CN116524374B - 卫星影像实时处理与分发方法与系统 - Google Patents

卫星影像实时处理与分发方法与系统 Download PDF

Info

Publication number
CN116524374B
CN116524374B CN202310799882.1A CN202310799882A CN116524374B CN 116524374 B CN116524374 B CN 116524374B CN 202310799882 A CN202310799882 A CN 202310799882A CN 116524374 B CN116524374 B CN 116524374B
Authority
CN
China
Prior art keywords
cloud
preset
date
cloud amount
amount
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
Application number
CN202310799882.1A
Other languages
English (en)
Other versions
CN116524374A (zh
Inventor
詹雅婷
朱叶飞
王鹏
宋珂
苏一鸣
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.)
Geological Survey Of Jiangsu Province
Original Assignee
Geological Survey Of Jiangsu Province
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 Geological Survey Of Jiangsu Province filed Critical Geological Survey Of Jiangsu Province
Priority to CN202310799882.1A priority Critical patent/CN116524374B/zh
Publication of CN116524374A publication Critical patent/CN116524374A/zh
Application granted granted Critical
Publication of CN116524374B publication Critical patent/CN116524374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种卫星影像实时处理与分发方法与系统，包括：获取卫星影像；对卫星影像进行云量识别，从而获取当前图像的云量信息；根据所述云量信息判断云量是否达到可去云阈值，若是，则对卫星影像进行去云处理；基于历史图像数据预测预设时间段内的云量信息；基于时间段内的云量信息生成图像分发节点数据；将图像分发节点数据和处理后的影像数据分发至分中心。本申请提供的卫星影像实时处理与分发方法通过获取卫星影像，并对卫星影像进行处理，同时预测未来的云量信息，基于预测未来的云量信息从而确定未来时间段内影像分发时间点，将卫星影像及影像分发时间点发送至各个分中心，提高数据处理可靠性，进而使得各个分中心可提升工作效率。

