CN117523406A - 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 - Google Patents
一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 Download PDFInfo
- Publication number
- CN117523406A CN117523406A CN202311304138.6A CN202311304138A CN117523406A CN 117523406 A CN117523406 A CN 117523406A CN 202311304138 A CN202311304138 A CN 202311304138A CN 117523406 A CN117523406 A CN 117523406A
- Authority
- CN
- China
- Prior art keywords
- longitude
- coordinate point
- cocts
- calibration area
- remote sensing
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 238000012937 correction Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000002310 reflectometry Methods 0.000 claims abstract description 89
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000011478 gradient descent method Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 239000000443 aerosol Substances 0.000 claims description 59
- 210000000746 body region Anatomy 0.000 claims description 48
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 28
- 230000003287 optical effect Effects 0.000 claims description 27
- 229930002868 chlorophyll a Natural products 0.000 claims description 24
- 230000001360 synchronised effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 abstract description 4
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- IFYDWYVPVAMGRO-UHFFFAOYSA-N n-[3-(dimethylamino)propyl]tetradecanamide Chemical compound CCCCCCCCCCCCCC(=O)NCCCN(C)C IFYDWYVPVAMGRO-UHFFFAOYSA-N 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
-
- 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
-
- 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
- G06V10/20—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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种海洋水色水温扫描仪箝位修正方法及计算机可读介质。本发明构建定标区域；对定标区域上每个时刻的MODIS影像进行辐射传输模拟和光谱响应修正，作为定标区域上每个时刻的COCTS天顶遥感反射率模拟影像；依次通过差值计算、多通道奇异谱分析提取、初次衰减校正、相减计算，得到定标区域中每个经度、纬度坐标点上每个时刻的噪声信号；基于DBN网络算法构建深度学习模型，结合随机梯度下降法进行模型训练得到训练后的深度学习模型；将实时获取的COCTS遥感反射率经初次衰减校正后输入至训练后的深度学习模型，得到噪声信号对初次衰减校正后的COCTS遥感反射率进行校准，完成实时修正。本发明实现了不规律噪声的有效预测，进而提高了COCTS影像的修复精度。
Description
技术领域
本发明属于海洋光学遥感技术领域，尤其涉及一种海洋水色水温扫描仪箝位修正方法及计算机可读介质。
背景技术
COCTS是光机扫描式传感器，在一个扫描周期内依次采集冷空、地球目标和头部黑体的信号值。探测器接收辐射亮度后通过光电转换将其转换为电信号，然后对其进行交流放大，但这样只能表示入射辐射的相对大小而无法反映辐亮度的绝对数值。为了建立入射辐射与输出信号之间的绝对关系，需要在冷空区域对信号进行直流恢复(即“箝位”)，将电平强行箝位至基准电平，并将其作为辐射参考基准。
理论上可见光近红外波段的箝位基准信号与黑体信号相等(均为零)，但由于卫星在轨运行过程中冷空域受到未知辐射的“污染”，使得箝位基准信号发生漂移(不为零，并随着扫描线位置、季节、地物目标反射率等变化而波动)，卫星探测器输出的电平值远小于实际值，有的通道和区域甚至出现截止现象，严重影响了海洋遥感数据的应用及后续水色产品的定量生产。
因此，有必要针对COCTS辐射基准信号漂移的问题开展成因和规律研究，突破COCTS箝位漂移恢复技术，以发挥水色水温遥感数据的利用价值。我国对这些积累的历史遥感资料高度重视，于2018年发起了国家重点研发计划项目“国产多系列遥感卫星历史资料再定标技术”。本发明基于COCTS可见/近红外通道数据，利用深度学习方法建立网络模型对“污染”数据进行修复及结果评价，为“国产系列遥感卫星历史资料重定标”计划和我国海洋水色信息的多个时刻观测数据库建设提供技术参考。
