CN116721243A - 一种空谱特征约束的深度学习大气校正方法及系统 - Google Patents

一种空谱特征约束的深度学习大气校正方法及系统 Download PDF

Info

Publication number
CN116721243A
CN116721243A CN202311007293.1A CN202311007293A CN116721243A CN 116721243 A CN116721243 A CN 116721243A CN 202311007293 A CN202311007293 A CN 202311007293A CN 116721243 A CN116721243 A CN 116721243A
Authority
CN
China
Prior art keywords
spatial
spectrum
dimensional
residual
feature
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
Application number
CN202311007293.1A
Other languages
English (en)
Other versions
CN116721243B (zh
Inventor
刘荣杰
赵鑫
肖艳芳
马毅
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.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
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 First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202311007293.1A priority Critical patent/CN116721243B/zh
Publication of CN116721243A publication Critical patent/CN116721243A/zh
Application granted granted Critical
Publication of CN116721243B publication Critical patent/CN116721243B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • 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
    • 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
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明属于大气校正技术领域，公开了一种空谱特征约束的深度学习大气校正方法及系统。该方法包括：以三维密集残差为骨干网络，辅以三维残差特征注意力机制，初步挖掘影像的空间、光谱特征；引入二维卷积，获取基于二维卷积的空间信息补偿模块，进一步提取影像局部空间特征，对三维卷积特征进行空间信息补偿；通过自适应动态调整空谱特征权重，对二三维卷积模块输出结果进行加权相加，提升大气校正效果；建立基于光谱约束的损失函数，保持大气校正后反射率光谱信息。该空谱特征约束的二三维卷积大气校正模型可有效挖掘卫星影像空谱特征，实现精确大气校正，优于现有算法。联合损失函数有效保证了光谱的形状。

Description

一种空谱特征约束的深度学习大气校正方法及系统
技术领域
本发明属于大气校正技术领域，尤其涉及一种空谱特征约束的深度学习大气校正方法及系统。
背景技术
近年来，高空间分辨率卫星已被广泛应用于近岸沿海和内陆复杂水体环境的监测，弥补了水色卫星的低空间分辨率缺陷，极大的改善了沿海区域水体要素等的观测。但是遥感卫星传感器接收到的信号中，90%以上来自于大气瑞利散射、气溶胶散射以及太阳反射。如何消除大气影响，获得离水辐亮度（L w ）或遥感反射率（R rs ）是关键。这一过程被称作大气校正。经典的大气校正通常采用近红外（NIR）或短波红外（SWIR）假设、基于生物光学模型的迭代等方法，这些方法要求准确获取两个近红外波段或短波红外的气溶胶类型以及Chl-a等生物光学信息等。大多高分宽波段卫星，如HY-1C/D CZI、GF1 WFV，只设置了一个近红外波段，难以利用上述经典算法进行精确大气校正。
目前，学者们针对中高分辨率宽波段卫星提出了一系列大气校正方法，主要分为基于辐射传输模型的大气校正方法和基于神经网络的大气校正方法。前者主要依赖于大气辐射传输理论，需要时空同步的气溶胶观测数据辅助。基于辐射传输模型的大气校正方法中，常用的模型有6S、MODTRAN和ACORN等。其中6S（Second Simulation of the SatelliteSignal in the Solar Spectrum）应用最为广泛。现有技术还提出了一种利用MODIS气溶胶光学厚度辅助HY-1C CZI的大气校正算法，该算法在6S辐射传输理论基础上计算了MODIS数据的气溶胶多次散射反射率，再转换到CZI波段。现有技术也通过引入MODIS气溶胶厚度实现了基于6S的GF-2大气校正。但是，时空同步数据获取困难，数据的时空差异会导致大气校正误差增大。
