HHT在激光云高儀后向散射信號(hào)處理中的應(yīng)用(New method of lidar ceilometer backscatter signal processing based on Hilbert-Huang transform)

1.1引用方式

何俊峰, 劉文清, 張玉鈞,等. HHT在激光云高儀后向散射信號(hào)處理中的應(yīng)用[J]. 紅外與激光工程, 2012, 41(2):397-403.

1.2主要思想

根據(jù)半導(dǎo)體激光云高儀后向散射信號(hào)的特點(diǎn)，基于希爾伯特-黃變換(HHT)提出了一種突出后向散射信號(hào)細(xì)節(jié)特征的處理方法。該方法有效地發(fā)揮了HHT對(duì)非線性、非平穩(wěn)信號(hào)處理的能力，從原始后向散射信號(hào)中分別重構(gòu)出初步去噪項(xiàng)和信號(hào)趨勢(shì)項(xiàng)并實(shí)現(xiàn)二者的結(jié)合，從而生成全新的經(jīng)特征突出的后向散射信號(hào)。大量實(shí)驗(yàn)數(shù)據(jù)分析證明，該特征突出方法利用了 EMD 分解和重構(gòu)濾波的優(yōu)勢(shì)，摒棄了其去噪同時(shí)削弱有用信號(hào)、忽略細(xì)節(jié)特征的缺陷，適用于云高儀后向散射信號(hào)處理；配合相應(yīng)的后向散射參數(shù)反演方法，可以有效提高云高識(shí)別能力和垂直能見度反演的精度，降低了云高誤報(bào)和漏報(bào)率。

注：引自《用于激光云高儀的微分增強(qiáng)云檢測(cè)方法》，“激光云高儀實(shí)質(zhì)是一種發(fā)射功率比較低的激光雷達(dá)，由于云體內(nèi)部有較多的水分子(三種相態(tài)均有可能)，當(dāng)激光到達(dá)云體后，激光云高儀接收到的回波功率將會(huì)突然的增強(qiáng)。采取一定的算法提取回波功率突然增強(qiáng)的高度即為云底高度，因此云高提取算法的效果直接影響云高探測(cè)的準(zhǔn)確度?！?/p>

1.3主要內(nèi)容鄭發(fā)泰等提出了基于EMD的激光雷達(dá)大氣后向散射信號(hào)降噪信號(hào)處理方法，該方法利用EMD對(duì)后向散射信號(hào)進(jìn)行了分解和重構(gòu)，并觀察了散射回波的希爾伯特譜，經(jīng)驗(yàn)證，有一定去噪效果。

陳東方等提出了類似的基于EMD消除瞬態(tài)散射回波中的高斯白噪聲的方法，經(jīng)過(guò)人工合成瞬態(tài)回波驗(yàn)證，也能有效去噪。

劉增東等同樣利用EMD對(duì)米散射激光雷達(dá)信號(hào)進(jìn)行了多尺度分解和重構(gòu)，通過(guò)直接去除低階IMF的方法來(lái)達(dá)到去噪的目的。這些方法無(wú)一例外都是直接使用HHT中的部分或全部步驟對(duì)信號(hào)進(jìn)行分解和重構(gòu)，往往致力于提高參數(shù)反演前的后向散射信號(hào)信噪比。

HHT由兩部分組成：EMD和Hilbert譜分析(HSA)，這種方法對(duì)于非線性 和非平穩(wěn)數(shù)據(jù)分析是潛在可行的，尤其是時(shí)頻能量描述，已得到全面測(cè)試和驗(yàn)證。

1.4結(jié)論及改進(jìn)方法

基于HHT的后向散射信號(hào)細(xì)節(jié)特征突出的新方法，有效發(fā)揮了HHT對(duì)非線性非平穩(wěn)信號(hào)處理的能力，從原始后向散射信號(hào)中分別重構(gòu)出初步去噪項(xiàng)和信號(hào)趨勢(shì)項(xiàng)，并實(shí)現(xiàn)二者的結(jié)合

，生成全新的經(jīng)特征突出的后向散射信號(hào)。大量實(shí)驗(yàn)數(shù)據(jù)分析證明，該特征突出方法利用了EMD分解和重構(gòu)濾波的優(yōu)勢(shì)，摒棄了其在去噪同時(shí)削弱有用信號(hào)、忽略細(xì)節(jié)特征的缺陷，適用于云高儀后向散射信號(hào)處理；配合相應(yīng)的后向散射參數(shù)反演方法，可以有效提高云高識(shí)

別能力和垂直能見度反演的精度，可以降低云高誤報(bào)/漏報(bào)率。

三維卷積神經(jīng)網(wǎng)絡(luò)模型聯(lián)合條件隨機(jī)場(chǎng)優(yōu)化的高光譜遙感影像分類

2.1引用方式

李竺強(qiáng),朱瑞飛,高放,孟祥玉,安源,鐘興.三維卷積神經(jīng)網(wǎng)絡(luò)模型聯(lián)合條件隨機(jī)場(chǎng)優(yōu)化的高光譜遙感影像分類[J].光學(xué)學(xué)報(bào),2018,38(08):404-413.

2.2主要思想

高光譜遙感影像分類通?；诘匚锕庾V特征，但影像中同時(shí)還存在豐富的空間信息?？臻g信息的有效利用能顯著提高圖像分類效果。因其具有的特殊結(jié)構(gòu)，卷積神經(jīng)網(wǎng)絡(luò)(CNN)已成功地應(yīng)用在圖像分類領(lǐng)域，對(duì)二維圖像分類具有很好的效果。如何通過(guò)深度學(xué)習(xí)并結(jié)合空間光譜信息來(lái)提高分類性能是一個(gè)關(guān)鍵問(wèn)題。結(jié)合高光譜影像中的空間特征與光譜信息，提出一種適合于高光譜像素級(jí)分類的深度學(xué)習(xí)三維卷積神經(jīng)網(wǎng)絡(luò)模型(3D-CNN)，并在初始分類的基礎(chǔ)上利用多標(biāo)簽條件隨機(jī)場(chǎng)進(jìn)行優(yōu)化。選取三個(gè)通用公開高光譜數(shù)據(jù)集(IndianPines數(shù)據(jù)集、PaviaUniversity數(shù)據(jù)集、PaviaCenter數(shù)據(jù)集)進(jìn)行測(cè)試，結(jié)果表明分類優(yōu)化后精度得到很大提升，總體精度可達(dá)98%，Kappa系數(shù)達(dá)到97.2%。

2.3主要內(nèi)容高光譜遙感是指在可見光、近紅外、中紅外和熱紅外波段范圍內(nèi)，獲得很多窄的連續(xù)的光譜影像數(shù)據(jù)的技術(shù)。

傳統(tǒng)的高光譜影像分類方法通常基于光譜信息，利用基于距離度量的分類器，如K鄰近算法或最大似然法等。對(duì)于波段數(shù)量巨大的高光譜數(shù)據(jù)來(lái)說(shuō)，這些方法需要依賴大量樣本去訓(xùn)練，時(shí)間成本很大。

近年來(lái)出現(xiàn)了三種新的解決方案：一是適用于小樣本、高維特征的分類器，如支持向量機(jī)(SVM)分類器；二是半監(jiān)督分類，即將半監(jiān)督學(xué)習(xí)引入到遙感影像分類中，在已知類別標(biāo)記的訓(xùn)練樣本不足的情況下，將未知類別的樣本引入訓(xùn)練過(guò)程；三是字典學(xué)習(xí)，即受矢量量化思想啟發(fā)，利用稀疏表示模型，將高光譜的每個(gè)光譜向量表示為字典中訓(xùn)練樣本的稀疏線性組合，再將其應(yīng)用于高光譜圖像的分類。