发明内容
针对已发射海洋水色水温扫描仪箝位基准漂移的问题，本发明提出了一种海洋水色水温扫描仪箝位修正方法及计算机可读介质，以提高水色水温历史遥感数据的利用率并充分挖掘其应用价值。
本发明方法的技术方案为一种海洋水色水温扫描仪箝位修正方法，其特征在于：
构建定标区域；
对定标区域上每个时刻的MODIS影像进行辐射传输模拟和光谱响应修正，作为定标区域上每个时刻的COCTS天顶遥感反射率模拟影像；
对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率、COCTS模拟遥感反射率进行差值计算、多通道奇异谱分析提取、初次衰减校正、相减计算，得到定标区域中每个经度、纬度坐标点上每个时刻的噪声信号；
基于DBN网络算法构建深度学习模型，以初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率及COCTS影像获取属性作为输入，结合随机梯度下降法进行模型训练，得到训练后的深度学习模型；
将实时获取的COCTS遥感反射率经初次衰减校正后输入至训练后的深度学习模型，得到噪声信号，对初次衰减校正后的COCTS遥感反射率进行校准，完成COCTS遥感反射率的第二次修正。
本发明的具体步骤如下：
步骤1：获取全球海洋区域内每个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、气溶胶类型参数Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度，进一步构建定标区域；
步骤2：获取定标区域上多个时刻的COCTS影像及同步的MODIS影像，对定标区域上每个时刻的MODIS影像进行辐射传输模拟和光谱响应修正，作为定标区域上每个时刻的COCTS天顶遥感反射率模拟影像；
步骤3：将定标区域中每个经度、纬度坐标点上每个时刻的COCTS影像的辐射亮度值转换为定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率，对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率及同步的定标区域中每个经度、纬度坐标点上每个时刻的COCTS模拟遥感反射率进行差值计算得到差值序列，对差值序列进行多通道奇异谱分析提取，得到差值的趋势项和差值的残差项；结合差值的趋势项对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率进行初次衰减校正，得到初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率，将定标区域中每个经度、纬度坐标点上每个时刻的COCTS模拟遥感反射率与初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率进行相减，得到定标区域中每个经度、纬度坐标点上每个时刻的噪声信号；
步骤4：基于DBN网络算法构建深度学习模型，以初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率及COCTS影像获取属性作为输入，以定标区域中每个经度、纬度坐标点上每个时刻的噪声信号为输出，结合随机梯度下降法进行模型训练，使损失函数最小，得到训练后的深度学习模型；
步骤5：将实时获取的COCTS遥感反射率经初次衰减校正后输入至训练后的深度学习模型，得噪声信号，将噪声信号添加至初次衰减校正后的COCTS遥感反射率，完成COCTS遥感反射率的第二次修正。
作为优选，步骤1所述构建定标区域，具体如下：
步骤1.1：将全球海洋区域内多个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度进行Mann–Kendall趋势检测，去除具有明显长期单调变化趋势的海洋区域，得到去除单调变化趋势后水体区域；
步骤1.2：在去除单调变化趋势后水体区域中所有经度、纬度坐标点中，筛选多个时刻的869nm波段气溶胶光学厚度的均值小于气溶胶阈值、多个时刻的气溶胶类型参数Angstrom系数的均值小于Angstrom指数阈值、多个时刻的叶绿素a浓度的均值小于叶绿素阈值的经度、纬度坐标点，构建相对清洁稳定水体区域；
步骤1.3：根据相对清洁稳定水体区域每个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度，分别计算对应的均值、标准差，进一步计算得到相对清洁稳定水体区域每个经度、纬度坐标点的869nm波段气溶胶光学厚度的变异系数、气溶胶类型参数Angstrom系数的变异系数、多个波段的遥感反射率的变异系数、490nm波段漫衰减系数的变异系数、叶绿素a浓度的变异系数，筛选相对清洁稳定水体区域的经度、纬度坐标点的869nm波段气溶胶光学厚度的变异系数、气溶胶类型参数Angstrom系数的变异系数、多个波段的遥感反射率的变异系数、490nm波段漫衰减系数的变异系数、叶绿素a浓度的变异系数均小于等于定标阈值的坐标点，构建定标区域；
步骤1.3所述分别计算对应的均值、标准差和变异系数，具体如下：
