基于MODIS卫星数据的平流雾检测研究

利用MODIS卫星数据．对雾与目标物(水、云、雪、地物)分别进行采样．得到光谱曲线并进行光谱分析，提出了有利于白天和夜问平流雾检测的波段．利用该波段选择结果．采用阈值法对平流雾进行检测并得到地面数据验证。结果表明，MODIS数据在雾检测方面具有很大的潜力。     

融合光谱阈值与图像技术的静止卫星夜间云检测方法

针对夜间云检测问题,本文基于静止气象卫星Himawari-8影像数据,分析了云像元光谱特征与图像特征,提出了融合光谱阈值与图像技术的静止卫星夜间云检测方法,实现了静止卫星夜间云的快速、准确检测。利用MODIS云产品和CALIPSO雷达数据,对云检测结果进行定性分析与定量验证。结果表明：(1)云检测结果与MODIS的云产品MYD06分布基本一致;(2)算法夜间平均云检测精度达到80.3%;(3)不同季节夜间的云检测精度随季节变化较明显,夏季最高达到83.3%,可以区分不同季节夜间的云与非云区域。因此,融合光谱阈值与图像技术的静止卫星夜间云检测方法能有效实现夜间云检测,为夜间云检测应用提供了新思路。     

基于随机森林的遥感影像云雪雾分类检测

遥感影像中的云、雪、雾会遮盖地表的有用信息导致影像无法使用,为了提高有效遥感影像的使用效率,需要检测遥感影像中云、雪、雾的范围并剔除无用的影像。以自动检测卫星遥感影像中的云、雪、雾为目的,研究基于随机森林的遥感影像云、雪、雾分类检测方法,并通过增加"二次检测"减少有效区域与云、雪、雾间的错检。实验表明该方法具有较高的检测精度和效率。     

利用MODIS数据监测夜间雾

在分析雾、云、地表、水体等目标物红外辐射特性的基础上,针对MODIS数据提出了夜间雾监测算法.试验表明,该算法能够将低云大雾与中高云、水体和地表区分开.     

基于光谱分析的MODIS云检测算法研究

总结了云、雪、植被、沙漠、水体等目标的光谱特性以及云和不同目标间的光谱差异，结合MODIS影像的波段范围，提出了一种对不同下垫面通用的多光谱云检测算法，试验证明了算法的有效性。     

基于多光谱综合的MODIS数据云检测研究

云检测是卫星遥感数据处理中不可缺少的工作。通过分析云在不同波段中的大气辐射特点，结合MODIS数据的光谱特性，提出 一种多光谱综合的云检测方法。该算法从可见光反射率、红外波段亮温值以及亮温差等方面综合考虑，逐步建立一个云检测掩模。通 过对不同时期不同背景的MODIS数据进行验证和对比分析，结果表明，该模型的云检测效果理想，尤其对可见光波段难以识别的薄卷 云也有很好效果，为有效利用MODIS数据以及进行更加精确的反演提供可靠依据。     

利用MODIS数据进行积雪检测

积雪是一种重要的地球表层覆盖物,是气象学和水文学中一个非常重要的参数。使用遥感方法能够有效获取大范围的雪盖信息,弥补地面观测资料在空间上的不足。中等分辨率成像光谱仪(MODIS)数据具有高光谱、高空间分辨率、高时间分辨率等特征,越来越多地应用到积雪检测方面。利用MODIS雪盖数据进行雪盖制图,分析了2008年初中国南方的受灾情况,并对雪情进行了分析。结果发现利用MODIS得到的积雪边界线轮廓清晰,对积雪检测非常有效,但由于云的遮蔽可能会使MODIS积雪分布面积出现误差。     