Zhao等利用深度學(xué)習(xí)多尺度二維CNN(2D-CNN)對(duì)高光譜遙感影像進(jìn)行深度表達(dá)并融合多波段光譜信息進(jìn)行分類，但需要設(shè)計(jì)不同的特征提取尺度，對(duì)于不同形狀類型目標(biāo)地物可能會(huì)使特征區(qū)混淆。

2016年，劉大偉等利用深度學(xué)習(xí)的常用模型——深度信念網(wǎng)絡(luò)對(duì)高分辨率影像進(jìn)行分類，相比傳統(tǒng)的SVM方法 更能夠提高分類的準(zhǔn)確度。

Mou等提出了一種利用遞歸神經(jīng)網(wǎng)絡(luò)(RNN)對(duì)高光譜影像分類的方法，展示了深度遞歸網(wǎng)絡(luò)在未來(lái)遙感影像分類中的巨大潛力。

與RNN相比，2D-CNN最顯著的優(yōu)點(diǎn)是提供了一種直接從原始輸入圖像提取特征的方法。然而，直接將2D-CNN應(yīng)用于高光譜圖像，需要對(duì)網(wǎng)絡(luò)中每個(gè)二維輸入進(jìn)行卷積，每一個(gè)光譜波段都有一組需學(xué)習(xí)的卷積核。

2.4結(jié)論及改進(jìn)方法

為解決高光譜遙感影像分類后地物分類混淆、總體分類精度低等問(wèn)題，提出了3D-CNN-CRF算法，通過(guò)重新設(shè)計(jì)3D-CNN模型架構(gòu)并充分利用高光譜影像中像素的空間鄰域信息與光譜信息，聯(lián)合多標(biāo)簽條件隨機(jī)場(chǎng)算法，對(duì)分類進(jìn)行全局優(yōu)化。方法的穩(wěn)健性較強(qiáng)，無(wú)需刻意調(diào)整參數(shù)即可達(dá)到較高的分類精度。

對(duì)公共高光譜數(shù)據(jù)集的測(cè)試結(jié)果表明，3D-CNN-CRF算法提供了一個(gè)簡(jiǎn)單高效的方法來(lái)實(shí)現(xiàn)高光譜影像的光譜－空間特征提取，并且3D-CNN模型是一個(gè)輕量級(jí)、泛化能力強(qiáng)、收斂速度快的CNN模型。算法的最終總體精度可達(dá)98%，優(yōu)于其他高光譜影像分類算法。

目前，高光譜遙感影像分類的關(guān)鍵在于充分利用地物輻射光譜信息，并提取區(qū)別性大、更有代表性的空間－光譜特征。在未來(lái)的研究工作中，一方面計(jì)劃在3D-CNN中融合多個(gè)尺度卷積核，對(duì)特征進(jìn)行自適應(yīng)學(xué)習(xí)以進(jìn)一步提升分類性能；另一方面考慮采用GPU并行技術(shù)來(lái)實(shí)現(xiàn)并行卷積網(wǎng)絡(luò)訓(xùn)練，減少運(yùn)算時(shí)間，提高算法效率。

在卷云的橫向邊界上的光學(xué)性質(zhì)和延波輻射(The optical properties and longwave radiative forcing in the lateral boundary of cirrus cloud)

3.1引用方式

Li R, Cai H, Fu Y, et al. The optical properties and longwave radiative forcing in the lateral boundary of cirrus cloud[J]. Geophysical Research Letters, 2014, 41(10):3666–3675.

3.2主要思想

通過(guò)對(duì)云霧激光雷達(dá)和紅外探路者衛(wèi)星觀測(cè)的云霧激光雷達(dá)的觀測(cè)，發(fā)現(xiàn)了卷云中窄、可見側(cè)邊界層的共同特征。在這一層在云的邊緣附近，激光雷達(dá)反向散射、去極化率、冰水含量、冰粒子的有效半徑以及云的光學(xué)深度都急劇下降。由于其極微小的光學(xué)深度(小于0.3)，傳統(tǒng)的衛(wèi)星被動(dòng)光學(xué)傳感器可能會(huì)錯(cuò)過(guò)這樣的卷云橫向邊界層。

3.3主要內(nèi)容高光譜遙感是指在可見光、近紅外、中紅外和熱紅外波段范圍內(nèi)，獲得很多窄的連續(xù)的光譜影像數(shù)據(jù)的技術(shù)。

3.4結(jié)論及改進(jìn)方法

利用星載激光雷達(dá)(CALIPSO/CALIOP，光斑直徑70m)的夜間觀測(cè)資料，研究了中國(guó)卷云的橫向邊界的光學(xué)性質(zhì)和延波輻射力。

一個(gè)狹窄(6.4.1公里左右)的卷云，在陸地上的亞可見卷云的橫向邊界可以很容易地識(shí)別出在532和1064 nm的范圍內(nèi)的反向散射。與這個(gè)邊界層相關(guān)聯(lián)的小光學(xué)深度(<0.3)使它很難被衛(wèi)星的被動(dòng)光學(xué)傳感器探測(cè)到，比如MODIS。激光雷達(dá)反散射強(qiáng)度、冰水含量、冰粒子的有效半徑，以及光學(xué)深度，都從卷云的主體到邊界層的云層邊緣急劇下降。隨著環(huán)境溫度的升高，邊界層的寬度減小，表明這些現(xiàn)象是由升華過(guò)程控制的。

卷云云的升華是影響上對(duì)流層和平流層下部水汽濃度的重要過(guò)程。然而，估計(jì)升華率是非常具有挑戰(zhàn)性的。這里定義的卷云的橫向邊界寬度可以作為升華率的指標(biāo)：更大的橫向邊界與更快的升華速率有關(guān)，反之亦然。這一信息可能有助于評(píng)估卷云對(duì)上層水的空間和時(shí)間分布的影響。

在卷云的橫向邊界上，相關(guān)的延波輻射強(qiáng)迫約為10 w/m2。無(wú)論是衛(wèi)星觀測(cè)還是GCM模型模擬，都沒(méi)有考慮到在編制全球輻射能時(shí)的這種效應(yīng)。根據(jù)一個(gè)非常保守的估計(jì)，這個(gè)卷云的橫向邊界引起的射頻偏差在全球范圍內(nèi)至少是0.0047 w/m2它與其他公認(rèn)的輻射因子相比較包括持續(xù)的線形狀的航跡云和航空引起的云量

這是第一個(gè)研究卷云和晴空之間的界面的研究。盡管在觀測(cè)、建模和知識(shí)方面存在不確定性和局限性，但這些發(fā)現(xiàn)對(duì)于了解近卷云環(huán)境中的微物理變化及其對(duì)全球輻射能量平衡的影響的潛在重要性，使其值得進(jìn)一步深入研究。需要對(duì)多個(gè)區(qū)域和更長(zhǎng)的時(shí)間周期進(jìn)行更詳細(xì)、更廣泛的研究，以精確量化由可見的橫向邊界卷云所提出的延波輻射強(qiáng)迫效應(yīng)。

基于改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的資源三號(hào)遙感影像云檢測(cè)