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的869nm波段气溶胶光学厚度分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的869nm波段气溶胶光学厚度的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的气溶胶类型参数Angstrom系数分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的气溶胶类型参数Angstrom系数的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的多个波段的遥感反射率分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的多个波段的遥感反射率的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的490nm波段漫衰减系数分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的490nm波段漫衰减系数的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的叶绿素a浓度分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的叶绿素a浓度的均值、标准差，标准差与均值相除即可得到变异系数；
作为优选，步骤2所述COCTS影像天顶辐亮度遥感反射率模拟，具体通过以下方式：
步骤2.1：获取同步影像：筛选与定标区域上多个时刻COCTS影像拍摄时间同步的MODIS影像，定标区域上多个时刻的COCTS影像包括定标区域内每个经度、纬度坐标点上每个时刻COCTS辐射亮度值、COCTS影像获取属性；
所述COCTS影像获取属性由COCTS观测几何、COCTS当天日地距离、COCTS扫描行行数构成；
同步MODIS影像包括定标区域内每个经度、纬度坐标点上每个时刻MODIS辐射亮度值、MODIS影像获取属性；
MODIS影像获取属性包括MODIS观测几何、MODIS当天日地距离、MODIS扫描行行数构成；
步骤2.2：通过NIR/SWIR算法对定标区域内每个经度、纬度坐标点上每个时刻的MODIS影像辐射亮度值进行大气校正，得到定标区域中每个经度、纬度坐标点上每个时刻的水体辐亮度和定标区域中每个经度、纬度坐标点上每个时刻的气溶胶光学厚度，根据COCTS影像观测几何，在气溶胶查找表中查找到对应观测条件下定标区域中每个经度、纬度坐标点上每个时刻的气溶胶相关辐亮度，在瑞利查找表中查找到定标区域中每个经度、纬度坐标点上每个时刻的瑞利校正后的辐亮度；
步骤2.3：计算定标区域中每个经度、纬度坐标点上每个时刻的卫星传感器接收到的天顶辐亮度：
L(u,v,k)＝LR(u,v,k)+LA(u,v,k)+LAR(u,v,k)+TLg(u,v,k)+tLwc(u,v,k)+tLw(u,v,k)
其中，L(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的卫星传感器接收到的天顶辐亮度，LR(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的瑞利校正后的辐亮度，LA(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的气溶胶散射辐亮度，LAR(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的来自瑞利和气溶胶之间多次散射辐亮度，Lg(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的耀斑辐亮度，Lwc(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的白帽辐亮度，T为直射透过率，t为漫射透过率，n1为经度取值的数量，n2表示纬度取值的数量，K表示时刻的数量；
将定标区域中每个经度、纬度坐标点上每个时刻的卫星传感器接收到的天顶辐亮度转为定标区域中每个经度、纬度坐标点上每个时刻的MODIS遥感反射率，以排除观测几何的影响，具体计算如下：
其中，d(u,v,k)表示定标区域中经度u、纬度v坐标点上第k时刻的日地距离，F0(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的大气顶层辐照度，θ0(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻获取的太阳天顶角，ρTOA(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的MODIS遥感反射率；
步骤2.4：通过光谱匹配因子对定标区域中每个经度、纬度坐标点上每个时刻的MODIS遥感反射率进行光谱修正，得到定标区域中每个经度、纬度坐标点上每个时刻的模拟的COCTS遥感反射率；
作为优选，步骤3中所述进行初次衰减校正，具体如下：
在定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率上添加趋势项得到初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率；
作为优选，步骤4所述损失函数，定义如下：
其中，为深度学习模型预测的定标区域中经度u、纬度坐标v上第k时刻的噪声信号，y(u,v,k)为初次衰减校正后的定标区域中经度u、纬度坐标v上第k时刻的噪声信号，n1为经度取值的数量，n2表示纬度取值的数量，K表示时刻的数量；
本发明还提供了一种计算机可读介质，所述计算机可读介质存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，执行所述海洋水色水温扫描仪箝位修正方法的步骤。
本发明的有益效果是：
本发明提出的数据修复技术是在稳定场实验基础上完成的，根据全球大气和水体光学参数，筛选出空间上均匀、时间上稳定、气象条件良好的定标场，使得整个数据修复过程更加准确，也为海洋水色卫星辐射定标选址提供参考。
本发明利用多通道奇异谱分析方法将数据衰减趋势和其他噪声分解开来，一定程度上区分了传感器辐射衰减的因素，即电子器件退化引起的多个时刻持续衰减和箝位基准漂移引起的不规律噪声，独立研究这两部分可以更好地解释信号衰减机理并进行相应的数据修复。
本发明基于COCTS与MODIS匹配数据集，利用深度学习方法训练得到多种影响因素与箝位偏移值之间的非线性关系，实现了不规律噪声的有效预测，进而提高了COCTS影像的修复精度。
附图说明
图1：本发明实施例的方法流程图。
