CN103197305A - 基于支持向量机识别的沙尘型气溶胶反演方法 - Google Patents
基于支持向量机识别的沙尘型气溶胶反演方法 Download PDFInfo
- Publication number
- CN103197305A CN103197305A CN2013100935156A CN201310093515A CN103197305A CN 103197305 A CN103197305 A CN 103197305A CN 2013100935156 A CN2013100935156 A CN 2013100935156A CN 201310093515 A CN201310093515 A CN 201310093515A CN 103197305 A CN103197305 A CN 103197305A
- Authority
- CN
- China
- Prior art keywords
- sand
- dust
- dust type
- layer
- laser radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于支持向量机识别的沙尘型气溶胶反演方法,选取特征明显的沙尘气溶胶层、厚云层和薄云层作为分类样本;用不同的样本数量和特征向量对分类器进行训练,进而确定最优的分类器;对星载激光雷达沙尘源区的数据进行分类,得到高精度的沙尘型气溶胶识别结果;反演气溶胶的层次高度、光学厚度。本发明利用支持向量机通过支持向量确定超平面的特点,能减少对样本数量的需求,降低样本不确定性对分类精度造成的干扰;有效利用星载激光雷达532nm的偏振探测数据和层次高度信息,区分非球形的冰晶云和沙尘型气溶胶粒子。本发明特别适合于处理我国西北地区沙尘多发季节的星载激光雷达探测数据。
Description
技术领域
本发明属于卫星遥感技术领域,特别设计一种基于支持向量机识别的沙尘型气溶胶反演方法。
背景技术
我国每年遭受多起沙尘暴侵袭,在这一极端天气的影响下,我国工农业生产、交通运输和人类生命安全遭受到严重的损失和危害。近年来,沙尘影响范围逐渐扩大,甚至已扩散至福州和台湾等东南部地区。因此,开展大范围沙尘观测和反演方法的基础研究具有重要的科学意义,将在沙尘预警、减灾等国计民生的重大事件中发挥积极作用。
激光雷达是获取气溶胶垂直分布廓线的最佳手段,目前唯一在轨星载大气激光雷达是美国航空航天局NASA于2006年发射的CALIPSO。但由于CALIPSO是为云和气溶胶检测而研制的,其国际通用数据处理方法没有针对沙尘检测进行优化,无法分辨浓厚沙尘层和云层,可导致错误的结果。在我国西北地区,常年存在云-沙共存的现象,特别是针对沙尘源区的浓厚沙尘层,NASA发布的CALIPSO塔克拉玛干沙漠地区的气溶胶识别结果(Version2),错误率达到43%。因此,前期利用CALIPSO探测沙尘的研究主要集中在常年云量较少、云-沙的混合程度较轻的非洲西北部沙尘源区(撒哈拉地区)。CALIPSO是获取我国大面积沙尘的垂直分布廓线信息的最佳手段,其硬件上能探测沙尘信息,但其数据处理方法的缺陷使其不能应用于我国沙尘研究与预报。如NASA的Version2方法沙尘分类错误率较高,Version3方法复杂、参数多、气溶胶模式区域适应性差等。
发明内容
本发明的目的是提供基于支持向量机识别的沙尘型气溶胶反演方法,采用该方法得到沙尘暴发生时沙尘源区的气溶胶悬浮位置,最终反演获得沙尘型气溶胶的高度、厚度和消光作用。
本发明的技术方案为一种基于支持向量机识别的沙尘型气溶胶反演方法,包括以下步骤:
首先,训练分类器,包括以下4个子步骤,
步骤1.1,输入沙尘型气溶胶层和云层的样本,所述云层的样本包括薄云和厚云的样本;所述沙尘型气溶胶层的样本根据沙尘暴所在发生地取得,沙尘暴所在发生地由被动式卫星传感器所获遥感影像数据所确定;
步骤1.2,下载与被动式卫星传感器所获遥感影像数据相对应的主动式卫星传感器所获激光雷达廓线数据,获得沙尘型气溶胶层和云层的悬浮高度信息和回波信号值;
步骤1.3,根据步骤1.2所得沙尘型气溶胶层和云层的悬浮高度信息和回波信号值,求得沙尘型气溶胶层样本和云层样本的特征向量;
步骤1.4,根据步骤1.3所得沙尘型气溶胶层样本和云层样本的特征向量,训练得到分类器;然后,根据分类器进行沙尘型气溶胶反演;包括以下3个子步骤,
步骤2.1,根据气象观测数据获取日常沙尘暴的发生时间和区域,当主动式卫星传感器经过该区域时,下载对应日期的激光雷达廓线数据;根据下载的激光雷达廓线数据,计算获得待分类层次所需的特征向量;
步骤2.2,基于步骤1.4所得分类器对步骤2.1所得待分类层次的特征向量进行分类,并获得沙尘型气溶胶的激光雷达比;
