CN115082309A - 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 - Google Patents
一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 Download PDFInfo
- Publication number
- CN115082309A CN115082309A CN202210630081.8A CN202210630081A CN115082309A CN 115082309 A CN115082309 A CN 115082309A CN 202210630081 A CN202210630081 A CN 202210630081A CN 115082309 A CN115082309 A CN 115082309A
- Authority
- CN
- China
- Prior art keywords
- satellite
- resolution
- time
- space
- reflectivity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 27
- 230000005855 radiation Effects 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims description 30
- 241000208818 Helianthus Species 0.000 claims description 8
- 235000003222 Helianthus annuus Nutrition 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 239000000443 aerosol Substances 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 241000192700 Cyanobacteria Species 0.000 abstract description 5
- 238000007500 overflow downdraw method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- -1 ims Species 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及环境监测技术领域,具体为一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,包括基于6sv辐射传输模型的瑞利校正方法和基于数据融合的高时空分辨率蓝藻水华监测方法。本发明应用灵活时空数据融合方法来生成高时空分辨率的FAI指数信息。受益于静止卫星的高时间分辨率特征,能够为太湖周边环境监测部门及科研部门提供及时预警及太湖蓝藻日间变化信息,有利于当地部门及时做好蓝藻水华防控及蓝藻水华爆发诱因分析。同时基于灵活时空数据融合方法产生的高空间分辨率蓝藻水华分布图,能够及时观察到小范围的蓝藻水华爆发,减少蓝藻水华爆发的漏判。
Description
技术领域
本发明涉及环境监测技术领域,具体为一种太湖蓝藻水华的多源卫星高时空分辨率监测方法。
背景技术
蓝藻水华多发生在夏季6-9月,有明显的季节性,受温度、阳光、营养物质的影响;温度在20℃以上;水体PH值偏高、光照度强且时间久的条件下,蓝藻形成气囊浮出水面并且迅速繁殖,以至形成蓝藻水华的现象,蓝藻水华具有多种危害性,例如恶臭,使水质恶化,减少鱼类生存空间,严重消耗水中氧气而导致水中生物死亡等,在我国,对于蓝藻水华的现象通常由卫星监测;
蓝藻水华遥感监测主要以基于单一卫星的指数方法为主,常用的指数有植被归一化指数,增强植被指数和归一化植被指数,这三种技术的处理流程非常相似,都是对大气矫正之后的遥感反射率进行组合和计算得到代表蓝藻水华强度的指数,再通过设定指数的阈值来判断是否为蓝藻水华爆发;
在这三种指数中,EVI(增强植被指数)和NDVI(植被归一化指数)对薄云和水面反射敏感,不能很好地反映蓝藻水华的信息,同时FAI(归一化植被指数)因为用到了红和近红外波段,包含了水中其他浮游植物的荧光信号,容易造成误判,因此一般认为FAI(归一化植被指数)是最好的蓝藻水华指数,在应用FAI(归一化植被指数)进行实际蓝藻水华监测过程中,由于蓝藻水华爆发时间短、日间变化快等特点,受到单一卫星性能的限制,这些基于FAI(归一化植被指数)的单一卫星蓝藻水华监测很难同时实现高时间和空间分辨率的蓝藻水华动态监测。除此之外,FAI(归一化植被指数)指数的计算需要复杂的瑞利校正过程,而很多具有高时间分辨率的静止卫星并没有可用的瑞利校正方法。
发明内容
本发明的目的在于提供一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,以解决上述背景技术中提出的问题。为实现上述目的,本发明提供如下技术方案:一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,包括基于6sv辐射传输模型的瑞利校正方法和基于数据融合的高时空分辨率蓝藻水华监测方法;
所述基于6sv辐射传输模型的瑞利校正方法的步骤如下:
第一步,将下载好的气象卫星数据进行辐射定标,得到大气顶层反射率RTOA;