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。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
海洋水色水温扫描仪的辐射响应变化一般包括两方面：长期的辐射衰减趋势和箝位漂移引起的不规律噪声。本发明提供一种海洋水色水温扫描仪箝位修正方法，选取历史COCTS影像作为待修正数据，同步MODIS影像作为基准数据，建立匹配数据集深度训练深度置信神经网络，进行COCTS影像的衰减校正和箝位噪声校正，以提升其定标精度及一致性。
下面结合图1介绍本发明实施例的方法为一种海洋水色水温扫描仪箝位修正方法，具体包括以下步骤：
步骤1：通过Aqua MODIS产品中的L1B辐射定标数据和L3M月尺度参数产品，获取全球海洋区域内每个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、气溶胶类型参数Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度，进一步构建定标区域；
步骤1所述构建定标区域，具体如下：
步骤1.1：将全球海洋区域内多个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度进行Mann–Kendall趋势检测，去除具有明显长期单调变化趋势的海洋区域，得到去除单调变化趋势后水体区域；
步骤1.2：在去除单调变化趋势后水体区域中所有经度、纬度坐标点中，筛选多个时刻的869nm波段气溶胶光学厚度的均值小于气溶胶阈值、多个时刻的气溶胶类型参数Angstrom系数的均值小于Angstrom指数阈值、多个时刻的叶绿素a浓度的均值小于叶绿素阈值的经度、纬度坐标点，构建相对清洁稳定水体区域；
气溶胶阈值为0.12；
Angstrom指数阈值为1.2；
叶绿素阈值为0.2μg L-1；
步骤1.3：根据相对清洁稳定水体区域每个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度，分别计算对应的均值、标准差，进一步计算得到相对清洁稳定水体区域每个经度、纬度坐标点的869nm波段气溶胶光学厚度的变异系数、气溶胶类型参数Angstrom系数的变异系数、多个波段的遥感反射率的变异系数、490nm波段漫衰减系数的变异系数、叶绿素a浓度的变异系数，筛选相对清洁稳定水体区域的经度、纬度坐标点的869nm波段气溶胶光学厚度的变异系数、气溶胶类型参数Angstrom系数的变异系数、多个波段的遥感反射率的变异系数、490nm波段漫衰减系数的变异系数、叶绿素a浓度的变异系数均小于等于定标阈值的坐标点，构建定标区域；
步骤1.3所述分别计算对应的均值、标准差和变异系数，具体如下：
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的869nm波段气溶胶光学厚度分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的869nm波段气溶胶光学厚度的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的气溶胶类型参数Angstrom系数分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的气溶胶类型参数Angstrom系数的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的多个波段的遥感反射率分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的多个波段的遥感反射率的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的490nm波段漫衰减系数分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的490nm波段漫衰减系数的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的叶绿素a浓度分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的叶绿素a浓度的均值、标准差，标准差与均值相除即可得到变异系数；
步骤2：通过COCTS、Terra MODIS产品中的L1B辐射定标数据，获取定标区域上多个时刻的COCTS影像及同步的MODIS影像，对定标区域上每个时刻的MODIS影像进行辐射传输模拟和光谱响应修正，作为定标区域上每个时刻的COCTS天顶遥感反射率模拟影像；
步骤2所述COCTS影像天顶辐亮度遥感反射率模拟，具体通过以下方式：
步骤2.1：获取同步影像：筛选与定标区域上多个时刻COCTS影像拍摄时间同步的MODIS影像，定标区域上多个时刻的COCTS影像包括定标区域内每个经度、纬度坐标点上每个时刻COCTS辐射亮度值、COCTS影像获取属性；
所述COCTS影像获取属性由COCTS观测几何、COCTS当天日地距离、COCTS扫描行行数构成；
同步MODIS影像包括定标区域内每个经度、纬度坐标点上每个时刻MODIS辐射亮度值、MODIS影像获取属性；
MODIS影像获取属性包括MODIS观测几何、MODIS当天日地距离、MODIS扫描行行数构成；
步骤2.2：通过NIR/SWIR算法对定标区域内每个经度、纬度坐标点上每个时刻的MODIS影像辐射亮度值进行大气校正，得到定标区域中每个经度、纬度坐标点上每个时刻的水体辐亮度和定标区域中每个经度、纬度坐标点上每个时刻的气溶胶光学厚度，根据COCTS影像观测几何，在气溶胶查找表中查找到对应观测条件下定标区域中每个经度、纬度坐标点上每个时刻的气溶胶相关辐亮度，在瑞利查找表中查找到定标区域中每个经度、纬度坐标点上每个时刻的瑞利校正后的辐亮度；
步骤2.3：计算定标区域中每个经度、纬度坐标点上每个时刻的卫星传感器接收到的天顶辐亮度：
