CN116380811A - 一种基于氧气吸收带的云检测方法 - Google Patents
一种基于氧气吸收带的云检测方法 Download PDFInfo
- Publication number
- CN116380811A CN116380811A CN202310315739.0A CN202310315739A CN116380811A CN 116380811 A CN116380811 A CN 116380811A CN 202310315739 A CN202310315739 A CN 202310315739A CN 116380811 A CN116380811 A CN 116380811A
- Authority
- CN
- China
- Prior art keywords
- oxygen absorption
- cloud
- absorption band
- index
- satellite
- 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
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 129
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 98
- 239000001301 oxygen Substances 0.000 title claims abstract description 98
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 98
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 16
- 230000005855 radiation Effects 0.000 claims description 31
- 238000011160 research Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003909 pattern recognition Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 12
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000008276 ice cloud Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9017—Indexing; Data structures therefor; Storage structures using directory or table look-up
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Astronomy & Astrophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于氧气吸收带的云检测方法。该方法在对被动遥感卫星观测数据进行必要的校正之后,计算大气中氧气的光谱吸收特征,然后根据氧气吸收特征计算空间纹理信息,最后将被动遥感卫星数据的光谱和空间纹理信息输入人工神经网络,以实现被动遥感卫星影像的云检测。该方法创新性地引入被动遥感影像光谱吸收特征的空间纹理信息,显著提高了云像元的识别精度,尤其使光学薄云的识别精度提高了约20%。
Description
技术领域
本发明属于卫星被动遥感技术领域,具体涉及一种基于氧气吸收带的云检测方法。
背景技术
卫星被动遥感技术能够通过观测大气分子、气溶胶和地表反射的太阳辐射来反演大气组分的特征。然而,卫星的辐射观测会受到云信号的干扰,导致卫星被动遥感反演的大气参量不准确。因此,准确识别遥感影像中的云像元是从卫星观测中反演大气组分信息的重要前提,尤其是痕量气体反演。准确的云检测算法也就成为了大气遥感反演工作的重要技术支撑之一。
现阶段投入到应用的被动遥感卫星云检测方法主要分为三类:基于卫星光谱分析的阈值方法、基于卫星影像空间信息的方法和以人工神经网络为核心的方法。以卫星光谱阈值为核心的方法是根据被动遥感卫星获取的辐亮度等信息,选择合适的全局阈值来区分云像元和晴空像元。这种方法实施较为便捷,但是单一的阈值较大程度上忽略了不同的云的辐射差异,因此容易出现低估或者高估现象。基于被动遥感影像空间信息的方法,基于影像各像元之间的空间分布特性,提取相应的空间纹理参数用于区分云像元。基于空间信息的方法考虑了云的局部特征,但是提取空间信息往往具有较高的复杂度和较大的运算量。神经网络的方法即利用神经网络的学习特性提取云像元和晴空像元的特征,从而达到云检测的目标。以神经网络为核心的方法能够识别出不同的云的光谱特性,其在云检测领域具有较好的应用前景。