机器学习方法近年来也被常被应用于大气校正。例如，利用支持向量机（SVM）从AVIRIS高光谱大气顶层反射率得到表观反射率。2021年，现有技术提出了一种基于神经网络（NN）的大气校正模型，并集成到多传感器数据分析工具（OC-SMART），可实现SeaWiFS、Landsat8 OLI、Sentinel-2 MSI等11种传感器的大气校正。现有技术针对HY-1C CZI数据提出了一种基于神经网络的大气校正算法，该方法从CZI和Landsat-8 OLI影像中生成大量高质量的模拟匹配数据用于神经网络训练，不依赖于短波红外数据得到CZI的R rs 。现有技术基于XGBoost和辐射传输模型提出了不同吸收气溶胶下的浑浊水体大气校正方法。上述方法以像元为单位进行大气校正，未考虑相邻像元间的空间关系。
深度学习具有强大的大数据挖掘和非线性特征提取能力，目前有学者将其应用于不同卫星数据的大气校正研究证明了深度学习在大气校正中的可行性。现有技术设计了用于Advanced Himawari Imager 影像大气校正的DeepEmSat模型、Bayesian DeepLearning、离散连续模型，从大气顶层反射率直接得到不同土地覆盖类型的反射率。现有技术提出了时间依赖的编码器-解码器神经网络模拟大气参数，用于从高光谱数据中去除大气影响。上述模型是面向陆地地物构建的，未考虑复杂海洋水体，难以应用于海洋。而且，模型忽略了波段间的相关性，反射率光谱形状差异大。因此，需要构建新型深度学习大气校正算法，充分挖掘影像的空间、光谱特征，实现宽波段卫星遥感数据的精确大气校正。
通过上述分析，现有技术存在的问题及缺陷为：宽波段光学卫星具备高空间分辨率，被越来越多的应用于近岸水体和内陆湖泊高分辨率精细化监测。精确的大气校正是水体环境监测的前提。但绝大多数宽波段光学卫星，如HY-1C/D 海岸带成像仪（Coastal ZoneImager，CZI）、GF1 WFV等，缺少用于大气校正的近红外和短波红外波段，需引进气溶胶厚度等辅助数据进行大气校正，辅助数据时空一致性对大气校正影响大。而且基于辐射传输和传统机器学习的大气校正方法多以像元为单位进行大气校正，忽略像元间的空间关系，区域相关性差。而且，现有技术不能有效挖掘卫星影像空谱特征，大气校正的数据精度低，以及不能有效保证光谱的形状。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种空谱特征约束的深度学习大气校正方法及系统，具体涉及一种空谱特征约束的宽波段光学卫星深度学习大气校正方法。
所述技术方案如下：一种空谱特征约束的深度学习大气校正方法，包括以下步骤：
S1，基于三维卷积的空谱特征提取模块，以三维密集残差网络为骨干网络，以三维残差特征注意力机制，挖掘影像的空间特征、光谱特征；
S2，引入二维卷积，构建基于二维卷积空间信息补偿模块，通过二维密集残差空间特征提取和残差空间注意力机制，提取影像局部空间特征，保留原始影像纹理信息，对三维卷积特征进行空间信息补偿；
S3，通过自适应参数优化操作，动态调整空谱特征权重，提升大气校正效果；
S4，建立基于光谱约束的损失函数，保持大气校正后反射率光谱信息。
在步骤S1中，通过三维密集残差网络挖掘获取空谱信息，保持初始特征；通过三维残差特征注意力机制对三维密集残差网络获取的特征进行加权，强化影像空间、光谱特征的空谱信息。
进一步，三维残差特征注意力机制的表达式如下：
；
；
式中，与/>分别表示第/>个残差空间注意力单元的输入和输出特征图，/>表示从/>提取的卷积特征，/>表示卷积，/>表示LeakyReLU激活函数，/>为三维残差特征注意力，/>表示特征图逐元素相乘。
在步骤S2中，二维卷积空间信息补偿模块包括：二维密集残差空间特征提取和残差空间注意力机制，二维密集残差空间特征提取除卷积维度外，二维卷积空间信息补偿模块的模型结构与三维密集残差网络一致；引入残差空间注意力提升局部区域细节特征表达，并关注CZI影像局部空间特征信息。
在步骤S3中，通过自适应参数优化操作，动态调整空谱特征权重包括：
首先在模型中引入空谱特征权重参数，并赋予相同初始权重值；然后，通过模型的反向传播计算空谱特征梯度，最后，根据梯度进行参数的动态调整，对基于三维卷积的空谱特征提取模块输出的特征层和二维卷积空间信息补偿模块输出的特征层自适应加权相加输出大气校正后遥感反射率。
在步骤S4中，建立基于光谱约束的损失函数包括：
将光谱角SA和平均绝对误差MAE结合构成L SM 损失函数；通过平均绝对误差计算大气校正后遥感反射率与参考遥感反射率间的误差，利用光谱角计算大气校正后遥感反射率与参考遥感反射率之间光谱曲线的相似性。
进一步，将光谱角SA和平均绝对误差MAE结合构成损失函数中，公式如下：
；
；
；
其中，和/>分别代表/>和/>计算结果，/>和/>分别代表训练数据和网络预测的光谱值，/>为常数，/>为训练数据光谱值的转置，/>为转置操作，/>为总的光谱数量。
本发明的另一目的在于提供一种空谱特征约束的深度学习大气校正系统，实施所述空谱特征约束的深度学习大气校正方法，该系统包括：
基于三维卷积的空谱特征提取模块，用于以三维密集残差网络为骨干网络，以三维残差特征注意力机制，挖掘影像的空间特征、光谱特征；
基于二维卷积的空间信息补偿模块，用于引入二维卷积，构建基于二维卷积空间信息补偿模块，通过二维密集残差空间特征提取和残差空间注意力机制，提取影像局部空间特征，保留原始影像纹理信息，对三维卷积特征进行空间信息补偿；
自适应动态调整空谱特征权重模块，用于通过自适应参数优化操作，动态调整空谱特征权重，提升大气校正效果；
