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。     

星载毫米波测云雷达资料的云特征分析

基于CloudSat卫星资料, 综合地基和天基遥感资料云特征反演算法, 开展了云分类和云相态识别方法研究, 并将所得结果分别与CloudSat数据处理中心(DPC)发布的云分类产品和CALIPSO星上载荷Lidar产品进行了比对分析和个例研讨。     

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.     

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。     

GF-5 DPC数据的云检测方法研究

高分五号（GF-5）号卫星所搭载的大气多角度偏振探测仪（DPC）能够对地球进行多波段,多角度和的连续观测,其数据对研究全球大气云分布及云辐射反馈作用提供新的视角。本文通法国多角度偏振载荷POLDER（POLarization and Directionality of the Earth’s Reflectances）云检测算法为参考,结合DPC多波段反射率、偏振反射率、表观压强等信息开发了一个适用于DPC的云检测算法。算法主要分为3个部分：首先是阈值方法对云像元进行检测,同时引入表观压强对不同高度的云（如卷云、层积云等）进行进一步的条件约束,然后利用865 nm波段偏振反射率对海表反射的太阳耀斑区进行识别,修正了反射率阈值识别云像元时受到的太阳耀斑干扰。为了验证算法的准确性,利用2018-10-01的MODIS的MOD06云掩码产品与本文云检测算法结果进行定性分析,从目视判读结果可以看出本文云检测结果与MOD06产品具有较高的吻合度;随后又利用2018-10-01—04的CALIPSO-VFM数据与本文云检测结果和MYDO6云掩码产品进行定量分析,分别计算了中低纬度区域（60°N—60°S）的云/晴空像元命中率和云/晴空像元错误预报率,计算结果显示算法云命中率均值相较MYD06云掩码产品高出13.501%的前提下云错误预报率仅高出3.561%,可表明该算法在全球中低纬度区域有着良好的云检测效果。本文提出的云检测算法,可为后续DPC的云参数、水汽、气溶胶等研究提供重要数据支撑。     

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.     

多源数据融合的DIM点云滤波及DEM生成

针对已有密集影像匹配(DIM)点云滤波算法通用性差,滤波效果受限于参数设置,且均未利用生成点云的影像信息等问题,该文提出一种融合多源数据的DIM点云滤波算法。首先融合影像和DIM点云高程多源信息;再引入新型分类器对融合影像进行分类,其分类结果作为知识引导用于点云滤波中,即将分类专题图与DIM点云叠加以过滤非地面点,实现点云滤波并生成数字高程模型;最后选用航空影像进行密集匹配和滤波实验。实验结果表明,利用该点云滤波算法生成的DEM与参考DEM呈现高度相关性,可大大减少生产DEM人工后处理的工作量。     

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-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。     

车载激光点云数据的栅格化处理

车载激光点云由于车辆的震动和点云的融合,得到的数据为散乱空间点云。本文通过对空间点云进行两个方向的排序,得到以x值为主排序,z值为次排序的点云图,然后设置栅格,对于每个栅格点,找到投影在XOZ投影面内与其距离最近的激光点,将该激光点的y值赋给栅格点,得到与该区域空间点云相对应的栅格化点云。在按照X值排序时,根据点云的特点给出了一种插入排序算法。实验结果表明栅格化后的点云与原点云在表现建筑结构上效果一致。散乱点云栅格化后为点云的进一步分析打下基础。     

Mapping in the cloud

ABSTRACT

This paper describes the development of a crowdsourced indoor navigation system named SoleWay. Because the input of volunteers is crucial, special attention was paid to the usability of the system at different stages throughout its development. Besides a user-friendly system, this has resulted in a number of important insights that can facilitate the development of future systems: the importance social motivation of potential users, integration of a stepwise approach (with a gradual release and subsequent user evaluations), and adaptation to user requirements. These elements combined are also crucial to be able to obtain a critical crowd that can sustain a viable content.     

基于梯形评语云及虚拟云理论的DLG质量评价方法研究

空间教据质量评价是一个模糊性和随机性共存的问题,而传统的质量评价方法无法解决这一难题.本文提出用基于梯形评语云和虚拟云理论的空间数据质量评价方法解决评价过程中模糊性与随机性共存问题.最后,本文分别采用基于梯形评语云和虚拟云的质量评价方法和传统的加权平均法、模糊综合评价方法进行DLG质量评价实验,结果表明,基于梯形评语云...     