Description

卫星影像实时处理与分发方法与系统
技术领域
本申请涉及卫星影像处理技术领域，具体涉及一种卫星影像实时处理与分发方法和系统。
背景技术
随着科技的进步和发展，在地址勘测过程中采用遥感影像进行辅助已经十分常见。但是，在实际生产过程中，经常因为卫星影像质量不佳，无法使用，或者由于云层较厚，无法进行去云处理，从而使得工作人员的行程安排被打乱，进一步造成工作难度增加。
综上所述，现有技术中，对于地址勘测人员使用卫星影像数据的过程中存在数据可靠性较低的问题，从而造成工作效率的降低。
发明内容
本发明的目的是提供一种卫星影像实时处理与分发方法和系统，为了解决现有技术中的地址勘测人员使用卫星影像数据的过程中存在数据可靠性较低的问题，从而造成工作效率的降低的问题。
为解决上述问题，本发明的第一方面提供了一种卫星影像实时处理与分发方法，包括：
获取卫星影像；
对卫星影像进行云量识别，从而获取当前图像的云量信息；
根据所述云量信息判断云量是否达到可去云阈值；若是，则
对卫星影像进行去云处理；
基于历史图像数据预测预设时间段内的云量信息；
基于时间段内的云量信息生成图像分发节点数据；
将图像分发节点数据和处理后的影像数据分发至分中心。
可选的，所述对卫星影像进行去云处理包括：
获取神经网络模型；
获取SAR数据库；
采用所述神经网络模型基于SAR数据库内的数据对所述卫星影像进行去云处理。
可选的，所述基于历史图像数据预测预设时间段内的云量信息为，采用如下步骤对一个预设时间段内的每天的云量进行预测：
获取第一图像数据库；
基于所述第一图像数据库预测预设月份云量；
获取第二图像数据库；
基于所述第二图像数据库预测预设日期的云量；
判断所述预设日期的预测云量与所述预设月份预测云量的差值是否小于阈值；若是，则
采用预设日期的预测云量为预设日期的云量。
可选的，所述基于历史图像数据预测预设时间段内的云量信息还包括：
判断所述预设日期的云量与所述预设月份云量的差值是否小于阈值；若否，则
获取所述预设日期的天气预报的云量；
判断所述预设日期的预测云量与所述预设日期的天气预报的云量的差值是否小于阈值，若是，则
采用预设日期的预测云量为预设日期的云量。
可选的，所述获取第一图像数据库包括：
获取当前地区过去10年的每个月平均云量信息，构建第一图像数据库。
可选的，所述基于所述第一图像数据库预测预设月份云量包括：
获取求和自回归移动平均模型；
根据所述求和自回归移动平均模型和所述第一图像数据库预测预设月份云量。
可选的，所述获取第二图像数据库包括：
获取最近一年的每天云量信息，构建第二图像数据库。
可选的，所述基于所述第二图像数据库预测预设日期的云量包括：
获取求和自回归移动平均模型；
根据所述求和自回归移动平均模型和所述第二图像数据库预测预设日期云量。
可选的，所述基于时间段内的云量信息生成图像分发节点数据包括：
逐一判断预设时间段内每天的云量信息是否达到去云阈值，若是，则
对该日期进行标记；
将所有标记的日期构建为图像分发节点数据。
另一当面，本申请提供了一种卫星影像实时处理与分发装置，包括：
卫星影像获取模块，用于获取卫星影像；
云量信息获取模块，用于对卫星影像进行云量识别，从而获取当前图像的云量信息；
判断模块，用于根据所述云量信息判断云量是否达到可去云阈值；
去云处理模块，用于在判断模块的判断结果为是时对卫星影像进行去云处理；
云量信息预测模块，用于基于历史图像数据预测预设时间段内的云量信息；
图像分发节点数据生成模块，基于时间段内的云量信息生成图像分发节点数据；
数据分发模块，用于将图像分发节点数据和处理后的影像数据分发至分中心。
本发明的上述技术方案具有如下有益的技术效果：
本申请提供的卫星影像实时处理与分发方法通过获取卫星影像，并对卫星影像进行处理，同时预测未来的云量信息，基于预测未来的云量信息从而确定未来时间段内影像分发时间点，将卫星影像及影像分发时间点发送至各个分中心，使得各个分中心可提前进行工作规划，有效提升工作效率。同时，本方法采用多种云量预测相结合，可以有效提升准确率，具有鲁棒性显著的优势。另外，本方法采用SAR数据作为依托进行去云处理，准确度高。
附图说明
图1是本发明一个实施方式的卫星影像实时处理与分发方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