基于光谱约束的损失函数建立模块，用于建立基于光谱约束的损失函数，保持大气校正后反射率光谱信息。
进一步，基于三维卷积的空谱特征提取模块包括3个三维密集残差网络、3个残差特征注意力和1个卷积核为1的卷积。
进一步，基于二维卷积的空间信息补偿模块由5个二维密集残差网络、5个残差空间注意力和1个卷积核为1的卷积组成。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明以某民用空间基础设施规划的首颗海洋业务卫星（HY-1C CZI）为例，提出了空谱特征约束的宽波段光学卫星深度学习大气校正方法。针对卫星影像空谱相关性，设计了空谱特征约束的二三维卷积大气校正模型 （SSACNet），模型在利用三维卷积挖掘图像空间和光谱特征的基础上，引入二维卷积实现空间信息补偿；针对卫星影像光谱形状的准确性，设计了光谱角和平均绝对误差联合损失函数。
本发明可实现无近红外和短波红外情况下宽波段光学卫星的大气校正，而且该方法考虑了影像空间和光谱的相关性，可应用于不同水体类型的精确大气校正，极大地改善了大气校正后遥感反射率的精度、空间分布和光谱曲线。实验结果表明，该空谱特征约束的二三维卷积大气校正模型 （SSACNet）可有效挖掘卫星影像空谱特征，实现精确大气校正，优于现有算法。联合损失函数有效保证了光谱的形状。
本发明与现有论文“Atmospheric correction for HY-1C CZI images usingneural network in western Pacific region”使用了相同的时空同步卫星且大气校正目标相同（HY-1C CZI），均为“时空同步的HY-1C CZI Level 1B （L1B）和Ladsat8 OLI Level1 （L1）数据”，但大气校正方法不同，现有论文使用的是包括11个神经元的1个隐藏层的神经网络，该网络包含的Flatten层会将输入数据进行拉伸操作，忽略像元间的空间关系。
本发明考虑了影像空间和光谱的相关性，通过二三维卷积结合的方式，获取大气顶层反射率到遥感反射率的非线性映射关系，并进行空间特征补偿，自适应的融合影像空间光谱特征以得到高质量的遥感反射率数据。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的空谱特征约束的二三维卷积大气校正模型原理图；
图2是本发明实施例提供的空谱特征约束的深度学习大气校正方法流程图；
图3是本发明实施例提供的残差空间注意力模块结构图；
图4是本发明实施例提供的460nm站点实测与/>对比散点图；
图5是本发明实施例提供的560nm站点实测与/>对比散点图；
图6是本发明实施例提供的650nm站点实测与/>对比散点图；
图7是本发明实施例提供的825nm站点实测与/>对比散点图；
图8是本发明实施例提供的Dongtou站点平均实测与本发明得到的平均/>光谱形状对比图；
图9是本发明实施例提供的Muping站点平均实测与本发明得到的平均/>光谱形状对比图；
图10是本发明实施例提供的Socheongcho站点平均实测与本发明得到的平均光谱形状对比图；
图11是本发明实施例提供的ARIAKE_TOWER站点平均实测与本发明得到的平均光谱形状对比图；
图12是本发明实施例提供的460nm同步Landsat8 OLI数据集大气校正精度对比图；
图13是本发明实施例提供的560nm同步Landsat8 OLI数据集大气校正精度对比图；
图14是本发明实施例提供的650nm同步Landsat8 OLI数据集大气校正精度对比图；
图15是本发明实施例提供的825nm同步Landsat8 OLI数据集大气校正精度对比图；
图16是本发明实施例提供的不同区域HY-1C CZI （a）、（c）与同步Landsat8 OLI（b）、（d）局部结果图；
图17是本发明实施例提供的清洁水体中Landsat8 OLI、SSACNet、方法不同方法/>对比图；
图18是本发明实施例提供的浑浊水体中Landsat8 OLI、SSACNet、方法不同方法/>对比图；
图19是本发明实施例提供的较浑浊水体中Landsat8 OLI、SSACNet、方法不同方法/>对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明以HY-1C CZI为例，提出了一种空谱特征约束的深度学习大气校正方法。该方法针对卫星影像固有的空间光谱特征，设计了新的二三维卷积结合的CNN模型，在三维卷积挖掘影像空间、光谱特征的基础上，引入二维卷积进行空间信息补偿。并利用所构建的时空同步HY-1C CZI大气顶层反射率（TOA Reflectance）与Landsat8 陆地成像仪（Operational Land Imager，OLI）遥感反射率（Remote Sensing Reflectance，Rrs）样本进行模型训练和评估。基于实测数据的验证结果显示，本发明得到的Rrs与实测数据一致性较好（平均相关系数达到0.89），4个波段的APD在21.53%-35.41%之间。基于同步Landsat8 OLI数据的评估结果显示，本发明得到的CZI Rrs结果与OLI数据一致性较好，绝对百分比偏差小于10%。与传统大气校正方法相比，本发明得到的HY-1C CZIRrs在空间和光谱信息保真方面均优于现有方法。此外，本发明具有较好的适应性，可应用于清洁水体和近岸浑浊水体的大气校正，可捕获到赤潮等水色异常信息，为宽波段光学卫星水色定量反演奠定了基础。