4.1引用方式

4.2主要思想

資源三號(hào)測(cè)繪衛(wèi)星獲取到的數(shù)據(jù)在進(jìn)行傳感器校正產(chǎn)品的生產(chǎn)之前，需要剔除云量覆

蓋過(guò)大的影像，以減輕生產(chǎn)負(fù)擔(dān)， 提高生產(chǎn)效率。針對(duì)于資三衛(wèi)星影像波段較少，光譜范圍受限的問(wèn)題，本文提出了基于改進(jìn)的深度學(xué)習(xí)全卷積神經(jīng)網(wǎng)絡(luò)的資三遙感影像云檢測(cè)方法。首先，通過(guò)專業(yè)的目視解釋法制備大量云區(qū)檢測(cè)訓(xùn)練樣本，為防止過(guò)擬合，對(duì)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行正則化。然后，將預(yù)訓(xùn)練過(guò)的深層卷積神經(jīng)網(wǎng)絡(luò) vgg16 的全連接層改為全卷積層，采用反卷積方法對(duì)網(wǎng)絡(luò)中卷積層的特征圖進(jìn)行上采樣以獲取 FCN-8s 的輸出結(jié)果， 保證輸入影像與輸出影像尺寸相同。為了獲取更快的訓(xùn)練過(guò)程以及更準(zhǔn)確的實(shí)驗(yàn)結(jié)果， 對(duì) FCN-8s 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化改進(jìn)， 并采用 Adam 梯度下降法加速收斂。最后，用資源三號(hào)云區(qū)影像數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及驗(yàn)證，將上采樣后的影像特征輸入 sigmoid 分類器進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)云區(qū)檢測(cè)方法在檢測(cè)精度和檢測(cè)速度上均優(yōu)于傳統(tǒng)云區(qū)檢測(cè)方法， 實(shí)驗(yàn)準(zhǔn)確率可達(dá) 90.11%，單張影像檢測(cè)速度可縮短至 0.46s。

4.3主要內(nèi)容由于傳感器受大氣密度和云層變化等影響較大，許多影像存在云層遮擋問(wèn)題導(dǎo)致影像局部模糊不清，甚至存在“盲區(qū)”，極大地影響了對(duì)地觀測(cè)和地標(biāo)提取。資源三號(hào)測(cè)繪衛(wèi)星的數(shù)據(jù)在進(jìn)行傳感器校正產(chǎn)品的生產(chǎn)之前，需要剔除云量覆蓋過(guò)大的影像，以減輕生產(chǎn)負(fù)擔(dān)，提高生產(chǎn)效率。

目前，遙感影像的云區(qū)檢測(cè)方法多樣，但主要是利用可見光或近紅外光譜閾值法進(jìn)行云檢測(cè)，該方法是利用云的高反射率和低溫特性而將云層與其他地物進(jìn)行分離,此方法計(jì)算簡(jiǎn)單，檢測(cè)效率高，缺點(diǎn)是當(dāng)?shù)孛娓采w了冰、雪、沙漠或云為薄卷云、層云和小積云時(shí)，很難將云和地面區(qū)分開來(lái)，因?yàn)榇蟛糠止庾V方法只適用于特定的場(chǎng)景或是識(shí)別不同的云。

趙曉利用模糊C均值聚類方法通過(guò)最小化目標(biāo)函數(shù)完成樣本迭代聚類，利用 SVM 聚類法進(jìn)行類屬判別，該方法在實(shí)驗(yàn)過(guò)程中擁有了先驗(yàn)知識(shí)可以獲得較好的分類結(jié)果，但是該方法需要人為干預(yù)極大影響檢測(cè)效率。

CNN本質(zhì)上是一個(gè)多層感知機(jī)， 受生物神經(jīng)學(xué)知識(shí)啟發(fā)并結(jié)合人工神經(jīng)網(wǎng)絡(luò)。 采用局部連接和權(quán)值共享的方式使得網(wǎng)絡(luò)易于優(yōu)化，卷積層數(shù)越深，感受域范圍越大， 越能學(xué)習(xí)到更為抽象的影像特征。

陳洋利用 CNN 解決遙感影像云檢測(cè)，有效的解決了由于資三衛(wèi)星影像波段少，光譜范圍受限而導(dǎo)致的閾值法檢測(cè)效果不佳的問(wèn)題，但該方法只能獲得云檢概率圖，不能實(shí)現(xiàn)像素級(jí)的影像輸出。

4.4結(jié)論及改進(jìn)方法

基于改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的云區(qū)檢測(cè)算法彌補(bǔ)了傳統(tǒng)算法的不足，將云區(qū)檢測(cè)定位準(zhǔn)確率提高至 90.11%，基本還原了輸入影像的細(xì)節(jié)信息。 該算法可處理任意尺寸大小的輸入影像，實(shí)現(xiàn)端到端的像素級(jí)檢測(cè)能力。針對(duì)全卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程繁瑣、收斂效果較差、訓(xùn)練時(shí)間漫長(zhǎng)且云檢結(jié)果精度較低等問(wèn)題，本文算法均進(jìn)行了優(yōu)化改進(jìn)。 并解決了傳統(tǒng)云檢算法難以識(shí)別薄云區(qū)域、實(shí)驗(yàn)過(guò)程需要人工選點(diǎn)、無(wú)法批量生產(chǎn)等問(wèn)題， 將單張影像檢測(cè)時(shí)間縮短至 0.46 秒， 計(jì)算機(jī)自動(dòng)化處理避免了人為干預(yù)，極大的節(jié)省了國(guó)產(chǎn)資源三號(hào)衛(wèi)星影像質(zhì)量檢查與數(shù)據(jù)分發(fā)的時(shí)間，提高了工作效率。然而，本文提出的云區(qū)檢測(cè)算法還存在很多不足，例如對(duì)于薄霧的識(shí)別率較低、對(duì)于具有相同光譜和紋理特性的雪覆蓋區(qū)域無(wú)法區(qū)分等。隨著深度學(xué)習(xí)理論的不斷深入， 筆者下一步將致力于解決以上問(wèn)題。

動(dòng)態(tài)閾值云檢測(cè)方法改進(jìn)及高分辨率衛(wèi)星應(yīng)用

5.1引用方式

5.2主要思想

基于先驗(yàn)地表反射率數(shù)據(jù)庫(kù)支持的動(dòng)態(tài)閾值云檢測(cè)算法(UDTCDA)可以顯著提高衛(wèi)星數(shù)據(jù)的云檢測(cè)精度。 為進(jìn)一步提高其在波段相對(duì)較少的高空間分辨率衛(wèi)星數(shù)據(jù)云檢測(cè)應(yīng)用中的精度， 本文改進(jìn)了UDTCDA 算法中先驗(yàn)地表反射率數(shù)據(jù)與待檢測(cè)衛(wèi)星數(shù)據(jù)的空間匹配方法。與原方法使用重采樣達(dá)到空間分辨率一致不同，該方法根據(jù)待檢測(cè)影像高空間分辨率的特點(diǎn)，采用逐像元空間地理坐標(biāo)配準(zhǔn)的方法與真實(shí)地表反射率數(shù)據(jù)進(jìn)行配準(zhǔn)， 進(jìn)行云像元檢測(cè)。該方法保留了高分辨率影像的空間分辨率優(yōu)勢(shì)，可以有效降低空間重采樣造成的像元信息的丟失。分別使用資源三號(hào)、高分一號(hào)、高分二號(hào)和高分四號(hào)四種近期發(fā)射的高分辨率衛(wèi)星數(shù)據(jù)開展了云檢測(cè)實(shí)驗(yàn)。通過(guò)遙感目視解譯的方法對(duì)本文結(jié)果進(jìn)行精度驗(yàn)證并和原UDTCDA 云識(shí)別結(jié)果進(jìn)行了對(duì)比分析， 結(jié)果表明， 改進(jìn)后的算法能以較高精度識(shí)別不同高分辨率衛(wèi)星影像中的云，總體精度達(dá)到 93.92%，尤其對(duì)于碎云和薄云具有整體較高的識(shí)別精度， 漏分誤差和錯(cuò)分誤差分別低于 10.40%和 9.57%。

