CN119516275A 一种基于双波段融合技术的星载高光谱云层识别方法 （常州工学院）

一种基于双波段融合技术的星载高光谱云一种基于双波段融合技术的星载高光谱云层识谱校准图像中每个像元的可见光波段透过率和2根据光谱校准图像中每个像元的可见光波段透过率和近红外波段透构建真实云层光谱特征模型，利用真实云层光谱特2.根据权利要求1所述的一种基于双波段融合技术的星载高光谱云层识别方法，其特算各参考地物区域在无云大气条件下每个像元在近红外波将各参考地物区域每个像元在可见光波段的实测光谱反射率和理论光谱反射率的比将各参考地物区域每个像元在近红外波段的实测光谱反射率和理论光谱反射率的比3.根据权利要求1所述的一种基于双波段融合技术的星载高光谱云层识别方法，其特计算光谱校准图像每个像元的可见光波段透过率和近红外波段透过率的透过率差值，记为非半透明天气现象区；ATY为光谱校准图像中像元i'的可见光波段透过率和近红外波4.根据权利要求3所述的一种基于双波段融合技术的星载高光谱云层识别方法，其特获取历史云图像，以像元为单位，提取各历史云图像的半透明3计算历史云图像的半透明天气现象区内所有像元的可见光波段透过率与近红外波段5.根据权利要求3所述的一种基于双波段融合技术的星载高光谱云层识别方法，其特对无向图进行划分，获得权重和最小的割边集合，根据割边集合将半6.根据权利要求4所述的一种基于双波段融合技术的星载高光谱云层识别方法，其特提取历史云图像中云区域的光谱特征，构建真实云层的光谱特征向7.根据权利要求6所述的一种基于双波段融合技术的星载高光谱云层识别方法，其特采用滑动窗口的方式，对非半透明天气现象区的光谱校准图像进8.一种基于双波段融合技术的星载高光谱云层识别系统，其用于实现权利要求1_7中半透明天气现象区判定模块：用于根据光谱校准图像中每个像真实云层检测模块：用于构建真实云层光谱特征模型，利用真实云4[0003]授权公告号为CN103604421B的专利公开了一种基于光谱反射率特性的星载高光[0004]公开号为CN116026775A的专利申请公开了一种基于多光谱阈值的云检测方法和5[0013]计算各参考地物区域在无云大气条件下每个像元在可见光波段的理论光谱反射[0014]将各参考地物区域每个像元在可见光波段的实测光谱反射率和理论光谱反射率[0015]将各参考地物区域每个像元在近红外波段的实测光谱反射率和理论光谱反射率[0017]计算光谱校准图像每个像元的可见光波段透过率和近红外波段透过率的透过率元i'标记为非半透明天气现象区；ATY为光谱校准图像中[0021]计算历史云图像的半透明天气现象区内所有像元的可见光波段透过率与近红外6[0031]采用滑动窗口的方式，对非半透明天气现象区的光谱校准图像进行光谱特征提计算机程序被执行时实现上述的一种基于双波段融合技术的了真实云层的光谱特征模型用于云检测，该模型考虑了云在可见光和近红外波段的反射7[0041]图1为本发明中一种基于双波段融合技术的星载高光谱云层识别方法的原理流程[0042]图2为本发明的一种基于双波段融合技术的星载高光谱云层识别方法中对高光谱[0043]图3为本发明的一种基于双波段融合技术的星载高光谱云层识别方法中分别计算光谱校准图像中每个像元的可见光波段透过率和近红外波段透过率的[0044]图4为本发明的一种基于双波段融合技术的星载高光谱云层识别方法中确定差值[0045]图5为本发明的一种基于双波段融合技术的星载高光谱云层识别方法中根据半透[0046]图6为本发明的一种基于双波段融合技术的星载高光谱云层识别方法中建立真实[0047]图7为本发明中一种基于双波段融合技术的星载高光谱云层识别系统的功能模块[0050]请参阅图1所示，本实施例提供了一种基于双波段融合技术的星载高光谱云层识89[0063]步骤S1300，分别计算光谱校准图像中每个像元的可见光波段透过率和近红外波[0068]所述计算各参考地物区域内每个像元在可见光波段的实测光谱反射率的方法包22可以校正辐照度变化对[0083]各参考地物区域内每个像元在近红外波段的实测光谱反射率的获得采用与可见表真实反射率之间的差异体现了大气对光谱信号的削弱程度，是估算光谱透过率的基础。