实施例1，本发明实施例提供的空谱特征约束的深度学习大气校正方法包括：构建空谱特征约束的二三维卷积大气校正模型：针对卫星影像的空谱三维特征，本发明实施例提出了空谱特征约束的二三维卷积大气校正模型（SSACNet）。空谱特征约束的二三维卷积大气校正模型总体框架图1所示，包括：
首先分别将三个观测几何（太阳天顶角、观测天顶角和相对方位角）与CZI四个波段进行叠加，即将大小为CZI影像扩展为3×5×M×N的多波段数据。然后分别将多波段数据输入基于三维卷积的空谱特征提取模块，将CZI大气顶层反射率输入基于二维卷积的空间信息补偿模块。最后通过自适应调整空谱特征权重，两部分相加输出最终的遥感反射率值。
示例性的，如图2所示，本发明实施例提供的空谱特征约束的深度学习大气校正方法包括：
S1，基于三维卷积的空谱特征提取模块，以三维密集残差网络为骨干网络，以三维残差特征注意力机制，挖掘影像的空间特征、光谱特征；
S2，引入二维卷积，构建基于二维卷积空间信息补偿模块，通过二维密集残差空间特征提取和残差空间注意力机制，提取影像局部空间特征，保留原始影像纹理信息，对三维卷积特征进行空间信息补偿；
S3，通过自适应参数优化操作，动态调整空谱特征权重，提升大气校正效果；
S4，建立基于光谱约束的损失函数，保持大气校正后反射率光谱信息。
在步骤S1中，基于三维卷积的空谱特征提取：空谱特征提取模块以三维密集残差为骨干网络，辅以残差特征注意力机制。首先通过三维密集残差网络挖掘获取丰富空谱信息，同时更好的保持初始特征。然后通过三维残差特征注意力机制对三维密集残差网络获取的特征进行加权，强化影像空间、光谱特征的空谱信息。
卫星影像除空间信息外，还包含丰富的光谱信息。采用传统的二维卷积，会忽略相邻波段之间的相关性。而三维卷积能够同时挖掘影像的光谱和空间特征，可较好的应用于卫星影像三维特征提取。因此，本发明设计了基于三维卷积的空谱特征提取模块。基于三维卷积的空谱特征提取模块以三维密集残差为骨干网络，辅以残差特征注意力机制。三维密集残差网络采用残差和密集块结合的方式，挖掘获取丰富空谱信息的同时更好的保持初始特征。三维残差特征注意力机制对三维密集残差网络获取的特征进行加权，强化影像空间、光谱特征的空谱信息。
三维残差特征注意力机制详细描述如下：
；
；
式中，与/>分别表示第/>个残差空间注意力单元的输入和输出特征图，/>表示从/>提取的卷积特征，/>表示卷积，/>表示LeakyReLU激活函数，/>为三维残差特征注意力，/>表示特征图逐元素相乘。
在步骤S2中，基于二维卷积的空间信息补偿：二维卷积空间信息补偿模块包括二维密集残差空间特征提取和残差空间注意力机制，其中二维密集残差空间特征提取除卷积维度外，二维卷积空间信息补偿模块的模型结构与三维密集残差网络一致。为进一步提升局部区域细节特征表达，引入所示的残差空间注意力，如图3所示，残差空间注意力可以关注CZI影像局部空间特征信息，进一步提升CZI局部区域细节特征表达，保留原始影像的纹理信息。
在本发明实施例中，三维卷积可以获取影像初步的三维特征，但对于R rs 空间变化剧烈的区域，依旧存在空间细节信息丢失的情况。为此，SSACNet引入二维卷积对三维卷积提取特征进行空间信息补偿。
在步骤S3中，通过自适应参数优化操作，动态调整空谱特征权重包括：
首先在模型中引入空谱特征权重参数，并赋予相同初始权重值；然后，通过模型的反向传播计算空谱特征梯度，最后，根据梯度进行参数的动态调整，对基于三维卷积的空谱特征提取模块输出的特征层和二维卷积空间信息补偿模块输出的特征层自适应加权相加输出大气校正后遥感反射率。
在步骤S4中，建立基于光谱约束的损失函数包括：
将光谱角SA和平均绝对误差MAE结合构成损失函数；通过平均绝对误差计算大气校正后遥感反射率与参考遥感反射率间的误差，利用光谱角计算大气校正后遥感反射率与参考遥感反射率之间光谱曲线的相似性。
为确保CZI大气校正后影像光谱的准确性，本发明将光谱角（Spectral Angle，SA）和平均绝对误差（Mean Absolute Error Loss，MAE）结合构成L SM 损失函数。通过平均绝对误差计算大气校正后遥感反射率与参考遥感反射率间的误差，利用光谱角计算大气校正后遥感反射率与参考遥感反射率之间光谱曲线的相似性。两者结合可以在提高大气校正的精度的同时，提升光谱形状的保真性。
公式如下：
；
；
；
其中，和/>分别代表/>和/>计算结果，/>和/>分别代表训练数据和网络预测的光谱值，/>为常数，用于平衡/>和/>之间的数量级，本发明设为10；/>为训练数据光谱值的转置，/>为转置操作，/>为总的光谱数量。
可以理解，不同于普通的RGB图像，卫星影像具有丰富的光谱信息，大气校正不但要获得各个波段准确的遥感反射率，还要确保光谱形状的准确性。传统的大气校正算法重点关注各波段大气校正遥感反射率的准确性，忽略了光谱形状的准确性。为此，本发明和/>两者结合，在损失函数中引入了光谱角，设计了光谱角和平均绝对误差联合损失函数，确保大气校正遥感反射率各波段值和光谱形状的准确性。
通过上述实施例表明，本发明技术方案可实现高空间分辨率宽波段卫星影像的大气校正，为水色反演、海上目标监测、环境保护等领域的应用提供可靠的数据基础。
高分宽波段卫星影像的大气校正一直是水色研究领域的重点和难点，以往方法多以像元为单位进行大气校正，忽略像元间的空间关系，区域相关性差，本发明利用深度学习方法，在三维卷积挖掘影像空间、光谱特征的基础上，引入二维卷积进行空间信息补偿，在空间和光谱信息保真方面均优于现有方法。