5.3主要內(nèi)容其中固定閾值法是應(yīng)用比較廣泛、成熟的云檢測(cè)方法， 原理是利用云與典型地物在可見光、近紅外波段的反射率差異及在熱紅外波段的亮度溫度差異識(shí)別云像元。該方法具有容易實(shí)現(xiàn)且效率和精度相對(duì)較高的特點(diǎn)。目前已經(jīng)發(fā)展了多種典型的閾值法云檢測(cè)方法，如 ISCCP (The Inter-national Satellite Cloud ClimatologyProject)法、 CLAVR (The NOAA Cloud Advanced Very High Resolution Radiometer)法和 APPOLLO (The AVHRR Processing Scheme Over Cloud Land And Ocean)法。

傳統(tǒng)的閾值法主要利用云在可見光、近紅外波段的反射率高于大部分典型地物反射率的特點(diǎn)，在不同的波段設(shè)定固定的閾值實(shí)現(xiàn)云與大部分地表的分離。但由于地表結(jié)構(gòu)的復(fù)雜性以及云的多樣性，難以找到合適的閾值把所有類型的地表和云分離開，特別是對(duì)于容易受地表影響的薄云、碎云、云邊緣以及沙漠、裸土、巖石等高反射率地表上空的云識(shí)別困難。

當(dāng)衛(wèi)星傳感器波段較少時(shí)，難以提供足夠的信息來(lái)確定云與典型地表的輻射差異，導(dǎo)致云像元的識(shí)別精度較低。針對(duì)該問(wèn)題， Sun 等提出了一種先驗(yàn)地表反射率數(shù)據(jù)庫(kù)支持的動(dòng)態(tài)閾值云檢測(cè)算法(Universal Dynamic Threshold Cloud Detection Algorithm， UDTCDA)。

該算法以現(xiàn)有的高質(zhì)量地表反射率產(chǎn)品作為支撐，輔助識(shí)別有云像元，其優(yōu)點(diǎn)是：(1)由于背景反射率已知，閾值設(shè)定有了針對(duì)性，可以有效提高不同地表背景上空的云(尤其是薄、碎云)的識(shí)別精度；(2)僅利用少數(shù)可見光及近紅外波段便可實(shí)現(xiàn)遙感影像的云識(shí)別，在波段較少的衛(wèi)星傳感器的云識(shí)別中具有獨(dú)特的優(yōu)勢(shì)。由于大部分高分辨率衛(wèi)星傳感器波段較少，且波段集中在可見光到近紅外等波長(zhǎng)范圍內(nèi)，云檢測(cè)可利用的波段范圍有限。

研究表明，在特定的觀測(cè)條件和大氣環(huán)境背景下，衛(wèi)星測(cè)得的表觀反射率與真實(shí)地表反射率具有明顯的函數(shù)關(guān)系。因此，該算法綜合考慮了衛(wèi)星觀測(cè)幾何條件和氣溶膠等大氣背景條件等因素的影響，利用 6S (Second Simulation of theSatellite Signal in the Solar Spectrum)模型模擬了傳感器地表反射率與表觀反射率之間的量化關(guān)系， 通過(guò)最小二乘法擬合得到地表反射率與表觀反射率極大值之間的函數(shù)關(guān)系，構(gòu)建出不同光譜通道的動(dòng)態(tài)閾值云檢測(cè)模型。該方法能夠有效降低混合像元的影響，提高對(duì)不同地區(qū)上薄碎云的識(shí)別能力，降低了在高亮地表上云識(shí)別的不確定性，具有整體較高的云識(shí)別精度。

類似地，本文首先利用 6S 模型模擬了在不同觀測(cè)和大氣條件下，各高空間分辨率傳感

器在可見光到近紅外光譜通道上的表觀反射率和地表反射率之間的量化關(guān)系。假設(shè)如果待檢

測(cè)像元的表觀反射率大于地表反射率在不同觀測(cè)和大氣條件下模擬的表觀反射率的極大值，

則認(rèn)為該像元為潛在云像元。因此， 表觀反射率的極大值可以表示為地表反射率與觀測(cè)幾何的函數(shù)：

式中

為模擬得到云的表觀反射率閾值，

為地表反射率，由先驗(yàn)地表反射率計(jì)算得到，

和

分別為太陽(yáng)天頂角和衛(wèi)星天頂角，a，b，c為模型的三個(gè)系數(shù)，可通過(guò)最小二乘法擬合得到。 只有在四個(gè)通道都被判定為潛在云像元時(shí)，該像元才最終被確定為云像元。表1 給出了不同陸地觀測(cè)衛(wèi)星不同通道的動(dòng)態(tài)閾值計(jì)算模型的參數(shù)。

5.4結(jié)論及改進(jìn)方向

為了降低混合像元對(duì)云識(shí)別的影響和重采樣對(duì)原始影像造成的損失，本文在 UDTCDA

算法的基礎(chǔ)上采用空間配準(zhǔn)的方式實(shí)現(xiàn)了非同源影像的配準(zhǔn)，既實(shí)現(xiàn)了衛(wèi)星影像與地表反射

率數(shù)據(jù)集的準(zhǔn)確配準(zhǔn)，又保留了原始影像的空間尺度。 然后， 將改進(jìn)的算法應(yīng)用到多種高分辨率衛(wèi)星數(shù)據(jù)上進(jìn)行云檢測(cè)實(shí)驗(yàn)，使用目視解譯結(jié)果進(jìn)行了精度驗(yàn)證， 并與 UDTCDA 云檢測(cè)結(jié)果進(jìn)行了對(duì)比。

結(jié)果表明，改進(jìn)后的算法在國(guó)產(chǎn)系列衛(wèi)星云識(shí)別中能夠取得較好的識(shí)別效果。與之前UDTCDA 云檢測(cè)結(jié)果相比，該算法大幅度提高了碎云、薄云和云邊緣的識(shí)別準(zhǔn)確度。 精度驗(yàn)證結(jié)果表明，本文算法能夠較好地適用于不同國(guó)產(chǎn)陸地觀測(cè)衛(wèi)星的云識(shí)別，其中對(duì) ZY3、GF-1 WFV、GF-1 PMS、GF-2 和 GF-4 衛(wèi)星的平均云檢測(cè)精度分別為 96.32%、94.04%、96.31%、85.98%和 93.92%，整體云識(shí)別精度大于 85%，漏判和錯(cuò)判現(xiàn)象相對(duì)較少，兩種誤差整體分別低于 9.57%和 10.40%。改進(jìn)后的云識(shí)別算法對(duì)不同下墊面上空不同云類型均能夠取得較好的識(shí)別效果， 對(duì)植被和濕地等低反射率地表上空的云層，具有整體較高的識(shí)別精度(OA>88%)，同時(shí)，對(duì)于高亮地表(裸土、城鎮(zhèn)和沙漠等)上空的云識(shí)別平均精度約為83%，漏判現(xiàn)象整體較少。驗(yàn)證和對(duì)比結(jié)果表明，本文云檢測(cè)算法對(duì)高分辨率衛(wèi)星數(shù)據(jù)具有較強(qiáng)的適應(yīng)性，可以用于該系列數(shù)據(jù)的云檢測(cè)業(yè)務(wù)化運(yùn)行。但仍存在以下不足：(1)受限于地表反射率數(shù)據(jù)集的精度，由于自然或人為原因造成的地表反射率變化明顯地區(qū)或崎嶇復(fù)雜地形地區(qū)，算法的適用性降低；(2)數(shù)據(jù)間的配準(zhǔn)誤差，在河流、海岸線與陸地交界等地區(qū)，容易產(chǎn)生誤判現(xiàn)象。

