CN112668613A - 基于气象预报和机器学习的卫星红外成像效果预测方法 - Google Patents
基于气象预报和机器学习的卫星红外成像效果预测方法 Download PDFInfo
- Publication number
- CN112668613A CN112668613A CN202011438400.2A CN202011438400A CN112668613A CN 112668613 A CN112668613 A CN 112668613A CN 202011438400 A CN202011438400 A CN 202011438400A CN 112668613 A CN112668613 A CN 112668613A
- Authority
- CN
- China
- Prior art keywords
- imaging effect
- data
- cloud
- parameters
- prediction
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003331 infrared imaging Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于气象预报和机器学习的卫星红外成像效果预测方法,首先对图像数据进行云判,将成像数据分为不同类别。以预报气象的多个属性为基准,挖掘气象数据产品中各属性的相关性和主特征;然后将历史气象数据和图像类别组成样本集,利用最小二乘支持向量机建立多分类模型,实现气象条件预报下的卫星红外成像效果高精度预测。实际业务应用表明,该方法得到的成像预估结果有较高的准确度,为卫星任务规划提供有效的决策支持。
Description
技术领域
本发明属于航天器遥感图像领域,涉及一种红外成像效果预测方法。
背景技术
红外成像卫星具有全天时工作、敏感度高的特点,广泛应用于海洋监测、林火警报、灾害预报等领域。由于目标的红外辐射经过云雨环境会被明显吸收,表现为辐射亮度降低甚至完全不可见。中低轨道卫星在单圈次多采用分段载荷工作模式,如何利用卫星短弧段、多弧段的灵活性,对可成像弧段上的位置进行成像效果预测,是任务规划精细化面临的重要问题。
实际日常任务规划时,以目标点位和探测时间为重要输入条件,往往不考虑气象条件直接进行规划,导致成像结果容易受不确定气象条件影响出现目标遮挡、数据有效率较低等问题。当前对红外成像效果研究主要集中于不同条件下红外辐射大气透过率的计算,而如何利用有限的气象预报条件构建中低轨道红外卫星的成像效果预测模型,是现有文献资料较少研究涉及的。
发明内容
为了克服现有技术的不足,本发明提供一种基于气象预报和机器学习的卫星红外成像效果预测方法,结合历史气象条件和遥感影像,通过建立气象数据与对应红外成像效果的关系模型,从气象预报角度分析影响成像质量的重要因素,并实现卫星成像效果的预测。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1,选择气象预报产品中与云量云属关系紧密的特征,包括总云量、低云量、不同气压下的湿度和温度;进行特征分量分析,计算特征属性{总云量,低云量,不同气压下的湿度和温度}构成的多维样本数据集合中每个特征向量的方差值占总方差值的比例,将特征向量按照对应比例从大到小排列成矩阵,若需要降K维,则只需取前K列主成分分量;
步骤2,选择降维后的云层属性值矩阵和对应影像的目标结果标示作为样本集,记为{(Xi,yi),i=1,2,...,N},其中Xi和yi分别为输入向量和输出量,表示云层属性值和目标类别标示,根据影像中的云雨是否影像判读和处理,目标结果分别用数字0、1、2标示厚云遮蔽、无云清晰和薄云降质;利用最小二乘支持向量机进行样本集的分类训练和测试,获得红外卫星成像效果分类模型;
步骤3,根据目标经纬度信息,利用预报模型获得气象预报信息中的主要信息,即步骤1中前K列主成分分量的特征属性值;将特征属性值作为输入向量,输入效果红外卫星成像效果分类模型,模型输出的结果即为预测的结果标示。
所述的步骤1中云量取值为[0,10],湿度取值范围[0,100%],500hpa温度取值范围[-50℃,0℃],700hpa温度范围[-50℃,25℃],850hpa温度取值范围[-40℃,35℃]。
所述的步骤1在特征分量分析之前对历史气象数据进行完整性检查,对特征属性缺失3个值以上的数据直接丢弃;采用Z-score规范化将各维度的特征数据调整为正态分布。
所述的步骤2将样本集随机区分为训练集和测试集;根据训练集的分类超平面约束式为式中,φ(Xi)为输入量在高维空间RD的映射,为超平面的法线方向εi为松弛向量,常数b∈R;建立拉格朗日函数,引入惩罚因子c得到式中,α为拉格朗日因子,优化求解得到K(X,Xi)为核函数,是低维空间到高维空间的映射;采用交叉验证和网格搜索法结合确定核宽度γ和惩罚系数c以训练分类模型;利用测试集对模型进行测试,其准确率记为历史数据分类预测的精度。