融合激光点云与影像点云的精细化DEM生成

针对地面激光扫描及无人机航摄技术在实际外业测量中受视场角限制或遮挡等因素的影响而难以获取待测区域完整的点云数据的问题,本文在经典ICP算法的基础上,提出了一种顾及高程差异和点云密度的激光点云与影像点云融合方法。通过差分数字高程模型对点云进行分块,并基于点云密度选取融合范围,将分块后的影像点云配准到激光点云的孔洞和稀疏区域。本文方法能够提高激光点云与影像点云的融合效果,保持激光点云的精度并保留更多的细节特征,实现激光点云与影像点云的高质量融合。     

三种卫星云量数据在青藏高原地区的比对分析

青藏高原是卫星反演云参数的热点和难点区域。选取1982年—2015年0.1°空间分辨率的Patmos-x、0.25°空间分辨率的CLARA-A2的NOAA/AVHRR下午星数据和2003年—2015年0.05°空间分辨率的Aqua/MODIS C6等3种云量数据,针对青藏高原区域,从数据的反演算法和数据的空间属性出发,进行比对分析。Patmos-x和CLARA-A2具有相同的数据源和相近的云检测算法。与地面观测云量相比,Patmos-x云量与地面观测云量间的相关性大于0.8,MODIS次之,CLARA-A2云量与地面观测云量的相关性很弱。3种数据均表现出高原东部云量多于西部云量,北部云量多于南部的云量空间分布特征和白天云量大于夜间云量的时间分布特征。量值上CLARA-A2云量大于Patmos-x。2003年—2015 年夜间Aqua/MODIS 年均云量比CLARA-A2高8.82%。34年间Patmos-x和CLARA-A2年均云量以减少为主,夜间云量的变化趋势比白天云量变化趋势明显,CLARA-A2云量的变化趋势较Patmos-x明显。2000年是高原区域云量由偏多到偏少变化的拐点。1、4、10月多年云量以减少为主要变化趋势,7月云量以弱增多为主要变化特征。     

低云、高云和白天陆地雾遥感分离研究

雾灾一直都在影响人们日常生活,对雾进行有效的监测可减轻雾灾的危害程度。目前大雾遥感检测的难点为低云和雾的分离,并且高云下面的雾经常被误分掉,因此本文结合现有的研究成果和基于Gabor变换的纹理特征来分离低云和雾,并对高云和雾在透光性和光谱特性进行了研究,用红波段与近红外波段构建的归一化雾指数来提取高云下面的雾区。使用中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer,MODIS）数据对发生在北方的两场大雾进行了实验,结果显示,大雾检测的总体精度都在80%以上,大雾检测的精度和稳定性得到了明显提高。     

一种改进的点云数据配准方法

针对利用最近点迭代（ICP）算法进行点云数据配准时费时较多的问题,提出结合Butterworth高通滤波器和Sobel边缘检测算子首先对点云数据进行预处理,然后再用ICP算法进行点云配准,有效解决这一问题,加快配准速度,并在Matlab中编程实现该方法,具体实验结果证明该方法的有效性。     

统一样本云检测技术在GF-6 WFV上的改进与应用

目前基于深度学习的云检测方法,受训练样本限制,算法难以推广及应用。为了快速实现针对多种传感器的高精度的云检测,Sun等（2020）提出统一样本云检测方法。基于AVIRIS高光谱样本库模拟出待检测传感器的云和晴空地表像元,将模拟得到的多光谱样本数据输入到BP神经网络中进行逐像元分类,生成云检测模型,实现Landsat 8 OLI等宽光谱传感器较高精度的云检测。该方法基于统一样本模拟出不同传感器的样本像元库,适用于多种传感器的云检测。由于Landsat 8 OLI波段较多,波谱范围覆盖宽,容易实现云的高精度识别。为了进一步提高其在光谱范围较窄的GF-6 WFV数据上的云检测应用精度,在模拟出的样本库中加入GF-6 WFV数据典型高亮地表像元。通过目视解译对云检测结果进行精度验证,结果表明,该算法利用可见光和近红外通道的遥感数据可以高精度的识别出植被、水体、建筑、裸地等地表类型上空的厚云、碎云和薄云。改进后的云检测算法,云像元平均正确率达到88.40%,在高亮地表上空云像元正确率达到87.40%,在不同地表类型上空的云像元平均正确率为92.60%。结果表明,加入高反射率地物的算法可以利用有限波段实现云和地表的高精度分离。     

云偏振遥感综述

云是指停留在大气层中的水滴或冰晶胶体的集合体,也是地球上庞大水循环产生的有形结果,在全球气候中扮演着重要的角色。偏振遥感对光的辐射强度、方向、相位以及偏振状态等波谱特性进行描述,丰富了观测信息量,提升了观测信息的维度。为了更好地了解偏振遥感云的优势,本文对国际上发射的POLDER、APS、DPC等标志性的偏振传感器的特征和云反演算法进展进行了总结,涉及到相关偏振载荷参数信息、云参量算法的介绍和产品等相关内容,并就经典偏振云参量算法做了详细的总结和评价。随着国际上后续偏振传感器快速增加,对未来偏振传感器的发展方向和相关算法进行了展望。