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.     

MODIS影像合成算法研究和实现

在探讨遥感影像合成算法的基础上,采用热红外云检测CV-MVC算法对MODIS影像进行合成,改进了影响合成效果的阈值因子。结果表明,该合成算法在不同尺度区域的影像合成中均取得了较好的效果。     

多样地表和大气状况下的MODIS数据云检测

云覆盖作为天气和气候变化的一个重要因子,对地表-大气能量平衡和水循环有着重要的影响,因此,快速、准确地利用卫星遥感技术检测云覆盖具有重要的实用价值和科学意义。利用卫星遥感数据,尤其是常用的Moderate Resolution Imaging Spectroradiometer(MODIS)影像数据,因其具有较高的光谱和时间分辨率,以及2330 km扫描幅宽,为大范围实时、准确地进行云检测提供了可能。目前,基于MODIS数据发展了大量的云检测方法,但因地表类型的多样性和大气状况(如空气污染和沙尘事件等)的复杂性,目前已有的云检测方法,检测精度通常具有较大的不确定性,且针对不同地表和大气状况缺乏普适性,同时也缺乏对检测精度的定量化评估。因此,本文首先比较了常用的3种云检测算法,并基于前人经验提出了两种改进方法(方法4和方法5),首先区分出云和冰雹,摒弃了不稳定的亮温波段,两种算法均适用于复杂地表和大气状况的云检测算法。结果显示,方法5可以较好地应用于基于MODIS数据的云检测,总体精度达92.6±7%,改进了现有基于MODIS数据的云检测算法;方法4平均总体精度82.9±13%,虽然精度相对较低,但云残留少,适合作为对云敏感度高的研究工作的云检测方法。     

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。     

联合云检测与高通滤波的含云影像融合方法

云噪声是光学卫星影像的常见问题,为了衡量云噪声对影像融合带来的影响,本文以高通滤波融合算法为例进行分析,指出云与地物的均值相差越大,云对影像融合的影响越大,并提出了一种针对含云影像的融合方法,即联合云检测与高通滤波的含云影像融合方法。该方法首先利用NIR/R-OTSU云检测算法实时进行云检测,判别出影像中的云覆盖区域;其次采用局部优化策略利用高通滤波融合方法分块对非云区域进行处理,得到融合影像。利用资源三号多光谱和正视全色影像进行融合实验,结果表明,本文算法比高通滤波融合方法、亮度色度饱和度(intensity hue saturation,IHS)变换融合方法、Pansharp融合方法更适用于含云影像的融合处理。     

东南沿海MODIS图像自动云检测的实现

提出了一种适用于我国东南沿海的、简单有效的云检测算法，该算法能够实现对MODIS白天图像的自动云检测。对检测结果进行准确性估计表明，总体的云像元检测精度和无云像元检测精度均达到95％以上。     

青藏高原那曲地区MODIS 地表温度估算

地表温度是区域和全球尺度陆面过程研究中的一个关键参数,利用遥感卫星资料反演得到的地表温度数据在气象、水文和生态领域研究中有重要作用.本文基于改进后的针对MODIS 数据的分裂窗口算法,对MODIS L1B 卫星数据进行实用而简便的云检测处理,并根据青藏高原陆地、水体和冰雪等常见下垫面状况的遥感影像分类结果,反演得到了2007-01-03 、04-18 、06-12 和10-02 四日的无云下垫面地表温度.最后,将Sobrino 结果在青藏高原那曲地区与MODIS 日地表温度产品及CAMP/Tibet 观测站地表温度数据进行了对比验证分析.结果表明,该方法得到的地表温度结果与MODIS 数据产品具有较好的一致性,并且地表温度结果与地面观测数据(去除可疑点后)的平均误差仅为1.435 K .     

基于MODIS数据的雾光谱特性研究

通过对中国东部不同区域不同季节的15幅白天MODIS影像进行雾与地物、雪、云的光谱特性差异分析,发现较利于雾与背景（地物、云、雪）分离的波段并分析其原因,为进一步利用MODIS数据进行大范围不同季节雾检测提供了一些初步建议和思路。     

A cloud detection method based on a time series of MODIS surface reflectance images

The Moderate Resolution Imaging Spectroradiometer (MODIS)-Terra surface reflectance product (MOD09A1), with bands 1 to 7, is a gridded, eight-day composite product derived from the MODIS-Terra top of atmosphere reflectance swaths. It performs cloud detection and corrects for the effects of atmospheric gases and aerosols. The cloud mask (CM) algorithms for MODIS are based on empirical thresholds on spectral reflectance and brightness temperature. Since the spatial resolution of the thermal band is 1000 m, while that of MOD09A1 is 500 m, many undetected and false clouds are observed in MOD09A1. These errors always result in temporal and spatial inconsistencies in higher-level products. In this paper, a cloud detection algorithm (TSCD) based on a MOD09A1 time series is introduced. Time series cloud detection (TSCD) algorithm is based on the relative stability of ground reflectance and the sudden variations in reflectance that result from cloud cover. The algorithm first searches the clear-sky reference data, and then discriminates clouded and unclouded pixels by detecting a sudden change of reflectance in the blue wavelength and spectral correlation coefficient at the pixel level. Compared with cloud cover assessments obtained from MODIS' original CM, TSCD provides similar or better discrimination in most situations when the land surface changes slowly.     

