CN116030362B - 一种高精度海冰密集度反演方法 - Google Patents
一种高精度海冰密集度反演方法 Download PDFInfo
- Publication number
- CN116030362B CN116030362B CN202310112846.3A CN202310112846A CN116030362B CN 116030362 B CN116030362 B CN 116030362B CN 202310112846 A CN202310112846 A CN 202310112846A CN 116030362 B CN116030362 B CN 116030362B
- Authority
- CN
- China
- Prior art keywords
- sea ice
- sea
- ice
- cloud
- range
- 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 38
- 230000003287 optical effect Effects 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract description 3
- 238000002310 reflectometry Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013535 sea water Chemical class 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000000052 comparative effect Effects 0.000 description 12
- 238000001914 filtration Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000005457 ice water Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 235000021581 juice product Nutrition 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及海冰密度检测技术领域，公开了一种高精度海冰密集度反演方法，包括收集目标海域光学遥感图像及与其相匹配的同一日期下的被动微波海冰密集度产品，并对收集的遥感图像进行预处理；提取步骤1预处理后图像的特征波段，并计算改进的归一化冰雪指数及每个特征波段对应的纹理特征指数；先验样本库的构建：从步骤1预处理后的图像中提取每个样本类别对应的样本数据；进行海冰范围提取：利用融合多特征的机器学习算法与阈值分割技术相结合的方法进行海冰提取；对步骤4所得的海冰范围结果进行后处理得到无云光学图像，利用统计冰像素个数的方法估算海冰密集度结果。本发明对于极地区域海冰密集度反演，准确性有所提高，反演精度更高。
Description
技术领域
本发明涉及海冰密度检测技术领域，尤其是一种高精度海冰密集度反演方法。
背景技术
海冰信息获取对全球气候变化、海洋物理过程和海上航运等方面具有重要意义。目前被动微波遥感是进行长期极地海冰监测的主要手段。随着极地海冰的加速消融，海上经济活动、航运事业也日趋频繁，高分辨率海冰数据在气候研究和海上航运等方面越来越受到广泛关注。
光学遥感数据不仅具有较高的空间分辨率，并且在极地区域能够拥有极高的每日观测频次，能够为实现更高时空分辨率的海冰监测提供有力的数据支撑。高时空分辨率、高精度的海冰产品也是评估数值模型来预测未来气候变化的重要验证数据之一。然而，由于光学遥感数据容易受到云雾的影响而模糊了地表特征。并且，云和冰雪具有相似的光谱特征，低层特征较为接近，致使二者非常容易混淆，这在很大程度上干扰了海冰识别的准确度。尤其是由细小冰晶组成的高云和冷云，其反射率与海冰的反射率非常接近，在识别中极易被误判为海冰。NASA网站提供的MOD29海冰反射率产品在探测新冰区域中出现的冰水混合区和被云覆盖的冰区或水区时，容易出现误判的问题。这其中的一个主要原因是MOD29产品使用的是MOD35云掩膜产品，该产品在极地区域识别精度不够，尤其是在冰的上空有薄云或雾覆盖的区域。
利用阈值技术进行冰水分离是当前在利用光学遥感数据进行验证阶段较为常用的识别海冰的方法。利用MODIS数据反演海冰密集度时，所利用的MOD35云掩膜产品在极地区域对云识别的准确度尚有很大的提高空间，以及所使用的传统的NDSI算法对海冰识别的准确性有待提高，这些误差对于海冰密集度反演精度影响较大。因此，如何准确的将冰雪和云进行准确识别，以获取高精度、高分辨率的海冰密集度数据，是当前利用光学遥感影像进行海冰监测和预测亟需解决的难题。