近15年新疆逐日无云积雪覆盖产品生成及精度验证

为降低云对MODIS逐日积雪覆盖产品MOD10A1和MYD10A1在新疆积雪实时监测与研究中的影响,引入交互式多传感器雪冰制图系统(interactive multi-sensor snow ice mapping system,IMS)等多源遥感数据和地面实测资料,综合时间滤波法、空间滤波法及多传感器融合法等不同的去云技术,建立基于多源数据的去云方法,生成新疆地区2002—2016年近15 a间逐日无云积雪覆盖产品数据,并利用实测资料对生成的产品数据进行精度评价及结果验证。结果表明,去云后积雪覆盖产品在新疆积雪覆盖的总体监测精度为90.61%,接近于去云前MODIS晴空积雪覆盖产品在新疆的总体监测精度(93.3%)。     

基于MODIS数据的雪面温度遥感反演

通过对Planck函数在低温范围内进行线性化,改进了针对MODIS数据的实用性分裂窗算法,建立了基于MODIS数据的中纬度地区雪面温度遥感反演方法。以环青海湖地区为研究区进行了算法应用,取得了较理想的效果。验证并分析了雪面温度与海拔高度的负相关关系。通过对下垫面相对均一的3个样区进行分析,讨论了雪面温度与归一化积雪指数的关系,并提出了"NDSI-Ts空间"的概念。     

基于MODIS云产品的AIRS像素云检测

为了利用MODIS云产品数据检测出大气红外探测器(AIRS)数据中像素云的特性,首先采用空间匹配算法对MODIS和AIRS数据进行匹配,然后结合MODIS云分类、云相态掩模及其业务上的云检测算法,实现了利用MODIS数据对AIRS像素云(单个视场云)特性的检测.结果表明,用MODIS 1 km分辨率产品数据可以实现对AIRS数据的云分类(低云、中云、高云)和云相态(水云、冰云、混合云)检测.     

Monitoring fog using FY-1D meteorological satellite

FY-1D is the second national operation meteorological satellite of China, and is much better compared to monitoring fog. However, research on monitoring fog using FY-1D is very few. In this paper, based on the typical FY-1D data, a fog’s spectral characteristics in the different channels are analyzed using the histogram analysis method, and a method of monitoring fog using FY-1D is suggested. The results indicate that the 1st and 4th channels are the representative channels of FY-1D for the identification of fog. In the 1st channel, the fog is with uniform veins, smooth top, and clear-cut boundary, and its albedo is 20%～48%. In the 4th channel, the fog’s brightness and temperature is 272～289K, and the difference value between the fog’s and the ground surface’s is not more than 6K.     

应用FY-1D气象卫星监测雾(英文)

FY-1D is the second national operation meteorological satellite of China, and is much better compared to monitoring fog. However, research on monitoring fog using FY-1D is very few. In this paper, based on the typical FY-1D data, a fog＇s spectral characteristics in the different channels are analyzed using the histogram analysis method, and a method of monitoring fog using FY-1D is suggested. The results indicate that the 1st and 4th channels are the representative channels of FY-1D for the identification of fog. In the 1st channel, the fog is with uniform veins, smooth top, and clear-cut boundary, and its albedo is 20%-48%. In the 4th channel, the fog＇s brightness and temperature is 272-289K, and the difference value between the fog＇s and the ground surface＇s is not more than 6K.     

基于AVHRR、MODIS和MVRIS数据的辐射雾变化检测与分析

以过境时间不同的NOAA-16／AVHRR、NOAA-17／AVHRR、FY1-D／MVRIS、TERRA／MODIS和AQUA／MODIS五种遥感影像数据组成一组序列影像，对发生在湖北省2005年2月4日的辐射雾进行了一次变化检测与分析。经地面验证，序列影像数据在雾变化检测的研究方面具有很大的潜力，检测结果动态地显示了该次大雾的形成、发展、稳定、消散的过程。将检测结果与该区域的DEM和水系矢量图结合分析发现，二者在辐射雾的变化发展过程中起着非常重要的作用。     

