HHT在激光云高儀后向散射信號處理中的應用(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處理中的應用[J]. 紅外與激光工程, 2012, 41(2):397-403.

1.2主要思想

根據半導體激光云高儀后向散射信號的特點，基于希爾伯特-黃變換(HHT)提出了一種突出后向散射信號細節特征的處理方法。該方法有效地發揮了HHT對非線性、非平穩信號處理的能力，從原始后向散射信號中分別重構出初步去噪項和信號趨勢項并實現二者的結合，從而生成全新的經特征突出的后向散射信號。大量實驗數據分析證明，該特征突出方法利用了 EMD 分解和重構濾波的優勢，摒棄了其去噪同時削弱有用信號、忽略細節特征的缺陷，適用于云高儀后向散射信號處理；配合相應的后向散射參數反演方法，可以有效提高云高識別能力和垂直能見度反演的精度，降低了云高誤報和漏報率。

注：引自《用于激光云高儀的微分增強云檢測方法》，“激光云高儀實質是一種發射功率比較低的激光雷達，由于云體內部有較多的水分子(三種相態均有可能)，當激光到達云體后，激光云高儀接收到的回波功率將會突然的增強。采取一定的算法提取回波功率突然增強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的準確度。”

1.3主要內容鄭發泰等提出了基于EMD的激光雷達大氣后向散射信號降噪信號處理方法，該方法利用EMD對后向散射信號進行了分解和重構，并觀察了散射回波的希爾伯特譜，經驗證，有一定去噪效果。

陳東方等提出了類似的基于EMD消除瞬態散射回波中的高斯白噪聲的方法，經過人工合成瞬態回波驗證，也能有效去噪。

劉增東等同樣利用EMD對米散射激光雷達信號進行了多尺度分解和重構，通過直接去除低階IMF的方法來達到去噪的目的。這些方法無一例外都是直接使用HHT中的部分或全部步驟對信號進行分解和重構，往往致力于提高參數反演前的后向散射信號信噪比。

HHT由兩部分組成：EMD和Hilbert譜分析(HSA)，這種方法對于非線性 和非平穩數據分析是潛在可行的，尤其是時頻能量描述，已得到全面測試和驗證。

1.4結論及改進方法

基于HHT的后向散射信號細節特征突出的新方法，有效發揮了HHT對非線性非平穩信號處理的能力，從原始后向散射信號中分別重構出初步去噪項和信號趨勢項，并實現二者的結合

，生成全新的經特征突出的后向散射信號。大量實驗數據分析證明，該特征突出方法利用了EMD分解和重構濾波的優勢，摒棄了其在去噪同時削弱有用信號、忽略細節特征的缺陷，適用于云高儀后向散射信號處理；配合相應的后向散射參數反演方法，可以有效提高云高識

別能力和垂直能見度反演的精度，可以降低云高誤報/漏報率。

三維卷積神經網絡模型聯合條件隨機場優化的高光譜遙感影像分類

2.1引用方式

李竺強,朱瑞飛,高放,孟祥玉,安源,鐘興.三維卷積神經網絡模型聯合條件隨機場優化的高光譜遙感影像分類[J].光學學報,2018,38(08):404-413.

2.2主要思想

高光譜遙感影像分類通常基于地物光譜特征，但影像中同時還存在豐富的空間信息。空間信息的有效利用能顯著提高圖像分類效果。因其具有的特殊結構，卷積神經網絡(CNN)已成功地應用在圖像分類領域，對二維圖像分類具有很好的效果。如何通過深度學習并結合空間光譜信息來提高分類性能是一個關鍵問題。結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分類的深度學習三維卷積神經網絡模型(3D-CNN)，并在初始分類的基礎上利用多標簽條件隨機場進行優化。選取三個通用公開高光譜數據集(IndianPines數據集、PaviaUniversity數據集、PaviaCenter數據集)進行測試，結果表明分類優化后精度得到很大提升，總體精度可達98%，Kappa系數達到97.2%。

2.3主要內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，獲得很多窄的連續的光譜影像數據的技術。

傳統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。對于波段數量巨大的高光譜數據來說，這些方法需要依賴大量樣本去訓練，時間成本很大。

