通用劈窗算法的NOAA-18(N)AVHRR/3数据地表温度遥感反演与验证

本文以NOAA．18（N）AVHRR／3数据，运用通用劈窗技术获得地表温度。首先，利用MODTRAN4模拟不同地表和大气状况下热红外通道（Ch4，10．3～11．3gm和Ch5，11．5—12．5gm）的星上亮温，并建立模拟数据库。其次，按照地表温度、大气可降水汽含量、地表比辐射率和观测天顶角，对模拟数据库分组，确定出各分组的通用劈窗算法系数。然后，将构建的地表温度反演模型应用到NOAA．18（N）AVHRR／3数据，模型所需的地表比辐射率由NDVI阈值法确定，大气可降水汽含量是利用Li等（2003）提出的一种劈窗的协方差与方差比的方法来估算。反演结果表明：在观测天项角小于30°或者大气可降水汽含量小于3．5g／cm2时，地表温度反演的均方根误差小于1．0K；在观测天顶角小于45°并且大气可降水汽含量小于5．5g／cm2情况下，均方根误差小于1．5K。最后，利用美国通量站的实测数据对地表温度反演结果进行了验证，结果表明均方根误差小于1．8K。

基于AVHRR资料的内蒙古积雪监测业务系统

基于NOAA—AVHRR/3数据,通过分析NOAA/AVHRR资料中云和雪的光谱特征,在已有的研究成果基础上做了大量的试验分析,建立了内蒙古地区日、旬积雪自动监测算法程序和流程。积雪监测算法以概率结合阈值法为基础,采用FORTRAN77语言编写了相应软件程序,以及特殊情况下的手动监测算法程序和流程,实现对内蒙古地区冬季雪盖的日、旬定期和定时监测。该系统对于监测内蒙古地区的雪盖有较好的效果。

基于BP神经网络与纹理分析优化的雾检测

在利用NOAA AVHRR/3资料并根据雾的均匀纹理特性进行白天雾检测研究中,为了克服对整幅图像进行纹理分析存在的处理复杂和运算量大等缺点,提出了采用纹理分析方法优化细分神经网络雾检测结果的思想。通过计算神经网络检测结果中的低云和雾区连通域的灰度标准差并设定灰度标准差阈值,对神经网络检测结果中的低云区和雾区作了进一步的纹理分析优化细分。结果表明,该方法有效地提高了雾检测的准确性和可靠性。