步骤2.3,根据步骤2.2所得沙尘型气溶胶的激光雷达比,综合考虑主动式卫星传感器的探测特性,采用近端反演法,求得沙尘型气溶胶粒子的消光系数,积分得到地表上空沙尘型气溶胶层的光学厚度值。
而且,所述的主动式卫星传感器采用CALIPSO卫星上搭载的CALIOP传感器;所述的被动式卫星传感器采用Aqua卫星搭载的MODIS传感器。
本发明提出新型星载激光雷达数据处理方法,即用支持向量机代替概率密度方程,提高沙尘和云层的分类精度;可以有效扭转目前只能被动使用NASA提供的低精度数据的局面。本发明的应用将可解决当前我国大面积沙尘垂直廓线数据缺失、数据可用性差等瓶颈问题,满足我国乃至全球沙尘气溶胶源区及其扩散传输区域的观测要求。本发明提供的技术方案具有以下优点和积极效果:
1)大大降低对样本的数量需求,无须模拟各特征向量的分布特点;
2)提高沙尘型气溶胶的分类精度,避免将其划分为云层,而忽略了其大气作用效应;
3)进而提高对沙尘的空间分布、扩散和散射特性的认知。
附图说明
图1为本发明实施例的流程图。
具体实施方式
沙尘对大气辐射的影响作用不容忽视,错误的沙尘识别将无法获得沙尘的空间分布信息,以及沙尘的消光和大气辐射效应。常见的错误主要是将沙尘源区浓度较高的沙尘层误判为云层。这主要是因为:星载激光雷达提供的参数中除衰减后向散射系数外,双波长比是用来描述粒子的尺度特性,退偏振比是用来描述粒子的形状特性;而冰晶云和大粒子沙尘气溶胶同时具有大尺度和非球形的特性,因此,构成了该错误分类的存在。NASA官方采用的概率密度方程分类方法,在早期的版本中存在大量的错误;更新后,仍有少量错误存在,且样本需求数量较大(需要得知各个特征向量的分布情况)。错误的层次识别必将导致其光学特性的错误反演。
实施例的主动式卫星传感器采用CALIPSO卫星上搭载的CALIOP传感器;所述的被动式卫星传感器采用Aqua卫星搭载的MODIS传感器;MODIS与CALIOP具有协同观测效果,MODIS得到的是二维平面的卫星遥感影响,覆盖面广;CALIOP即星载激光雷达,到达地表的二维覆盖面积小,但能得到三维大气层的描述信息,如:云和气溶胶的空间分布情况,该星载激光器分两个波段532nm和1064nm,其中532nm波段具有垂直和水平的两个偏振通道。具体实现时可采用计算机软件技术实现自动运行流程。为克服以上问题,本发明结合被动探测设备Aqua卫星上搭载的MODIS探测器。首先基于其二维影像得到沙尘和云层的水平分布信息,再利用主-被动探测设备时空一致性的特点,获取星载激光雷达CALIOP传感器在该区域特征明显的样本。由于支持向量的超平面只需要少量的支持向量即可确定得到,因此样本的需求数量也大大减小,在云层和气溶胶层生命周期短、验证难度高的前提下最大可能的确保了样本的正确性。这样,为后期可靠的分类、识别奠定了坚实的前提保障。分类结果还可与对应的被动影像数据相比较,验证的结果显示本方法较NASA的官方处理方法有较大的改善效果。
如图1所示,实施例针对我国西北地区的沙尘源区进行沙尘型气溶胶反演,流程如下:
首先,对分类器进行训练,以确保后续分类结果的正确性。即利用MODIS遥感影像数据,确定沙尘暴所在发生地和发生时间,选取样本,并对分类器进行训练,包括以下4个步骤,
步骤1.1,输入沙尘型气溶胶层和云层的样本。其中云层的样本包括薄云和厚云的样本。其中沙尘型气溶胶层的样本应参考被动式卫星所获遥感影像数据取得。具体实施时,可利用被动式卫星传感器与主动式卫星传感器的时空准同步性,参考被动式卫星所获遥感影像数据,获得沙尘暴的发生信息,确定沙尘型气溶胶的样本选择区域,另在非沙尘暴爆发期,确定厚云层和薄云层的样本选择区域。
由于MODIS遥感影像光谱信息丰富、完成一次全球全覆盖探测时间短,因此,其执行对地观测和大气校正已多年,能较为直观的看到沙尘暴分布和扩散情况。为了确保MODIS影像数据的正确性,实施例通过NASA官方网站的earth observatory页面的发布信息,获取我国西北地区的沙尘暴影像,确定该沙尘源区的沙尘暴样本选取方案,同时,在无沙尘期间,确定厚云和薄云的样本选取方案。气溶胶的特点主要反映在低空的弱反射信号;厚云的特点主要是云顶强回波信号,而下方信号陡然减弱;薄云的特点是云顶到云低的回波信号都较强,同时能看到近地面的弱信号。由于这种判断主要是基于人眼识别,所以样本数量的需求越少、特征越明显,就越能确保分类的精度。
步骤1.2,下载与被动式卫星传感器所获遥感影像数据相对应的主动式卫星传感器所获激光雷达廓线数据,获得沙尘型气溶胶层和云层的悬浮高度信息和回波信号值。
