終于把夜光遙感數(shù)據(jù)處理的事情做的差不多了。接著前幾天講的，今天介紹一下DMSP傳感器之間相互校正的處理。DMSP不同傳感器之間相互校正是基于偽不變區(qū)域作為標準區(qū)域，選擇累計DN值最高的數(shù)據(jù)作為參考數(shù)據(jù)，但是由于F182010年數(shù)據(jù)存在突變，所以目前一般使用F16傳感器2006年的數(shù)據(jù)作為標準參考數(shù)據(jù)，對相鄰前后年份傳感器的數(shù)據(jù)進行更迭校正(34期數(shù)據(jù)均進行校正)。本人在處理過程中偷了個懶，因為是傳感器之間的校正，所以默認某一類傳感器是穩(wěn)定的，同時不同傳感器之間有重復年份的數(shù)據(jù)，利用重復年份數(shù)據(jù)構(gòu)建一個訓練集，其中待校正的傳感器的所重復的不同年份的DN值作為X，參考傳感器所重復的不同年份的DN值作為Y，實現(xiàn)傳感器之間的校正。當然參考傳感器依然選擇F16傳感器。舉個例子說明把，F16和F15傳感器重復年份的數(shù)據(jù)為2004—2007年4年的數(shù)據(jù)，因此就可以利用這四年數(shù)據(jù)構(gòu)建一個F16校正F15傳感器的模型，這個模型仍然沿用相關文獻上：

，將4年數(shù)據(jù)構(gòu)建的訓練數(shù)據(jù)集進行訓練，即可獲得模型參數(shù)。有了模型參數(shù)，對F15傳感器所有年份的數(shù)據(jù)進行校正。利用校正后的F15傳感器和待校正F14傳感器，同樣利用上述辦法，實現(xiàn)對F14傳感器的校正，重復更迭，最終實現(xiàn)所有傳感器的校正工作。這里面有個問題是F18和F16傳感器沒有重復的年份數(shù)據(jù)，這里就采用最相鄰的數(shù)據(jù)，沿用上述方法，完成F18傳感器的校正。具體實現(xiàn)如下(代碼中的jx_stable_df是前一篇文章中34期雞西市穩(wěn)定亮相元提取的結(jié)果)：

以上實現(xiàn)了F16校正F15，剩下其他傳感器的校正工作可以重復實現(xiàn)(注意的是，更迭校正時，一定是使用校正過的數(shù)據(jù)繼續(xù)校正下一個傳感器，比如F15校正后的數(shù)據(jù)，校正F14傳感器)，或者定義一個函數(shù)或者類，就不用重復執(zhí)行上述代碼了。

為了驗證傳感器校正結(jié)果的好壞，我們選擇了一個地區(qū)進行驗證，選擇2000、2005、2010年三期(說明一下：這三期數(shù)據(jù)并不是傳感校正完之后的結(jié)果，而是傳感器校正后，又進行了相同年份不同傳感器校正、時間序列連續(xù)性校正和過飽和校正，這三個工作實現(xiàn)起來相對容易，所以就不細說了)校正前后的數(shù)據(jù)，統(tǒng)計了2000、2005、2010三個年度的DN值總和，并收集了該地區(qū)的對應年度的gdp數(shù)值進行分析，左圖為校正前右圖為校正后，對比結(jié)果很明顯，校正后的夜光遙感數(shù)據(jù)與地區(qū)經(jīng)濟指標的相關性更高。

其實，我在不同傳感器相互校正過程中，考慮過模型選擇的問題，因為是第一次處理夜光遙感的數(shù)據(jù)，所以還是主要參考了相關文獻上的校正模型。但是我一直在思考兩個問題，第一個人覺得不同傳感器之間校正的過程可能是非線性的，可以嘗試利用更多的機器學習模型進行訓練，實現(xiàn)不同傳感器之間的校正工作；第二，盡可能少的通過更迭的方式實現(xiàn)不同傳感器之間的校正，校正過程存在誤差傳遞的影響，個人覺得后續(xù)是否可以利用假設的穩(wěn)定傳感器實現(xiàn)所有不同傳感器的校正工作，而省去逐級傳遞校正的這么一個過程，是否會提升校正效果？以上僅個人直言，畢竟是第一次處理，如有不妥，請包含指出。

總結(jié)

以上是生活随笔為你收集整理的python遥感数据有偿处理_地质男转行学遥感Python——DMSP数据预处理二的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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