发明内容
为了克服现有技术中存在的上述问题，本发明提出一种高精度海冰密集度反演方法。
本发明解决其技术问题所采用的技术方案是：一种高精度海冰密集度反演方法，包括如下步骤：
步骤1，收集目标海域光学遥感图像及与其相匹配的同一日期下的被动微波海冰密集度产品，并对收集的遥感图像进行预处理；
步骤2，提取步骤1预处理后图像的特征波段，并计算改进的归一化冰雪指数及每个特征波段对应的纹理特征指数；
步骤3，先验样本库的构建：从步骤1预处理后的图像中提取每个样本类别对应的样本数据；
步骤4，进行海冰范围提取：利用融合多特征的机器学习算法与阈值分割技术相结合的方法进行海冰提取；
步骤5，对步骤4所得的海冰范围结果进行后处理得到无云光学图像，利用统计冰像素个数的方法估算海冰密集度结果；
所述步骤5中对海冰范围结果进行后处理的具体过程为：对步骤4所得的海冰范围结果进行云类别噪声去除，并重新归类为周边覆盖面积较大的类别；利用与海冰范围结果相匹配的被动微波海冰密集度产品对被云覆盖的区域进行填充。
上述的一种高精度海冰密集度反演方法，所述步骤2中特征波段包括a、b、d、g波段，a、b、d、g波段的中心波长分别为650±10nm、860±10nm、560±10nm、2165±40nm。
上述的一种高精度海冰密集度反演方法，所述步骤2中改进的归一化冰雪指数NDSII-2计算公式为：
NDSII-2=(Green-NIR)/(Green+NIR)
其中，Green和NIR分别为海冰在d和b波段的反射率；
所述步骤2中纹理特征指数RELBP计算公式为：
RELBP_CI(xc)=s(Φ(xc,w)-μw)
其中，xc,w是w*w大小的局部斑块，其中心位于xc位置；Φ()是应用于斑块的滤波器，μw是整张影像Φ(xc,w)的平均值。
上述的一种高精度海冰密集度反演方法，所述步骤3中样本类别包括海冰类别、海水类别和云类别。
上述的一种高精度海冰密集度反演方法，所述步骤4中海冰范围提取方法具体包括：
步骤4.1，从步骤3所构建的先验样本库中以采样块为单元进行自助采样，每次采样选取的是整个采样块；
步骤4.2，输入特征为反射率波段、改进的归一化冰雪指数、纹理特征指数作为输入特征，采用多种分类器机器学习算法进行模型训练，获得普适性较高的每种分类器的训练模型；
步骤4.3，输入待分类图像，利用步骤4.2所得的每种分类器训练模型和阈值分割技术进行海冰识别；
步骤4.4，将步骤4.3通过训练模型获取的海冰范围结果和基于阈值分割的海冰范围结果利用海冰判别准则逐像素进行集成，得到最终海冰范围结果。
上述的一种高精度海冰密集度反演方法，所述步骤4.4中海冰判别准则具体为：若当前像素在分类器训练模型中被判别为云类别，则该像素被判为云类别；否则，分别对每一种分类器获取的海冰范围结果和阈值分割结果通过赋予权重的方式，判别当前像素所属类别。
上述的一种高精度海冰密集度反演方法，所述步骤中利用与海冰范围结果相匹配的被动微波海冰密集度产品对被云覆盖的区域进行填充具体方法为：将被动微波海水密集度产品重采样到与光学图像空间分辨率相同，根据判别阈值与被动微波海冰密集度的大小判定海冰范围，若被动微波海冰密集度大于等于判别阈值，则为海冰类别，若被动微波海冰密集度小于判别阈值，则为水类别；利用获得的海冰范围结果提取海冰外缘线，根据海冰外缘线判断光学图像识别结果中被云区所在位置，若云区是在海冰外缘线的外部，则该区域全部被认为是水类别；若云区是在海冰外缘线的内部，则利用根据被动微波海冰密集度产品获取的海冰范围进行填充。
本发明的有益效果是，本发明提出了一种基于光学遥感图像反演海冰密集度的方法，对于极地区域海冰密集度反演，本发明中的方法与已有的方法相比，准确性有所提高，证明本发明中的反演方法应用于极地区域光学遥感图像海冰密集度反演精度更高，更具有优势。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明流程图；
图2为本发明实施例遥感影像示意图；
图3为本发明实施例得到的海冰密集度分布图；
图4为对比例1方法获取的海冰密集度分布图；
图5为对比例2方法获取的海冰密集度分布图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
本发明的具体实施例，一种光学遥感图像自动高精度反演海冰密集度的方法，以MODIS影像为例，成像时间为2022年5月28日，验证本发明效果。
实施例
以MODIS影像为例
S1.收集目标海域光学遥感图像MODIS L1B原始数据及与其相匹配的同一日期下的被动微波海冰密集度产品（此处利用的是AMSR2卫星数据反演的海冰密集度产品），并对MODIS数据进行预处理。目标海域光学遥感图像中包含a、b、d和g波段图像，在MODIS影像中具体表现为第1、2、4和7反射率波段，所对应的中心波长分别为645nm、859nm、555nm和2130nm。L1B数据为MODIS数据的1级产品数据，其中第1和2波段选取250m的数据，第4和7波段选取500m的数据（在进行预处理时，将这两种波段重采样为250m空间分辨率）。预处理包括几何校正、重采样、辐射定标和太阳天顶角订正等。