在确定了样本的选取方案以后,下载对应于MODIS的CALIOP激光雷达廓线探测数据,再利用卫星数据读取程序,将相应经纬度范围内的廓线观测数据进行读取和保存,主要包括:已查找到的大气层次的顶高、底高、1064nm和532nm通道的衰减后向散射系数,以及532nm不同偏振通道上的分量值。整个数据处理***基于IDL和matlab开发完成。
步骤1.3,根据步骤1.2所得沙尘型气溶胶层和云层的悬浮高度信息和回波信号值,求得沙尘型气溶胶层样本和云层样本的特征向量。
CALIOP作为星载激光雷达,飞行高度高、速度快,相应的数据处理流程更精细,需要先查找大气层次(如云和气溶胶)所在的悬浮高度,这里实施例将直接引用NASA的层次查找结果,进而计算层次特征向量。可以直接引用的特征向量包括层次的顶高、底高,地表覆盖物类型等,需要利用公式间接计算得到的支持向量包括层次积分的衰减后向散射系数(attenuated scattering coefficient)、退偏振比(volume depolarization ratio;VDR)和双波长信号比(total attenuated color ratio;ACR),需要强调的是,星载激光雷达CALIOP属于脉冲式Mie散射激光光雷达,有效数据在-2.0-40km大气高度范围内,且空间分辨率会随着高度而有所变化,最高空间分辨率为30m,最低空间分辨率为300m。层次积分即是对对应高度范围内的信号进行叠加。实施例采用的特征向量计算公式参考美国宇航局提供的公式如下:
公式(1)表示层次积分的衰减后向散射系数γ′layer,r表示激光雷达至目标的距离,dr''是激光雷达的距离分辨率。βp(r)表示距离r处粒子的后向散射系数,表示粒子的双向透过,base和top分别表示大气层次的顶高和底高。β′表示衰减后向散射系数,β⊥′(z)和β||′(z)分别表示偏振通道的垂直和平行分量,两者积分后的比值即是层次积分的退偏振比δlayer,通过(3)式转化(其中,角标m表示分子,O3表示臭氧,λ表示波长,z表示高度,k是对应大气层次的悬浮高度信号值),得到层次积分的双波长比χ′layer。参数δlayer、χ′layer分别描述了粒子的形状和尺寸特征。
具体来说,zk是悬浮在大气中的层次(云层或者是沙尘型气溶胶层)自顶端到底部的第k个信号点对应的高度,β′532,⊥(zk)是532nm波段垂直偏振通道在高度zk处的衰减后向散射系数,β′532,||(zk)是532nm波段平行偏振通道在高度zk处的衰减后向散射系数,β′λ(zk)是波段λ在高度zk的衰减后向散射系数,是大气分子在波段λ、高度zk处的双向透过率,是臭氧在波段λ、高度zk处的双向透过率。B1064,k表示表示1064nm波段悬浮高度信号值k处中间转换式,B532,k表示532nm波段悬浮高度信号值k处中间转换式。
步骤1.4,根据步骤1.3所得沙尘型气溶胶层样本和云层样本的特征向量,训练得到分类器。具体实施时,通过选择不同的训练样本数量和特征空间,进行分类结果的对比分析,找到最优的超平面,获取最优的分类器。
由于NASA官方分类方法采用概率密度方程进行分类,且前后两种方法分别采用不含退偏振系数和含有退偏振系数的方法进行分类,退偏振系数作为粒子的形状描述参数,在冰晶云和沙尘同属于非球形粒子的前提下,如何合理的利用该参数进行分类,是本步骤的意义所在。
支持向量机主要是通过训练样本来确定超平面,对于二分类的情况,当找到支持向量的时候,超平面也就随之确定。w是一个与分类超平面垂直的向量,x表示一个待分类的大气层次,且x=(x1,...,xn),xi则表示它的一种属性,i的取值为1,…,n,n为x的属性数目,考虑一个点积空间Rn,超片面可写作:
{x∈Rn|<w,x>+b=0},w∈Rn,b∈R (5)
其中,R表示空间,n表示维数,Rn表示一个n维的点积空间,b表示判别阈值。
在线性可分的情况下,用(w·x+b>0,w·x+b<0)来区分两种类别。对于不可分的情况,则需要添加更多的特征向量,选择合适的核函数,并将其特征空间映射高维空间,再转化为线性问题,进而获得分类结果。
多次实验结果证明:沙尘源区的沙尘层比云层水平高度低,因此,层次的高度信息辅以退偏振系数能有效地提高沙尘源区沙尘型气溶胶与云层的分类精度,在本专利中分类器所使用的特征向量既不同于NASA Level1不含退偏振系数,也不同于NASA Level2同时包含退偏振系数和地理信息。实验显示,在样本数量为280的时候,总体精度已超过98.4%,相对于不同样本数量的条件下,23456组合的特征空间分类精度最稳定,因此,本发明实施例含有的特征向量包含:层次的高度信息z,双波长比,退偏振比和衰减后向散射系数。