显然，所描述的实施例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，本领域普通技术人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。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参照图1，本申请的一个实施例提供了一种卫星影像实时处理与分发方法，包括：
获取卫星影像；
对卫星影像进行云量识别，得到当前影像的云量信息；
根据云量信息判断云量是否达到可去云阈值，若是，则
对卫星影像进行去云处理；
将云量信息加入第一云量数据库；
基于第一云量数据库获取预设时间段内的云量信息；
基于预设时间段内的云量信息生成图像分发时间节点数据；
将图像分发时间节点数据和去云处理后的卫星影像分发至分中心。
本申请该实施例提供的卫星影像实时处理与分发方法通过获取卫星影像，并对卫星影像进行处理，同时预测未来的云量信息，基于预测未来的云量信息从而确定未来时间段内影像分发时间点，将卫星影像及影像分发时间点发送至各个分中心，使得各个分中心可提前进行工作规划，有效提升工作效率。
在一实施例中，对卫星影像进行去云处理包括：
获取卫星影像所对应的云层厚度信息；
获取去云神经网络模型数据库，去云神经网络模型数据库包含至少一个去云神经网络模型和该模型对应的云层厚度范围信息；
根据云层厚度信息在所述去云神经网络模型数据库中获取第一去云神经网络模型；
采用第一去云神经网络模型对卫星影像进行去云处理。
举例来说，卫星影像中包含云的厚度为100米，所获取的云层厚度信息为100米；
获取去云神经网络模型数据库，去云神经网络模型数据库包含去云神经网络模型A、去云神经网络模型B、去云神经网络模型C、去云神经网络模型D，其中，去云神经网络模型A对应的云层厚度为50-150，去云神经网络模型B对应的云层厚度为150-300，去云神经网络模型C对应的云层厚度为300-500米，去云神经网络模型D对应的去云厚度为500-800米；
根据上述信息选择去云神经网络模型A为第一去云神经网络模型；
采用去云神经网络模型A对卫星影像进行去云操作。
其中，具体训练过程如下：
数据准备：针对去云神经网络模型A、去云神经网络模型B、去云神经网络模型C、去云神经网络模型D的不同云层厚度范围，分别收集带有云的卫星影像数据和对应的无云卫星影像数据作为训练数据。
构建生成对抗网络（GAN）模型：使用深度学习框架（如TensorFlow、PyTorch、Keras等）搭建一个包含生成器和判别器两部分的GAN模型，其中生成器负责生成无云卫星影像，判别器负责区分真实的无云卫星影像和生成器生成的影像。
训练GAN模型：将收集的带有云的卫星影像数据和对应的无云卫星影像数据输入到GAN模型中进行训练。在每次迭代中，生成器尝试生成更逼真的无云卫星影像，而判别器则尽可能地区分出真实的无云卫星影像和生成器生成的影像。通过不断迭代训练，生成器可以生成越来越真切的无云卫星影像。
评估GAN模型：训练完成后，可以使用一些评估指标（如峰值信噪比PSNR、结构相似性SSIM等）来评估GAN模型的性能。
需要注意的是，在构建和训练GAN模型时，需要合理设置模型结构、优化器、损失函数等参数，以及避免过拟合等问题。同时，在数据准备阶段，也需要考虑如何获取高质量的卫星影像数据，并且保证训练数据集的平衡性和多样性。
本申请该实施例提供的卫星影像实时处理与分发方法通过获取卫星影像所对应的云层厚度信息，针对不同厚度的云采用通过不同数据训练的神经网络模型来进行处理，由于每个神经网络的识别范围的缩小，可以有效增加识别的准确率，提升识别速度。
在一实施例中，获取卫星影像所对应的云层厚度信息包括：
获取卫星合成孔径雷达（Synthetic Aperture Radar，以下简称“SAR”）数据；
获取云层厚度计算模型；
根据云层厚度计算模型和卫星SAR数据生成云层厚度信息。
在一实施例中，获取云层厚度计算模型包括：
获取云层厚度计算模型数据库，云层厚度计算模型数据库包括至少一个云层厚度计算模型和该模型对应的天气信息；
获取卫星SAR数据所对应的天气信息；
根据卫星SAR数据所对应的天气信息和云层厚度计算模型数据库获取云层厚度计算模型。
举例来说，云层厚度计算模型数据库包含针对不同的天气情况（例如，雨、雾、云、雪、霜、晴天）构建的多个云层厚度计算模型；
卫星SAR数据所对应的天气信息为晴天；
获取云层厚度计算模型数据库中对应晴天的云层厚度计算模型；