云显著改变了太阳辐射在大气中的传播路径,使得氧气吸收带的卫星观测中云具有明显的辐射特征。已经投入到卫星产品应用中的云检测方法就是利用了云在不同卫星观测通道的辐射信息,识别卫星遥感影像中的云像元。然而,现有的云检测算法对于光学厚度较小的云以及云边缘像元识别能力有限,并且在部分类型的地表(沙漠、冰面等)上识别出了过多的云像元,导致对痕量气体浓度的错误估计。此外,随着卫星遥感技术的发展,卫星影像具有更高的空间分辨率,使得利用其空间纹理信息进行云检测成为了可行的方法,而当前卫星应用产品尚未涵盖卫星影像的空间信息。发展准确的卫星遥感影像云检测方法,能够为大气被动遥感反演提供可靠的云层位置,进而推动卫星被动遥感产品的高精度生产。
发明内容
针对目前云检测算法对于光学薄云和云边缘像素检测不准确的问题,本发明提供一种基于氧气吸收带的云检测方法,从氧气吸收带遥感卫星观测数据中提取云的辐射信息,利用局部空间纹理信息以增强光学薄云和云边缘像素的信号,通过模式识别神经网络实现高精度的云检测。
为了达到上述目的,本发明提供的技术方案是一种基于氧气吸收带的云检测方法,包括以下步骤:
步骤1,提取经过观测角度和地表信息校正后的辐射信息;
步骤1.1,获取目标研究区的氧气吸收带卫星辐亮度数据,以及相应的太阳和卫星观测角度,包括太阳天顶角、卫星天顶角、相对方位角;
步骤1.2,对步骤1.1获取的氧气吸收带卫星辐亮度数据进行预处理。
步骤1.3,对预处理之后的辐亮度数据进行负对数形式的波段运算,得到氧气吸收指数A;
步骤1.4,根据辐射传输模型,由指定间隔的太阳天顶角、卫星观测天顶角和相对方位角,计算出空气质量因子查找表LUTamf;
步骤1.5,提取卫星观测数据中各像元的太阳和卫星观测角度,根据空气质量因子查找表LUTamf,计算得到角度修正后的氧气吸收指数A';
步骤1.6,获取目标研究区的地面高度数据,通过随机森林模型,建立地面高度与角度修正后的氧气吸收指数A'的回归关系,模拟晴空状态下研究区的氧气吸收指数A0;
步骤1.7,将角度修正后的氧气吸收指数A'与晴空状态下的氧气吸收指数A0作差,得到最终提取的辐射信息,即氧气吸收云指数A”;
步骤2,提取卫星影像辐射信息的空间纹理信息asm;
步骤3,构建模式识别神经网络模型,并利用步骤1获取的氧气吸收云指数A”和步骤2获取的空间纹理信息asm,以及高精度的参照云产品对网络进行训练;
步骤3.1,获取目标研究区相应的参照云产品,筛选出其中高精度的云像元和晴空像元数据,记作Ctarget;
步骤3.2,根据误差后向传播理论,设计单隐含层模式识别神经网络,其中隐含层包含十二个神经元,激活函数为tansig,将氧气吸收云指数A”和纹理信息asm作为网络的输入,将高精度的参照云产品Ctarget作为网络的输出,训练并保存该神经网络;
步骤4,利用步骤3训练好的神经网络得到云检测结果,与辐亮度产品相应的主动雷达云产品进行分析比较,对神经网络的检测效果进行验证。
而且,所述步骤1.2中对卫星获取的氧气吸收带辐亮度数据进行预处理,根据氧气吸收带的波长对氧气吸收带辐亮度数据进行重采样,获得波长一致的卫星影像。
而且,所述步骤1.3中在重采样后的氧气吸收带辐亮度数据中,随机选择n个波长的辐亮度,根据辐亮度的强弱,选择辐亮度最大的波段作为非吸收波段,将剩余n-1个辐亮度作为吸收波段辐亮度,建立负对数形式的运算关系,得到n-1个吸收波段的氧气吸收指数A,即Ak表示各个吸收波段的氧气吸收指数,I(λ0)表示非吸收波段辐亮度,I(λk)表示各个吸收波段辐亮度。
而且,所述步骤1.5中提取卫星观测数据中各像元的太阳和卫星观测角度,根据空气质量因子查找表LUTamf,使用线性插值方法得到各吸收波段对应的空气质量因子amf,将各吸收波段氧气吸收指数A与空气质量因子amf作商,获得角度修正后的氧气吸收指数A'。
而且,所述步骤2中根据提取空间信息的计算量,选择合适的灰度级Ng,以一定的步长d和方向θ,计算N×N大小窗口内氧气吸收云指数A”的灰度共生矩阵Ng×Ng,记作分别计算各方向的灰度共生矩阵的角二阶矩值,即灰度共生矩阵元素平方和,并取最小值作为当前滑动窗口中心像元的纹理信息,记作asm;利用滑动窗口遍历氧气吸收云指数图像,得到每个像元的纹理信息。
与现有技术相比,本发明具有如下优点:
1)本发明提取了被动遥感卫星影像的光谱吸收特征的空间纹理信息,并将其应用到云检测中,显著提高了云检测精度。
2)本发明所提方法实现了高精度的云检测,尤其体现于沙漠地区、冰雪覆盖地区等,有效地弥补了现有算法在识别光学薄云和云边缘像素时的局限性。
3)本发明训练完成的神经网络模型能够快速地进行云检测,并且其结果准确,能够为大气痕量气体反演提供有效的云掩膜。
附图说明
图1为本发明实施例的流程图。