现有的面向无近红外和短波红外宽波段光学卫星的大气校正方法多需引入存在时空差异的辅助数据或计算过程忽略像元间的空间关系，本发明从影像空谱相关性出发，无需引入辅助数据，可应用于不同水体类型的精确大气校正，极大地改善了大气校正后遥感反射率的精度、空间分布和光谱曲线。
相比较于以往的高分宽波段光学卫星大气校正方法，本发明所采用的深度学习方法，通过二三维卷积结合的方式，克服了以往方法对像元间空间关系的忽略而带来的技术偏见。
为进一步证明上述实施例的积极效果，本发明基于上述技术方案进行如下实验。
（1）基于现场实测数据的精度评估：
利用同步实测数据对本发明的方法进行精度验证，表1显示了本发明算法得到的R rs 与实测数据R rs 的精度。由于Socheongcho和ARIAKE_TOWER没有NIR对应的波段，仅对比蓝Blue，绿Green，红Red三波段。实验结果表明，所有实测站点在460，560，650，825nm的平均RMSE分别为0.0016，0.0020，0.0019，0.0004；平均APD分别为21.53，22.32，30.65，35.41；R分别是0.89，0.93，0.89和0.85，与实测站点反射率相关性较高。
表1测试数据集验证结果：
；
图4-图7为不同站点实测与/>对比散点图，从图4-图7中可以看出，大多数实测点的/>和本发明算法得到的/>处于1：1线，说明两者一致性较好，而且本发明460nm，560nm，650nm，825nm四个波段均未得到负值点。
图8-图11分别为Dongtou、Muping、Socheongcho、 ARIAKE_TOWER四个站点平均实测与本发明得到的平均/>光谱形状对比图，从图8-图11中可以看出，四个站点的平均光谱形状相似，其中，Dongtou和Muping站点的光谱形状最为接近，其光谱角分别为7.52º和9.41º。
以上结果均表明，本发明算法得到的反射率结果与实测数据具有较好的一致性，特别是在可见光波段。不仅如此，不同水体的光谱形状也保持的较好。
（2）基于同步Landsat8 OLI数据的精度评估：通过同步Landsat8 OLI数据对该算法的性能进行了评估，该数据集占样本数据集的15%。采用R、APD、RPD、RMSE和SA统计参数进行评价。表2为同步Landsat8 OLI数据4个波段的大气校正精度。大气校正后的R rs 值与已知值一致，四个波段Rrs的相关系数均优于0.96，均方根误差值均不超过0.001 sr−1，绝对百分比误差值优于10%。同时，光谱角为1.12°，表明该方法得到的光谱形状与同步Landsat8 OLI数据的光谱形状接近。相比较于可见光波段，由于近红外波段Rrs值较低（接近于0），绝对百分比误差和相对百分比误差相对较高。
表2同步Landsat8 OLI数据集验证结果：
；
除上述精度分析外，本发明还进行了分布统计，结果显示，本发明得到的大气校正结果与时空同步的OLI反射率一致性较好，四个波段的/>值均在1：1线附近（如图12-图15，分别为460nm，560nm，650nm，825nm同步Landsat8 OLI数据集大气校正精度对比图。色度条代表点密度），且HY-1C CZI与同步Landsat8 OLIR rs 局部空间分布一致（图16，不同区域HY-1C CZI （a）、（c）与同步Landsat8 OLI（b）、（d）局部/>结果。其中（a）、（b）和（c）、（d）分别代表不同区域，图像大小为32×32。下方色度条代表4个波段/>数值范围，单位为/>）。而且，从图16中还可以看出，与同步Landsat8 OLI />相比，本发明算法得到的/>空间分布更加均一，而Landsat采用的标准大气校正方法是以像元为单位进行校正的，存在异常值。
（3）不同方法对比：本发明进一步将空谱特征约束的二三维卷积大气校正方法应用于CZI数据，并与方法进行了对比，评估结果如表3所示。
实验结果表明本发明提出的大气校正模型具有较高性能，相关系数、绝对百分比误差、相对百分比误差、光谱角等各项指标均优于对比模型。本发明算法平均相关系数可达0.99，绝对百分比误差均小于18%，平均均方根误差为0.0004sr-1。由于方法主要针对浑浊水体，对于该区域大气校正时蓝波段/>存在负值且近红外波段/>高，绝对百分比误差分别达到107.65%和161.61%。
表3不同方法验证结果：
；
本发明还进行了不同方法空间分布和光谱形状保持性能的分析，结果显示本发明在大气校正结果准确性、空间分布和遥感反射率光谱形状保持方面性能较好。从不同大气校正方法结果来看，本发明的空间分布合理，与Landsat 8 OLI影像较为一致。此外，本发明选取了清洁区域、浑浊区域、较浑浊区域分别对比分析了不同方法三个区域光谱形状，如图17-图19。从图17-图19中可以看出，本发明在三个区域中与Landsat 8 OLI/>的光谱形状均比较接近。由于/>方法得到的蓝波段存在负值，导致光谱形状与Landsat 8 OLI和本发明算法结果相差较大，同时也验证了SA的准确性。
如图17为清洁水体中Landsat8 OLI、SSACNet、方法不同方法/>对比图。如图18为浑浊水体中Landsat8 OLI、SSACNet、/>方法不同方法/>对比图。如图19为较浑浊水体中Landsat8 OLI、SSACNet、/>方法不同方法/>对比图。图17-图19中为R（650nm）、G （560nm）、B （460nm）真彩色显示，右侧4个色度条分别代表4个波段的/>数值范围，单位为/>。