使用对应晴天的云层厚度计算模型和卫星SAR数据生成云层厚度信息。
具体来说，构建云层厚度计算模型包括如下步骤：
针对每个天气情况收集大量的云观测数据和气象数据，包括云层厚度、温度、湿度、风速等多种天气要素。
基于物理机制，针对每个天气情况建立一个初步的数学模型，将云层厚度与其他气象因素进行关联，并确定各种气象要素对云层厚度的影响权重。
利用收集到的数据，使用统计学方法对针对每个天气情况的初步模型进行优化，以提高反演结果的准确性。可以考虑采用机器学习算法或者回归分析等方法。
对每个模型进行验证和评估，针对每个天气情况使用独立的测试数据集进行测试，对模型的预测能力和稳定性进行评估。
在本实施例中，基于天气情况对SAR数据的影响，通过采用对不同天气使用不同的云层厚度计算，在获取云层厚度计算模型之前先获取天气信息，在根据天气信息获取改天气信息对应的云层厚度计算，提升获取云层厚度的准确率，进而为后面的去云处理提供有力的数据支撑。
在一实施例中，基于第一云量数据库获取预设时间段内的云量信息包括，对一个预设时间段内的每天的云量进行预测；
对一个预设时间段内的每天的云量进行预测，包括，
采用月份云量收集策略在第一云量数据库获取月份云量数据集；
基于月份云量数据集预测预设月份云量；
采用日期云量收集策略在第一云量数据库获取日期云量数据集；
基于日期云量数据集预测预设日期的云量；
判断预设日期的预测云量与预设月份预测云量的差值是否小于阈值；若是，则
采用预设日期的预测云量为该日期的云量信息。
在本实施例中，采用月份云量与日期云量分别预测，并通过计算差值，判断差值是否小于阈值来进一步确定云量信息，避免单一条件预测的失误，可以有效提升准确率。
在一实施例中，基于第一云量数据库获取预设时间段内的云量信息还包括：
判断预设日期的云量与预设月份云量的差值是否小于阈值；若否，则
获取预设日期的天气预报的云量；
判断预设日期的预测云量与预设日期的天气预报的云量的差值是否小于阈值，若是，则
采用预设日期的预测云量为该日期的云量信息。
在一实施例中，采用月份云量收集策略在第一云量数据库获取月份云量数据集包括：
在第一云量数据库中获取当前地区过去N年的每个月平均云量信息，构建月份云量数据集。
其中，N的取值范围是6-12。采用月份云量收集策略在第一云量数据库获取月份云量数据集还包括：
数据清洗，检查月份云量数据集内的数据是否存在异常值和缺失值，并对其进行处理或删除；
对清洗后的收据，进行差分处理。
差分处理包括一般差分处理和季节差分处理。
在一实施例中，基于月份云量数据集预测预设月份云量包括：
获取月份云量预测模型；
根据月份云量预测模型和月份云量数据集预测预设月份云量。
举例来说，月份云量预测模型表达式为：
；
其中，是要预测的月份云量；
B是向后移动算子，即；
p是非季节性自回归项的阶数，q是移动平均项的阶数，根据月份云量数据集中已经进行差分的数据，通过自相关图 (ACF)和偏自相关图(PACF) 确定；
P是季节性自回归项的阶数，Q是移动平均项的阶数，据月份云量数据集中已经进行差分的数据，通过季节性自相关图 (SACF) 和季节性偏自相关图(SPACF) 确定；
是自回归系数，/>是移动平均系数，/>是季节性自回归系数，是季节移动平均系数，通过极大似然估计法进行估计得到；
是季节性外生变量系数，先对外生变量进行标准化处理，然后通过极大似然估计法估计得到；
是噪声误差项，是通过检验残差是否呈现出随机性和独立性来判断。
根据月份云量预测模型和月份云量数据集预测预设月份云量包括：
根据月份云量数据集中已经进行差分的数据，通过自相关图 (ACF)和偏自相关图(PACF) 确定模型的参数 p、和 q。
通过季节性自相关图 (SACF) 和季节性偏自相关图(SPACF) 确定模型的季节性参数 P、和 Q。
根据确定的模型参数，拟合月份云量预测模型。
使用拟合好的模型进行时间序列的预测，并评估预测结果的准确度。
在一实施例中，采用日期云量收集策略在第一云量数据库获取日期云量数据集包括：
在第一云量数据库中获取当前地区过去N个月的每天平均云量信息，构建日期云量数据集。
其中，N的取值范围是12-24。采用日期云量收集策略在第一云量数据库获取日期云量数据集还包括：
数据清洗，检查日期云量数据集内的数据是否存在异常值和缺失值，并对其进行处理或删除。
在一实施例中，基于日期云量数据集预测预设日期的云量包括：
获取日期云量预测模型；