近年來出現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(SVM)分類器；二是半監督分類，即將半監督學習引入到遙感影像分類中，在已知類別標記的訓練樣本不足的情況下，將未知類別的樣本引入訓練過程；三是字典學習，即受矢量量化思想啟發，利用稀疏表示模型，將高光譜的每個光譜向量表示為字典中訓練樣本的稀疏線性組合，再將其應用于高光譜圖像的分類。

Zhao等利用深度學習多尺度二維CNN(2D-CNN)對高光譜遙感影像進行深度表達并融合多波段光譜信息進行分類，但需要設計不同的特征提取尺度，對于不同形狀類型目標地物可能會使特征區混淆。

2016年，劉大偉等利用深度學習的常用模型——深度信念網絡對高分辨率影像進行分類，相比傳統的SVM方法 更能夠提高分類的準確度。

Mou等提出了一種利用遞歸神經網絡(RNN)對高光譜影像分類的方法，展示了深度遞歸網絡在未來遙感影像分類中的巨大潛力。

與RNN相比，2D-CNN最顯著的優點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應用于高光譜圖像，需要對網絡中每個二維輸入進行卷積，每一個光譜波段都有一組需學習的卷積核。

2.4結論及改進方法

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題，提出了3D-CNN-CRF算法，通過重新設計3D-CNN模型架構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，聯合多標簽條件隨機場算法，對分類進行全局優化。方法的穩健性較強，無需刻意調整參數即可達到較高的分類精度。

對公共高光譜數據集的測試結果表明，3D-CNN-CRF算法提供了一個簡單高效的方法來實現高光譜影像的光譜－空間特征提取，并且3D-CNN模型是一個輕量級、泛化能力強、收斂速度快的CNN模型。算法的最終總體精度可達98%，優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鍵在于充分利用地物輻射光譜信息，并提取區別性大、更有代表性的空間－光譜特征。在未來的研究工作中，一方面計劃在3D-CNN中融合多個尺度卷積核，對特征進行自適應學習以進一步提升分類性能；另一方面考慮采用GPU并行技術來實現并行卷積網絡訓練，減少運算時間，提高算法效率。

在卷云的橫向邊界上的光學性質和延波輻射(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

通過對云霧激光雷達和紅外探路者衛星觀測的云霧激光雷達的觀測，發現了卷云中窄、可見側邊界層的共同特征。在這一層在云的邊緣附近，激光雷達反向散射、去極化率、冰水含量、冰粒子的有效半徑以及云的光學深度都急劇下降。由于其極微小的光學深度(小于0.3)，傳統的衛星被動光學傳感器可能會錯過這樣的卷云橫向邊界層。

3.3主要內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，獲得很多窄的連續的光譜影像數據的技術。

3.4結論及改進方法

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

一個狹窄(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別出在532和1064 nm的范圍內的反向散射。與這個邊界層相關聯的小光學深度(<0.3)使它很難被衛星的被動光學傳感器探測到，比如MODIS。激光雷達反散射強度、冰水含量、冰粒子的有效半徑，以及光學深度，都從卷云的主體到邊界層的云層邊緣急劇下降。隨著環境溫度的升高，邊界層的寬度減小，表明這些現象是由升華過程控制的。

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

在卷云的橫向邊界上，相關的延波輻射強迫約為10 w/m2。無論是衛星觀測還是GCM模型模擬，都沒有考慮到在編制全球輻射能時的這種效應。根據一個非常保守的估計，這個卷云的橫向邊界引起的射頻偏差在全球范圍內至少是0.0047 w/m2它與其他公認的輻射因子相比較包括持續的線形狀的航跡云和航空引起的云量

這是第一個研究卷云和晴空之間的界面的研究。盡管在觀測、建模和知識方面存在不確定性和局限性，但這些發現對于了解近卷云環境中的微物理變化及其對全球輻射能量平衡的影響的潛在重要性，使其值得進一步深入研究。需要對多個區域和更長的時間周期進行更詳細、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迫效應。