L(u,v,k)＝LR(u,v,k)+LA(u,v,k)+LAR(u,v,k)+TLg(u,v,k)+tLwc(u,v,k)+tLw(u,v,k)
其中，L(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的卫星传感器接收到的天顶辐亮度，LR(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的瑞利校正后的辐亮度，LA(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的气溶胶散射辐亮度，LAR(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的来自瑞利和气溶胶之间多次散射辐亮度，Lg(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的耀斑辐亮度，Lwc(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的白帽辐亮度，T为直射透过率，t为漫射透过率，n1为经度取值的数量，n2表示纬度取值的数量，K表示时刻的数量；
将定标区域中每个经度、纬度坐标点上每个时刻的卫星传感器接收到的天顶辐亮度转为定标区域中每个经度、纬度坐标点上每个时刻的MODIS遥感反射率，以排除观测几何的影响，具体计算如下：
其中，d(u,v,k)表示定标区域中经度u、纬度v坐标点上第k时刻的日地距离，F0(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的大气顶层辐照度，θ0(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻获取的太阳天顶角，ρTOA(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的MODIS遥感反射率；
步骤2.4：通过光谱匹配因子对定标区域中每个经度、纬度坐标点上每个时刻的MODIS遥感反射率进行光谱修正，得到定标区域中每个经度、纬度坐标点上每个时刻的模拟的COCTS遥感反射率；
步骤3：将定标区域中每个经度、纬度坐标点上每个时刻的COCTS影像的辐射亮度值转换为定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率，对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率及同步的定标区域中每个经度、纬度坐标点上每个时刻的COCTS模拟遥感反射率进行差值计算得到差值序列，对差值序列进行多通道奇异谱分析提取，得到差值的趋势项和差值的残差项；结合差值的趋势项对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率进行初次衰减校正，得到初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率，将定标区域中每个经度、纬度坐标点上每个时刻的COCTS模拟遥感反射率与初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率进行相减，得到定标区域中每个经度、纬度坐标点上每个时刻的噪声信号；
作为优选，步骤3中所述进行初次衰减校正，具体如下：
在定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率上添加趋势项得到初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率；
步骤4：基于DBN网络算法构建深度学习模型，以初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率及COCTS影像获取属性作为输入，以定标区域中每个经度、纬度坐标点上每个时刻的噪声信号为输出，结合随机梯度下降法进行模型训练，使损失函数最小，得到训练后的深度学习模型。
步骤4所述损失函数，定义如下：
其中，为深度学习模型预测的定标区域中经度u、纬度坐标v上第k时刻的噪声信号，y(u,v,k)为初次衰减校正后的定标区域中经度u、纬度坐标v上第k时刻的噪声信号，n1为经度取值的数量，n2表示纬度取值的数量，K表示时刻的数量；
步骤5：将实时获取的COCTS遥感反射率经初次衰减校正后输入至训练后的深度学习模型，得到噪声信号，将噪声信号添加至初次衰减校正后的COCTS遥感反射率，完成COCTS遥感反射率的第二次修正。
步骤6：算法精度评估
步骤6.1：定量精度评价。计算修正后与模拟COCTS遥感反射率之间的回归方程和决定系数(coefficient of determination，R2)，及平均绝对百分比误差(mean absolutepercent difference，MAPD)，进行定量评估。
式中，xr,k为COCTS遥感反射率模拟值，xt,k为定标后的COCTS遥感反射率，N为像元个数。
从构建的匹配数据集中随机选取1万条样本数据，其中75％用于DBN网络训练，剩余25％用于精度验证，验证结果如表1所示。
表1：验证数据集修正精度统计表
由表1可知，前五个波段修正后与模拟COCTS遥感反射率之间的决定系数R2大于0.9，MAPD虽然依次增大但均小于4％；在红光和近红外波段(后三个波段)，定标精度略有下降，但R2稳定在0.7以上，MAPD也保持在10％左右，说明本发明构建的模型能够较为精确地预测箝位噪声，实现COCTS数据的有效修正。步骤6.2：通过影像进行定性和定量评估。利用上述流程对一幅未参与建模的COCTS影像进行修正，先通过影像定性评价其与模拟遥感反射率影像的空间一致性，再逐像素计算相对百分比误差(relative percent difference，RPD)进行定量评估。
RPD越接近1，表明精度越高。
选取2008年3月5日东海区域的一景COCTS影像(未参与建模)，利用本发明中构建的深度学习模型对其进行修正，经统计影像校正RPD分布在-3％～+3％之间，且误差较小的像元所占比例更高，说明该发明也可以较好地应用到卫星影像上。