根据日期云量预测模型和日期云量数据集预测预设日期的云量。
举例来说，日期云量预测模型表达式为：
；
其中，是要预测的日期云量；
B是向后移动算子，即；
p是非季节性自回归项的阶数，q是移动平均项的阶数，根据日期云量数据集中已经进行差分的数据，通过自相关图 (ACF)和偏自相关图(PACF) 确定；
P是季节性自回归项的阶数，Q是移动平均项的阶数，据日期云量数据集中已经进行差分的数据，通过季节性自相关图 (SACF) 和季节性偏自相关图(SPACF) 确定；
是自回归系数，/>是移动平均系数，/>是季节性自回归系数，是季节移动平均系数，通过极大似然估计法进行估计得到；
是季节性外生变量系数，先对外生变量进行标准化处理，然后通过极大似然估计法估计得到；
是噪声误差项，是通过检验残差是否呈现出随机性和独立性来判断。
根据日期云量预测模型和日期云量数据集预测预设日期云量包括：
根据日期云量数据集中已经进行差分的数据，通过自相关图 (ACF)和偏自相关图(PACF) 确定模型的参数 p、和 q。
通过季节性自相关图 (SACF) 和季节性偏自相关图(SPACF) 确定模型的季节性参数 P、和 Q。
在一实施例中，基于时间段内的云量信息生成图像分发节点数据包括：
逐一判断预设时间段内每天的云量信息是否达到去云阈值，若是，则
对该日期进行标记；
将所有标记的日期构建为图像分发节点数据。
举例来说，本申请提供的方法对本月1-30日每天的云量进行预测；
经过逐一判断，本月1-5日，7-16日，20-30日云量可以进行去云处理，那么对以上日期进行标记。在向各个分中心发送影像数据的同时，将以上日期作为图像分发节点数据发送到各个分中心，各个分中心可以根据图像分发节点数据进行工作安排。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如下如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，简称ROM)或随机存取存储器(RandomAccessMemory，简称RAM)等。
在本申请的另一方面，还提供了一种卫星影像实时处理与分发系统，包括：
卫星影像获取模块，用于获取卫星影像；
云量信息获取模块，用于对卫星影像进行云量识别，得到当前影像的云量信息；
判断模块，用于根据所述云量信息判断云量是否达到可去云阈值；
去云处理模块，用于在判断模块的判断结果为是时对卫星影像进行去云处理；
第一云量数据库调整模块，用于将所述云量信息加入第一云量数据库；
云量信息获取模块，用于基于所述第一云量数据库获取预设时间段内的云量信息；
图像分发节点数据生成模块，基于时间段内的云量信息生成图像分发节点数据；
数据分发模块，用于将图像分发节点数据和处理后的影像数据分发至分中心。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例系统中的模块可以根据实际需要进行合并、划分和删减。
本发明旨在保护一种卫星影像实时处理与分发方法和系统，方法包括：
获取卫星影像；
对卫星影像进行云量识别，得到当前影像的云量信息；
根据云量信息判断云量是否达到可去云阈值，若是，则
对卫星影像进行去云处理；
将云量信息加入第一云量数据库；
基于第一云量数据库获取预设时间段内的云量信息；
基于预设时间段内的云量信息生成图像分发时间节点数据；
将图像分发时间节点数据和去云处理后的卫星影像分发至分中心。
本申请提供的卫星影像实时处理与分发方法通过获取卫星影像，并对卫星影像进行处理，同时识别云量信息，并结合历史云量信息预测未来的云量信息，基于预测未来的云量信息从而确定未来时间段内影像分发时间点，将卫星影像及影像分发时间点发送至各个分中心，使得各个分中心可提前进行工作规划，有效提升工作效率。本申请提供的卫星影像实时处理与分发方法采用多种云量预测相结合，可以有效提升准确率，具有鲁棒性显著的优势。另外，本方法采用SAR数据作为依托进行去云处理，基于天气情况对SAR数据的影响，通过采用对不同天气使用不同的计算模型，提升获取云层厚度的准确率，进而为后面的去云处理提供有力的数据支撑。又一方面，针对不同厚度的云采用通过不同数据训练的神经网络模型来进行处理，由于每个神经网络的识别范围的缩小，可以有效增加识别的准确率，提升识别速度。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