然后,根据分类器进行沙尘型气溶胶反演,主要是根据气象观测数据获取日常沙尘暴的发生时间和区域,当主动式卫星传感器经过该区域时,下载对应日期的遥感影像数据,利用之前训练好的分类器对大气层次进行分类、识别,并最终反演得到各层次的光学参数值。具体包括以下3个步骤:
步骤2.1,获取待分类层次的特征向量:实施例结合我国气象站的探测数据,获得日常西北地区沙尘暴的发生、发展情况,下载对应时间和区域的主动式卫星传感器所获激光雷达廓线数据。根据已下载的激光雷达廓线数据,计算获得待分类层次所需的特征向量。
接收辅助的气象信息,对于我国西北地区的沙尘天气予以关注,确定沙尘暴发生时期,并下载星载激光雷达经过沙尘源区的数据,即在NASA的官方网站上下载Level1和Level2数据。其中,Level1数据是经过沙尘暴发生地区的激光雷达初始回波廓线信息(回波信号值),为后续特征向量的求解和气溶胶光学特性的反演做准备。Level2数据主要是根据信号波段,查找得到层次的相关信息(即得到沙尘层、云层的悬浮高度信息),结合所在高度和回波信号积分得到分类所需的支持向量。计算方法类似步骤1.3,采用公式(1)、(2)、(3)、(4)即可。
步骤2.2,基于步骤1.4所得分类器对步骤2.1所得待分类层次的特征向量进行分类,并获得沙尘型气溶胶的激光雷达比。
执行分类运算,分类方法是基于已有的分类器,类似于步骤1.4,只是将分类器优化过程中的测试样本取而代之为将要分类的大气层次。根据步骤2.1所得待分类的特征向量计算得到云层和沙尘型气溶胶层,其他类别可以直接继承NASA的结果,得到最终的分类结果图,其中可以采用不同颜色分别表示该幅场景中的洁净大气、云、气溶胶、地表、深层地层和信号净衰减区(即,激光雷达无法穿透的大气层次)。通过实验将本支持向量机SVM与概率密度分布PDF的两个版本相比较,可以看到,它不仅能正确识别低空的沙尘,还能识别高纬地区(北纬40-42度)的厚沙尘层。
在分类完成以后,可以参考我国现有的沙尘气溶胶研究数据,包括台站观测和网点观测,选定西北沙尘源区的沙尘气溶胶粒子激光雷达比经验值,具体实现为现有技术。激光雷达比是粒子的消光系数与后向散射系数的比值,该值的正确近似假设能有效提高气溶胶光学参数反演的精度,本步骤能避免一味的继承国外数据所产生的区域不适应性。
步骤2.3,根据步骤2.2所得沙尘型气溶胶的激光雷达比,综合考虑主动式卫星传感器的探测特性,采用近端反演法,求得沙尘型气溶胶粒子的消光系数,积分得到地表上空沙尘型气溶胶层的光学厚度值。该方法能有效避免云-沙混合条件下,将沙尘归为云层而忽略了其时空变化特性和气候作用效应,最终能正确反演得到沙尘型气溶胶粒子的光学特性。
激光雷达方程表达式可写成如下形式:
式中,P(r)为激光雷达接收到来自r到r+Δr'距离段大气回波信号;
P0为发射激光束的功率;
c0为激光雷达校正常数,与激光雷达的配置相关;
A为接收望远镜的面积;
Δr'为激光雷达***的距离分辨率;
r为激光雷达至目标的距离;
β(λ,r)为距离激光雷达r处目标(即大气中某种组分)在波长λ的后向散射系数;
α(λ,r)为距离激光雷达r处目标(即大气中某种组分)在波长λ大气的消光系数。
目前,广泛采用的地基激光雷达反演方法是现有技术中的Fernald反演法,它将大气分子和气溶胶的贡献分开考虑,因此激光雷达方程可以表示为:
下标mol表示大气分子;下标par表示气溶胶。C是所有激光雷达***参数的缩写。
具体来说,βmol(r)表示大气分子在距激光雷达r处的后向散射系数,βpar(r)表示气溶胶粒子在距激光雷达r处的后向散射系数,αmol(r')表示大气分子在距激光雷达r′处的消光系数,αpar(r')表示气溶胶粒子在距激光雷达r′处的消光系数,r'表示积分变量,dr'是激光雷达的距离分辨率。
选定参考位置rc(即为标定高度),假设已知rc处对应的后向散射系数为β(rc)用来描述激光雷达比的计算,α(r)和β(r)分别表示距离激光雷达r处目标的消光系数和后向散射系数。其中,粒子的激光雷达比需要更需不同区域粒子的物理特性来估测,而分子的激光雷达比则采用一个常数值。
则rc以上高度的气溶胶消光系数(前向积分)为:
具体来说,Spar表示气溶胶的激光雷达比,Smol表示大气分子的激光雷达比,r''表示积分变量,dr''是激光雷达的距离分辨率。
而rc以下高度的气溶胶消光系数(后向积分)为:
前向积分求解气溶胶消光系数的方法即为近端反演法,而(9)式后向积分则为远端反演法。现有技术中地基激光雷达由于远端信号稳定所以参考点rc选在远端,即采用远点反演法,而星载激光雷达CALIOP的稳态信号属于高空信号,离探测器较近,因此本发明选用与地基激光雷达相反的近端反演法,采用公式(8)反演得到消光系数后,参考层次所在高度,对消光系数廓线进行积分,得到该区域上空的沙尘气溶胶光学厚度。
以下总结实施例的沙尘气溶胶识别和反演流程以供实施参考:
1.参考NASA官网上earth observation页面提供的我国西北地区沙尘暴发生发展描述信息,并下载对应的MODIS遥感影像和CALIPSO数据。针对MODIS的影像数据,选取对应沙尘暴的激光雷达廓线数据。在该区域挑选特征明显的厚云和薄云激光雷达廓线数据。
2.对分类器进行训练,得到样本数量较少,分类精度较高的支持向量选取方案。最终获得最优超平面。
3.参考我国沙尘暴气象数据,下载当时当地对应的CALIPSO观测数据Level1和Level2,Level2的数据主要是获取层次的高度信息,包括层次的顶高和底高。在利用该信息对Level的三个参数进行积分,得到分类所需要的特征向量。
4.基于已有的分类器对实验区域的廓线进行分类,标识0:云;1:气溶胶。再利用IDL软件和CALIPSO数据标识的地表高度信息、洁净大气和激光束净衰减区域,完成大气廓线的三维显示,直观的观测到沙尘型气溶胶和云层的悬浮高度和分布情况。
基于现有的分类结果和激光雷达比经验值,对激光雷达回波信号进行反演和对应悬浮高度上的积分,进而求的沙尘气溶胶的光学厚度值。为后续其辐射特性的研究奠定了良好的基础。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.一种基于支持向量机识别的沙尘型气溶胶反演方法,其特征在于,包括以下步骤:
首先,训练分类器,包括以下4个子步骤,
步骤1.1,输入沙尘型气溶胶层和云层的样本,所述云层的样本包括薄云和厚云的样本;所述沙尘型气溶胶层的样本根据沙尘暴所在发生地取得,沙尘暴所在发生地由被动式卫星传感器所获遥感影像数据所确定;
步骤 1.2,下载与被动式卫星传感器所获遥感影像数据相对应的主动式卫星传感器所获激光雷达廓线数据,获得沙尘型气溶胶层和云层的悬浮高度信息和回波信号值;
步骤 1.3,根据步骤1.2所得沙尘型气溶胶层和云层的悬浮高度信息和回波信号值,求得沙尘型气溶胶层样本和云层样本的特征向量;
步骤 1.4,根据步骤1.3所得沙尘型气溶胶层样本和云层样本的特征向量,训练得到分类器;
然后,根据分类器进行沙尘型气溶胶反演;包括以下3个子步骤,
步骤 2.1,根据气象观测数据获取日常沙尘暴的发生时间和区域,当主动式卫星传感器经过该区域时,下载对应日期的激光雷达廓线数据;根据下载的激光雷达廓线数据,计算获得待分类层次所需的特征向量;
步骤 2.2,基于步骤1.4所得分类器对步骤 2.1所得待分类层次的特征向量进行分类,并获得沙尘型气溶胶的激光雷达比;
步骤 2.3,根据步骤2.2所得沙尘型气溶胶的激光雷达比,综合考虑主动式卫星传感器的探测特性,采用近端反演法,求得沙尘型气溶胶粒子的消光系数,积分得到地表上空沙尘型气溶胶层的光学厚度值。
2.根据权利要求1所述的基于支持向量机识别的沙尘型气溶胶反演方法,其特征在于:所述的主动式卫星传感器采用CALIPSO卫星上搭载的CALIOP传感器;所述的被动式卫星传感器采用Aqua卫星搭载的MODIS传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100935156A CN103197305A (zh) | 2013-03-21 | 2013-03-21 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100935156A CN103197305A (zh) | 2013-03-21 | 2013-03-21 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103197305A true CN103197305A (zh) | 2013-07-10 |
Family
ID=48719982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100935156A Pending CN103197305A (zh) | 2013-03-21 | 2013-03-21 | 基于支持向量机识别的沙尘型气溶胶反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103197305A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605123A (zh) * | 2013-12-04 | 2014-02-26 | 中国科学院遥感与数字地球研究所 | 基于氧a通道气溶胶散射效应的参数化遥感方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN104793269A (zh) * | 2015-04-24 | 2015-07-22 | 北京师范大学 | 一种监测沙尘覆盖区域的范围和强度的方法 |