第二步,根据气象卫星所携带的卫星方位角和太阳天顶角信息,利用6sv辐射传输模型针对每个像素点进行辐射传输模拟,此时可得到的表观反射率为瑞利反射率Rr;
第三步,将瑞利反射率Rr进行瑞丽矫正,获得瑞丽校正后的反射率Rrc可以由大气顶层反射率去除瑞利反射率得到,即Rrc=RTOA-Rr,其中:
Rrc:瑞丽校正后的反射率;
RTOA:大气顶层反射率;
Rr:瑞利反射率;
所述基于数据融合的高时空分辨率蓝藻水华监测方法步骤如下:
S1,选取高空间卫星和低空间卫星分辨率卫星在t1时刻的归一化植被指数计算结果和低空间分辨率卫星在t2时刻的归一化植被指数计算结果;
S2,利用ISODATA非监督分类算法,对t1时刻高空间分辨率卫星的归一化植被指数进行分类;
S3,依据t1时刻和t2时刻低空间分辨率卫星的卫星图像,利用最小二乘法,估算每一类中归一化植被的指数的变化;
S4,利用估算的归一化植被指数变化,假设每个像素归一化植被指数类型没有变化,估算t2时刻高分辨率归一化植被指数;
S5,将估算的t2时刻高分辨率卫星的归一化植被指数重采样到卫星的卫星图像的分辨率,计算残差,并利用TPS插值把残差插值到高空间分辨率中;
S6,将重采样后的残差和估算的t2时刻高空间分辨率归一化植被指数相加,得到最终的预测结果。
优选的,所述基于6sv辐射传输模型的瑞利校正方法适用于无合适的瑞利校正方法的气象卫星。
优选的,所述基于数据融合的高时空分辨率蓝藻水华监测方法适用于无法实现高时空分辨率水华监测的单一气象卫星。
优选的,所述第一步中,气象卫星为葵花8号气象卫星和GK2A气象卫星。
优选的,所述第二步中,在模拟过程中将气溶胶类型设置为无气溶胶,同时将地面反射率设置为0。
与现有技术相比,本发明的有益效果:
本发明提供了一种简单易行的技术方案来做瑞利校正,该方法在葵花8号卫星和GK 2A卫星上取得了良好的效果,能够应用在内陆和近海水环境监测中的藻华监测、水质监测、水污染监测等多个方面。
本发明应用灵活时空数据融合方法来生成高时空分辨率的FAI指数信息。受益于静止卫星的高时间分辨率特征,能够为太湖周边环境监测部门及科研部门提供及时预警及太湖蓝藻日间变化信息,有利于当地部门及时做好蓝藻水华防控及蓝藻水华爆发诱因分析。同时基于灵活时空数据融合方法产生的高空间分辨率蓝藻水华分布图,能够及时观察到小范围的蓝藻水华爆发,减少蓝藻水华爆发的漏判。
附图说明
图1为本发明基于6sv辐射传输模型的瑞利校正方法流程图;
图2为本发明基于数据融合的高时空分辨率蓝藻水华监测方法流程图;
图3为本发明实施例中MODIS卫星捕捉的某湖泊区域真彩色图;
图4为本发明实施例中计算得到的归一化植被指数图;
图5为本发明实施例中基于葵花八号卫星得到的真彩色合成图(上行)和FAI指数图(下行);
图6为本发明实施例中葵花8号卫星和MODIS卫星融合得到的归一化植被指数指数图;
图7为本发明现有蓝藻水华遥感监测流程图。
具体实施方式
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,所描述的实施例仅仅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,本领域普通技术工作人员员在没有做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。
请参阅图1至图7,本发明提供一种技术方案:一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,包括基于6sv辐射传输模型的瑞利校正方法和基于数据融合的高时空分辨率蓝藻水华监测方法;
所述基于6sv辐射传输模型的瑞利校正方法的步骤如下:
第一步,将下载好的气象卫星数据进行辐射定标,得到大气顶层反射率RTOA;
第二步,根据气象卫星所携带的卫星方位角和太阳天顶角信息,利用6sv辐射传输模型针对每个像素点进行辐射传输模拟,此时可得到的表观反射率为瑞利反射率Rr;
第三步,将瑞利反射率Rr进行瑞丽矫正,获得瑞丽校正后的反射率Rrc可以由大气顶层反射率去除瑞利反射率得到,即Rrc=RTOA-Rr,其中:
Rrc:瑞丽校正后的反射率;
RTOA:大气顶层反射率;
Rr:瑞利反射率;
所述基于数据融合的高时空分辨率蓝藻水华监测方法步骤如下:
S1,选取高空间卫星和低空间卫星分辨率卫星在t1时刻的归一化植被指数计算结果和低空间分辨率卫星在t2时刻的归一化植被指数计算结果;
S2,利用ISODATA非监督分类算法,对t1时刻高空间分辨率卫星的归一化植被指数进行分类;
S3,依据t1时刻和t2时刻低空间分辨率卫星的卫星图像,利用最小二乘法,估算每一类中归一化植被的指数的变化;
S4,利用估算的归一化植被指数变化,假设每个像素归一化植被指数类型没有变化,估算t2时刻高分辨率归一化植被指数;
S5,将估算的t2时刻高分辨率卫星的归一化植被指数重采样到卫星的卫星图像的分辨率,计算残差,并利用TPS插值把残差插值到高空间分辨率中;
S6,将重采样后的残差和估算的t2时刻高空间分辨率归一化植被指数相加,得到最终的预测结果。
本实施例中,所述基于6sv辐射传输模型的瑞利校正方法适用于无合适的瑞利校正方法的气象卫星。
本实施例中,所述基于数据融合的高时空分辨率蓝藻水华监测方法适用于无法实现高时空分辨率水华监测的单一气象卫星。
本实施例中,所述第一步中,气象卫星为葵花8号气象卫星和GK2A气象卫星。
本实施例中,所述第二步中,在模拟过程中将气溶胶类型设置为无气溶胶,同时将地面反射率设置为0。
