Sentinel-2A与Landsat 8O LI逐像元辐射归一化方法研究

考虑不同传感器光谱响应函数差异及不同地物类型反射率光谱的差异,提出了一种逐像元辐射归一化方法,并以2017年7月17日内蒙古达里诺尔湖地区准同步过境的Sentinel-2A及Landsat 8数据为例,对两类数据可见-近红外波段（VNIR）地表反射率结果进行归一化。首先采用Sen2cor方法及NASA官方提供大气校正算法,分别对Sentinel-2A及Landsat 8 OLI影像进行大气校正并重采样到同一空间分辨率;然后基于光谱库计算匹配因子并构建图像与光谱库之间的匹配转换模型,实现像元尺度上从Sentinel-2影像到Landsat 8影像地表反射率相似波段之间的转换。结果表明,经逐像元归一化的影像相比原始影像及经HLS光谱归一化的影像,与Landsat 8 VNIR波段的相关性明显提高,辐射一致性增强。该转换模型为多源中高分辨率遥感图像高精度辐射归一化提供了新思路。     

基于Landsat 8影像的多光谱厚云检测方法研究

在ACCA算法基础上,通过分析厚云及典型地物光谱特性,结合Landsat 8卫星传感器波段特性设计多光谱厚云检测方法,将影像大气顶端反射率和亮度温度作为输入值,检测厚云分布位置。检测结果显示,厚云像素的检测准确率在ACCA算法上有所提高,尤其是对于边界云和碎云的识别优于ACCA算法。当应用于多时相及多地区含云影像时,影像中厚云像素的检测准确率在90%以上,表明该方法能较好地检测各个时相及不同地物上空的厚云像素。     

水体上方云和云阴影检测算法

目前常见的云和云阴影检测主要针对陆地表面,而对于不同类型水体光谱特征对检测结果影响的研究较少.因此针对富含泥沙或者叶绿素的水体,利用云与水体的光谱差异,采用波段组合的方式来识别潜在云像元,提高薄云像元的识别精度;根据云阴影与不同类型水体的光谱特征差异,采用设定动态阈值的方法,准确识别云阴影.利用目视解译法对检测结果进行验证发现,云像元位置准确,边界清晰,总体正确率高于90％;云阴影方位精准,结构完整,总体正确率高于88％.     

高分四号静止卫星数据的地表反照率反演

地表反照率(Albedo)是描述地表辐射能量平衡的重要参数,为了获得高分四号(GF-4)静止卫星的地表反照率产品,构建了一种基于核驱动双向反射率分布(BRDF)模型的反照率反演方法。首先,探索核驱动BRDF模型对GF-4卫星数据的适用性,加入地表分类信息,为核系数赋初值,并引入鲍威尔迭代算法优化模型结果。然后,对BRDF模型进行角度积分获得各个波段的地表窄波段反照率。在此基础上,结合GF-4卫星光谱响应函数与光谱库,首次建立了将窄波段反照率到宽波段反照率的转换系数,并反演得到0.4—0.7μm和0.3—3.0μm的宽波段反照率。最后,利用Landsat 8卫星数据和MODIS地表反照率产品对基于GF-4卫星数据的地表反照率反演结果进行交叉验证。Landsat 8与GF-4的反照率结果对比表明,GF-4卫星可见光范围内的反照率反演结果精度为85.6%,短波范围内的反照率反演结果精度为93.4%;MODIS与GF-4的反照率结果对比表明,可见光范围的地表反照率精度达到87.7%,短波范围的地表反照率精度达到85.9%。这说明GF-4卫星地表反照率反演结果具有较高精度,GF-4卫星反照率产品具有一定应用潜力。     

利用Landsat 7与GF-1 WFV影像反演地表温度

地表温度在地气循环系统中具有重要作用,是目前地理学研究的重点。然而目前的国产高分辨率影像缺少热红外波段,且具有热红外波段的影像分辨率较低。基于此,本文利用低分辨率影像降尺度方法反演高分辨率影像的地表温度。首先通过Landsat 7影像的热红外波段,提取典型地物的地表温度;对GF-1 WFV影像进行预处理后,利用全约束最小二乘法对高分辨率影像进行混合像元分解;根据平均温度模型,得到高分辨率影像的地表温度,并进行降尺度,通过Landsat 7影像进行精度验证。验证结果显示,均方根误（RMSE）为1.40℃,平均绝对误差（MAE）为0.44℃,精度较高。     

联合云量自动评估和加权支持向量机的Landsat图像云检测

针对ACCA（云量自动评估）算法难以检测Landsat图像中的半透明云问题,提出了一种ACCA和WSVM（加权支持向量机）相结合的云检测算法．首先根据云在不同波段中的大气辐射特点,结合Landsat ETM+图像数据的光谱特性,利用ACCA算法将图像像元初步分成云像元、非云像元和待定像元,再以云的光谱特性构造特征向量,利用WSVM算法进行待定像元的云层检测,最终获得全部图像的云检测结果．仿真实验结果表明,该方法既具有ACCA算法的云检测优势,还对ACCA算法难以识别的半透明云有很好的检测效果．     