S2.对预处理后的图像选取特征波段。选择第1、2和7反射率波段、NDSII-2冰雪指数和RELBP纹理特征指数。由于冰雪在可见光波段（第1波段）中具有较强的反射性，在近红外波段（第2波段）和短波红外波段（第7波段）中具有较强的吸收性，本发明选取第7、2和1反射率波段的假彩色波段组合方式，能够使海冰、海水和云特征有更加明显的差异。NDSII-2冰雪指数选择利用绿波段（第4波段）和近红外波段（第2波段）的差异来突出海冰与其它地物间的反射率差异，从而提高海冰识别精度。由于海冰和云的光谱特征比较相似，本发明采取利用RELBP纹理特征指数根据可见光波段的纹理特征差异来突出海冰和云在纹理上的差异。
S3.根据特征选择结果构建先验样本库。对目标海域采取均匀采样，并且对每类样本像素数目尽量一致的原则。样本的选取是在第7、2和1波段假彩色组合方式下进行的，样本的总类别包括海冰、海水和云类别。由于海冰和云具有相似的光谱特征，二者比较容易混淆。为提高海冰和云的提取精度，在构建样本库时选取云类别更加精细和全面的样本，云类别又根据不同状态下的云在第7、2和1波段组合方式下所表现的不同颜色和纹理特征进行精细划分，将其划分为多个子类别包括云类别1、云类别2、云类别3和云类别4，云类别1为蓝色薄云、云类别2为蓝色厚云、云类别3为红云、云类别4为白云，之所以将蓝云精细划分，是因为在极地区域海冰和云出现混淆的问题主要表现在颜色为蓝色的云和海冰之间容易出现错误分类。
S4.根据构建好的先验样本库分别利用若干种分类器算法进行模型训练。输入特征选用三个反射率波段（第1、2和7反射率波段）、NDSII-2冰雪特征指数和三个反射率波段的RELBP纹理特征指数。从构建的先验样本库中，以采样块为单元进行自助采样，其中从先验样本库中选取80%作为训练样本，剩余20%样本作为验证样本。此处利用RF算法和SVM算法分别进行模型训练，获取两种普适性较高的训练模型。
S5.根据上述两种训练好的模型，输入任意一张经过特征选择后的待分类图像，进行海冰范围提取。其中待分类影像包括三个反射率波段（第1、2和7波段）以及四个经过计算的特征指数（NDSII-2指数以及分别从第1、2和7三个反射率波段获取的纹理特征指数）。并利用NDSII-2指数阈值T1进行海冰范围提取，此处，T1阈值设置为0.4，若大于0.4，被判为海冰，否则被判为海水。
S6.将上述利用两种分类器分别获取的海冰范围结果和基于NDSII-2指数阈值分割获取的结果通过海冰判别准则逐像素进行集成，得到最终的海冰范围结果。海冰判别准则如下：若当前像素在两种分类器算法中的任一算法中被判别为云类别，则该像素被判为云类别；否则，分别对每一种分类器获取的海冰范围结果和阈值分割结果通过赋予相同权重的方式，判别当前像素所属类别。根据上述判别准则逐像素判断，最终得到海冰范围结果。
S7.对海冰范围提取结果进行分类后处理。将海冰范围提取结果中云类别噪声点利用滤波的方式进行去除即将小于10个像素的连续云类别孤立点视为噪声点，进行滤除并重新归类为其周边覆盖面积较大的类别。
S8.对滤除噪声点的结果进行云区域填充。将相匹配的被动微波海冰密集度产品重采样到与光学遥感图像相同空间分辨率下，然后根据阈值T2判定是海冰范围结果和提取海冰外缘线。首先根据提取的海冰外缘线结果判断光学遥感图像海冰范围结果中被云覆盖区域所在位置。如果云区是在海冰外缘线的外部，则该区域全部被认为是水类别。如果云区是在海冰外缘线的内部，则利用根据被动微波海冰密集度产品获取的海冰范围进行填充。以MODIS数据为例，选取的AMSR2反演的被动微波海冰密集度产品，将其重采样到250m空间分辨率下，并将阈值T2设置为15%。
其中，Result代表判定类别，SIC代表被动微波海冰密集度，T2为判别阈值，此处选择阈值为15%。
S9.根据上述填充结果，利用滑动窗口的方式估算海冰密集度。首先统计10*10窗口内被判定为冰的像素点数，然后统计冰像素点总数占整个窗口所有像素点数的百分比，即为该窗口中心像素的海冰密集度。逐像素计算后获得海冰密集度分布图如图3所示。
利用两种对比例，以展示本发明与其他常用的海冰密集度估算方法在效果上的差异。
对比例1
S1.收集与实施例相对应的MOD29产品，即目标海域中成像日期为2022年5月28日的MOD29海冰覆盖产品及与其相匹配的同一日期下的AMSR2海冰密集度产品。