基于改進的全卷積神經網絡的資源三號遙感影像云檢測

4.1引用方式

4.2主要思想

資源三號測繪衛星獲取到的數據在進行傳感器校正產品的生產之前，需要剔除云量覆

蓋過大的影像，以減輕生產負擔， 提高生產效率。針對于資三衛星影像波段較少，光譜范圍受限的問題，本文提出了基于改進的深度學習全卷積神經網絡的資三遙感影像云檢測方法。首先，通過專業的目視解釋法制備大量云區檢測訓練樣本，為防止過擬合，對實驗數據集進行正則化。然后，將預訓練過的深層卷積神經網絡 vgg16 的全連接層改為全卷積層，采用反卷積方法對網絡中卷積層的特征圖進行上采樣以獲取 FCN-8s 的輸出結果， 保證輸入影像與輸出影像尺寸相同。為了獲取更快的訓練過程以及更準確的實驗結果， 對 FCN-8s 網絡結構進行優化改進， 并采用 Adam 梯度下降法加速收斂。最后，用資源三號云區影像數據集對網絡進行訓練及驗證，將上采樣后的影像特征輸入 sigmoid 分類器進行分類。實驗結果表明，基于改進的全卷積神經網絡云區檢測方法在檢測精度和檢測速度上均優于傳統云區檢測方法， 實驗準確率可達 90.11%，單張影像檢測速度可縮短至 0.46s。

4.3主要內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題導致影像局部模糊不清，甚至存在“盲區”，極大地影響了對地觀測和地標提取。資源三號測繪衛星的數據在進行傳感器校正產品的生產之前，需要剔除云量覆蓋過大的影像，以減輕生產負擔，提高生產效率。

目前，遙感影像的云區檢測方法多樣，但主要是利用可見光或近紅外光譜閾值法進行云檢測，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行分離,此方法計算簡單，檢測效率高，缺點是當地面覆蓋了冰、雪、沙漠或云為薄卷云、層云和小積云時，很難將云和地面區分開來，因為大部分光譜方法只適用于特定的場景或是識別不同的云。

趙曉利用模糊C均值聚類方法通過最小化目標函數完成樣本迭代聚類，利用 SVM 聚類法進行類屬判別，該方法在實驗過程中擁有了先驗知識可以獲得較好的分類結果，但是該方法需要人為干預極大影響檢測效率。

CNN本質上是一個多層感知機， 受生物神經學知識啟發并結合人工神經網絡。 采用局部連接和權值共享的方式使得網絡易于優化，卷積層數越深，感受域范圍越大， 越能學習到更為抽象的影像特征。

陳洋利用 CNN 解決遙感影像云檢測，有效的解決了由于資三衛星影像波段少，光譜范圍受限而導致的閾值法檢測效果不佳的問題，但該方法只能獲得云檢概率圖，不能實現像素級的影像輸出。

4.4結論及改進方法

基于改進的全卷積神經網絡的云區檢測算法彌補了傳統算法的不足，將云區檢測定位準確率提高至 90.11%，基本還原了輸入影像的細節信息。 該算法可處理任意尺寸大小的輸入影像，實現端到端的像素級檢測能力。針對全卷積神經網絡訓練過程繁瑣、收斂效果較差、訓練時間漫長且云檢結果精度較低等問題，本文算法均進行了優化改進。 并解決了傳統云檢算法難以識別薄云區域、實驗過程需要人工選點、無法批量生產等問題， 將單張影像檢測時間縮短至 0.46 秒， 計算機自動化處理避免了人為干預，極大的節省了國產資源三號衛星影像質量檢查與數據分發的時間，提高了工作效率。然而，本文提出的云區檢測算法還存在很多不足，例如對于薄霧的識別率較低、對于具有相同光譜和紋理特性的雪覆蓋區域無法區分等。隨著深度學習理論的不斷深入， 筆者下一步將致力于解決以上問題。