本发明的具体实施例还提供了一种计算机可读介质。
所述计算机可读介质为服务器工作站；
所述服务器工作站存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行本发明实施例的所述海洋水色水温扫描仪箝位修正方法的步骤。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (8)
1.一种海洋水色水温扫描仪箝位修正方法，其特征在于：
对定标区域上每个时刻的MODIS影像进行辐射传输模拟和光谱响应修正，作为定标区域上每个时刻的COCTS天顶遥感反射率模拟影像；
对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率、COCTS模拟遥感反射率进行差值计算、多通道奇异谱分析提取、初次衰减校正、相减计算，得到定标区域中每个经度、纬度坐标点上每个时刻的噪声信号；
基于DBN网络算法构建深度学习模型，以初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率及COCTS影像获取属性作为输入，结合随机梯度下降法进行模型训练，得到训练后的深度学习模型；
将实时获取的COCTS遥感反射率经初次衰减校正后输入至训练后的深度学习模型，得到噪声信号，对初次衰减校正后的COCTS遥感反射率进行校准，完成COCTS遥感反射率的第二次修正。
2.根据权利要求1所述的海洋水色水温扫描仪箝位修正方法，其特征在于，包括以下步骤：
步骤1：获取全球海洋区域内每个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、气溶胶类型参数Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度，进一步构建定标区域；
步骤2：获取定标区域上多个时刻的COCTS影像及同步的MODIS影像，对定标区域上每个时刻的MODIS影像进行辐射传输模拟和光谱响应修正，作为定标区域上每个时刻的COCTS天顶遥感反射率模拟影像；
步骤3：将定标区域中每个经度、纬度坐标点上每个时刻的COCTS影像的辐射亮度值转换为定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率，对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率及同步的定标区域中每个经度、纬度坐标点上每个时刻的COCTS模拟遥感反射率进行差值计算得到差值序列，对差值序列进行多通道奇异谱分析提取，得到差值的趋势项和差值的残差项；结合差值的趋势项对定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率进行初次衰减校正，得到初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率，将定标区域中每个经度、纬度坐标点上每个时刻的COCTS模拟遥感反射率与初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率进行相减，得到定标区域中每个经度、纬度坐标点上每个时刻的噪声信号；
步骤4：基于DBN网络算法构建深度学习模型，以初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率及COCTS影像获取属性作为输入，以定标区域中每个经度、纬度坐标点上每个时刻的噪声信号为输出，结合随机梯度下降法进行模型训练，使损失函数最小，得到训练后的深度学习模型；
步骤5：将实时获取的COCTS遥感反射率经初次衰减校正后输入至训练后的深度学习模型，得噪声信号，将噪声信号添加至初次衰减校正后的COCTS遥感反射率，完成COCTS遥感反射率的第二次修正。
3.根据权利要求2所述的海洋水色水温扫描仪箝位修正方法，其特征在于：
步骤1所述构建定标区域，具体如下：
步骤1.1：将全球海洋区域内多个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度进行Mann–Kendall趋势检测，去除具有明显长期单调变化趋势的海洋区域，得到去除单调变化趋势后水体区域；
步骤1.2：在去除单调变化趋势后水体区域中所有经度、纬度坐标点中，筛选多个时刻的869nm波段气溶胶光学厚度的均值小于气溶胶阈值、多个时刻的气溶胶类型参数Angstrom系数的均值小于Angstrom指数阈值、多个时刻的叶绿素a浓度的均值小于叶绿素阈值的经度、纬度坐标点，构建相对清洁稳定水体区域；
步骤1.3：根据相对清洁稳定水体区域每个经度、纬度坐标点上多个时刻的869nm波段气溶胶光学厚度、Angstrom系数、多个波段的遥感反射率、490nm波段漫衰减系数、叶绿素a浓度，分别计算对应的均值、标准差，进一步计算得到相对清洁稳定水体区域每个经度、纬度坐标点的869nm波段气溶胶光学厚度的变异系数、气溶胶类型参数Angstrom系数的变异系数、多个波段的遥感反射率的变异系数、490nm波段漫衰减系数的变异系数、叶绿素a浓度的变异系数，筛选相对清洁稳定水体区域的经度、纬度坐标点的869nm波段气溶胶光学厚度的变异系数、气溶胶类型参数Angstrom系数的变异系数、多个波段的遥感反射率的变异系数、490nm波段漫衰减系数的变异系数、叶绿素a浓度的变异系数均小于等于定标阈值的坐标点，构建定标区域。
4.根据权利要求3所述的海洋水色水温扫描仪箝位修正方法，其特征在于：
步骤1.3所述分别计算对应的均值、标准差和变异系数，具体如下：