S2.对MOD29海冰产品进行云区域填充。将相匹配的被动微波海冰密集度产品重采样到与光学遥感图像相同空间分辨率下，然后根据阈值T2 判定是海冰范围结果和提取海冰外缘线。首先根据提取的海冰外缘线结果判断光学遥感图像海冰范围结果中被云覆盖区域所在位置。如果云区是在海冰外缘线的外部，则该区域全部被认为是水类别。如果云区是在海冰外缘线的内部，则利用根据被动微波海冰密集度产品获取的海冰范围进行填充。以MODIS数据为例，选取的AMSR2反演的被动微波海冰密集度产品，将其重采样到250m空间分辨率下，并将阈值T2设置为15%。
其中，Result代表判定类别，SIC代表被动微波海冰密集度，T2为判别阈值，此处选择阈值为15%。
S3.根据上述填充结果，利用滑动窗口的方式估算海冰密集度。首先统计10*10窗口内被判定为冰的像素点数，然后统计冰像素点总数占整个窗口所有像素点数的百分比，即为该窗口中心像素的海冰密集度。逐像素计算后获得海冰密集度分布图如图4所示。
对比例2
S1.收集与实施例相同的影像，即目标海域中光学遥感图像MODIS L1B原始数据及与其相匹配的同一日期下的AMSR2海冰密集度产品，并对MODIS数据进行预处理。L1B数据为MODIS数据的1级产品数据，其中第1和2波段选取250m的数据，第4和7波段选取500m的数据（在进行预处理时，将这两种波段重采样为250m空间分辨率）。预处理包括几何校正、重采样、辐射定标和太阳天顶角订正等。
S2.对预处理后的图像选取特征波段。选择第1、2和7反射率波段、NDSII-2冰雪指数和RELBP纹理特征指数。
S3.对预处理后的图像进行单独选取样本。根对目标海域采取均匀采样，每类样本像素数目尽量一致的原则。样本的选取是在第7、2和1波段假彩色组合方式下进行的，样本的总类别包括海冰、海水和云类别。
S4.根据选取好的训练样本，利用SVM分类器算法进行海冰范围提取。输入特征选用三个反射率波段（第1、2和7反射率波段）、NDSII-2冰雪特征指数和三个反射率波段的RELBP纹理特征指数。
S5.对海冰范围提取结果进行分类后处理。将海冰范围提取结果中云类别噪声点利用滤波的方式进行去除即将小于10个像素的连续云类别孤立点视为噪声点，进行滤除并重新归类为其周边覆盖面积较大的类别。
S6.对滤除噪声点的结果进行云区域填充。将相匹配的被动微波海冰密集度产品重采样到与光学遥感图像相同空间分辨率下，然后根据阈值T2判定是海冰范围结果和提取海冰外缘线。首先根据提取的海冰外缘线结果判断光学遥感图像海冰范围结果中被云覆盖区域所在位置。如果云区是在海冰外缘线的外部，则该区域全部被认为是水类别。如果云区是在海冰外缘线的内部，则利用根据被动微波海冰密集度产品获取的海冰范围进行填充。以MODIS数据为例，选取的AMSR2反演的被动微波海冰密集度产品，将其重采样到250m空间分辨率下，并将阈值T2设置为15%。
其中，Result代表判定类别，SIC代表被动微波海冰密集度，T2为判别阈值，此处选择阈值为15%。
S7.根据上述填充结果，利用滑动窗口的方式估算海冰密集度。首先统计10*10窗口内被判定为冰的像素点数，然后统计冰像素点总数占整个窗口所有像素点数的百分比，即为该窗口中心像素的海冰密集度。逐像素计算后获得海冰密集度分布图如图5所示。
实施例和对比例1、对比例2的部分像素计算结果对比如表1所示。
表1部分像素计算结果对比
其中，实施例剩余标准差（RMSE）为3.66%，对比例1和对比例2的RMSE分别为22.48%和8.37%。实施例的RMSE小于对比例RMSE，相较于对比例1 RMSE减小了10.27%，相较于对比例2 RMSE减小了2.86%。对比图3-5可以证明，相比对比例1和对比例2的海冰密集度，实施例所估算的海冰范围更加符合实际情况。综上所述，实施例反演海冰密集度的方法更加精确和稳定。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (6)
1.一种高精度海冰密集度反演方法，其特征在于：包括如下步骤：
步骤1，收集目标海域光学遥感图像及与其相匹配的同一日期下的被动微波海冰密集度产品，并对收集的遥感图像进行预处理；
步骤2，提取步骤1预处理后图像的特征波段，并计算改进的归一化冰雪指数及每个特征波段对应的纹理特征指数；
步骤3，先验样本库的构建：从步骤1预处理后的图像中提取每个样本类别对应的样本数据；
步骤4，进行海冰范围提取：利用融合多特征的机器学习算法与阈值分割技术相结合的方法进行海冰提取；
步骤5，对步骤4所得的海冰范围结果进行后处理得到无云光学图像，利用统计冰像素个数的方法估算海冰密集度结果；
所述步骤5中对海冰范围结果进行后处理的具体过程为：对步骤4所得的海冰范围结果进行云类别噪声去除，并重新归类为周边覆盖面积较大的类别；利用与海冰范围结果相匹配的被动微波海冰密集度产品对被云覆盖的区域进行填充；
所述步骤4中海冰范围提取方法具体包括：
步骤4.1，从步骤3所构建的先验样本库中以采样块为单元进行自助采样，每次采样选取的是整个采样块；
步骤4.2，输入特征为反射率波段、改进的归一化冰雪指数、纹理特征指数作为输入特征，采用多种分类器机器学习算法进行模型训练，获得普适性较高的每种分类器的训练模型；