[0084]步骤S1340，计算各参考地物区域在无云大气条件下每个像元在可见光波段的理[0085]步骤S1350，计算各参考地物区域在无云大气条件下每个像元在近红外波段的理在可见光波段的理论光谱反射率，和每个像元在近红外波段的理论光谱反射率，选择MODTRAN(ModerateResolutionAtmosphericTransmission)作为辐射传输模型，该模型[0088]步骤S1360，将各参考地物区域每个像元在可见光波段的实测光谱反射率和理论[0089]步骤S1370，将各参考地物区域每个像元在近红外波段的实测光谱反射率和理论普遍克里金(UniversalKriging)进行插值，该方法考虑了区域化变量的空间相关性和空[0094]步骤S1370的处理方法与步骤S1360类似，只是将可见光波段替换为近红外波[0097]步骤S2000，根据当前光谱校准图像中每个像元的可见光波段透过率和近红外波[0099]步骤S2100，计算当前光谱校准图像每个像元的可见光波段透过率和近红外波段象区和真实云层区内的可见光波段透过率和[0102]步骤S2120，计算历史云图像的半透明天气现象区内所有像元的可见光波段透过为第一差值；i'个半透明天气现象区的修正系数，与该区域透过率差值的离散程度成反rr各区域内像元数占总像元数的比例获得，体现了各区域在整个云检测过程中的重要程度。平衡因子δ根据半透明天气现象与真实云层的判别难易程度经验设定，用于平衡两类区域[0127]沙尘等气溶胶；沙尘等气溶胶会通过散射和吸收作用对太阳辐射产生一定的衰[0128]这些半透明现象虽然对光有一定透过性，但也会对地表辐射信号产生削弱和影[0129]步骤S2140，计算当前光谱校准图像每个像元的可见光波段透过率和近红外波段值和第二差值分别度量了半透明天气现象和真实云层两类目标在可见光和近红外波段透象和真实云层在可见光和近红外波段透过率差异上的统计规律，自适应确定预设差值阈无向图中每个节点对应一个半透明天气现象候选区像元，相邻候选区像元之间存在边连[0148]步骤S3120，提取历史云图像中云区域的光谱特征，构建真实云层的光谱特征向同时提高了计算效率。优化的光谱特征集为后续的云判别模型构建提供了坚实的数据基[0155]步骤S3130，以真实云层的光谱特征向量为样本，训练生成真实云层光谱特征模阵统计了模型预测结果与参考真值的符合程度，由此可以计算出精度、召回率等指标。Kappa系数在总体精度的基础上校正了随机一致性的影响，对样本分布不平衡的情况更加稳健。[0157]对于云检测而言，就是要在云和非云光谱样本之间找到一个最大间隔的决策边[0165]SVM云检测方法可以很好地建模光谱特征的非线性复杂关系，不需要过多先验知效克服云检测中光谱特征的非线性难题。基于数据驱动的SVM方法为复杂云景的智能判读得人机交互提升检测性能的新途径。基于光谱特征的机器学习方法克服了物理建模的局动框架使得算法可以不断地从新样本中学习和迭代，自主进化出应对未知复杂场景的智域为真实云层区的概率；将所述待评估区域为真实云层区的概率与预设概率阈值进行比透明光学厚度虽然可以识别出大部分半透明天气现象，但对于光学厚度较小的真实云层，和概率阈值相结合的后处理策略，可以适应真实云层的尺度多样性和模型判别的不确定[0174]步骤S3300实现了半透明天气现象区和真实云层区检测结果的无缝集成，形成了[0176]本实施例在实施例1的基础之上，提供了一种基于双波段融合技术的星载高光谱[0188]所述分别计算光谱校准图像中每个像元的可见光波段透过率和近红外波段透过[0192]步骤S1340，计算各参考地物区域在无云大气条件下每个像元在可见光波段的理[0193]步骤S1350，计算各参考地物区域在无云大气条件下每个像元在近红外波段的理[0194]步骤S1360，将各参考地物区域每个像元在可见光波段的实测光谱反射率和理论[0195]步骤S1370，将各参考地物区域每个像元在近红外波段的实测光谱反射率和理论象区和真实云层区内的可见光波段透过率和[0201]步骤S2120，计算历史云图像的半透明天气现象区内所有像元的可见光波段透过[0203]步骤S2140，计算当前光谱校准图像每个像元的可见光波段透过率和近红外波段无向图中每个节点对应一个半透明天气现象候选区像元，相邻候选区像元之间存在边连[0211]步骤S3120，提取历史云图像中云区域的光谱特征，构建真实云层的光谱特征向[0212]步骤S3130，以真实云层的光谱特征向量为样本，训练生成真实云层光谱特征模[0214]采用滑动窗口的方式，对非半透明天气现象区的光谱校准图像进行光谱特征提可读指令。当计算机可读指令由处理器运行时，可执行参照根据本申请实施方式的一种基于双波段融合技术的星载高光谱云层识别方法。存储介质包括但