所述的步骤2确定核宽度γ和惩罚系数c的具体步骤如下:将训练集数据分为n份,并初始化参数(c,γ),其范围均设为[2-10,210],搜索步长设为0.5;选取第一组参数,用其中n-1份作为训练样本输入LSSVM,将剩余1份验证样本的原标示结果进行比较,得到预测结果的准确率;然后将验证样本换为另1份子集,其余n-1份为训练样本来重复验证;选取下一组参数,获得该组参数的预测准确率,与之前的最佳参数预测准确率进行比较,取最高准确率的参;重复本步骤直至遍历网格中所有点,最终输出最佳模型参数(c,σ),将参数输入支持向量机训练,获得分类模型。
本发明的有益效果是:通过对历史气象数据进行主成分分析,降低了机器学习的输入维度和样本训练的资源消耗。考虑历史样本数据集为小样本的情况,利用最小二乘支持向量机可完成小样本数据量下多分类模型的高效建模。本发明通过建立历史气象数据与历史对应红外成像效果的关系模型,能够实现规划目标的成像效果预测,模型鲁棒,易于推广,具有重要的实际意义。
附图说明
图1是本发明的方法流程图;
图2是云层对中波红外成像效果影响示意图,其中,(a)是厚云遮蔽,(b)是无云清晰,(c)是薄云降置;
图3是云层属性的维度相关图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明提供一种红外成像效果预测方法,适用于近地和中高轨道遥感卫星红外成像效果预测,通过机器学习识别不同气象条件对红外成像影响,并辅助卫星任务规划决策。
本发明提出的红外成像效果预测的方法,通过历史成像数据和气象条件结合的样本数据进行特征分析和建模,实现基于气象特征数据的成像效果预测。首先对图像数据进行云判,将成像数据分为不同类别。以预报气象的多个属性为基准,挖掘气象数据产品中各属性的相关性和主特征;然后将历史气象数据和图像类别组成样本集,利用最小二乘支持向量机建立多分类模型,实现气象条件预报下的卫星红外成像效果高精度预测。实际业务应用表明,该方法得到的成像预估结果有较高的准确度,为卫星任务规划提供有效的决策支持。
本发明的红外成像效果预测方法的流程如图1所示,具体技术步骤如下:
1.气象预报产品的数据预处理和主成分分析
首先,根据云层对红外的影响选择气象预报产品中与云量云属关系紧密的特征,本发明确定的初始特征信息为:总云量、低云量、不同气压下的湿度和温度等。其中,云量取值为[0,10],湿度(%)取值范围[0,100],不同气压下分布不同。500hpa温度(℃)取值范围[-50,0],700hpa温度(℃)范围[-50,25],850hpa温度(℃)取值范围[-40,35]。温度范围随气压降低而下降,具体数值分布无公知技术。本发明从气象角度对近10年数据采用每月挑1天对不同气压下的温度取值进行统计获得。特征属性的取值范围作样本输入,而后通过规范化将消除量纲和数据大小的影响。
其次,为便于数据的特征分析,对数据进行预处理。首先对历史气象数据进行完整性检查,对特征属性缺失3个值以上的数据直接丢弃。采用Z-score规范化将各维度的特征数据调整为正态分布,标准化后数据可按式(1)计算。
式中,μ为分布标准差,σ为方差。
最后,引入主成分分析(Principal component analysis,PCA)对预处理后的数据进行特征分量分析。计算特征属性{总云量,低云量,500hpa湿度,500hpa温度,700hpa湿度,700hpa温度,850hpa湿度,850hpa温度}构成的8维样本数据集合中每个特征向量的方差值占总方差值的比例,反映该特征在成分中的重要程度。将特征向量按照对应比例从大到小排列成矩阵,若需要降K维,则只需取前K列主成分分量,实现在最小方差下的数据表示和降维的目的。
2.基于最小二乘支持向量的红外卫星成像效果三分类模型
由于云雨可吸收部分或全部地面海陆目标的红外辐射,图像呈现薄雾状遮挡或黑团状遮蔽现象。因此,成像数据根据实际情况,根据是否影响判读和处理,将目标结果分为三类用数值标示:厚云遮蔽(0)、无云清晰(1)、薄云降质(2),见图2。
首先,选择降维后的云层属性值矩阵和对应影像的目标结果标示作为样本集,记为{(Xi,yi),i=1,2,...,N},其中Xi和yi分别为输入向量(云层属性值)和输出量(目标类别标示)。为避免机器学***衡分布。
然后,利用最小二乘支持向量机(Least-square Supported Vector Machine,LSSVM)进行样本集的三分类训练和测试。
根据训练集的分类超平面约束式为:
式中,α为拉格朗日因子。对式(3)优化求解,表达式为
式中,K(X,Xi)为核函数,是低维空间到高维空间的映射。考虑气象特征与成像效果属于非线性分类,本发明选择径向基函数为核函数