Claims (8)

1.一种卫星影像实时处理与分发方法，其特征在于，包括：
获取卫星影像；
对卫星影像进行云量识别，得到当前影像的云量信息；
根据所述云量信息判断云量是否达到可去云阈值；若是，则
对卫星影像进行去云处理；
将所述云量信息加入第一云量数据库；
基于所述第一云量数据库获取预设时间段内的云量信息；
基于预设时间段内的云量信息生成图像分发时间节点数据；
将图像分发时间节点数据和去云处理后的卫星影像分发至分中心；
所述基于所述第一云量数据库获取预设时间段内的云量信息包括，对一个预设时间段内的每天的云量进行预测；
所述对一个预设时间段内的每天的云量进行预测，包括，
采用月份云量收集策略在所述第一云量数据库获取月份云量数据集；
基于所述月份云量数据集预测预设月份云量；
采用日期云量收集策略在所述第一云量数据库获取日期云量数据集；
基于所述日期云量数据集预测预设日期的云量；
判断所述预设日期的预测云量与所述预设月份预测云量的差值是否小于阈值；若是，则
采用所述预设日期的预测云量为该日期的云量信息；
所述基于所述第一云量数据库获取预设时间段内的云量信息还包括：
判断所述预设日期的云量与所述预设月份云量的差值是否小于阈值；若否，则
获取所述预设日期的天气预报的云量；
判断所述预设日期的预测云量与所述预设日期的天气预报的云量的差值是否小于阈值，若是，则
采用所述预设日期的预测云量为该日期的云量信息。
2.根据权利要求1所述的卫星影像实时处理与分发方法，其特征在于，
所述对卫星影像进行去云处理包括：
获取卫星影像所对应的云层厚度信息；
获取去云神经网络模型数据库，所述去云神经网络模型数据库包含至少一个去云神经网络模型和该模型对应的云层厚度范围信息；根据所述云层厚度信息在所述去云神经网络模型数据库中获取第一去云神经网络模型；
采用所述第一去云神经网络模型对所述卫星影像进行去云处理。
3.根据权利要求2所述的卫星影像实时处理与分发方法，其特征在于，
所述获取卫星影像所对应的云层厚度信息包括：
获取卫星SAR数据；
获取云层厚度计算模型；
根据所述云层厚度计算模型和所述卫星SAR数据生成云层厚度信息。
4.根据权利要求3所述的卫星影像实时处理与分发方法，其特征在于，
所述获取云层厚度计算模型包括：
获取云层厚度计算模型数据库，所述云层厚度计算模型数据库包括至少一个云层厚度计算模型和该模型对应的天气信息；
获取卫星SAR数据所对应的天气信息；
根据所述卫星SAR数据所对应的天气信息和云层厚度计算模型数据库获取云层厚度计算模型。
5.根据权利要求4所述的卫星影像实时处理与分发方法，其特征在于，
所述采用月份云量收集策略在所述第一云量数据库获取月份云量数据集包括：
在第一云量数据库中获取当前地区过去N年的每个月平均云量信息，构建月份云量数据集。
6.根据权利要求5所述的卫星影像实时处理与分发方法，其特征在于，
所述基于所述月份云量数据集预测预设月份云量包括：
获取月份云量预测模型；
根据所述月份云量预测模型和所述月份云量数据集预测预设月份云量。
7.根据权利要求6所述的卫星影像实时处理与分发方法，其特征在于，
所述基于预设时间段内的云量信息生成图像分发时间节点数据包括：
逐一判断预设时间段内每天的云量信息是否达到去云阈值，若是，则
对该日期进行标记；
将所有标记的日期构建为图像分发节点数据。
8.一种卫星影像实时处理与分发系统，其特征在于，包括：
卫星影像获取模块，用于获取卫星影像；
云量信息获取模块，用于对卫星影像进行云量识别，得到当前影像的云量信息；
判断模块，用于根据所述云量信息判断云量是否达到可去云阈值；
去云处理模块，用于在判断模块的判断结果为是时对卫星影像进行去云处理；
第一云量数据库调整模块，用于将所述云量信息加入第一云量数据库；
云量信息获取模块，用于基于所述第一云量数据库获取预设时间段内的云量信息；
图像分发节点数据生成模块，基于时间段内的云量信息生成图像分发节点数据；
数据分发模块，用于将图像分发节点数据和处理后的影像数据分发至分中心；
所述云量信息获取模块包括，每天云量预测模块；
所述每天云量预测模块，包括，
月份云量数据集获取模块，采用月份云量收集策略在所述第一云量数据库获取月份云量数据集；
预设月份云量预测模块，基于所述月份云量数据集预测预设月份云量；
日期云量数据集获取模块，采用日期云量收集策略在所述第一云量数据库获取日期云量数据集；
预设日期云量预测模块，基于所述日期云量数据集预测预设日期的云量；
第一判断模块，判断所述预设日期的预测云量与所述预设月份预测云量的差值是否小于阈值；
第一预设日期云量确定模块，在第一判断模块的判断结果为是时，采用所述预设日期的预测云量为该日期的云量信息；
所述云量信息获取模块还包括：
第二判断模块，判断所述预设日期的云量与所述预设月份云量的差值是否小于阈值；
天气预报云量获取模块，在第二判断模块的判断结果为否时，获取所述预设日期的天气预报的云量；
第三判断模块，判断所述预设日期的预测云量与所述预设日期的天气预报的云量的差值是否小于阈值，
第二预设日期云量确定模块，在第二判断模块的判断结果为是时，采用所述预设日期的预测云量为该日期的云量信息。
CN202310799882.1A 2023-07-03 2023-07-03 卫星影像实时处理与分发方法与系统 Active CN116524374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310799882.1A CN116524374B (zh) 2023-07-03 2023-07-03 卫星影像实时处理与分发方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310799882.1A CN116524374B (zh) 2023-07-03 2023-07-03 卫星影像实时处理与分发方法与系统