CN108896450A (zh) * | 2018-05-14 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN110119739A (zh) * | 2019-02-15 | 2019-08-13 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
CN110411918A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院遥感与数字地球研究所 | 一种基于卫星偏振技术的pm2.5浓度遥感估算方法 |
CN111306703A (zh) * | 2020-03-17 | 2020-06-19 | 珠海格力电器股份有限公司 | 一种过滤网自适应调节方法、***及空调设备 |
CN111965666A (zh) * | 2020-07-16 | 2020-11-20 | 中国矿业大学 | 一种气溶胶三维空间分布制图方法 |
CN112649335A (zh) * | 2019-10-11 | 2021-04-13 | 无锡中科光电技术有限公司 | 大气颗粒物监测激光雷达沙尘消光系数贡献率自动分析法 |
CN112698354A (zh) * | 2020-12-04 | 2021-04-23 | 兰州大学 | 一种大气气溶胶与云的识别方法和*** |
CN114296103A (zh) * | 2021-12-30 | 2022-04-08 | 浙江大学 | 一种机载高光谱分辨率激光雷达消光系数反演方法 |
CN116466368A (zh) * | 2023-06-16 | 2023-07-21 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945356A (zh) * | 2006-10-27 | 2007-04-11 | 武汉大学 | 多功能大气激光雷达 |
-
2013
- 2013-03-21 CN CN2013100935156A patent/CN103197305A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945356A (zh) * | 2006-10-27 | 2007-04-11 | 武汉大学 | 多功能大气激光雷达 |
Non-Patent Citations (1)
Title |
---|
马盈盈: "基于层次分类与数据融合的星载激光雷达数据反演", 《中国博士学位论文全文数据库 信息科技辑》, no. 10, 15 October 2010 (2010-10-15), pages 2 - 5 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605123A (zh) * | 2013-12-04 | 2014-02-26 | 中国科学院遥感与数字地球研究所 | 基于氧a通道气溶胶散射效应的参数化遥感方法 |
CN103605123B (zh) * | 2013-12-04 | 2016-08-31 | 中国科学院遥感与数字地球研究所 | 基于氧a通道气溶胶散射效应的参数化遥感方法 |
CN104268423A (zh) * | 2014-10-11 | 2015-01-07 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN104268423B (zh) * | 2014-10-11 | 2018-03-27 | 武汉大学 | 大尺度动态演化沙尘型气溶胶反演方法 |
CN104793269A (zh) * | 2015-04-24 | 2015-07-22 | 北京师范大学 | 一种监测沙尘覆盖区域的范围和强度的方法 |
CN104793269B (zh) * | 2015-04-24 | 2017-01-18 | 北京师范大学 | 一种监测沙尘覆盖区域的范围和强度的方法 |
CN108896450A (zh) * | 2018-05-14 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN108896450B (zh) * | 2018-05-14 | 2020-11-03 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN110119739A (zh) * | 2019-02-15 | 2019-08-13 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