（4）模型稳定性：为了检验本发明算法对输入大气顶层反射率的敏感性，对同步Landsat8 OLI数据集添加5%和10%的随机误差（RE），结果如表4所示。在加入5%随机误差时，四个波段的绝对百分比误差增加小于1%，总体的一致性不变，光谱角为1.15º。加入10%随机误差时，光谱角为1.24 º，较原始数据集仅增加了0.12º，光谱保持较好。实验结果表明，大气顶层反射率的不确定性对本发明大气校正算法的影响较小，模型稳定性较好。
表4添加随机误差的测试集验证结果：/>
；
（5）不同水体适应性分析：为了评估本发明算法在不同类型的水体（如清洁水体和浑浊水体）适用性，本发明选取了以清洁水体为主的某海区域和以浑浊水体为主的某近岸区域HY-1C CZI数据进行了大气校正实验，并与时空同步的Landsat8 OLI和MODIS 产品比较。影像获取时间分别为2021年11月26日和2020年11月11日。
对于清洁水体，本发明算法得到了与同步Landsat8 OLI和MODIS一致的。在清洁水体区域的大气校正结果中，由本发明得到的HY-1C CZI />空间分布、由SWIR-AC得到的Landsat8 OLI和MODIS同一区域相似波长的/>空间分布。三者/>的空间分布基本一致。同时，从平均/>光谱曲线来看，本发明算法得到的/>光谱形状与SWIR-AC标准算法接近。在2020年11月11日以浑浊水体为主的东海近岸区域影像的大气校正结果中，由本发明算法得到的HY-1C CZI />空间分布、由SWIR-AC得到的Landsat8 OLI和MODIS同一区域相似波长的/>空间分布。三者/>的空间分布一致，均能体现研究区水色的剧烈变化。而且，由于CZI和OLI的空间分辨率更高，与MODIS相比展现出更为精细的空间分布细节信息。此外，从平均/>光谱曲线来看，本发明算法对于浑浊水体仍可以保持准确的Rrs光谱形状。因此，不同类型水体反射率结果表明，本发明算法可同时适用于清洁水体和浑浊水体等不同类型的水体，同时，其/>的空间分布与OLI相比更加平滑，且光谱形状与OLI和MODIS一致。
实施例2，本发明实施例提供一种空谱特征约束的深度学习大气校正系统，系统包括：
基于三维卷积的空谱特征提取模块，用于以三维密集残差网络为骨干网络，以三维残差特征注意力机制，挖掘影像的空间特征、光谱特征；
基于二维卷积的空间信息补偿模块，用于引入二维卷积，构建基于二维卷积空间信息补偿模块，通过二维密集残差空间特征提取和残差空间注意力机制，提取影像局部空间特征，保留原始影像纹理信息，对三维卷积特征进行空间信息补偿；
自适应动态调整空谱特征权重模块，用于通过自适应参数优化操作，动态调整空谱特征权重，提升大气校正效果；
基于光谱约束的损失函数建立模块，用于建立基于光谱约束的损失函数，保持大气校正后反射率光谱信息。
基于三维卷积的空谱特征提取模块包括3个三维密集残差、3个残差特征注意力和1个卷积核为1的卷积。基于二维卷积的空间信息补偿模块由5个二维密集残差、5个残差空间注意力和1个卷积核为1的卷积组成。除空间注意力的7×7卷积，各模块内所有卷积层卷积核大小为3，数量为64。在每次卷积操作之前，执行对称填充处理，以保持输出特征映射的大小与输入特征映射的大小一致。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案，进一步的可提出以下应用例。
根据本申请的实施例，本发明还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种空谱特征约束的深度学习大气校正方法，其特征在于，该方法包括以下步骤：
S1，基于三维卷积的空谱特征提取模块，以三维密集残差网络为骨干网络，以三维残差特征注意力机制，挖掘影像的空间特征、光谱特征；
S2，引入二维卷积，构建基于二维卷积空间信息补偿模块，通过二维密集残差空间特征提取和残差空间注意力机制，提取影像局部空间特征，保留原始影像纹理信息，对三维卷积特征进行空间信息补偿；
S3，通过自适应参数优化操作，动态调整空谱特征权重，提升大气校正效果；
S4，建立基于光谱约束的损失函数，保持大气校正后反射率光谱信息。
2.根据权利要求1所述的空谱特征约束的深度学习大气校正方法，其特征在于，在步骤S1中，通过三维密集残差网络挖掘获取空谱信息，保持初始特征；通过三维残差特征注意力机制对三维密集残差网络获取的特征进行加权，强化影像空间、光谱特征的空谱信息。
3.根据权利要求2所述的空谱特征约束的深度学习大气校正方法，其特征在于，三维残差特征注意力机制的表达式如下：
；
；
式中，与/>分别表示第/>个残差空间注意力单元的输入和输出特征图，/>表示从提取的卷积特征，/>表示卷积，/>表示LeakyReLU激活函数，/>为三维残差特征注意力，/>表示特征图逐元素相乘。
4.根据权利要求1所述的空谱特征约束的深度学习大气校正方法，其特征在于，在步骤S2中，二维卷积空间信息补偿模块包括：二维密集残差空间特征提取和残差空间注意力机制，二维密集残差空间特征提取除卷积维度外，二维卷积空间信息补偿模块的模型结构与三维密集残差网络一致；引入残差空间注意力提升局部区域细节特征表达，并关注CZI影像局部空间特征信息。
5.根据权利要求1所述的空谱特征约束的深度学习大气校正方法，其特征在于，在步骤S3中，通过自适应参数优化操作，动态调整空谱特征权重包括：
首先在模型中引入空谱特征权重参数，并赋予相同初始权重值；
然后，通过模型的反向传播计算空谱特征梯度；
最后，根据梯度进行参数的动态调整，对基于三维卷积的空谱特征提取模块输出的特征层和二维卷积空间信息补偿模块输出的特征层自适应加权相加输出大气校正后遥感反射率结果。