動態閾值云檢測方法改進及高分辨率衛星應用

5.1引用方式

5.2主要思想

基于先驗地表反射率數據庫支持的動態閾值云檢測算法(UDTCDA)可以顯著提高衛星數據的云檢測精度。 為進一步提高其在波段相對較少的高空間分辨率衛星數據云檢測應用中的精度， 本文改進了UDTCDA 算法中先驗地表反射率數據與待檢測衛星數據的空間匹配方法。與原方法使用重采樣達到空間分辨率一致不同，該方法根據待檢測影像高空間分辨率的特點，采用逐像元空間地理坐標配準的方法與真實地表反射率數據進行配準， 進行云像元檢測。該方法保留了高分辨率影像的空間分辨率優勢，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、高分一號、高分二號和高分四號四種近期發射的高分辨率衛星數據開展了云檢測實驗。通過遙感目視解譯的方法對本文結果進行精度驗證并和原UDTCDA 云識別結果進行了對比分析， 結果表明， 改進后的算法能以較高精度識別不同高分辨率衛星影像中的云，總體精度達到 93.92%，尤其對于碎云和薄云具有整體較高的識別精度， 漏分誤差和錯分誤差分別低于 10.40%和 9.57%。

5.3主要內容其中固定閾值法是應用比較廣泛、成熟的云檢測方法， 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別云像元。該方法具有容易實現且效率和精度相對較高的特點。目前已經發展了多種典型的閾值法云檢測方法，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，在不同的波段設定固定的閾值實現云與大部分地表的分離。但由于地表結構的復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別困難。

當衛星傳感器波段較少時，難以提供足夠的信息來確定云與典型地表的輻射差異，導致云像元的識別精度較低。針對該問題， Sun 等提出了一種先驗地表反射率數據庫支持的動態閾值云檢測算法(Universal Dynamic Threshold Cloud Detection Algorithm， UDTCDA)。

該算法以現有的高質量地表反射率產品作為支撐，輔助識別有云像元，其優點是：(1)由于背景反射率已知，閾值設定有了針對性，可以有效提高不同地表背景上空的云(尤其是薄、碎云)的識別精度；(2)僅利用少數可見光及近紅外波段便可實現遙感影像的云識別，在波段較少的衛星傳感器的云識別中具有獨特的優勢。由于大部分高分辨率衛星傳感器波段較少，且波段集中在可見光到近紅外等波長范圍內，云檢測可利用的波段范圍有限。

研究表明，在特定的觀測條件和大氣環境背景下，衛星測得的表觀反射率與真實地表反射率具有明顯的函數關系。因此，該算法綜合考慮了衛星觀測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系， 通過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關系，構建出不同光譜通道的動態閾值云檢測模型。該方法能夠有效降低混合像元的影響，提高對不同地區上薄碎云的識別能力，降低了在高亮地表上云識別的不確定性，具有整體較高的云識別精度。

類似地，本文首先利用 6S 模型模擬了在不同觀測和大氣條件下，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系。假設如果待檢

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

則認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幾何的函數：

式中

為模擬得到云的表觀反射率閾值，

為地表反射率，由先驗地表反射率計算得到，

和

分別為太陽天頂角和衛星天頂角，a，b，c為模型的三個系數，可通過最小二乘法擬合得到。 只有在四個通道都被判定為潛在云像元時，該像元才最終被確定為云像元。表1 給出了不同陸地觀測衛星不同通道的動態閾值計算模型的參數。

5.4結論及改進方向

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

算法的基礎上采用空間配準的方式實現了非同源影像的配準，既實現了衛星影像與地表反射

率數據集的準確配準，又保留了原始影像的空間尺度。 然后， 將改進的算法應用到多種高分辨率衛星數據上進行云檢測實驗，使用目視解譯結果進行了精度驗證， 并與 UDTCDA 云檢測結果進行了對比。

結果表明，改進后的算法在國產系列衛星云識別中能夠取得較好的識別效果。與之前UDTCDA 云檢測結果相比，該算法大幅度提高了碎云、薄云和云邊緣的識別準確度。 精度驗證結果表明，本文算法能夠較好地適用于不同國產陸地觀測衛星的云識別，其中對 ZY3、GF-1 WFV、GF-1 PMS、GF-2 和 GF-4 衛星的平均云檢測精度分別為 96.32%、94.04%、96.31%、85.98%和 93.92%，整體云識別精度大于 85%，漏判和錯判現象相對較少，兩種誤差整體分別低于 9.57%和 10.40%。改進后的云識別算法對不同下墊面上空不同云類型均能夠取得較好的識別效果， 對植被和濕地等低反射率地表上空的云層，具有整體較高的識別精度(OA>88%)，同時，對于高亮地表(裸土、城鎮和沙漠等)上空的云識別平均精度約為83%，漏判現象整體較少。驗證和對比結果表明，本文云檢測算法對高分辨率衛星數據具有較強的適應性，可以用于該系列數據的云檢測業務化運行。但仍存在以下不足：(1)受限于地表反射率數據集的精度，由于自然或人為原因造成的地表反射率變化明顯地區或崎嶇復雜地形地區，算法的適用性降低；(2)數據間的配準誤差，在河流、海岸線與陸地交界等地區，容易產生誤判現象。