通过葵花卫星和MODIS卫星得到的FAI指数图和真彩色合成图如图4和图3所示,从图4和图3可以看到,该日上午有蓝藻水华发生,由于MODIS卫星是极地轨道卫星,仅仅获取了11:30一张卫星图像,而从葵花八号卫星图像可以看出,在早上9:30左右藻华就已经发生;
融合之后的结果空间分辨率更高,可以更清晰的看到该日早上从9:30开始的藻华发生过程,融合之后的结果拥有更高的时空分辨率,方便当地环境监测部门及时进行预警,也方便相关科研部门研究蓝藻水华的日间变化和生效规律,有利于更进一步治理蓝藻水华的环境污染问题。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术工作人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,其特征在于:包括基于6sv辐射传输模型的瑞利校正方法和基于数据融合的高时空分辨率蓝藻水华监测方法;
所述基于6sv辐射传输模型的瑞利校正方法的步骤如下:
第一步,将下载好的气象卫星数据进行辐射定标,得到大气顶层反射率RTOA;
第二步,根据气象卫星所携带的卫星方位角和太阳天顶角信息,利用6sv辐射传输模型针对每个像素点进行辐射传输模拟,此时可得到的表观反射率为瑞利反射率Rr;
第三步,将瑞利反射率Rr进行瑞丽矫正,获得瑞丽校正后的反射率Rrc可以由大气顶层反射率去除瑞利反射率得到,即Rrc=RTOA-Rr,其中:
Rrc:瑞丽校正后的反射率;
RTOA:大气顶层反射率;
Rr:瑞利反射率;
所述基于数据融合的高时空分辨率蓝藻水华监测方法步骤如下:
S1,选取高空间卫星和低空间卫星分辨率卫星在t1时刻的归一化植被指数计算结果和低空间分辨率卫星在t2时刻的归一化植被指数计算结果;
S2,利用ISODATA非监督分类算法,对t1时刻高空间分辨率卫星的归一化植被指数进行分类;
S3,依据t1时刻和t2时刻低空间分辨率卫星的卫星图像,利用最小二乘法,估算每一类中归一化植被的指数的变化;
S4,利用估算的归一化植被指数变化,假设每个像素归一化植被指数类型没有变化,估算t2时刻高分辨率归一化植被指数;
S5,将估算的t2时刻高分辨率卫星的归一化植被指数重采样到卫星的卫星图像的分辨率,计算残差,并利用TPS插值把残差插值到高空间分辨率中;
S6,将重采样后的残差和估算的t2时刻高空间分辨率归一化植被指数相加,得到最终的预测结果。
2.根据权利要求1所述的一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,其特征在于:所述基于6sv辐射传输模型的瑞利校正方法适用于无合适的瑞利校正方法的气象卫星。
3.根据权利要求1所述的一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,其特征在于:所述基于数据融合的高时空分辨率蓝藻水华监测方法适用于无法实现高时空分辨率水华监测的单一气象卫星。
4.根据权利要求1所述的一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,其特征在于:所述第一步中,气象卫星为葵花8号气象卫星和GK2A气象卫星。
5.根据权利要求1所述的一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,其特征在于:所述第二步中,在模拟过程中将气溶胶类型设置为无气溶胶,同时将地面反射率设置为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630081.8A CN115082309A (zh) | 2022-06-06 | 2022-06-06 | 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630081.8A CN115082309A (zh) | 2022-06-06 | 2022-06-06 | 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082309A true CN115082309A (zh) | 2022-09-20 |
Family
ID=83248852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210630081.8A Pending CN115082309A (zh) | 2022-06-06 | 2022-06-06 | 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082309A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN116879192A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
-
2022
- 2022-06-06 CN CN202210630081.8A patent/CN115082309A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN115760613B (zh) * | 2022-11-15 | 2024-01-05 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN116879192A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