式中,γ是核宽度。选定核函数后,需要确定核宽度γ和惩罚系数c以训练分类模型。
为达到精确分类的目的,采用交叉验证和网格搜索法结合求解最优参数。参数优化的具体步骤如下:
(1)将样本集以一定比例随机分为训练集和测试集两部分,其中训练集数据分为n份,并初始化参数(c,γ),其范围均设为[2-10,210],搜索步长设为0.5;
(2)选取第一组参数,用其中n-1份作为训练样本输入LSSVM,将剩余1份验证样本的原标示结果进行比较,得到预测结果的准确率;然后将验证样本换为另1份子集,其余n-1份为训练样本来重复验证;
(3)选取下一组参数,重复步骤(2)获得该组参数的预测准确率。与之前的最佳参数预测准确率进行比较,取最高准确率的参数。此优化过程重复直至遍历网格中所有点,最终输出最佳模型参数(c,σ)。将参数输入支持向量机训练,获得三分类模型,记为thrClouds。
最后,为验证模型的有效性,利用测试集对模型进行测试,其准确率记为历史数据分类预测的精度。
3.基于气象预报的成像效果预测
对于待规划的目标进行成像效果预测时,具体步骤如下:
(1)根据目标经纬度信息,利用预报模型获得气象预报信息中的主要信息(第1部分中的降维属性);
(2)将特征属性值作为输入向量,输入效果预测模型(第2部分中建立的三分类模型);
(3)模型输出的结果即为预测的结果标示。其中,0预计为厚云遮蔽,不建议规划;1预计为无云清晰,建议规划任务;2预计为薄云情况,成像质量可能受一定降质影响但可以规划。
本发明的实施例包括以下步骤:
步骤1,历史气象数据和图像的样本数据预处理
目前广泛使用的气象预报主要是欧洲中心预报产品和我国全球预报产品。前者使用大气高分辨率数值预报谱模式,后者是使用第二代数值天气预报模式T799。两种预报模型的适用范围和空间准确度有差别,其中欧洲预报仅有经度60~150纬度-10~70范围数据,空间精度0.25°×0.25°,我国预报模型能够覆盖全球范围,其网格精度1°×1°。考虑空间覆盖和实际应用,此处选择我国第二代预报模型。
选取某太阳同步轨道卫星在2018年6月至12月的侦察热点的历史气象预报数据和对应影像效果标示作为样本数据,部分数据见表1。
表1部分历史样本集数据
在Matlab下进行预处理,首先将导入云层属性数据(大小M×8),M为数据组个数。为避免缺失数据值(NaN)影响机器学习训练,对历史气象数据进行检查。若某次探测的气象特征值中缺失数据占比较大(8个属性中缺失3个以上),直接丢弃该组数据。对于随机丢失并不严重的情况,利用类差值法预测缺失数据,最后对气象数据进行标准化。
步骤2,基于主成分分析的气象数据特征分析和降维
(1)在Matlab中利用princomp函数实现气象数据矩阵的主成分分析,函数返回得协方差矩阵的特征向量、主成分分量的投影和特征值向量。将特征值向量用三维坐标表现可视化相关性,体现云层属性在三个特征度的分布,如图3所示。可以看出,总云量、低云量、温度在不同象限,三者之间不能相互替代;温度和湿度分布在不同象限,两者之间也不能相互替代;而三个气压下的温度分布具有线性相关性。
(2)将特征向量按特征值大小从大到小按行排列,计算各特征向量的贡献值,反映其在主成分中的重要程度,即其各特征向量的方差值占总方差值的比例。试验数据中,气象预报产品中8个属性的贡献率分别为[0.404,0.692,0.833,0.916,0.976,0.995,0.997,1],说明前5个特征可代表原8个特征的97.6%信息。
步骤3,利用LibSVM工具箱实现成像效果分类建模
采用Matlab软件的LibSVM工具箱(Lin Chih-Jen版本)进行成像效果三分类器的训练和测试。
(1)首先将样本数据的训练集按两部分导入:气象数据Values(M×5,选择前5个云层属性数据)和类别向量Label(M×1),M为数据组个数。训练前利用libsvm中的grid.py工具对核函数参数和惩罚因子(c,σ)求优搜索,交叉分组时为保证每组数据量,设
试验数据得c=2048.0,σ=0.00047619,交叉验证准确率为最高94.081%,即为最优参数。
(2)将最优参数输入到函数svmtrain中进行训练。
迭代优化后得到三分类模型。试验数据返回模型的重要参数为{kernel_type=rbf;σ=0.00047619;nr_class=3;total_sv=304;rho=-0.337784;label=[0,1,2];nr_sv=[114,109,81]}
(3)为验证模型的适用性,将40组测试数据的前5个主成分属性特征数据作为输入,利用函数svmpredict输入第(2)步获得的分类模型。
将输出类别和原始类别标示(0,1,2)进行比对,得到测试数据中正确分类39个,错误1个,预测准确率为97.5%。
步骤4,某目标地点的红外成像效果预测