6.根据权利要求1所述的空谱特征约束的深度学习大气校正方法，其特征在于，在步骤S4中，建立基于光谱约束的损失函数包括：
将光谱角SA和平均绝对误差MAE结合构成L SM 损失函数；通过平均绝对误差计算大气校正后遥感反射率与参考遥感反射率间的误差，利用光谱角计算大气校正后遥感反射率与参考遥感反射率之间光谱曲线的相似性。
7.根据权利要求6所述的空谱特征约束的深度学习大气校正方法，其特征在于，将光谱角SA和平均绝对误差MAE结合构成损失函数中，公式如下：
；
；
；
其中，和/>分别代表/>和/>计算结果，/>和/>分别代表训练数据和网络预测的光谱值，/>为常数，/>为训练数据光谱值的转置，/>为转置操作，/>为总的光谱数量。
8.一种空谱特征约束的深度学习大气校正系统，其特征在于，实施权利要求1-7任意一项所述空谱特征约束的深度学习大气校正方法，该系统包括：
基于三维卷积的空谱特征提取模块，用于以三维密集残差网络为骨干网络，以三维残差特征注意力机制，挖掘影像的空间特征、光谱特征；
基于二维卷积的空间信息补偿模块，用于引入二维卷积，构建基于二维卷积空间信息补偿模块，通过二维密集残差空间特征提取和残差空间注意力机制，提取影像局部空间特征，保留原始影像纹理信息，对三维卷积特征进行空间信息补偿；
自适应动态调整空谱特征权重模块，用于通过自适应参数优化操作，动态调整空谱特征权重，提升大气校正效果；
基于光谱约束的损失函数建立模块，用于建立基于光谱约束的损失函数，保持大气校正后反射率光谱信息。
9.根据权利要求8所述的空谱特征约束的深度学习大气校正系统，其特征在于，基于三维卷积的空谱特征提取模块包括3个三维密集残差网络、3个残差特征注意力和1个卷积核为1的卷积。
10.根据权利要求8所述的空谱特征约束的深度学习大气校正系统，其特征在于，基于二维卷积的空间信息补偿模块由5个二维密集残差网络、5个残差空间注意力和1个卷积核为1的卷积组成。
CN202311007293.1A 2023-08-11 2023-08-11 一种空谱特征约束的深度学习大气校正方法及系统 Active CN116721243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311007293.1A CN116721243B (zh) 2023-08-11 2023-08-11 一种空谱特征约束的深度学习大气校正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311007293.1A CN116721243B (zh) 2023-08-11 2023-08-11 一种空谱特征约束的深度学习大气校正方法及系统

Publications (2)

Publication Number Publication Date
CN116721243A true CN116721243A (zh) 2023-09-08
CN116721243B CN116721243B (zh) 2023-11-28

Family

ID=87875667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311007293.1A Active CN116721243B (zh) 2023-08-11 2023-08-11 一种空谱特征约束的深度学习大气校正方法及系统

Country Status (1)

Country Link
CN (1) CN116721243B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017166261A1 (zh) * 2016-04-01 2017-10-05 中国科学院遥感与数字地球研究所 时间-空间-光谱四维遥感数据的提取方法
CN111795936A (zh) * 2020-08-03 2020-10-20 长安大学 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质
CN114254715A (zh) * 2022-03-02 2022-03-29 自然资源部第一海洋研究所 一种gf-1 wfv卫星影像超分辨率方法、系统及应用
CN114359723A (zh) * 2021-12-27 2022-04-15 陕西科技大学 一种基于空谱特征融合网络的遥感影像变化检测方法
CN115019178A (zh) * 2022-07-26 2022-09-06 青岛星科瑞升信息科技有限公司 一种基于大核卷积注意力的高光谱影像分类方法
CN116299247A (zh) * 2023-05-19 2023-06-23 中国科学院精密测量科学与技术创新研究院 一种基于稀疏卷积神经网络的InSAR大气校正方法
CN116503292A (zh) * 2023-06-27 2023-07-28 南京信息工程大学 一种基于SwinIR的高光谱遥感图像去噪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017166261A1 (zh) * 2016-04-01 2017-10-05 中国科学院遥感与数字地球研究所 时间-空间-光谱四维遥感数据的提取方法
CN111795936A (zh) * 2020-08-03 2020-10-20 长安大学 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质
