排序方式: 共有9条查询结果,搜索用时 0 毫秒
1
1.
大气参数查找是遥感图像大气校正中一个重要的步骤。本文针对当前多数大气参数查找表普适性不强、查找表数据存储空间巨大、具体实施步骤不详细的问题,建立了一个通用化的多维大气参数查找表,其光谱分辨率为1 nm,并适用于多种遥感传感器。本文采用二进制文件方式存储查找表,并研究采用多维拉格朗日和多维反距离加权插值方法对输入参数进行插值。结果表明以二进制文件方式存储查找表,不但可以最大化地减少磁盘存储空间,还可以实现查找表数据快速随机读取;相对于多维反距离加权插值方法,多维拉格朗日插值方法的速度更快,精度更高,与MODTRAN4.0模型计算结果(真值)相比,它的误差仅为±1.0%左右。 相似文献
2.
卫星传感器波段平均太阳辐照度计算及可靠性分析 总被引:1,自引:0,他引:1
地球大气层外太阳光谱辐照度(extraterrestrial solar spectral irradiance,ESSI)数据是计算卫星传感器波段平均太阳辐照度(band mean solar irradiance,BMSI)的重要参数。为了探求利用何种来源的ESSI数据计算传感器BMSI更为准确,分别采用SBDART软件模拟的太阳光谱曲线数据、MODTRAN4.0 oldkur.dat文件数据、Thuillier太阳光谱曲线数据和WRC太阳光谱曲线数据计算了HJ-1A CCD1(B1—B4),CBERS-02 CCD(B1—B5),Landsat5TM(B1—B4)和ASTER(B1—B8)4种传感器的BMSI,并与传感器运营商公布的数据进行了比较。结果表明:利用SBDART和WRC太阳光谱曲线数据计算的结果误差较小;利用MODTRAN4.0 oldkur.dat数据计算的结果误差次之;利用Thuillier太阳光谱曲线的计算结果误差较大。 相似文献
3.
植被指数是地球陆表植被覆盖度和植被活力的指示因子,对环境监测、植被理化参量估算等应用研究有重要的意义。基于植被的反射光谱特征,通过遥感数据波段的组合,可以计算得到遥感植被指数。传统的植被指数如NDVI、EVI等仅利用有限波段信息的线性或非线性组合构建而成,没有充分利用遥感传感器所提供的多波段遥感信息,通用归一化植被指数UNVI(Universal Normalized Vegetation Index)充分利用了遥感传感器提供的多波段植被光谱信息,因此在反演植被叶绿素、生物量等植被理化参量上较其他传统植被指数更具优势。为方便UNVI指数的计算,本文基于IDL语言开发了UNVI软件插件,可直接作为ENVI商业遥感软件进行调用,并可满足多个传感器的UNVI计算需求。为了验证UNVI的应用效果,以植被总初级生产力GPP(Gross Primary Productivity)估算为例,比较了不同植被指数估算GPP的效果,结果表明:基于UNVI估算的GPP与通量站点获得的GPP具有较高的相关性(相关系数R2为0.79),验证了UNVI在GPP估算方面的优势。本文提供的UNVI软件插件可为遥感研究和应用人员提供便捷的计算工具。 相似文献
4.
长沙市热岛效应时空特征变化研究 总被引:1,自引:0,他引:1
本文基于1991-2015年长沙市9景Landsat TM/ETM影像,采用单窗算法反演了长沙市建成区的地表温度,提取了土地利用/覆盖类型,并结合相关资料对长沙市热岛效应时空变化特征以及城市热环境与城市土地利用/覆盖变化之间的关系进行了分析。结果表明长沙市热岛范围随着建成区范围的扩大不断增大,并且热岛的时空演变与建成区扩大的趋势一致:1991-1996年,长沙市热岛向东发展迅速,截至1996年东部热岛面积增加达53.54 km2 ;1996-2003年,受城市建成区扩展影响,热岛向西部延伸,增加面积达39.88 km2;2003-2007年,建成区热岛向西部、南部加速发展,热岛增加总面积达33.55 km2;2007年后,长沙市建成区与热岛范围开始向东、西、南、北4个方向全面扩展。此外,建成区土地利用/覆盖情况发生了很大的变化,大量绿地转变为建设用地和耕地,极大地影响了地表温度的空间分布,各土地类型之间的温度差异显著缩小,水体良好的吸热性能明显地体现出来,建筑用地和裸地则对地表温度的贡献显著增大。 相似文献
5.
6.
7.
云的存在使得遥感对地观测地表信息受损或缺失,特定区域的云状态时空分布特征有助于提升遥感数据云噪声去除的针对性和准确性。本文采用2001-2017年湖南省MOD09A1地表反射率产品像素级产品质量数据集,逐像素解析并提取云状态信息,利用地统计学方法和空间分析方法等,从云状态空间分布概率、云状态季节分布概率、云状态持续时长和云干扰率 4个方面分析了湖南省晴朗无云、云污染和云混合3种云状态时空分布特征。研究结果表明:① 湖南省整体受云影响较为严重,不同云状态空间分布呈现较为明显的差异性,云污染状态主要分布在湘西、湘南山区,云混合状态主要分布在湘北、湘中、湘南连接的地势相对平缓的平原、丘陵地区;② 云污染状态在云影响中起主导作用,其主要分布在1-2月、11-12月以及5月下旬-7月上旬之间,云混合状态平均出现概率全年维持在10%左右,在6-10月增加至18%左右;③ 云状态持续时长为8、16 d是受云影响的主要情形;④ 随着合成窗口的增加,云干扰率迅速下降,采用月合成(4期)后,可以忽略云的影响;⑤ 云状态数据经主成分变换后,前2个主分量可表征不同云状态空间分布模式,全省可划分为4个具有显著云状态特征的区域;⑥ 不同云状态与高程变化具有显著的关系模型,除云污染状态外,均与高程呈负相关关系。本研究可为湖南省遥感数据选择、云去除方法选择、植被指数时间序列重构等提供技术支撑。 相似文献
8.
9.
中国蔬菜产业规模大、产值高,是促进农民增收和农村农业经济发展的支柱产业。快速准确地获取区域尺度蔬菜种植结构信息对于农业现代化、自动化和精细化等具有重要意义。无人机高光谱遥感技术具有快速机动灵活和“图谱合一”的优势,在作物精细分类中具有广泛应用前景。然而蔬菜作物种植规模差异大、农业景观破碎度高,同时还受地膜、大棚和防鸟网覆盖等影响,无人机高光谱图像易产生严重的混合光谱效应,给蔬菜作物精细分类带来了极大的挑战。针对此问题,本研究以湖南省农科院高桥科研基地蔬菜种植区为例,获取无人机高光谱图像,探索采用支持向量机和深度学习方法对不同蔬菜作物进行精细分类。研究结果表明:基于无人机高光谱遥感数据,可以实现不同覆盖背景下的蔬菜作物精细分类;两大分类方法的平均总体精度分别为78.03%和90.75%,平均Kappa系数分别为0.7359和0.8887,相较于支持向量机方法,基于深度学习的分类方法获得的精细分类效果更加理想,三维卷积神经网络和引入注意力机制的卷积神经网络可以有效提取图像中的光谱—空间特征信息,在蔬菜作物精细分类中体现出更好的分类效果;蔬菜作物在大尺度地块上空间纹理特征明显,而在小地块尺度... 相似文献
1