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的869nm波段气溶胶光学厚度分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的869nm波段气溶胶光学厚度的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的气溶胶类型参数Angstrom系数分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的气溶胶类型参数Angstrom系数的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的多个波段的遥感反射率分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的多个波段的遥感反射率的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的490nm波段漫衰减系数分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的490nm波段漫衰减系数的均值、标准差，标准差与均值相除即可得到变异系数；
相对清洁稳定水体区域每个经度、纬度坐标点的多个时刻的叶绿素a浓度分别进行均值计算、标准差计算，得到相对清洁稳定水体区域每个经度、纬度坐标点的叶绿素a浓度的均值、标准差，标准差与均值相除即可得到变异系数。
5.根据权利要求4所述的海洋水色水温扫描仪箝位修正方法，其特征在于：
步骤2所述COCTS影像天顶辐亮度遥感反射率模拟，具体通过以下方式：
步骤2.1：获取同步影像：筛选与定标区域上多个时刻COCTS影像拍摄时间同步的MODIS影像，定标区域上多个时刻的COCTS影像包括定标区域内每个经度、纬度坐标点上每个时刻COCTS辐射亮度值、COCTS影像获取属性；
所述COCTS影像获取属性由COCTS观测几何、COCTS当天日地距离、COCTS扫描行行数构成；
同步MODIS影像包括定标区域内每个经度、纬度坐标点上每个时刻MODIS辐射亮度值、MODIS影像获取属性；
MODIS影像获取属性包括MODIS观测几何、MODIS当天日地距离、MODIS扫描行行数构成；
步骤2.2：通过NIR/SWIR算法对定标区域内每个经度、纬度坐标点上每个时刻的MODIS影像辐射亮度值进行大气校正，得到定标区域中每个经度、纬度坐标点上每个时刻的水体辐亮度和定标区域中每个经度、纬度坐标点上每个时刻的气溶胶光学厚度，根据COCTS影像观测几何，在气溶胶查找表中查找到对应观测条件下定标区域中每个经度、纬度坐标点上每个时刻的气溶胶相关辐亮度，在瑞利查找表中查找到定标区域中每个经度、纬度坐标点上每个时刻的瑞利校正后的辐亮度；
步骤2.3：计算定标区域中每个经度、纬度坐标点上每个时刻的卫星传感器接收到的天顶辐亮度：
其中，L(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的卫星传感器接收到的天顶辐亮度，LR(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的瑞利校正后的辐亮度，LA(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的气溶胶散射辐亮度，LAR(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的来自瑞利和气溶胶之间多次散射辐亮度，Lg(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的耀斑辐亮度，Lwc(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的白帽辐亮度，T为直射透过率，t为漫射透过率，n1为经度取值的数量，n2表示纬度取值的数量，K表示时刻的数量；
将定标区域中每个经度、纬度坐标点上每个时刻的卫星传感器接收到的天顶辐亮度转为定标区域中每个经度、纬度坐标点上每个时刻的MODIS遥感反射率，以排除观测几何的影响，具体计算如下：
其中，d(u,v,k)表示定标区域中经度u、纬度v坐标点上第k时刻的日地距离，F0(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的大气顶层辐照度，θ0(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻获取的太阳天顶角，ρTOA(u,v,k)为定标区域中经度u、纬度v坐标点上第k时刻的MODIS遥感反射率；
步骤2.4：通过光谱匹配因子对定标区域中每个经度、纬度坐标点上每个时刻的MODIS遥感反射率进行光谱修正，得到定标区域中每个经度、纬度坐标点上每个时刻的模拟的COCTS遥感反射率。
6.根据权利要求5所述的海洋水色水温扫描仪箝位修正方法，其特征在于：
步骤3中所述进行初次衰减校正，具体如下：
在定标区域中每个经度、纬度坐标点上每个时刻的COCTS实际遥感反射率上添加趋势项得到初次衰减校正后的定标区域中每个经度、纬度坐标点上每个时刻的COCTS遥感反射率。
7.根据权利要求6所述的海洋水色水温扫描仪箝位修正方法，其特征在于：
步骤4所述损失函数，定义如下：
其中，为深度学习模型预测的定标区域中经度u、纬度坐标v上第k时刻的噪声信号，y(u,v,k)为初次衰减校正后的定标区域中经度u、纬度坐标v上第k时刻的噪声信号，n1为经度取值的数量，n2表示纬度取值的数量，K表示时刻的数量。
8.根据权利要求7所述的高频动态目标基准位置估测方法，其特征在于：
一种计算机可读介质，其特征在于，其存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304138.6A CN117523406A (zh) | 2023-10-09 | 2023-10-09 | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304138.6A CN117523406A (zh) | 2023-10-09 | 2023-10-09 | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117523406A true CN117523406A (zh) | 2024-02-06 |
Family