步骤4.3，输入待分类图像，利用步骤4.2所得的每种分类器训练模型和阈值分割技术进行海冰识别；
步骤4.4，将步骤4.3通过训练模型获取的海冰范围结果和基于阈值分割的海冰范围结果利用海冰判别准则逐像素进行集成，得到最终海冰范围结果。
2.根据权利要求1所述的一种高精度海冰密集度反演方法，其特征在于，所述步骤2中特征波段包括a、b、d、g波段，a、b、d、g波段的中心波长分别为650±10nm、860±10nm、560±10nm、2165±40nm。
3.根据权利要求2所述的一种高精度海冰密集度反演方法，其特征在于，所述步骤2中改进的归一化冰雪指数NDSII-2计算公式为：
其中，Green和NIR分别为海冰在d和b波段的反射率；
所述步骤2中纹理特征指数RELBP计算公式为：
其中，
是/>
大小的局部斑块，其中心位于/>
位置；/>
是应用于斑块的滤波器，/>
是整张影像/>
的平均值。
4.根据权利要求1所述的一种高精度海冰密集度反演方法，其特征在于，所述步骤3中样本类别包括海冰类别、海水类别和云类别。
5.根据权利要求1所述的一种高精度海冰密集度反演方法，其特征在于，所述步骤4.4中海冰判别准则具体为：若当前像素在分类器训练模型中被判别为云类别，则该像素被判为云类别；否则，分别对每一种分类器获取的海冰范围结果和阈值分割结果通过赋予权重的方式，判别当前像素所属类别。
6.根据权利要求1所述的一种高精度海冰密集度反演方法，其特征在于，所述步骤中利用与海冰范围结果相匹配的被动微波海冰密集度产品对被云覆盖的区域进行填充具体方法为：将被动微波海水密集度产品重采样到与光学图像空间分辨率相同，根据判别阈值与被动微波海冰密集度的大小判定海冰范围，若被动微波海冰密集度大于等于判别阈值，则为海冰类别，若被动微波海冰密集度小于判别阈值，则为水类别；利用获得的海冰范围结果提取海冰外缘线，根据海冰外缘线判断光学图像识别结果中被云区所在位置，若云区是在海冰外缘线的外部，则该区域全部被认为是水类别；若云区是在海冰外缘线的内部，则利用根据被动微波海冰密集度产品获取的海冰范围进行填充。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112846.3A CN116030362B (zh) | 2023-02-15 | 2023-02-15 | 一种高精度海冰密集度反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310112846.3A CN116030362B (zh) | 2023-02-15 | 2023-02-15 | 一种高精度海冰密集度反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116030362A CN116030362A (zh) | 2023-04-28 |
| CN116030362B true CN116030362B (zh) | 2023-06-09 |
Family
ID=86073923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310112846.3A Active CN116030362B (zh) | 2023-02-15 | 2023-02-15 | 一种高精度海冰密集度反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116030362B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519058A (zh) * | 2018-03-21 | 2018-09-11 | 国家海洋环境监测中心 | 一种光学遥感图像估算一年生海冰厚度的方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2627568C2 (ru) * | 2015-12-16 | 2017-08-08 | Федеральное государственное бюджетное учреждение "Арктический и антарктический научно-исследовательский институт" | Способ оценки интенсивности дождя по данным измерений спутникового микроволнового радиометра amsr2 |
| CN112051221A (zh) * | 2020-08-27 | 2020-12-08 | 武汉大学 | 一种基于时空系点值的海冰密集度获取方法 |