夜间陆地辐射雾的遥感时序数据检测

针对目前单时相遥感夜间陆地辐射雾检测不能有效分离雾和地表、低云的问题，利用日本第2代多功能卫星数据的高时间分辨率特性，提出了基于时序特征和支持向量机的夜间陆地辐射雾检测模型。该模型首先在单时相夜间陆地辐射雾检测基础上，使用第1和第4波段亮温差时序曲线构造的亮温差累积特征将夜间地表与陆地辐射雾和低云分离，然后利用第1波段亮温时序曲线构造的亮温变化累积特征、斜率匹配特征和频域奇异性特征，结合支持向量机进行夜间雾和低云的分类，从而实现基于时序数据的夜间陆地辐射雾检测。对两期遥感时序数据进行实验发现，与单时相夜间陆地辐射雾检测相比，利用时序数据的方法较好地提高了夜间陆地辐射雾的检测精度。     

应用MODIS数据对新疆北部大雾地面能见度和微物理参数的反演

大雾区域地面能见度、垂直总水汽含量、雾滴有效半径等因子是对大雾进行有效监测的重要参数。以MOD IS探测器的卫星遥感数据资料为主要数据源,定量反演了这些大雾参数。能见度参数反演结果和气象地面观测能见度信息数据的对比表明其效果良好。所得垂直总水汽含量、雾滴有效半径也与以前国内外相关多年研究的结果趋势一致。此方法在这里成功的应用,说明其在遥感大雾监测中的潜在应用价值。     

光学遥感影像DCM-HTM去雾算法研究

针对卫星遥感影像的雾区检测和校正问题,提出了一种暗通道图像DCM与雾厚度图像HTM结合的DCM-HTM遥感影像去雾算法。算法基于暗通道原理,采用mean-shift均值漂移滤波和直方图自动阈值来检测雾区域;同时通过不重叠窗口获取HTM;最后在检测出的雾区内实现去雾校正处理。实验结果表明,算法能较准确地检测出影像上的雾区域,能在影像正常区域不受影响的前提下,有针对性地对受雾影响区域进行校正,校正效果较整幅影像的去雾校正有较大改善。     

神经网络和分形纹理在夜间云雾分离中的应用

云雾分离是浓雾遥感监测的难点，地物光谱信息和图像纹理信息的综合利用，分形理论和BP神经网络技术的应用，使夜间云雾分离结果更为可信，基于灰度连通域的图像纹理提取提高了云雾边界的识别能力，灰度加权拉伸后的分数维增强了云雾的可分性，与传统最大似然法比较，本文所用方法对晴空地表、雾区、云区的识别精度均有提升，特别是云区的识别精度提高了10％，三类地表的总体识别率提高了7％，达到93％以上，文章最后对类的归并作了讨论。     

基于MODIS影像的陆地辐射雾微物理参数反演及动态变化分析

作为一种常见的气象灾害,雾灾严重的影响了人们交通出行等日常生活。基于遥感影像反演的雾微物理参数可在一定程度反映雾灾的发展状况和严重程度,进而对大雾进行有效的监测和预测。本文选取发生于华北地区2007年11月24日13时10分的陆地辐射雾MODIS影像作为试验数据,在大雾生消机理和遥感影像信息提取基础上,构建了大雾路径辐射模型和微物理参数反演算法,成功反演出能见度、含水量、有效粒子半径3个微物理参数,并在湖北省气象局提供的地面观测数据基础上对能见度进行了地面数据验证,得到两者的相关系数为0．9366．地面数据与反演结果相关性较大,数值误差较小,说明反演方法具有可行性。本文进一步应用该模型对发生于华北地区2007年11月21日至11月26日的一次陆地辐射雾MODIS时间序列影像反演微物理参数并进行动态变化分析,总结出大雾具有爆发性产生和重复阶段性发展的特点,能见度主要受大气辐射和水汽供给的影响。其值在50～130m之间变化,和平均含水量、有效粒子半径成反比例关系,共同反映出雾灾的严重程度和发展阶段。     

高光谱图像目标检测算法分析

本文将国内外的高光谱图像目标检测算法分为光谱异常检测、光谱匹配检测和高光谱与高空间分辨率结合目标检测三种检测算法,分析了三种检测算法的原理、应用特点和局限性,并探讨了目标检测算法的发展的可能性。