CN110119739B (zh) * | 2019-02-15 | 2023-02-14 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
CN110411918B (zh) * | 2019-08-02 | 2020-09-08 | 中国科学院遥感与数字地球研究所 | 一种基于卫星偏振技术的pm2.5浓度遥感估算方法 |
CN110411918A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院遥感与数字地球研究所 | 一种基于卫星偏振技术的pm2.5浓度遥感估算方法 |
CN112649335A (zh) * | 2019-10-11 | 2021-04-13 | 无锡中科光电技术有限公司 | 大气颗粒物监测激光雷达沙尘消光系数贡献率自动分析法 |
CN111306703A (zh) * | 2020-03-17 | 2020-06-19 | 珠海格力电器股份有限公司 | 一种过滤网自适应调节方法、***及空调设备 |
CN111965666A (zh) * | 2020-07-16 | 2020-11-20 | 中国矿业大学 | 一种气溶胶三维空间分布制图方法 |
CN112698354A (zh) * | 2020-12-04 | 2021-04-23 | 兰州大学 | 一种大气气溶胶与云的识别方法和*** |
CN114296103A (zh) * | 2021-12-30 | 2022-04-08 | 浙江大学 | 一种机载高光谱分辨率激光雷达消光系数反演方法 |
CN114296103B (zh) * | 2021-12-30 | 2022-08-30 | 浙江大学 | 一种机载高光谱分辨率激光雷达消光系数反演方法 |
CN116466368A (zh) * | 2023-06-16 | 2023-07-21 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
CN116466368B (zh) * | 2023-06-16 | 2023-08-22 | 成都远望科技有限责任公司 | 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103197305A (zh) | 基于支持向量机识别的沙尘型气溶胶反演方法 | |
CN104268423B (zh) | 大尺度动态演化沙尘型气溶胶反演方法 | |
Huang et al. | Climate models and remote sensing retrievals neglect substantial desert dust asphericity | |
Tomás et al. | Semi-automatic identification and pre-screening of geological–geotechnical deformational processes using persistent scatterer interferometry datasets | |
Villarroel et al. | DInSAR for a Regional inventory of active rock glaciers in the dry andes mountains of argentina and chile with sentinel-1 data | |
de Carvalho Júnior et al. | Karst depression detection using ASTER, ALOS/PRISM and SRTM-derived digital elevation models in the Bambuí Group, Brazil | |
Höfle et al. | Urban vegetation detection using radiometrically calibrated small-footprint full-waveform airborne LiDAR data | |
Bianchini et al. | Landslide activity maps generation by means of persistent scatterer interferometry | |
