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。     

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。     

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。     

NOAA气象卫星云检测方法的研究

为了提高气象卫星资料的可用性，排除云干扰，本文根据云的时空分布变化特征，对可见光波段反射率和热红外波段温度进行分析和研究，提出了可见光反射率自动判云、热红外温度自动判云，可见光和热红外组合判云以及设立云区阈值判云等一系列检测方法。并对检测出的云区采用同周期相近时相的图像资料相对变化率来反演替代云区灰度值。保证了图像的连续性和客观性，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。     

基于多光谱分析的HJ-1B数据云检测算法

云检测是遥感数据预处理中的一个重要环节。本文通过分析云及典型地物光谱特性,结合HJ-1B传感器波段设置,提出了一种基于多光谱分析的云检测算法。该方法针对不同下垫面类型,选取合适的波段组合逐一建立云掩模。利用该算法对多幅影像进行去云处理,结果表明,该方法能够很好地检测出不同时期不同背景上空的云像元。     

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。     

利用Terra和Aqua双星MODIS数据协同研究沙尘暴

利用2005-04-28上午星Terra和下午星Aqua白天和晚上共4景MODIS数据对影响华北地区的一次沙尘暴进行了研究。对于白天的MODIS数据，利用热红外亮度温度差值法结合可见光近红外波段反射率阈值法，可以很好地把沙尘与背景地物和云分离开来；对于夜晚的MODIS数据，利用热红外亮度温度差值法也能较好地提取沙尘信息。研究表明，MODIS数据在沙尘暴等灾害研究方面具有很大的潜力。     

基于DNB验证的VIIRS夜间云检测方法

针对夜间云检测验证中低云和雾难以区分的困难,提出了对于南方山区有效的云检测和验证方案。通过分析可见光红外成像辐射仪套件(visible infrared imager radiometer suite,VIIRS)传感器数据的新特性和云检测的原理,给出了适合VIIRS夜间云检测的方法。对白天/夜间波段(day and night band,DNB)数据对云检测验证的适用性进行了分析。结果表明:在月亮天顶角小于60°时,DNB波段能够较好地用于夜间云检测验证;在扫描角小于15°时,云检测精度不低于91%;使用VIIRS的M12和M13通道的亮温差值BTM12-BTM13辅助M12和M15通道的亮温差值BTM12-BTM15进行低云检测,能够去除大部分山谷中雾的影响;检测阈值对扫描角大小变化敏感,当扫描角较大时,设定的阈值在检测精度上不如扫描角较小时理想。     

基于MODIS影像的夜间云检测算法研究

在以往云检测算法的基础上,利用MODIS传感器高光谱和高时间分辨率的特点,建立一套针对MODIS夜间影像的,以单、多时相组合方法为基础的夜间云检测算法.通过对我国南北地震构造带(南北带)影像进行云检测试验证实,该算法对MODIS夜间影像上的各种云类具有较好的检测效果.     

MODIS数据在林火监测中的应用研究

提出了MODIS在林火监测中的应用方法，其核心是利用MODIS热红外波段亮度温度阈值与植被指数相结合进行火点识别。对中、蒙、俄三国交界地区进行实例应用，结果表明，该方法能有效检测火点，减小由裸土、水体和云引起的误判。     

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.     

PARASOL/POLDER3卫星数据的海洋上空云检测

在卫星海洋遥感中,云作为海气耦合系统最重要的调节器之一,其检测结果对海洋上空云微物理特性的反演精度有较大影响。因此,快速而准确识别海洋上空的云像元是卫星遥感数据处理过程中首要解决的关键问题。以PARASOL (Polarization and Anisotropy of Reflectances for Atmospheric Sciences coupled with Observations from a Lidar)卫星搭载的POLDER3载荷遥感数据为研究对象,提出一种改进的海洋上空云检测方法。首先剔除海洋耀光;接着利用有云与晴空区近红外反射率差异检验识别有云像元,并利用偏振反射率检验进一步识别低反射率的云像元;然后利用近红外与可见光反射率比值检验识别晴空像元;最后建立多角度云检测结果空间融合规则,重新标记有云、晴空和未定像元。以印度洋海区为例进行实验分析,将云检测结果与Buriez方法进行对比,发现检测精度基本相当,而有云像元的识别速度却平均提高约3倍。结果表明:该方法能有效的检测出海洋上空的云像元,满足业务化数据处理的高精度及时效性要求,为后续云微物理特性反演提供可靠的数据源。     

A stochastic model for active fire detection using the thermal bands of MODIS data

Active fire detection using satellite thermal sensors usually involves thresholding the detected brightness temperature in several bands. Most frequently used features for fire detection are the brightness temperature in the 4-/spl mu/m wavelength band (T/sub 4/) and the brightness temperature difference between 4- and 11-/spl mu/m bands (/spl Delta/T=T/sub 4/-T/sub 11/). In this letter, the task of active fire detection is examined in the context of a stochastic model for target detection. The proposed fire detection method consists of applying a decorrelation transform in the (T/sub 4/,/spl Delta/T) space. Probability density functions for the fire and background pixels are then computed in the transformed variable space using simulated Moderate Resolution Imaging Spectroradiometer (MODIS) thermal data under different atmospheric humidity conditions and for cases of flaming and smoldering fires. The Pareto curve for each detection case is constructed. Optimal thresholds are derived by minimizing a cost function, which is a weighted sum of the omission and commission errors. The method has also been tested on a MODIS reference dataset validated using high-resolution SPOT images. The results show that the detection errors are comparable with the expected values, and the proposed method performs slightly better than the standard MODIS absolute detection method in terms of the lower cost function.     

Support Vector Machines for Cloud Detection over Ice-Snow Areas

In polar regions, cloud and underlying ice-snow areas are difficult to distinguish in satellite images because of their high albedo in the visible band and low surface temperature of ice-snow areas in the infrared band. A cloud detection method over ice-snow covered areas in Antarctica is presented. On account of different texture features of cloud and ice-snow areas, five texture features are extracted based on GLCM. Nonlinear SVM is then used to obtain the optimal classification hyperplane from training data. The experiment results indicate that this algorithm performs well in cloud detection in Antarctica, especially for thin cirrus detection. Furthermore, when images are resampled to a quarter or 1/16 of the full size, cloud percentages are still at the same level, while the processing time decreases exponentially.     

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。