CN116879192B (zh) * | 2023-09-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082309A (zh) | 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 | |
CN108445464B (zh) | 基于机器学习的卫星雷达反演融合方法 | |
Hossain et al. | Assessment of the impact of coastal reclamation activities on seagrass meadows in Sungai Pulai estuary, Malaysia, using Landsat data (1994–2017) | |
Chen et al. | Multi-temporal change detection of seagrass beds using integrated Landsat TM/ETM+/OLI imageries in Cam Ranh Bay, Vietnam | |
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
KR102461468B1 (ko) | 다분광 영상을 이용한 원격 적조 탐지방법 및 그 시스템 | |
CN114819150B (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
CN114239422B (zh) | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 | |
Jin et al. | A study of the environmental factors influencing the growth phases of Ulva prolifera in the southern Yellow Sea, China | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN111354054B (zh) | 一种极地可见光遥感自适应制图方法 | |
CN115062527B (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
CN116664947A (zh) | 一种基于卫星观测数据的蓝藻水华监测方法及系统 | |
Wang et al. | Temporal continuous monitoring of cyanobacterial blooms in Lake Taihu at an hourly scale using machine learning | |
Kabiri | Estimation of the Secchi disk depth from the NASA MODIS-Aqua diffuse attenuation coefficient data in the northern Persian Gulf and the Gulf of Oman: A spatiotemporal assessment | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
CN115144835B (zh) | 一种基于神经网络的卫星反演天气雷达反射率的方法 | |
Xu et al. | Classification of coral reef benthos around Ganquan Island using WorldView-2 satellite imagery | |
Bostater Jr et al. | Hyperspectral remote sensing protocol development for submerged aquatic vegetation in shallow waters | |
Zhu et al. | Spatiotemporal variations of total suspended matter in complex archipelagic regions using a sigmoid model and Landsat-8 imagery | |
CN115222837A (zh) | 真彩云图生成方法、装置、电子设备及存储介质 | |
Dörnhöfer et al. | Water colour analysis of Lake Kummerow using time series of remote sensing and in situ data | |
Pirhalla et al. | Water clarity patterns in South Florida coastal waters and their linkages to synoptic-scale wind forcing. | |
Wang et al. | Convection-unet: A deep convolutional neural network for convection detection based on the geo high-speed imager of fengyun-4b | |
CN112115405B (zh) | 基于图像识别的日间海雾雾区反演方法 |
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 |