高分四號衛星數據云和云陰影檢測算法

6.1引用方式

6.2主要思想

高分四號衛星(GF-4)是我國研制的首顆地球同步高分辨率光學成像衛星，具有高時間分辨率和較高的空間分辨率，開辟了我國高軌高分辨率對地觀測的新領域。本文針對高分四號衛星數據的特點，提出一種光譜分析與幾何算法相結合的云和云陰影檢測算法。使用幾何校正和輻射定標后的高分四號影像，基于云與典型地表的光譜特征采用光譜差異分析技術識別出潛在云像元，根據有云地物和無云地物的光譜變化率差異計算云概率；由云和云陰影的幾何關系，結合傳感器參數識別出云陰影的投影帶，然后根據陰影的光譜特征在投影帶中設定基于影像的動態閾值，用于檢測云陰影。該算法能較好的識別薄云，而且顯著提高了云陰影的檢測精度。采用目視解譯法進行了精度驗證，發現不同區域類型的云像元識別位置準確，形狀完整；將本文提出的檢測云陰影的方法與云和云陰影匹配法對比，發現該方法識別的云陰影更為精確。

6.3主要內容

太陽同步衛星：太陽同步衛星就是通過地球南北極的衛星軌道平面，每天向東移動0.9856度,這個角度正好是地球繞太陽公轉每天東移的角度。

引自百度百科：

GF-4 衛星是我國研制的一顆地球靜止軌道高分辨率光學成像衛星，搭載一臺大口徑面陣凝視光學遙感相機，該相機在可見光、近紅外和中紅外波段共設置 6 個通道，衛星星下點的像元分辨率在可見光波段可達 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星。 GF-4 衛星中波紅外重復觀測間隔只需要 1s，可見光近紅外通道單譜段連續成像間隔只需 5s，具有較高的時間分辨率，它所具有的多種成像模式可以實現對目標的凝視、巡航和追蹤。 GF-4 號衛星的發射代表了我國靜止軌道高分辨率對地觀測技術的最高水平。其高空間分辨率、高頻次觀測以及多光譜信息獲取的特征，可以在氣象、環保、災害監測等領域發揮重要作用。而云和云陰影的存在則顯著降低了該數據的使用效率和精度。

目前的云檢測方法包括閾值法、 輻射傳輸法和深度學習法等。其中閾值法由于使用簡單，效率較高，而得到了廣泛的應用。閾值法主要采用云和晴空像元之間的光譜差異來識別有云像元。在閾值法中，閾值的選取是影響云識別結果的關鍵因素。

云陰影在遙感影像上表現為反射率較低的特點，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系。目前針對太陽同步衛星的云陰影檢測的主要方法有閾值法、幾何法和時間序列法。閾值法是基于組分光譜差異的分析技術，進行波譜分析和特征通道選擇，使用一個或多個波段或者衍生度量進行云陰影檢測。

李炳燮等用不同年份同一季節的無云數據，根據每個波段的光譜特征的相對變化，提出一種厚云陰影地域增強模型進行云陰影檢測，該方法適用于厚云陰影區域的云陰影檢測，但容易漏判薄云陰影。幾何法的基本思想是基于太陽方位角、太陽天頂角及云高等幾何關系識別云陰影。

Knudby 等人提出用預測的云頂亮溫與晴空預期亮溫之間的差值比上垂直溫度遞減率來估算云高，在此基礎上，由投影和幾何關系估算云陰影。

Zhu 等人提出將潛在云層分割為3D云對象，由亮溫和溫度下降率估算云底高度，設定合適的步長對云高迭代，將每個高度的云的陰影與 Flood-fill 識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。由于云成分的復雜性，用亮溫估算云高具有很大的不確定性。時間序列法是基于晴空條件下像元地表反射率與時間的函數關系來確定相應的云陰影像元。