Williams et al. | Bulk mixing and decoupling of the nocturnal stable boundary layer characterized using a ubiquitous natural tracer | |
CN104867180B (zh) | 一种集成uav与lidar的森林林分特征反演方法 | |
Jia et al. | Modeling and theoretical analysis of GNSS-R soil moisture retrieval based on the random forest and support vector machine learning approach | |
Gong et al. | ICEsat GLAS data for urban environment monitoring | |
Tesche et al. | Ground‐based validation of CALIPSO observations of dust and smoke in the Cape Verde region | |
Lang et al. | Transient luminous events above two mesoscale convective systems: Storm structure and evolution | |
Stal et al. | Assessment of handheld mobile terrestrial laser scanning for estimating tree parameters | |
Antonini et al. | On the implementation of a regional X-band weather radar network | |
Moxim et al. | The meteorological nature of variable soluble iron transport and deposition within the North Atlantic Ocean basin | |
Botteron et al. | Soil moisture & snow properties determination with GNSS in alpine environments: Challenges, status, and perspectives | |
Marsh et al. | Seasonal predictions of holopelagic Sargassum across the tropical Atlantic accounting for uncertainty in drivers and processes: the SARTRAC ensemble forecast system | |
Mäkynen et al. | Satellite observations for detecting and forecasting sea-ice conditions: A summary of advances made in the SPICES project by the EU’s Horizon 2020 programme | |
Goumehei et al. | Surface water body detection in polarimetric SAR data using contextual complex Wishart classification | |
Lu et al. | Investigating spatial patterns of persistent scatterer interferometry point targets and landslide occurrences in the Arno River Basin | |
Molina et al. | First evidences of ionospheric plasma depletions observations using GNSS-R data from CYGNSS | |
Yang et al. | Monitoring dust events using Doppler lidar and ceilometer in Iceland | |
CN109359631A (zh) | 一种基于卷积神经网络的海冰类型遥感分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130710 |