图2为本发明与现有方法云检测精度对比,其中图2(a)为以CAL_LID_L2_VFM产品为参照,本发明所提方法与S5P-NPP产品在检测不同相态的云时的精度,图2(b)为以CAL_LID_L2_VFM产品为参照,本发明所提方法与S5P-NPP产品在检测不同类型的云时的精度,图2(c)为以Cloudnet产品为参照,本发明所提方法与S5P_L2_CLD产品和S5P-NPP产品在地面站观测中的云检测精度。
具体实施方式
本发明提供一种基于氧气吸收带的云检测方法,下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明提供一种基于氧气吸收带的云检测方法,包括以下步骤:
步骤1,提取经过观测角度和地表信息校正后的辐射信息。
步骤1.1,获取目标研究区的氧气吸收带卫星辐亮度数据,以及相应的太阳和卫星观测角度,包括太阳天顶角、卫星天顶角、相对方位角。
步骤1.2,对步骤1.1获取的氧气吸收带卫星辐亮度数据进行预处理。
由于卫星观测时望远镜和光学系统中存在的光学像差,卫星辐亮度数据中可能存在波长漂移的现象,因此需要对卫星获取的氧气吸收带辐亮度数据进行预处理,根据氧气吸收带的波长对氧气吸收带辐亮度数据进行重采样,获得波长一致的卫星影像。
步骤1.3,对预处理之后的辐亮度数据进行负对数形式的波段运算,得到氧气吸收指数A。
步骤1.4,根据辐射传输模型,由指定间隔的太阳天顶角、卫星观测天顶角和相对方位角,计算出空气质量因子查找表LUTamf。
步骤1.5,提取卫星观测数据中各像元的太阳和卫星观测角度,根据空气质量因子查找表LUTamf,计算得到角度修正后的氧气吸收指数A'。
空气质量因子(AMF)反映了大气倾斜路径辐射与垂直路径辐射的关系。由于太阳辐射经过大气到达卫星的视线是多样的,其由成像时的太阳天顶角、卫星天顶角和相对方位角所决定,而提取大气中云的信息理想状态是基于垂直于大气层顶的观测,因此需要利用空气质量因子对氧气吸收指数A进行角度校正。提取卫星观测数据中各像元的太阳和卫星观测角度,根据空气质量因子查找表LUTamf,使用线性插值方法得到各吸收波段对应的空气质量因子amf,将各吸收波段氧气吸收指数A与空气质量因子amf作商,获得角度修正后的氧气吸收指数A'。
步骤1.6,获取目标研究区的地面高度数据,通过随机森林模型,建立地面高度与角度修正后的氧气吸收指数A'的回归关系,模拟晴空状态下研究区的氧气吸收指数A0。
考虑到氧气吸收带的辐射强度与光子在大气中传播的路径长度相关,地表高度是晴空状态下氧气吸收强度的主要因子。
步骤1.7,将角度修正后的氧气吸收指数A'与晴空状态下的氧气吸收指数A0作差,得到最终提取的辐射信息,即氧气吸收云指数A”。
由于卫星观测数据不可避免地包含地表的散射和反射等辐射信息,而这对提取大气辐射信息进行云检测造成了干扰。因此根据模拟的晴空状态下的氧气吸收指数A0,去除氧气吸收信息中地面因素的干扰,得到以云为主要因子的氧气吸收指数,即氧气吸收云指数A”。
步骤2,提取卫星影像辐射信息的空间纹理信息。
根据提取空间信息的计算量,选择合适的灰度级Ng,以一定的步长d和方向θ,计算N×N大小窗口内氧气吸收云指数A”的灰度共生矩阵Ng×Ng,记作分别计算各方向的灰度共生矩阵的角二阶矩值,即灰度共生矩阵元素平方和,并取最小值作为当前滑动窗口中心像元的纹理信息,记作asm。利用滑动窗口遍历氧气吸收云指数图像,得到每个像元的纹理信息。
步骤3,构建模式识别神经网络模型,并利用步骤1获取的氧气吸收云指数A”和步骤2获取的纹理信息asm,以及高精度的参照云产品训练网络。
步骤3.1,获取目标研究区相应的参照云产品,筛选出其中高精度的云像元和晴空像元数据,记作Ctarget。
步骤3.2,根据误差后向传播理论,设计单隐含层模式识别神经网络,其中隐含层包含十二个神经元,激活函数为tansig。将上述氧气吸收云指数A”和纹理信息asm作为网络的输入,将高精度的参照云产品Ctarget作为网络的输出,训练并保存该神经网络。
由于模式识别神经网络输出是判断云像元的概率,以受试者工作特征曲线(ROC)分析并优化区分云像元的最小概率值。
步骤4,利用步骤3训练好的神经网络得到云检测结果,与辐亮度产品相应的主动雷达云产品进行分析比较,对神经网络的检测效果进行验证。
下面以Sentinel-5P卫星影像云检测为例,进一步阐述本发明的技术方案。
1、实施目标
当前Sentinel-5P卫星云产品在识别光学薄云和云边缘上具有局限性,干扰了后续臭氧等痕量气体的反演。因此,可以应用本发明实现高精度的云检测,包括对光学薄云和云边缘的识别。
2、数据选择