CN114359723A (zh) * 2021-12-27 2022-04-15 陕西科技大学 一种基于空谱特征融合网络的遥感影像变化检测方法
CN114254715A (zh) * 2022-03-02 2022-03-29 自然资源部第一海洋研究所 一种gf-1 wfv卫星影像超分辨率方法、系统及应用
CN115019178A (zh) * 2022-07-26 2022-09-06 青岛星科瑞升信息科技有限公司 一种基于大核卷积注意力的高光谱影像分类方法
CN116299247A (zh) * 2023-05-19 2023-06-23 中国科学院精密测量科学与技术创新研究院 一种基于稀疏卷积神经网络的InSAR大气校正方法
CN116503292A (zh) * 2023-06-27 2023-07-28 南京信息工程大学 一种基于SwinIR的高光谱遥感图像去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAN SUN ET AL: "Automatic atmospheric correction for shortwave hyperspectral remote sensing data using a time-dependent deep neural network", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, pages 117 - 131 *
蒋金雄: "面向徐州老采空区长时序形变监测的DS-InSAR大气校正方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》, vol. 2022, no. 03 *

Also Published As

Publication number Publication date
CN116721243B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN107423537B (zh) 一种基于自适应阈值的地表温度降尺度的方法
WO2010005926A2 (en) Processing of remotely acquired imagery
CN114113001B (zh) 一种气溶胶光学厚度反演方法
CN111337434A (zh) 一种矿区复垦植被生物量估算方法及系统
CN112733596A (zh) 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用
CN107688776B (zh) 一种城市水体提取方法
CN114022783A (zh) 基于卫星图像的水土保持生态功能遥感监测方法和装置
CN109829872B (zh) 一种用于内陆水体遥感的多时相多源遥感影像融合方法
CN108932708A (zh) 基于超分辨增强的星载多光谱遥感图像融合方法
CN112013822A (zh) 基于改进gwr模型的多光谱遥感水深反演方法
CN109671038A (zh) 一种基于伪不变特征点分类分层的相对辐射校正方法
CN113705340B (zh) 一种基于雷达遥感数据的深度学习变化检测方法
Wang et al. Poissonian blurred hyperspectral imagery denoising based on variable splitting and penalty technique
CN113705538A (zh) 基于深度学习的高分遥感影像道路变化检测装置及方法
CN116721243B (zh) 一种空谱特征约束的深度学习大气校正方法及系统
CN116245757B (zh) 多模态数据的多场景通用性遥感影像云修复方法和系统
CN115862010B (zh) 一种基于语义分割模型的高分遥感影像水体提取方法
CN111523451A (zh) 一种构建高时空分辨率ndvi数据的方法
CN115170406A (zh) 一种光学影像与sar强度影像高精度融合方法
Li et al. Multi-sensor multispectral reconstruction framework based on projection and reconstruction
TWI684755B (zh) 大氣層頂反射率之時間空間影像融合方法於氣膠光學厚度反演
Wang et al. Spatiotemporal temperature fusion based on a deep convolutional network
Eugenio et al. Worldview-2 high resolution remote sensing image processing for the monitoring of coastal areas
Amjadipour et al. Estimation of Free Parameters of Morphological Profiles for Building Extraction Using SAR Images
CN103400341A (zh) 基于压缩感知的空谱域联合恢复高光谱数据的方法

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