基于GAN网络的电力设施遥感图像去云算法研究

针对电力设施遥感图像云层遮挡问题,提出了基于生成对抗网络(GAN)的遥感图像去云算法。以条件生成对抗网络(cGAN)为主体结构,在编码器自适应填充卷积,设计了基于Soft Attention的递归神经网络模块,通过对所有特征节点增加全局依赖关系来解决网络局部最优问题,通过空间信息转换提取关键信息,提高去云与重建效果。实验结果表明,方法对遥感图像中云层遮挡去除效果较好,重建图像的结构相似性(SSIM)与峰值信噪比(PSNR)分别达到0.983与32.899,分别提高了23.93%与8.86%,均优于其他改进型GAN网络。研究的方法不仅为基于遥感图像电力设施识别提供了基础,深度学习遥感图像处理应用提供了参考。

MODIS逐日积雪产品去云算法研究

由于积雪和云的反射特性,使用光学遥感监测积雪受到天气的严重干扰,对研究区云量的分析表明,无论是MOD10A1还是MYD10A1,云都是影响该产品对研究区积雪进行实时监测的最大影响因素.综合不同去云方法,利用MODIS逐日积雪产品和被动微波数据AMSR-E雪水当量产品,生成了MODIS逐日无云积雪图像,并利用研究区85个地面气象观测台站提供的雪深数据对合成的单日无云积雪产品进行验证.结果表明:当积雪深度>3cm时,新产品的积雪分类精度达到91.7%,该产品对实时监测青藏高原积雪动态变化具有重要的使用价值.

基于MODIS的青藏高原逐日无云积雪产品算法

青藏高原积雪对高亚洲地区水和能量循环起着重要的反馈和调节作用,其变化影响着融雪性河流流量,对下游水资源和经济活动具有重要影响。中分辨率成像光谱仪(MODIS)具有较高的时空分辨率,被广泛应用于积雪遥感动态监测,然而光学遥感积雪受云层影响严重,且青藏高原地区水汽分布不均,局地对流活跃,积雪的赋存时间变化快,这给高原地区逐日积雪监测及其气候学制图带来挑战。在考虑青藏高原地形和积雪分布特征情况下,结合现有的云覆盖下积雪判别算法,采用8个不同方法的组合,逐步实现MODIS逐日无云积雪算法。选取2009年10月1日-2011年4月30日两个积雪季为研究期,并采用145个地面台站观测雪深数据对去云算法各步骤过程开展精度验证,结果表明:当积雪深度>3 cm时,逐日无云积雪产品总分类精度达到96.6%,积雪分类精度达83%,积雪判对概率(召回率)达到89.0%,算法可实现青藏高原地区逐日无云积雪动态监测和积雪覆盖气候学数据重建,对高亚洲地区的水、生态和灾害等全球环境变化影响研究具有重要的意义。