位论文全文数据库 基础科学辑》;全文 * |
基于MODIS和Cloudsat云产品分析降水云系特征;李静;肖子牛;刘奇俊;马占山;;科技信息(第11期);全文 * |
基于卫星偏振辐射信息的云相态空间协同反演研究;陈震霆;《中国博士学位论文全文数据库基础科学辑》;全文 * |
拉曼—偏振激光雷达的云相态探测与识别;王晴;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114994794A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagihara et al. | Use of a three‐dimensional laser scanner to digitally capture the topography of sand dunes in high spatial resolution | |
Teza et al. | Terrestrial laser scanner to detect landslide displacement fields: a new approach | |
Maas | Methods for measuring height and planimetry discrepancies in airborne laserscanner data | |
Kraus et al. | Advanced DTM generation from LIDAR data | |
Hsiao et al. | Change detection of landslide terrains using ground-based LiDAR data | |
WO2020151213A1 (zh) | 一种空地结合的潮间带一体化测绘方法 | |
JP2009014643A (ja) | 3次元形状抽出装置、方法及びプログラム | |
Stal et al. | Test case on the quality analysis of structure from motion in airborne applications | |
Caputo et al. | Terrestrial Laser Scanning (TLS) data for the analysis of coastal tuff cliff retreat: application to Coroglio cliff, Naples, Italy. | |
Li et al. | A method of extracting high-accuracy elevation control points from ICESat-2 altimetry data | |
CN107064933A (zh) | 基于循环谱估计的sar层析建筑物高度的方法 | |
Zhou et al. | Target head direction far field radar cross section reduction based on narrow surface element method | |
CN114994794B (zh) | 一种云团无探测数据区的云粒子相态生长方法 | |
CN104614729A (zh) | 一种激光雷达航带高程匹配质量分析方法 | |
Fiocco et al. | Multisensor fusion for volumetric reconstruction of large outdoor areas | |
CN115393543A (zh) | 一种基于建筑物多次散射的阵列sar点云三维重建方法 | |
CN113238202B (zh) | 光子激光三维成像系统的坐标系点云计算方法及其应用 | |
Medvedev et al. | Method for studying the spatial-temporal structure of wave-like disturbances in the ionosphere | |
Zhang et al. | Multiobjective optimization-based terrestrial laser scanning layout planning for landslide monitoring | |
Branitskii et al. | Rapid Variations in Electron Density Profiles in the Ionosphere Detected with the Izmiran High-Speed Ionosonde | |
Van Alphen | A Technique-Based Approach to Structure-from-Motion: Applications to Human-Coastal Environments | |
Yang et al. | Three-dimensional point cloud analysis for building seismic damage information | |
CN104217128A (zh) | 一种起伏地形下卫星侧摆成像大气邻近效应模拟方法 | |
Liu et al. | Research on monitoring fault activity using spaceborne synthetic aperture differential interferometry radar, taking Handan area as an example | |
Gallay et al. | Unpiloted Airborne Laser Scanning of a Mixed Forest |
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 |