高分四號(hào)衛(wèi)星數(shù)據(jù)云和云陰影檢測(cè)算法

6.1引用方式

6.2主要思想

高分四號(hào)衛(wèi)星(GF-4)是我國(guó)研制的首顆地球同步高分辨率光學(xué)成像衛(wèi)星，具有高時(shí)間分辨率和較高的空間分辨率，開辟了我國(guó)高軌高分辨率對(duì)地觀測(cè)的新領(lǐng)域。本文針對(duì)高分四號(hào)衛(wèi)星數(shù)據(jù)的特點(diǎn)，提出一種光譜分析與幾何算法相結(jié)合的云和云陰影檢測(cè)算法。使用幾何校正和輻射定標(biāo)后的高分四號(hào)影像，基于云與典型地表的光譜特征采用光譜差異分析技術(shù)識(shí)別出潛在云像元，根據(jù)有云地物和無(wú)云地物的光譜變化率差異計(jì)算云概率；由云和云陰影的幾何關(guān)系，結(jié)合傳感器參數(shù)識(shí)別出云陰影的投影帶，然后根據(jù)陰影的光譜特征在投影帶中設(shè)定基于影像的動(dòng)態(tài)閾值，用于檢測(cè)云陰影。該算法能較好的識(shí)別薄云，而且顯著提高了云陰影的檢測(cè)精度。采用目視解譯法進(jìn)行了精度驗(yàn)證，發(fā)現(xiàn)不同區(qū)域類型的云像元識(shí)別位置準(zhǔn)確，形狀完整；將本文提出的檢測(cè)云陰影的方法與云和云陰影匹配法對(duì)比，發(fā)現(xiàn)該方法識(shí)別的云陰影更為精確。

6.3主要內(nèi)容

太陽(yáng)同步衛(wèi)星：太陽(yáng)同步衛(wèi)星就是通過(guò)地球南北極的衛(wèi)星軌道平面，每天向東移動(dòng)0.9856度,這個(gè)角度正好是地球繞太陽(yáng)公轉(zhuǎn)每天東移的角度。

引自百度百科：

GF-4 衛(wèi)星是我國(guó)研制的一顆地球靜止軌道高分辨率光學(xué)成像衛(wèi)星，搭載一臺(tái)大口徑面陣凝視光學(xué)遙感相機(jī)，該相機(jī)在可見光、近紅外和中紅外波段共設(shè)置 6 個(gè)通道，衛(wèi)星星下點(diǎn)的像元分辨率在可見光波段可達(dá) 50 米，在中波紅外波段為 400 米，是目前世界上空間分辨率最高的地球凝視衛(wèi)星。 GF-4 衛(wèi)星中波紅外重復(fù)觀測(cè)間隔只需要 1s，可見光近紅外通道單譜段連續(xù)成像間隔只需 5s，具有較高的時(shí)間分辨率，它所具有的多種成像模式可以實(shí)現(xiàn)對(duì)目標(biāo)的凝視、巡航和追蹤。 GF-4 號(hào)衛(wèi)星的發(fā)射代表了我國(guó)靜止軌道高分辨率對(duì)地觀測(cè)技術(shù)的最高水平。其高空間分辨率、高頻次觀測(cè)以及多光譜信息獲取的特征，可以在氣象、環(huán)保、災(zāi)害監(jiān)測(cè)等領(lǐng)域發(fā)揮重要作用。而云和云陰影的存在則顯著降低了該數(shù)據(jù)的使用效率和精度。

目前的云檢測(cè)方法包括閾值法、 輻射傳輸法和深度學(xué)習(xí)法等。其中閾值法由于使用簡(jiǎn)單，效率較高，而得到了廣泛的應(yīng)用。閾值法主要采用云和晴空像元之間的光譜差異來(lái)識(shí)別有云像元。在閾值法中，閾值的選取是影響云識(shí)別結(jié)果的關(guān)鍵因素。

云陰影在遙感影像上表現(xiàn)為反射率較低的特點(diǎn)，在幾何外形上，與云有相似的外形輪廓，并且保持特定的位置關(guān)系。目前針對(duì)太陽(yáng)同步衛(wèi)星的云陰影檢測(cè)的主要方法有閾值法、幾何法和時(shí)間序列法。閾值法是基于組分光譜差異的分析技術(shù)，進(jìn)行波譜分析和特征通道選擇，使用一個(gè)或多個(gè)波段或者衍生度量進(jìn)行云陰影檢測(cè)。

李炳燮等用不同年份同一季節(jié)的無(wú)云數(shù)據(jù)，根據(jù)每個(gè)波段的光譜特征的相對(duì)變化，提出一種厚云陰影地域增強(qiáng)模型進(jìn)行云陰影檢測(cè)，該方法適用于厚云陰影區(qū)域的云陰影檢測(cè)，但容易漏判薄云陰影。幾何法的基本思想是基于太陽(yáng)方位角、太陽(yáng)天頂角及云高等幾何關(guān)系識(shí)別云陰影。

Knudby 等人提出用預(yù)測(cè)的云頂亮溫與晴空預(yù)期亮溫之間的差值比上垂直溫度遞減率來(lái)估算云高，在此基礎(chǔ)上，由投影和幾何關(guān)系估算云陰影。

Zhu 等人提出將潛在云層分割為3D云對(duì)象，由亮溫和溫度下降率估算云底高度，設(shè)定合適的步長(zhǎng)對(duì)云高迭代，將每個(gè)高度的云的陰影與 Flood-fill 識(shí)別的潛在陰影層匹配，直到找到與潛在云陰影具有最大匹配相似性的像元。由于云成分的復(fù)雜性，用亮溫估算云高具有很大的不確定性。時(shí)間序列法是基于晴空條件下像元地表反射率與時(shí)間的函數(shù)關(guān)系來(lái)確定相應(yīng)的云陰影像元。

圖1 為典型地物的光譜特征，其中植被、土壤、巖石和水體的地表反射率數(shù)據(jù)來(lái)源于 ASTER 光譜庫(kù)。云和云陰影的反射率數(shù)據(jù)來(lái)源于機(jī)載可見光紅外成像光譜儀 AVIRIS(Airborne Visible Infrared Imaging Spectrometer)?？梢钥闯?#xff0c;云在可見光、近紅外波段(0.76-0.90-m)的反射率都比較高。在遙感影像中云和云陰影具有特定的幾何關(guān)系，由于云層的遮擋，太陽(yáng)輻射無(wú)法全部到達(dá)地面，因而形成較暗的陰影區(qū)。由于近紅外波段的透過(guò)率高于可見光波段的透過(guò)率，使得云陰影的反射率在近紅外波段有所增加。大部分典型地表的反射率和云的反射率具有較為明顯的差異。植被在藍(lán)光和紅光波段有一個(gè)吸收谷，在綠光波段形成一個(gè)小反射峰，在近紅外波段的反射率迅速增加。水體的反射率在可見光近紅外波段范圍內(nèi)隨著波長(zhǎng)的增加逐漸降低。土壤的反射率在可見光和近紅外波段隨著波長(zhǎng)的增加而明顯增大。沙漠地區(qū)以及巖石的反射率總體較高。