| CN112308901B (zh) * | 2020-10-28 | 2022-11-08 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
| CN114821348A (zh) * | 2021-01-28 | 2022-07-29 | 中国科学院空天信息创新研究院 | 一种海冰制图方法 |
| CN113484924A (zh) * | 2021-07-13 | 2021-10-08 | 山东省海洋预报减灾中心 | 一种海冰灾害的遥感监测评估方法 |
| CN115311571A (zh) * | 2022-08-30 | 2022-11-08 | 南京信息工程大学 | 一种基于近红外波段光学遥感影像的海冰密集度反演方法 |
-
2023
- 2023-02-15 CN CN202310112846.3A patent/CN116030362B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519058A (zh) * | 2018-03-21 | 2018-09-11 | 国家海洋环境监测中心 | 一种光学遥感图像估算一年生海冰厚度的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116030362A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shao et al. | Cloud detection in remote sensing images based on multiscale features-convolutional neural network | |
| Praz et al. | Solid hydrometeor classification and riming degree estimation from pictures collected with a Multi-Angle Snowflake Camera | |
| US8594375B1 (en) | Advanced cloud cover assessment | |
| Pouliot et al. | Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration | |
| US8116522B1 (en) | Ship detection system and method from overhead images | |
| Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
| CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| CN109146890A (zh) | 基于滤波器的高光谱图像的异常目标检测方法 | |
| CN110570462A (zh) | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 | |
| CN108492288B (zh) | 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法 | |
| CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN114972793A (zh) | 一种轻量级神经网络船舶水尺读数识别方法 | |
| CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
| 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 | |
| CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
| CN116503912B (zh) | 基于电子图囊的安检预警方法 | |
| CN116030362B (zh) | 一种高精度海冰密集度反演方法 | |
| Liu et al. | An automatic high confidence sets selection strategy for SAR images change detection | |
| CN113689414B (zh) | 一种高寒地区长时间序列高频率ndvi生成方法和装置 | |
| CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
| CN112036246B (zh) | 遥感影像分类模型的构建方法，遥感影像分类方法及系统 |
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 |