Sentinel-5P卫星TROPOMI仪器观测到的辐亮度产品S5P_L1B_RAD_BD6提供了全球覆盖的氧气A吸收带(758-778纳米)辐亮度,以及相应的太阳和卫星观测角度。基于Sentinel-5P卫星TROPOMI仪器建立的S5P_L2_CLD产品提供了卫星观测时地表的高度信息。基于Sentinel-5P卫星TROPOMI仪器和Suomi NPP卫星VIIRS仪器建立的S5P-NPP产品提供了高分辨率的参照云产品。基于CALIPSO卫星建立的CAL_LID_L2_VFM产品提供了少量高精度的云掩膜产品。基于地面站点Cloudnet观测数据建立的classification产品提供了地表固定位置、全天时的云掩膜数据。
为了能在地面站点验证Sentinel-5P卫星氧气吸收带云检测的精度,选择2021年7月欧洲-非洲经度范围(50°W-60°E)的S5P_L1B_RAD_BD6产品,S5P_L2_CLD产品和S5P-NPP产品,建立神经网络模型,并且利用CAL_LID_L2_VFM产品和Cloudnet classification产品进行验证。
3、实施过程
步骤1,辐射信息的提取。
步骤1.1,收集2021年7月50°W-60°E范围内的S5P_L1B_RAD_BD6产品(辐亮度、太阳和卫星观测角度)、S5P_L2_CLD产品(地面高度)和S5P-NPP产品。
步骤1.2,根据氧气A吸收带的波长对S5P_L1B_RAD_BD6产品进行重采样,获得波长一致的卫星影像。
步骤1.3,在重采样后的S5P_L1B_RAD_BD6产品中,选择759.25纳米、760.72纳米、764.25纳米和766.69纳米四个波长的辐亮度,以759.25纳米的辐亮度作为非吸收波段辐亮度(分母),并分别以760.72纳米、764.25纳米和766.69纳米的辐亮度作为吸收波段辐亮度(分子),建立负对数形式的运算关系,得到三个吸收波段的氧气吸收指数A。即λ1=760.72,λ2=764.25,λ3=766.69nm,λ0=759.25nm。
步骤1.4,依据辐射传输模型,建立太阳天顶角、卫星观测天顶角、相对方位角和空气质量因子的查找表LUTamf,并根据S5P_L1B_RAD_BD6产品中对应的太阳和卫星观测角度对查找表进行插值,得到各吸收波段对应的空气质量因子amf。
步骤1.5,将各吸收波段氧气吸收指数A与空气质量因子amf作商,获得角度修正后的氧气吸收指数A'。
步骤1.6,筛选S5P-NPP产品,去除其中高海拔地区、高纬度地区等云检测不准确的区域,得到参照云掩膜Ctarget。
步骤1.7,根据筛选后的参照云掩膜Ctarget,通过随机森林模型分别建立地面高度与各吸收波段晴空下修正后的氧气吸收指数A'的回归关系,并利用随机森林模型模拟各吸收波段在晴空下的氧气吸收指数A0。
步骤1.8,将角度修正后的氧气吸收指数A'与各吸收波段在晴空下的氧气吸收指数A0作差,得到各吸收波段的氧气吸收云指数A”。
步骤2,空间纹理信息的提取。
步骤2.1,在各吸收波段内,以5×5的窗口遍历氧气吸收云指数A”,以64阶灰度级和1像素的步长,分别计算0°、45°、90°和135°四个方向的灰度共生矩阵。
步骤2.2,在各灰度共生矩阵内,分别计算四个方向的角二阶矩,即灰度共生矩阵元素平方和,并取角二阶矩的最小值作为窗口的中心像元的纹理值asm。
步骤3,神经网络模型的构建与训练。
步骤3.1,根据误差后向传播理论,设计单隐含层模式识别神经网络,将各吸收波段的辐亮度、氧气吸收云指数A”、纹理值asm作为网络的输入,将筛选后的参照云掩膜Ctarget作为网络的输出,训练神经网络。模式识别神经网络隐含层包含十二个神经元,激活函数为tansig。
步骤4,收集2021年9月50°W-60°E范围内的S5P_L1B_RAD_BD6产品、S5P_L2_CLD产品、S5P-NPP产品、CAL_LID_L2_VFM产品和Cloudnet产品,使用训练后的神经网络得到云检测结果,并分别将本发明所提方法获得的云检测结果和现有算法得到的云检测结果、CAL_LID_L2_VFM产品和Cloudnet产品相比较,对神经网络的检测效果进行验证。
4、结果评价
为验证本发明的优势,设计验证实验。实验收集了与S5P_L1B_RAD_BD6产品相应的CAL_LID_L2_VFM产品和Cloudnet产品,并将其作为验证数据集。然后分别将本发明所提方法计算的云产品、现有的Sentinel-5P卫星应用产品与验证数据集进行对比,以验证本发明的在识别云时的准确性。
图2(a)展示了本发明所提方法与S5P-NPP产品在检测不同相态的云时的精度,本发明所提方法在检测冰云时具有明显的优势,冰云检测的错误率由0.2399降低至0.0218。图2(b)展示了本发明所提方法与S5P-NPP产品在检测不同类型的云时的精度,本发明所提方法在检测低阴云、高积云、卷云等光学薄云时具有明显的优势,光学薄云的正分类率普遍提高了20%以上。图2(c)展示了本发明所提方法与S5P_L2_CLD产品和S5P-NPP产品在地面站观测中的云检测精度,本发明所提方法的云检测精度(0.9561)高于其他两种应用产品(0.7456,0.7456),尤其体现于高纬度地区(ny-alesund、hyytiala、norunda站点)。可见,本发明能够显著提高云检测精度,尤其在光学薄云的检测上优于现有产品。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例,做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于氧气吸收带的云检测方法,其特征在于,包括以下步骤:
步骤1,提取经过观测角度和地表信息校正后的辐射信息;
步骤1.1,获取目标研究区的氧气吸收带卫星辐亮度数据,以及相应的太阳和卫星观测角度,包括太阳天顶角、卫星天顶角、相对方位角;
步骤1.2,对步骤1.1获取的氧气吸收带卫星辐亮度数据进行预处理;
步骤1.3,对预处理之后的辐亮度数据进行负对数形式的波段运算,得到氧气吸收指数A;
步骤1.4,根据辐射传输模型,由指定间隔的太阳天顶角、卫星观测天顶角和相对方位角,计算出空气质量因子查找表LUTamf;
步骤1.5,提取卫星观测数据中各像元的太阳和卫星观测角度,根据空气质量因子查找表LUTamf,计算得到角度修正后的氧气吸收指数A';
步骤1.6,获取目标研究区的地面高度数据,通过随机森林模型,建立地面高度与角度修正后的氧气吸收指数A'的回归关系,模拟晴空状态下研究区的氧气吸收指数A0;
步骤1.7,将角度修正后的氧气吸收指数A'与晴空状态下的氧气吸收指数A0作差,得到最终提取的辐射信息,即氧气吸收云指数A”;
步骤2,提取卫星影像辐射信息的空间纹理信息asm;
步骤3,构建模式识别神经网络模型,并利用步骤1获取的氧气吸收云指数A”和步骤2获取的空间纹理信息asm,以及高精度的参照云产品对网络进行训练;
步骤4,利用步骤3训练好的神经网络得到云检测结果,与辐亮度产品相应的主动雷达云产品进行分析比较,对神经网络的检测效果进行验证。
2.如权利要求1所述的一种基于氧气吸收带的云检测方法,其特征在于:步骤1.2中对卫星获取的氧气吸收带辐亮度数据进行预处理,根据氧气吸收带的波长对氧气吸收带辐亮度数据进行重采样,获得波长一致的卫星影像。
4.如权利要求1所述的一种基于氧气吸收带的云检测方法,其特征在于:步骤1.5中提取卫星观测数据中各像元的太阳和卫星观测角度,根据空气质量因子查找表LUTamf,使用线性插值方法得到各吸收波段对应的空气质量因子amf,将各吸收波段氧气吸收指数A与空气质量因子amf作商,获得角度修正后的氧气吸收指数A'。
5.如权利要求1所述的一种基于氧气吸收带的云检测方法,其特征在于:步骤2中根据提取空间信息的计算量,选择合适的灰度级Ng,以一定的步长d和方向θ,计算N×N大小窗口内氧气吸收云指数A”的灰度共生矩阵Ng×Ng,记作PNg(d,θ);分别计算各方向的灰度共生矩阵的角二阶矩值,即灰度共生矩阵元素平方和,并取最小值作为当前滑动窗口中心像元的纹理信息,记作asm;利用滑动窗口遍历氧气吸收云指数图像,得到每个像元的纹理信息。
6.如权利要求1所述的一种基于氧气吸收带的云检测方法,其特征在于:步骤3包括以下几个子步骤:
步骤3.1,获取目标研究区相应的参照云产品,筛选出其中高精度的云像元和晴空像元数据,记作Ctarget;
步骤3.2,根据误差后向传播理论,设计单隐含层模式识别神经网络,其中隐含层包含十二个神经元,激活函数为tansig,将氧气吸收云指数A”和纹理信息asm作为网络的输入,将高精度的参照云产品Ctarget作为网络的输出,训练并保存该神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315739.0A CN116380811B (zh) | 2023-03-28 | 2023-03-28 | 一种基于氧气吸收带的云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315739.0A CN116380811B (zh) | 2023-03-28 | 2023-03-28 | 一种基于氧气吸收带的云检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116380811A true CN116380811A (zh) | 2023-07-04 |
CN116380811B CN116380811B (zh) | 2024-05-10 |
Family
ID=86980013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310315739.0A Active CN116380811B (zh) | 2023-03-28 | 2023-03-28 | 一种基于氧气吸收带的云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116380811B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