6.4結(jié)論及改進(jìn)方向

高分四號(hào)遙感衛(wèi)星是我國(guó)首個(gè)民用高分辨率光學(xué)衛(wèi)星， 也是世界上分辨率最高的地球靜止軌道衛(wèi)星， 由于 GF4 的波段較少， 云和云陰影檢測(cè)面臨著較大的困難。 本文根據(jù) GF4 衛(wèi)星傳感器的參數(shù)特征，充分考慮云，云陰影及不同地物之間的光譜差異特征，提出采用光譜分析的方法識(shí)別 GF4 影像中的云，并采用光譜分析和幾何算法相結(jié)合的方法識(shí)別影像中的云陰影。 在有云像元的識(shí)別上， 運(yùn)用可見光和近紅外波譜特征識(shí)別出潛在的云像元，使用亮度概率和光譜變化率組合分別產(chǎn)生水上和陸地上的云概率。 在云陰影的識(shí)別上， 根據(jù)云和云陰影的幾何關(guān)系，結(jié)合傳感器視角和太陽(yáng)方位角估算云陰影的位置， 由基于場(chǎng)景的動(dòng)態(tài)光譜閾值識(shí)別出云陰影像元。

通過(guò)對(duì)檢測(cè)結(jié)果和目視解譯的對(duì)比，發(fā)現(xiàn)對(duì)不同云型的云像元均有較高的檢測(cè)精度； 定量分析結(jié)果顯示，不同下墊面云像元和晴空像元的正確率較高而且誤判率和漏判率較低。 通過(guò)將本文提出的方法與基于云和云陰影匹配檢測(cè)云陰影的方法進(jìn)行對(duì)比，發(fā)現(xiàn)本文提出的動(dòng)態(tài)光譜閾值法檢測(cè)出的云陰影形狀更加完整，位置更加準(zhǔn)確。

本文提出的云和云陰影檢測(cè)算法在高分四號(hào)影像中取得了較高的精度，然而該算法也有其局限性， 表現(xiàn)在以下兩個(gè)方面：

1) 由于 GF4 波段較少，沒(méi)有有效的識(shí)別冰雪的波段，因此未對(duì)冰雪區(qū)域的云及陰影進(jìn)行檢測(cè)；

2) 遙感影像中的云和云陰影是個(gè)非常復(fù)雜的存在，由于GF4的波段較少，可利用的信息受限， 對(duì)于部分薄云及其陰影，仍無(wú)法被檢測(cè)出來(lái)。未來(lái)的研究中可以利用 GF4 高頻次觀測(cè)的特點(diǎn)， 考慮采用多時(shí)相信息進(jìn)一步完善云及陰影的檢測(cè)。

光學(xué)遙感衛(wèi)星影像云檢測(cè)方法及應(yīng)用

7.1引用方式

[1]康一飛. 光學(xué)遙感衛(wèi)星影像云檢測(cè)方法及應(yīng)用[D].武漢大學(xué),2018.

7.2主要思想

光學(xué)遙感衛(wèi)星影像的云檢測(cè)對(duì)于高精度影像智能化處理和地圖制作具有重要的理論意義和應(yīng)用價(jià)值。本文提出了針對(duì)光學(xué)遙感衛(wèi)星影像的云檢測(cè)方法，主要?jiǎng)?chuàng)新點(diǎn)總結(jié)如下：提出了一種基于高斯混合模型的單幅衛(wèi)星影像云檢測(cè)方法，實(shí)現(xiàn)了影像中云層范圍的快速檢測(cè)和自動(dòng)識(shí)別；

提出了基于Gabor特征的視覺(jué)顯著性分析和公眾地理數(shù)據(jù)輔助的云檢測(cè)結(jié)果優(yōu)化方法，排除了人工目標(biāo)和積雪等高亮區(qū)域，有效提升了云檢測(cè)的查準(zhǔn)率；

3)提出了一種基于多視角投影視差分析的衛(wèi)星影像云檢測(cè)方法，有效降低了似云目標(biāo)的誤判，也有效降低了小面積云和薄云的漏檢。

7.3主要內(nèi)容光學(xué)遙感衛(wèi)星影像及衍生產(chǎn)品已經(jīng)廣泛應(yīng)用于導(dǎo)航定位、農(nóng)業(yè)調(diào)查、環(huán)境保護(hù)、防災(zāi)減災(zāi)、海洋開發(fā)、城鎮(zhèn)化研究等領(lǐng)域，給地理國(guó)情普查工作、國(guó)土資源“一張圖”工程建設(shè)、“一帶一路”戰(zhàn)略實(shí)施等提供了重要的決策支持和信息保障。

然而，并非所有衛(wèi)星遙感影像都可滿足影像信息智能化處理的要求，其中一個(gè)很重要的因素就是云層的覆蓋(李德仁等，2012)。

國(guó)際衛(wèi)星云氣候?qū)W計(jì)劃(InternationalSatelliteCloudClimatologyProject，ISCCP)提供的數(shù)據(jù)顯示，全球范圍內(nèi)平均云覆蓋率約為67%。

云層由大氣中的水滴、冰晶或它們的混合物組成。它的形成需要三個(gè)條件：充足的水汽、使水汽凝結(jié)的冷空氣、凝結(jié)核。太陽(yáng)照在地球的表面，水蒸發(fā)形成水蒸氣，一旦水汽過(guò)飽和，水分子就會(huì)聚集在空氣中的微塵(凝結(jié)核)周圍，由此產(chǎn)生的水滴或冰晶將陽(yáng)光散射到各個(gè)方向，這就產(chǎn)生了云的外觀(陳渭民等，2015)。

陳渭民. 衛(wèi)星云圖觀測(cè)原理和分析預(yù)報(bào)[M]. 氣象出版社, 2015.