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據來源于 ASTER 光譜庫。云和云陰影的反射率數據來源于機載可見光紅外成像光譜儀 AVIRIS(Airborne Visible Infrared Imaging Spectrometer)。可以看出，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系，由于云層的遮擋，太陽輻射無法全部到達地面，因而形成較暗的陰影區。由于近紅外波段的透過率高于可見光波段的透過率，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。植被在藍光和紅光波段有一個吸收谷，在綠光波段形成一個小反射峰，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隨著波長的增加逐漸降低。土壤的反射率在可見光和近紅外波段隨著波長的增加而明顯增大。沙漠地區以及巖石的反射率總體較高。

6.4結論及改進方向

高分四號遙感衛星是我國首個民用高分辨率光學衛星， 也是世界上分辨率最高的地球靜止軌道衛星， 由于 GF4 的波段較少， 云和云陰影檢測面臨著較大的困難。 本文根據 GF4 衛星傳感器的參數特征，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別 GF4 影像中的云，并采用光譜分析和幾何算法相結合的方法識別影像中的云陰影。 在有云像元的識別上， 運用可見光和近紅外波譜特征識別出潛在的云像元，使用亮度概率和光譜變化率組合分別產生水上和陸地上的云概率。 在云陰影的識別上， 根據云和云陰影的幾何關系，結合傳感器視角和太陽方位角估算云陰影的位置， 由基于場景的動態光譜閾值識別出云陰影像元。

通過對檢測結果和目視解譯的對比，發現對不同云型的云像元均有較高的檢測精度； 定量分析結果顯示，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。 通過將本文提出的方法與基于云和云陰影匹配檢測云陰影的方法進行對比，發現本文提出的動態光譜閾值法檢測出的云陰影形狀更加完整，位置更加準確。

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

1) 由于 GF4 波段較少，沒有有效的識別冰雪的波段，因此未對冰雪區域的云及陰影進行檢測；

2) 遙感影像中的云和云陰影是個非常復雜的存在，由于GF4的波段較少，可利用的信息受限， 對于部分薄云及其陰影，仍無法被檢測出來。未來的研究中可以利用 GF4 高頻次觀測的特點， 考慮采用多時相信息進一步完善云及陰影的檢測。

光學遙感衛星影像云檢測方法及應用

7.1引用方式

[1]康一飛. 光學遙感衛星影像云檢測方法及應用[D].武漢大學,2018.

7.2主要思想

光學遙感衛星影像的云檢測對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用價值。本文提出了針對光學遙感衛星影像的云檢測方法，主要創新點總結如下：提出了一種基于高斯混合模型的單幅衛星影像云檢測方法，實現了影像中云層范圍的快速檢測和自動識別；

提出了基于Gabor特征的視覺顯著性分析和公眾地理數據輔助的云檢測結果優化方法，排除了人工目標和積雪等高亮區域，有效提升了云檢測的查準率；

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

7.3主要內容光學遙感衛星影像及衍生產品已經廣泛應用于導航定位、農業調查、環境保護、防災減災、海洋開發、城鎮化研究等領域，給地理國情普查工作、國土資源“一張圖”工程建設、“一帶一路”戰略實施等提供了重要的決策支持和信息保障。

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

國際衛星云氣候學計劃(InternationalSatelliteCloudClimatologyProject，ISCCP)提供的數據顯示，全球范圍內平均云覆蓋率約為67%。

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

陳渭民. 衛星云圖觀測原理和分析預報[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)根據云層底部的高度，將其分為高云、中云和低云3族。再根據云的結構特點、排列情況、透光程度、附從云及演變情況等，進一步分為10屬29類。如表1-3所示。

云的形成原因及過程決定了其基本形態，僅根據形態進行區分，又可把云歸納為積狀云、層狀云和波狀云3大類：

①積狀云：由大氣中的對流運動產生，上升氣流中水汽凝結生成云，有上升氣流的同時也存在下降氣流，又稱對流云。包括積云、積雨云等。表現在光學遙感衛星影像上，對流云多數是局部的、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高度以上時水汽凝結、凝華而生成的云。包括雨層云、高層云、卷層云等。表現在光學遙感衛星影像上，層狀云連片存在、面積大、厚薄均勻、邊緣可見云影；