ID=89755682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311304138.6A Pending CN117523406A (zh) | 2023-10-09 | 2023-10-09 | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523406A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871434A (zh) * | 2024-03-13 | 2024-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种非光学活性水环境参数探测方法及系统 |
-
2023
- 2023-10-09 CN CN202311304138.6A patent/CN117523406A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871434A (zh) * | 2024-03-13 | 2024-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种非光学活性水环境参数探测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Monteil et al. | The regional EUROpean atmospheric transport inversion COMparison, EUROCOM: first results on European wide terrestrial carbon fluxes for the period 2006–2015 | |
| CN109974665B (zh) | 一种针对缺少短波红外数据的气溶胶遥感反演方法及系统 | |
| CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
| Sobrino et al. | Synergistic use of MERIS and AATSR as a proxy for estimating Land Surface Temperature from Sentinel-3 data | |
| KR101116462B1 (ko) | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 | |
| CN117523406A (zh) | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 | |
| CN116486931B (zh) | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 | |
| CN110987821A (zh) | 一种高光谱快速大气校正参数化方法 | |
| CN116559902A (zh) | 近地表甲烷异常排放的快速遥感识别与通量估算方法及系统 | |
| Lang et al. | High carbon stock mapping at large scale with optical satellite imagery and spaceborne LIDAR | |
| CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| CN113466143A (zh) | 土壤养分反演方法、装置、设备及介质 | |
| CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
| CN114612789A (zh) | 一种通过长时序卫星遥感提取常绿森林林分变化的方法 | |
| CN114813651A (zh) | 一种结合差分学习率与光谱几何特征的遥感水质反演方法 | |
| Verma et al. | A machine learning approach and methodology for solar radiation assessment using multispectral satellite images | |
| Callewaert et al. | The Mineral Aerosol Profiling from Infrared Radiances (MAPIR) algorithm: version 4.1 description and evaluation | |
| CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| CN116185616A (zh) | 一种fy-3d mersi l1b数据自动化再处理方法 | |
| CN114296061A (zh) | 基于多元变量检测和不同辐射传输模型的交叉定标方法 | |
| CN110222301B (zh) | 一种雾霾条件下地表太阳短波辐射计算方法 | |
| Schmidt et al. | A method for operational calibration of AVHRR reflective time series data | |
| Peris-Ferrús et al. | Retrieval of cloud optical depth: synergies between whole sky imagers and radiative transfer modeling. | |
| CN113740263A (zh) | 一种气溶胶光学厚度反演方法及大气颗粒物遥感反演方法 | |
| Lee et al. | Retrieval algorithm for broadband albedo at the top of the atmosphere |
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 |