云可以形成各種的形狀。世界氣象組織(WorldMeteorologicalOrganization，WMO)根據(jù)云層底部的高度，將其分為高云、中云和低云3族。再根據(jù)云的結(jié)構(gòu)特點(diǎn)、排列情況、透光程度、附從云及演變情況等，進(jìn)一步分為10屬29類。如表1-3所示。

云的形成原因及過(guò)程決定了其基本形態(tài)，僅根據(jù)形態(tài)進(jìn)行區(qū)分，又可把云歸納為積狀云、層狀云和波狀云3大類：

①積狀云：由大氣中的對(duì)流運(yùn)動(dòng)產(chǎn)生，上升氣流中水汽凝結(jié)生成云，有上升氣流的同時(shí)也存在下降氣流，又稱對(duì)流云。包括積云、積雨云等。表現(xiàn)在光學(xué)遙感衛(wèi)星影像上，對(duì)流云多數(shù)是局部的、孤立的云體，有云影；

②層狀云：層狀云是空氣被整層抬升到凝結(jié)高度以上時(shí)水汽凝結(jié)、凝華而生成的云。包括雨層云、高層云、卷層云等。表現(xiàn)在光學(xué)遙感衛(wèi)星影像上，層狀云連片存在、面積大、厚薄均勻、邊緣可見云影；

③波狀云：由于大氣波動(dòng)作用產(chǎn)生，上升氣流區(qū)水汽凝結(jié)成云，下沉氣流區(qū)相對(duì)濕度變小，無(wú)法成云，因此呈現(xiàn)波狀。包括．高積云、層積云、卷積云等。表現(xiàn)在光學(xué)遙感衛(wèi)星影像上，波狀云厚薄不一、連片存在且時(shí)有云縫，沒(méi)有云影；

云的輻射特性與它所處的位置及宏、微觀特性有關(guān)，即與它所處的大氣環(huán)境、云高、云量、光學(xué)厚度、粒子的相態(tài)、尺度譜和復(fù)折射指數(shù)等有關(guān)(陳渭民等，2015)。其中云對(duì)太陽(yáng)光的散射主要為米氏散射，即對(duì)不同波長(zhǎng)光的散射強(qiáng)度均相等。這是由于云粒子的有效半徑多為6~12微米之間，而99%以上的太陽(yáng)光的波長(zhǎng)在0.15~4.0微米之間，后者遠(yuǎn)小于前者。

一些物體于可見光譜段的反射率

地表類型

反射率

地表類型

反射率

厚云

0.30~0.90

土壤

0.05~0.20

薄云

0.20~0.70

瀝青

0.05~0.20

新雪

0.75~0.95

森林

0.10~0.25

陳雪

0.40~0.70

草地

0.16~0.26

海冰

0.25~0.40

巖石

0.10~0.35

液態(tài)水

0.05~0.20

沙漠

0.20~0.40表中列出了一些常見物體于可見光譜段的反射率?？梢钥闯?#xff0c;水、土壤、植被等物體反射率低，與云有著比較明顯的區(qū)分度；巖石、沙漠、海冰、陳雪、薄云等物體反射率居中，是容易互相混淆的幾類場(chǎng)景；新雪和厚云的反射率最高。此外還可以發(fā)現(xiàn)，單一類型的地表地物，包括土壤、植被、裸地、冰雪等，反射率范圍跨度比較小，而云的反射率范圍跨度比較大。

低云族的云底高度一般為200~2500米；中云族的云底高度一般為2500~5000米；高云族的云底高度一般在5000米以上(陳渭民等，2015)。考慮到衛(wèi)星遙感影像是俯視成像，呈現(xiàn)在影像上的均為云頂，則可認(rèn)為云的相對(duì)高度普遍在500~10000米之間。而無(wú)論是植被、冰蓋還是人工建筑物，都幾乎不存在相對(duì)高度大于500米的地表物體。鑒于此，相對(duì)高度是區(qū)分云和地表物體的最可靠的特征。

LSD算法是一種直線段檢測(cè)分割算法，可得到亞像素級(jí)精度的檢測(cè)結(jié)果，并可有效控制誤檢的數(shù)量。相對(duì)于傳統(tǒng)的基于廣義Hough變換的線提取算法，LSD算法在效果、效率方面都有著明顯的優(yōu)勢(shì)。

全球冰川分布圖，由美國(guó)冰雪數(shù)據(jù)中心(NationalSnowandI(yíng)ceDataCenter，NSIDC)發(fā)布，該中心是由美國(guó)航空宇航局(NationalAeronauticsandSpaceAdministration，NASA)、美國(guó)國(guó)家海洋和大氣局(NationaOceanicandAtmosphericAdministration，NOAA)等組織建立的數(shù)據(jù)中心，提供全世界冰川等地理信息方面的資料，支持?jǐn)?shù)據(jù)庫(kù)檢索，可公開下載。它的資料采集于實(shí)地勘測(cè)、光學(xué)傳感器、高光譜傳感器等眾多方式，每隔一段時(shí)間會(huì)發(fā)布一個(gè)新的版本，不同年份和季節(jié)的冰川分布有細(xì)微的不同，以矢量(Shapefile)文件的形式存儲(chǔ)，采用WGS84(WorldGeodeticSystem1984)坐標(biāo)系統(tǒng)。

Landsat-8衛(wèi)星是美國(guó)于2013年2月發(fā)射的一顆地球觀測(cè)衛(wèi)星，它是陸地衛(wèi)星數(shù)據(jù)連續(xù)性任務(wù)(LandsatDataContinutyMission)的第8顆衛(wèi)星，該任務(wù)由美國(guó)航空宇航局和美國(guó)地質(zhì)調(diào)查局(UnitedStatesGeologicalSurvey，USGS)合作完成。Landsat-8上攜帶有兩個(gè)主要載荷：陸地成像儀(OperationalLandI(yíng)mager，OLI)和熱紅外傳感器(ThermalI(yíng)nfraredSensor，TIRS)。其中OLI包括9個(gè)波段，成像寬幅為185千米，空間分辨率為30米，包括一個(gè)15米的全色波段；TIRS包括兩個(gè)波段，空間分辨率為100米。詳細(xì)參數(shù)參見表。

Landsat-8影像采用16比特量化，較之于10比特量化的國(guó)產(chǎn)光學(xué)遙感影像，不同地物之間的亮度差異在影像上表現(xiàn)的更加明顯。且光譜探測(cè)范圍涵蓋短波紅外波段和熱紅外波段，尤其是在近紅外波段與短波紅外波段間新增了卷云(Cirrus)波段，如圖4-5，大大降低了云檢測(cè)的難度(徐涵秋等，2013)。

對(duì)比來(lái)看，以立體像對(duì)為輸入條件，Wuetal.(2016)提出了一種基于密集匹配技術(shù)的云檢測(cè)算法，其思想可總結(jié)為：首先對(duì)立體像對(duì)執(zhí)行密集匹配，生成DSM，然后將DSM與SRTM或其他己有的DEM數(shù)據(jù)做對(duì)比，若二者存在非常明顯的高程差異，則將此位置認(rèn)定為云。對(duì)于厚云，此算法一般可取得較好的檢測(cè)結(jié)果。但相對(duì)于本章提出的算法，該算法的不足之處主要體現(xiàn)在：

①無(wú)法區(qū)分大面積層狀云和雪山：這是由于層狀云和雪山均呈現(xiàn)連片的白色，紋理很弱，無(wú)法生成對(duì)應(yīng)區(qū)域的DSM，或生成的DSM中存在嚴(yán)重的誤差，在后續(xù)與SRTM的比對(duì)中，會(huì)呈現(xiàn)出“虛假”的高程差異；

②無(wú)法檢測(cè)透光的薄云：這是由于薄云不會(huì)完全遮蔽地表，在地表紋理可見的情況下，通過(guò)密集匹配得到的DSM會(huì)與真實(shí)地形接近一致，在后續(xù)與SRTM的對(duì)比中，無(wú)法呈現(xiàn)出明顯的高程差異；