Publications (2)

Publication Number Publication Date
CN116524374A CN116524374A (zh) 2023-08-01
CN116524374B true CN116524374B (zh) 2023-09-26

Family

ID=87408602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310799882.1A Active CN116524374B (zh) 2023-07-03 2023-07-03 卫星影像实时处理与分发方法与系统

Country Status (1)

Country Link
CN (1) CN116524374B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109981755A (zh) * 2019-03-12 2019-07-05 深圳灵图慧视科技有限公司 图像识别方法、装置和电子设备
CN113469902A (zh) * 2021-06-10 2021-10-01 上海铁路北斗测量工程技术有限公司 基于卫星影像的铁路环境监测方法及其系统
CN114092343A (zh) * 2021-10-14 2022-02-25 北京数慧时空信息技术有限公司 遥感影像去云方法
CN115222629A (zh) * 2022-08-08 2022-10-21 西南交通大学 基于云厚度估计与深度学习的单幅遥感影像云去除方法
CN115661675A (zh) * 2022-09-23 2023-01-31 应急管理部国家自然灾害防治研究院 多云地区地震滑坡遥感识别方法、系统、设备及存储介质
CN115809970A (zh) * 2022-12-21 2023-03-17 广西壮族自治区自然资源遥感院 一种基于sar-光学遥感影像联合的深度学习去云方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109981755A (zh) * 2019-03-12 2019-07-05 深圳灵图慧视科技有限公司 图像识别方法、装置和电子设备
CN113469902A (zh) * 2021-06-10 2021-10-01 上海铁路北斗测量工程技术有限公司 基于卫星影像的铁路环境监测方法及其系统
CN114092343A (zh) * 2021-10-14 2022-02-25 北京数慧时空信息技术有限公司 遥感影像去云方法
CN115222629A (zh) * 2022-08-08 2022-10-21 西南交通大学 基于云厚度估计与深度学习的单幅遥感影像云去除方法
CN115661675A (zh) * 2022-09-23 2023-01-31 应急管理部国家自然灾害防治研究院 多云地区地震滑坡遥感识别方法、系统、设备及存储介质
CN115809970A (zh) * 2022-12-21 2023-03-17 广西壮族自治区自然资源遥感院 一种基于sar-光学遥感影像联合的深度学习去云方法

Also Published As

Publication number Publication date
CN116524374A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN107153874B (zh) 水质预测方法及系统
CN110490415B (zh) 一种多无人机视觉协同的建筑进度评估方法
CN110727665B (zh) 物联网设备上报数据质量分析方法及系统
CN114254561A (zh) 一种内涝预测方法、系统及存储介质
CN111784017B (zh) 一种基于路况因素回归分析的公路交通事故数量预测方法
CN113204061B (zh) 一种构建格点风速订正模型的方法及装置
CN110659825A (zh) 银行网点多学习器的现钞需求量预测方法和装置
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
CN112906911A (zh) 联邦学习的模型训练方法
CN115393712B (zh) 基于动态混合池化策略的sar图像道路提取方法及系统
CN110334775B (zh) 一种基于宽度学习的无人机线路故障识别方法和装置
CN105550772A (zh) 一种在线历史数据潮流趋势分析方法
CN116524374B (zh) 卫星影像实时处理与分发方法与系统
CN116090674B (zh) 草地退化早期预警方法、装置及系统
CN108957594B (zh) 一种商遥卫星轨道总云量预报修正方法及修正系统
CN111310121A (zh) 一种新能源出力概率预测方法和系统
CN116416055A (zh) 农业贷款评估方法、装置、存储介质及电子设备
CN111325384B (zh) 一种结合统计特征和卷积神经网络模型的ndvi预测方法
CN113762791A (zh) 一种铁路工程造价管理系统
Darvishi Salookolaei et al. Application of grey system theory in rainfall estimation
CN111507432A (zh) 农险理赔智能称重方法、系统、电子设备和存储介质
Li et al. Responses of Climate Indicators to Droughts in SF Bay Area.
Iwakin et al. Improving urban water demand forecast using conformal prediction-based hybrid machine learning models
CN117114782B (zh) 建筑工程造价分析方法
CN117421601B (zh) 一种海面蒸发波导临近期快速预报方法

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
GR01 Patent grant
GR01 Patent grant