CN112345151A (zh) * | 2020-10-15 | 2021-02-09 | 洛阳师范学院 | 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法 |
CN114819150A (zh) * | 2022-06-28 | 2022-07-29 | 自然资源部第二海洋研究所 | 一种极地海洋冬季初级生产力遥感反演方法 |
KR102496741B1 (ko) * | 2022-08-31 | 2023-02-08 | 대한민국 | 인공위성 영상을 이용한 열분포도 작성 시스템 |
-
2023
- 2023-03-28 CN CN202310315739.0A patent/CN116380811B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
CN112345151A (zh) * | 2020-10-15 | 2021-02-09 | 洛阳师范学院 | 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法 |
CN114819150A (zh) * | 2022-06-28 | 2022-07-29 | 自然资源部第二海洋研究所 | 一种极地海洋冬季初级生产力遥感反演方法 |
KR102496741B1 (ko) * | 2022-08-31 | 2023-02-08 | 대한민국 | 인공위성 영상을 이용한 열분포도 작성 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN116380811B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
CN111415309B (zh) | 一种基于最小反射率法的高分辨率遥感影像大气校正方法 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN114113001A (zh) | 一种气溶胶光学厚度反演方法 | |
CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN111104888A (zh) | Aviris高分辨率数据支持的云检测算法自动生成技术 | |
US20050036661A1 (en) | Spatial surface prior information reflectance estimation (SPIRE) algorithms | |
US10650498B2 (en) | System, method, and non-transitory, computer-readable medium containing instructions for image processing | |
CN116519557A (zh) | 一种气溶胶光学厚度反演方法 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
CN111145351A (zh) | 考虑地物类型的Minnaert地形校正模型优化方法 | |
CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
Liu et al. | Hyperspectral infrared sounder cloud detection using deep neural network model | |
CN114998728A (zh) | 无人机多源遥感预测棉花叶面积指数的方法及系统 | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN117451639A (zh) | 一种基于遥感数据的水体叶绿素浓度反演方法 | |
CN111175231B (zh) | 冠层植被指数的反演方法、装置及服务器 | |
CN116380811B (zh) | 一种基于氧气吸收带的云检测方法 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
CN115452167A (zh) | 基于不变像元的卫星遥感器交叉定标方法和装置 | |
CN111257854B (zh) | 一种通用的基于遥感影像分割单元的地形校正优化方法 | |
Kleynhans | Detecting land-cover change using Modis time-series data |
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 |