融合多尺度视网膜图像增强的动态云检测

云检测是气象卫星各类定量遥感产品的基础,无论是以云图为基础的天气分析还是以去云为前提的各类大气和地表参数反演、沙尘火情等灾害检测,都需要对遥感影像中的云进行准确识别,尤其是薄云和云边缘等细节识别。针对静止气象卫星(以Himawari-8为例)精细化云检测,本文提出了一种基于多尺度视网膜图像增强的动态云检测算法。该算法基于云层与背景信息辐射特征不同的原理,构建可见光和红外波段的晴空辐射背景场,通过多尺度图像增强和最大类间差方法对辐射差值进行云细节信息的增强和提取。利用2021-2022年的75景MODIS云检测产品作为验证数据进行算法精度验证,整体上算法精度达到91.13%,召回率为94.02%,精确率为86.71%,有较强的适用性和稳健性,且已经较好地支撑了近两年的定量遥感产品业务化应用。     

GF-4序列图像的云自动检测

以高分四号(GF-4)卫星L1级标准分幅数据产品提供高精度的云检测产品为目的,研究针对地球同步轨道卫星数据的云检测算法,改进自动阈值以适应同日不同时刻成像数据的辐射亮度与地表反射特性的变化差异。利用GF-4卫星凝视成像方式获取的同区域序列图像以及云在不同图像上的运动特性,结合自动阈值与SavitzkyGolay(SG)滤波修正检测结果中的误检。算法的两个关键预处理,一是通过自动的几何配准解决未经几何校正的分幅数据之间像素位置对应的问题,二是通过基于典型相关变换自动提取序列图像之间的伪不变特征点集,进而利用相对辐射归一减小了不同时刻成像数据之间的辐射差异。通过内蒙古自治区东部及长江中下游区域70余组数据对算法进行验证,整体上获得了稳定的结果与精度,并且基于序列图像的云检测算法在云边界、高亮地表及薄云区域的检测精度整体优于单幅自动阈值的检测结果。结果表明算法精度上满足GF-4云检测数据产品需求,且算法自动化程度高,便于工程化的数据生产。     

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。     

快速高准确度云检测算法及其应用

采用光谱阈值判别和纹理分析相结合的方法, 提出一种基于树状判别结构的快速高准确度云检测算法, 综合利用多个判别准则, 确定图像中云层覆盖情况, 与传统方法相比能够获得更高的分辨精确度。树状判别结构还能够在平均意义上显著提高算法运行效率。同时, 提出了一种改进的分形维数计算方法, 能够在不影响精确度的前提下, 使算法的运行效率提高5倍左右, 基本满足实时性的要求。所提出的云检测算法已在中巴地球资源卫星项目中实际应用, 实际测试结果表明, 该算法达到自动云检测的虚警概率小于5%, 漏警概率小于10%的工程要求。     

MODIS数据在火灾监测中的应用

简介了MODIS在火灾方面的应用潜力 ,并对 2 0 0 2年 8月份在中国东北大兴安岭突发的火灾作了动态监测 ,其目的是对 1B级数据进行验证 ,以及对MODIS火灾检测参数进行测试和检验。结果表明 ,MODIS在火灾监测方面有很好的应用前景     

Diffusion Source Detection of Volcanic Ash Cloud Using MODIS Satellite Data

The massive volcanic ash cloud not only causes obvious global climate and environmental changes, but also threatens aviation safety under the background of globalization. The diffusion source detection is a key factor in the volcanic ash cloud monitoring and the diffusion research. Taking the Eyjafjallajokull’s volcanic ash cloud on April 19, 2010 in Iceland as an example, based on the analysis of the absorption spectrum characteristics in the thermal infrared spectral range, in this paper, a new diffusion source detection algorithm of volcanic ash cloud combining split window algorithm with SO₂ concentration distribution is proposed from the moderate resolution imaging spectroradiometer (MODIS) satellite remote sensing images; subsequently the ash radiance index (ARI) and absorbing aerosol index (AAI) are applied as contrast to the detection results. The results show that the proposed algorithm can effectively detect the diffusion source of volcanic ash cloud, and has high consistency with the ARI and AAI distributions, and has certain potential applications in improving the detection effect of volcanic ash cloud and prediction accuracy of diffusion model.