GF-1星WFV相机的快速大气校正

高分一号卫星(GF-1)WFV相机是中国新型高分辨率传感器,为了更好地进行定量应用,需完成高精度大气校正,但需要解决数量大,辅助数据不足等关键问题。针对WFV相机构建了快速大气校正模型,(1)采用交叉定标方法借助Landsat 8数据完成辐射定标;(2)从WFV相机的辅助数据出发,计算得到太阳天顶角、观测天顶角等辅助信息;(3)考虑不同海拔大气分子散射的不同,完成基于海拔数据的分子散射校正;(4)采用深蓝算法,从第一波段(蓝光)反演得到气溶胶信息;(5)计算每个像元的大气校正参数,进而获取地表反射率,完成大气校正。在此基础上,利用IDL语言建立相应的大气校正模块,以过境华北地区的3景WFV数据为例进行大气校正实验。结果表明,模型能够快速完成大气校正,并能较好的去除大气分子与气溶胶影响,较好地还原植被、裸土等典型地表类型的光谱反射曲线,校正后的NDVI更好地反映了各地物的特征。     

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。     

基于动态阈值的HJ-1B图像云检测算法研究

针对环境与灾害监测预报小卫星星座1B星(HJ-1B)的传感器波段特征,通过对云检测阈值的年度波动性分析,提出了一种基于波谱标准差异常的“动态阈值云检测算法”.该算法的实现主要是采用图像配准、波段运算、线性回归和误差分析等方法,获取云异常区域,进而剔除图像中的云像元.研究结果表明,该算法可以很好地检测出不同时相、不同类型下垫面上空的云像元,为有效利用HJ-1B数据并提高其图像分类精度发挥作用.     

融合多光谱影像的高光谱影像厚云去除方法

云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。     

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.     

采用主成分分析的改进云检测算法

针对Fmask云检测算法难以区分Landsat遥感影像上云和冰这一技术难题,该文提出一种基于主成分分析的改进Fmask云检测算法。首先对Fmask中归一化植被指数和归一化雪指数固定阈值进行自适应阈值改进,并对影像进行主成分变换,然后对主成分分析变换后的组合波段进行改进的Fmask云检测,最后进行算法对比分析。以北极地区的TM影像进行实验,结果表明,对同时覆盖冰层和云层的Landsat遥感影像,该文提出的算法能够提高云检测精度。     

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。     

基于栅格的点云数据的边界探测方法

分析三维激光扫描点云的数据特征,得到一种将三维点云数据转换为深度图像形式后提取边界的方法。通过原始点云数据扫描线分组分行使点云数据实现X,Y方向数据的规格化,以Z方向代表深度,将规则的点云数据转换为图像形式。采用图像边界提取方法——Canny算子来提取边缘信息,并将其转换到三维空间中显示出来。实验表明,基于栅格的点云数据的边界探测方法能快速实现三维点云边界的提取与显示,可应用在基于边界特征的点云配准、点云的角点检测、点云的三维建模等后续处理工作中。     

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.     

风云气象卫星影像自动精细云检测

抠图技术能够准确细致地检测出前景与背景的差异,但是现有的大多数抠图算法均需事先给出前景与背景的标记,在海量影像处理业务中具有明显的局限性。本文将抠图技术引入风云气象卫星影像云检测中,提出了基于连通区域抠图的自动精细云检测算法。首先对影像的灰度图像进行多种阈值方法二值化,通过投票法集成得到初步二分图;在此基础上计算连通区域,以连通区域的重心为种子点,自动生成连通区域三分图;最后使用闭形式抠图法求解alpha值进而得到精细的云检测结果。将该方法与基于学习和稳健性抠图检测算法进行了对比,试验结果表明,该方法能够较好地检测出多种类型的云,具有更高的准确率。     

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。     

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。     

国产高分辨率卫星影像云检测方法分析

云检测方法大都针对特定的传感器或依赖多个波段,对参数要求高,而国产高分辨率卫星影像通常包含波段数较少,多数云检测方法不适用。本文采用深度学习的方法,以融合后的高分一号影像为例,应用基于双重视觉注意机制模型进行云检测,并与人工采集、全卷积网络模型的检测结果进行对比。理论分析和研究结果表明：基于双重视觉注意机制的模型云检测结果与人工采集进行对比,正确率为0.986 4;通过增加云样本数量和非云样本数量可有效解决模型对道路、河流、居民地的误检测问题;基于双重视觉注意机制的模型与全卷积网络模型相比,云边界更为准确,模型适用性更强。利用较少的波段信息进行云检测为国产其他高分辨率卫星影像云检测提供了参考。     

增强型多时相云检测

针对云检测在高亮度地表以及雪覆盖区域存在过度检测的问题,设计了一种不依赖热红外波段的增强型多时相云检测EMTCD(Enhanced Multiple Temporal Cloud Detection)算法。首先,利用云的光谱特征建立单时相云检测规则,并基于云、雪的光谱差异构建了增强型云指数ECI(Enhanced Cloud Index),改进了云、雪的区分能力;其次,以同一区域无云影像为参考,基于ECI指数构建了多时相云检测算法,较好地克服了单时相云检测中高亮度地表、雪和云容易混淆的问题,提高了云检测的精度;最后,选择两个典型区域的Landsat-8 OLI影像,对比分析了不同算法的云检测结果。实验结果表明:ECI指数能够有效区分云、雪,EMTCD方法的平均检测精度达到93.2%,高于Fmask(Function of mask)(81.85%)、MTCD(Multi-Temporal Cloud Detection)(66.14%)和Landsat-8地表反射率产品LaSRC(Landsat-8 Surface Reflectance Code)的云检测结果(86.3%)。因此,本文提出的EMTCD云检测算法能够有效地减少高亮度地表和雪的干扰,实现不依赖热红外波段的高精度云检测。