③波狀云：由于大氣波動作用產生，上升氣流區水汽凝結成云，下沉氣流區相對濕度變小，無法成云，因此呈現波狀。包括．高積云、層積云、卷積云等。表現在光學遙感衛星影像上，波狀云厚薄不一、連片存在且時有云縫，沒有云影；

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

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。可以看出，水、土壤、植被等物體反射率低，與云有著比較明顯的區分度；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景；新雪和厚云的反射率最高。此外還可以發現，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)。考慮到衛星遙感影像是俯視成像，呈現在影像上的均為云頂，則可認為云的相對高度普遍在500~10000米之間。而無論是植被、冰蓋還是人工建筑物，都幾乎不存在相對高度大于500米的地表物體。鑒于此，相對高度是區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分割算法，可得到亞像素級精度的檢測結果，并可有效控制誤檢的數量。相對于傳統的基于廣義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勢。

全球冰川分布圖，由美國冰雪數據中心(NationalSnowandIceDataCenter，NSIDC)發布，該中心是由美國航空宇航局(NationalAeronauticsandSpaceAdministration，NASA)、美國國家海洋和大氣局(NationaOceanicandAtmosphericAdministration，NOAA)等組織建立的數據中心，提供全世界冰川等地理信息方面的資料，支持數據庫檢索，可公開下載。它的資料采集于實地勘測、光學傳感器、高光譜傳感器等眾多方式，每隔一段時間會發布一個新的版本，不同年份和季節的冰川分布有細微的不同，以矢量(Shapefile)文件的形式存儲，采用WGS84(WorldGeodeticSystem1984)坐標系統。

Landsat-8衛星是美國于2013年2月發射的一顆地球觀測衛星，它是陸地衛星數據連續性任務(LandsatDataContinutyMission)的第8顆衛星，該任務由美國航空宇航局和美國地質調查局(UnitedStatesGeologicalSurvey，USGS)合作完成。Landsat-8上攜帶有兩個主要載荷：陸地成像儀(OperationalLandImager，OLI)和熱紅外傳感器(ThermalInfraredSensor，TIRS)。其中OLI包括9個波段，成像寬幅為185千米，空間分辨率為30米，包括一個15米的全色波段；TIRS包括兩個波段，空間分辨率為100米。詳細參數參見表。

Landsat-8影像采用16比特量化，較之于10比特量化的國產光學遙感影像，不同地物之間的亮度差異在影像上表現的更加明顯。且光譜探測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，大大降低了云檢測的難度(徐涵秋等，2013)。

對比來看，以立體像對為輸入條件，Wuetal.(2016)提出了一種基于密集匹配技術的云檢測算法，其思想可總結為：首先對立體像對執行密集匹配，生成DSM，然后將DSM與SRTM或其他己有的DEM數據做對比，若二者存在非常明顯的高程差異，則將此位置認定為云。對于厚云，此算法一般可取得較好的檢測結果。但相對于本章提出的算法，該算法的不足之處主要體現在：

①無法區分大面積層狀云和雪山：這是由于層狀云和雪山均呈現連片的白色，紋理很弱，無法生成對應區域的DSM，或生成的DSM中存在嚴重的誤差，在后續與SRTM的比對中，會呈現出“虛假”的高程差異；

②無法檢測透光的薄云：這是由于薄云不會完全遮蔽地表，在地表紋理可見的情況下，通過密集匹配得到的DSM會與真實地形接近一致，在后續與SRTM的對比中，無法呈現出明顯的高程差異；

③更多的輸入條件限制：它要求輸入像對成像夾角足夠大(一般大于15°)，用以構成立體像對，還要求輸入SRTM或其它已有DEM資料。而本章算法僅需要像對成像夾角大于5°即可。若將云在多視角成像的影像中看作移動的目標，則還可用運動目標檢測領域中常用的光流法實現云層的提取。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進而還原運動矢量的過程(Ｓｚｅｌｉｓｋｉ，２０１０)。Ｆｉｓｃｈｅｒｅｔａｌ．(２０１５)介紹了一種基于卷積神經網絡的稠密光流估計方法。實驗發現，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；但當云層移動的同時伴隨著云層形狀變化時，該方法便會出現誤檢，如圖。