③更多的輸入條件限制：它要求輸入像對(duì)成像夾角足夠大(一般大于15°)，用以構(gòu)成立體像對(duì)，還要求輸入SRTM或其它已有DEM資料。而本章算法僅需要像對(duì)成像夾角大于5°即可。若將云在多視角成像的影像中看作移動(dòng)的目標(biāo)，則還可用運(yùn)動(dòng)目標(biāo)檢測(cè)領(lǐng)域中常用的光流法實(shí)現(xiàn)云層的提取。與本章提出的差異分析法類似，光流法要求背景不變且亮度一致，可將其看作匹配同名像點(diǎn)進(jìn)而還原運(yùn)動(dòng)矢量的過(guò)程(Ｓｚｅｌｉｓｋｉ，２０１０)。Ｆｉｓｃｈｅｒｅｔａｌ．(２０１５)介紹了一種基于卷積神經(jīng)網(wǎng)絡(luò)的稠密光流估計(jì)方法。實(shí)驗(yàn)發(fā)現(xiàn)，在云層外觀變化不大的情況下，該方法可精確、直接地獲取云的完整輪廓，如圖５－１５；但當(dāng)云層移動(dòng)的同時(shí)伴隨著云層形狀變化時(shí)，該方法便會(huì)出現(xiàn)誤檢，如圖。

(光流法是一個(gè)值得研究的方面，應(yīng)該通過(guò)實(shí)驗(yàn)檢驗(yàn)相應(yīng)的效果)

7.4結(jié)論及改進(jìn)方向

紅外輻射大氣透過(guò)率影響因素的研究

8.1引用方式

王文慧, 王高, 張猛. 紅外輻射大氣透過(guò)率影響因素的研究[J]. 激光與紅外, 2017, 47(3):308-312.

8.2主要思想

大氣傳輸是紅外測(cè)溫過(guò)程中不可忽視的一個(gè)重要問(wèn)題。研究大氣傳輸最主要的是計(jì)算大氣透過(guò)率。在 MODTＲAN 軟件基礎(chǔ)上，分析了 8～12 μm 波段多種關(guān)鍵因素對(duì)紅外傳輸大氣透過(guò)率的影響，研究了其變化規(guī)律。結(jié)果表明初始高度、邊界層氣溶膠、路徑長(zhǎng)度、波數(shù)間隔等對(duì)大氣透過(guò)率都有一定的影響。其中路徑長(zhǎng)度對(duì)大氣透過(guò)率的影響相對(duì)明顯。通過(guò)外場(chǎng)測(cè)溫實(shí)驗(yàn)，進(jìn)一步研究路徑長(zhǎng)度對(duì)測(cè)溫精度的影響，得出實(shí)際測(cè)溫過(guò)程中的衰減率。比較分析仿真得到的大氣透過(guò)率與實(shí)驗(yàn)測(cè)得的大氣透過(guò)率二者之間的關(guān)系，擬合出二者的關(guān)系曲線。

8.3主要內(nèi)容大氣輻射傳輸是指電磁波在大氣介質(zhì)中的傳播輸送過(guò)程。這一過(guò)程中，由于輻射能與介質(zhì)的相互作用而發(fā)生吸收和散射，同時(shí)大氣也能發(fā)射輻射。大氣中吸收太陽(yáng)輻射的主要成分是O2、O3、水汽、CO2、CH4等。

散射作用(瑞利散射、米散射、無(wú)選擇性散射)的強(qiáng)弱取決于入射電磁波的波長(zhǎng)及散射質(zhì)點(diǎn)和大小。

常用的輻射傳輸模型：6S模型、LOWTRAN模型、MODTRAN模型、Fascode模型、FLAASH模型。

MODTRAN(MODerate spectral resolution atmospheric TRANsmittance algorithm and computer model)，即中等光譜分辨率大氣透過(guò)率即輻射傳輸算法和計(jì)算模型，它是由美國(guó)空軍研究實(shí)驗(yàn)室(US Air Force Research Laboratory , AFRL)與光譜科技公司利用FORTRAN語(yǔ)言聯(lián)合開發(fā)的，是對(duì)LOWTRAN模型逐漸的改進(jìn)。主要應(yīng)用于大氣透過(guò)率、地表溫度等模擬。可計(jì)算0.2μｍ到100μm范圍內(nèi)的光譜頻段，并且其光譜分辨率達(dá)到2cm-1，在輻射傳輸模擬上得到廣泛應(yīng)用。

8.4結(jié)論及改進(jìn)方向

本文研究了紅外輻射過(guò)程中的大氣透過(guò)率，分析了影響大氣透過(guò)率的大氣分子吸收和氣溶膠衰減，著重研究了幾個(gè)典型的因素對(duì)大氣透過(guò)率的影響?？梢钥闯?#xff0c; 在大氣傳輸過(guò)程中，路徑長(zhǎng)度越遠(yuǎn)，透過(guò)率越小。通過(guò)外場(chǎng)的紅外測(cè)溫實(shí)驗(yàn)研究了距離對(duì)大氣透過(guò)率的實(shí)際影響。因?yàn)榧t外熱像儀的視場(chǎng)、被測(cè)物體溫度與環(huán)境溫度的對(duì)比和大氣厚度都將會(huì)隨著測(cè)量距離的改變而改變。所以仿真得到的大氣透過(guò)率與實(shí)際測(cè)溫過(guò)程中的大氣透過(guò)率不盡相同。進(jìn)一步找出了二者之間的關(guān)系， 通過(guò)理論擬合出一條曲線，通過(guò)該結(jié)果可以找出實(shí)際測(cè)溫結(jié)果與仿真結(jié)果的誤差， 對(duì)于研究紅外測(cè)溫具有重要的指導(dǎo)意義。

6S安裝配置py6S

步驟一 安裝6S安裝minGW的包WINDOWS系統(tǒng)需要下載UNIX工具，因?yàn)橹笮枰獙?duì)makefile文件進(jìn)行編譯，這里需要下載make和tar兩個(gè)工具并安裝安裝FORTRAN編譯器，根據(jù)文章的解釋，FORTRAN77是有悠久歷史的語(yǔ)言，新的FORTRAN編譯器未必能起到很好的支持，因此下載老版本FORT99.zip解壓以后，將文件夾下的G77復(fù)制到C盤根目錄

環(huán)境變量配置，右鍵“我的電腦”-》“更改設(shè)置”-》“高級(jí)”-》“環(huán)境變量”，在系統(tǒng)變量中，找到path，添加上兩個(gè)路徑(以自己實(shí)際路徑為準(zhǔn))

下載6SV1.1(Py6S模塊暫時(shí)不支持更高版本)并解壓編輯makefile文件，用記事本打開makefile，找到結(jié)尾附近的 -lm 并刪除。

編譯6S模型。以管理員身份打開cmd，打開6S模型所在的目錄(即解壓后.f文件所在的文件夾)，在cmd中定位至此目錄并輸入 make 進(jìn)行編譯。編譯成功后得到的sixsV1.1文件就是sixsV1.1.exe。

測(cè)試是否安裝成功。cmd中在此目錄下輸入 sixsV1.1 < ..\Examples\Example_In_1.txt 并執(zhí)行，如果出現(xiàn)類似下面的結(jié)果

步驟二 安裝Py6S直接在cmd里 pip install Py6S ，注意先將pip源更改至國(guó)內(nèi)鏡像，可以顯著提升下載速度如果Py6S的部分依賴包安裝失敗可以嘗試先下載該依賴包的離線包先離線安裝將編譯成功的sixsV1.1重命名為sixs.exe放在 C:\Windows\System32 路徑下

測(cè)試是否安裝成功。打開你的Pycharm 或者其它工具 執(zhí)行下面的代碼

from Py6S import *

SixS.test()

結(jié)果如圖所示

編譯成功，可以使用。

總結(jié)

以上是生活随笔為你收集整理的卷积云神经网络_2018.10的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。