(光流法是一個值得研究的方面，應該通過實驗檢驗相應的效果)

7.4結論及改進方向

紅外輻射大氣透過率影響因素的研究

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

大氣傳輸是紅外測溫過程中不可忽視的一個重要問題。研究大氣傳輸最主要的是計算大氣透過率。在 MODTＲAN 軟件基礎上，分析了 8～12 μm 波段多種關鍵因素對紅外傳輸大氣透過率的影響，研究了其變化規律。結果表明初始高度、邊界層氣溶膠、路徑長度、波數間隔等對大氣透過率都有一定的影響。其中路徑長度對大氣透過率的影響相對明顯。通過外場測溫實驗，進一步研究路徑長度對測溫精度的影響，得出實際測溫過程中的衰減率。比較分析仿真得到的大氣透過率與實驗測得的大氣透過率二者之間的關系，擬合出二者的關系曲線。

8.3主要內容大氣輻射傳輸是指電磁波在大氣介質中的傳播輸送過程。這一過程中，由于輻射能與介質的相互作用而發生吸收和散射，同時大氣也能發射輻射。大氣中吸收太陽輻射的主要成分是O2、O3、水汽、CO2、CH4等。

散射作用(瑞利散射、米散射、無選擇性散射)的強弱取決于入射電磁波的波長及散射質點和大小。

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率即輻射傳輸算法和計算模型，它是由美國空軍研究實驗室(US Air Force Research Laboratory , AFRL)與光譜科技公司利用FORTRAN語言聯合開發的，是對LOWTRAN模型逐漸的改進。主要應用于大氣透過率、地表溫度等模擬。可計算0.2μｍ到100μm范圍內的光譜頻段，并且其光譜分辨率達到2cm-1，在輻射傳輸模擬上得到廣泛應用。

8.4結論及改進方向

本文研究了紅外輻射過程中的大氣透過率，分析了影響大氣透過率的大氣分子吸收和氣溶膠衰減，著重研究了幾個典型的因素對大氣透過率的影響。可以看出， 在大氣傳輸過程中，路徑長度越遠，透過率越小。通過外場的紅外測溫實驗研究了距離對大氣透過率的實際影響。因為紅外熱像儀的視場、被測物體溫度與環境溫度的對比和大氣厚度都將會隨著測量距離的改變而改變。所以仿真得到的大氣透過率與實際測溫過程中的大氣透過率不盡相同。進一步找出了二者之間的關系， 通過理論擬合出一條曲線，通過該結果可以找出實際測溫結果與仿真結果的誤差， 對于研究紅外測溫具有重要的指導意義。

6S安裝配置py6S

步驟一 安裝6S安裝minGW的包WINDOWS系統需要下載UNIX工具，因為之后需要對makefile文件進行編譯，這里需要下載make和tar兩個工具并安裝安裝FORTRAN編譯器，根據文章的解釋，FORTRAN77是有悠久歷史的語言，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復制到C盤根目錄

環境變量配置，右鍵“我的電腦”-》“更改設置”-》“高級”-》“環境變量”，在系統變量中，找到path，添加上兩個路徑(以自己實際路徑為準)

下載6SV1.1(Py6S模塊暫時不支持更高版本)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 進行編譯。編譯成功后得到的sixsV1.1文件就是sixsV1.1.exe。

測試是否安裝成功。cmd中在此目錄下輸入 sixsV1.1 < ..\Examples\Example_In_1.txt 并執行，如果出現類似下面的結果

步驟二 安裝Py6S直接在cmd里 pip install Py6S ，注意先將pip源更改至國內鏡像，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

測試是否安裝成功。打開你的Pycharm 或者其它工具 執行下面的代碼

from Py6S import *

SixS.test()

結果如圖所示

編譯成功，可以使用。

總結

以上是生活随笔為你收集整理的卷积云神经网络_2018.10的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。