针对未探测的红外目标,利用函数svmpredict将目标点位的5个主要的特征气象数据{总云量,低云量,500hpa湿度,500hpa温度,700hpa湿度}输入得到的三分类模型,输出的类别标识即为预测结果,部分数据见表2。平均每组数据计算时间在1秒内。
表2部分地区红外成像效果预测
本发明内容应用在中波红外低轨道卫星遥感应用,从实际业务结果表明,该方法预测卫星成像效果有较高的准确度,能够为任务规划发挥重要决策作用。
此方法的技术特性如下:
1.实际数据测试,气象预报产品中8个属性{总云量,低云量,500hpa湿度,500hpa温度,700hpa湿度,700hpa温度,850hpa湿度,850hpa温度}中各特征的贡献率分别为[0.404,0.692,0.833,0.916,0.976,0.995,0.997,1],说明前5个特征可代表原8个特征的97.6%信息,一定程度上可降低气象预报的工作量。
2.针对类别平衡的近百余组样本数据,模型的优化和训练时间约为20秒,预测一个目标点位的计算时间在1秒内。根据实际样本试验,测试样本的成像效果的正确率可达97.5%,满足实际工程需求。
Claims (6)
1.一种基于气象预报和机器学习的卫星红外成像效果预测方法,其特征在于,包括以下步骤:
步骤1,选择气象预报产品中与云量云属关系紧密的特征,包括总云量、低云量、不同气压下的湿度和温度;进行特征分量分析,计算特征属性{总云量,低云量,不同气压下的湿度和温度}构成的多维样本数据集合中每个特征向量的方差值占总方差值的比例,将特征向量按照对应比例从大到小排列成矩阵,若需要降K维,则只需取前K列主成分分量;
步骤2,选择降维后的云层属性值矩阵和对应影像的目标结果标示作为样本集,记为{(Xi,yi),i=1,2,...,N},其中Xi和yi分别为输入向量和输出量,表示云层属性值和目标类别标示,根据影像中的云雨是否影像判读和处理,目标结果分别用数字0、1、2标示厚云遮蔽、无云清晰和薄云降质;利用最小二乘支持向量机进行样本集的分类训练和测试,获得红外卫星成像效果分类模型;
步骤3,根据目标经纬度信息,利用预报模型获得气象预报信息中的主要信息,即步骤1中前K列主成分分量的特征属性值;将特征属性值作为输入向量,输入效果红外卫星成像效果分类模型,模型输出的结果即为预测的结果标示。
2.根据权利要求1所述的基于气象预报和机器学习的卫星红外成像效果预测方法,其特征在于,所述的步骤1中云量取值为[0,10],湿度取值范围[0,100%],500hpa温度取值范围[-50℃,0℃],700hpa温度范围[-50℃,25℃],850hpa温度取值范围[-40℃,35℃]。
3.根据权利要求1所述的基于气象预报和机器学习的卫星红外成像效果预测方法,其特征在于,所述的步骤1在特征分量分析之前对历史气象数据进行完整性检查,对特征属性缺失3个值以上的数据直接丢弃;采用Z-score规范化将各维度的特征数据调整为正态分布。
5.根据权利要求4所述的基于气象预报和机器学习的卫星红外成像效果预测方法,其特征在于,所述的步骤2确定核宽度γ和惩罚系数c的具体步骤如下:将训练集数据分为n份,并初始化参数(c,γ),其范围均设为[2-10,210],搜索步长设为0.5;选取第一组参数,用其中n-1份作为训练样本输入LSSVM,将剩余1份验证样本的原标示结果进行比较,得到预测结果的准确率;然后将验证样本换为另1份子集,其余n-1份为训练样本来重复验证;选取下一组参数,获得该组参数的预测准确率,与之前的最佳参数预测准确率进行比较,取最高准确率的参;重复本步骤直至遍历网格中所有点,最终输出最佳模型参数(c,σ),将参数输入支持向量机训练,获得分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438400.2A CN112668613A (zh) | 2020-12-07 | 2020-12-07 | 基于气象预报和机器学习的卫星红外成像效果预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438400.2A CN112668613A (zh) | 2020-12-07 | 2020-12-07 | 基于气象预报和机器学习的卫星红外成像效果预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112668613A true CN112668613A (zh) | 2021-04-16 |
Family
ID=75401884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011438400.2A Pending CN112668613A (zh) | 2020-12-07 | 2020-12-07 | 基于气象预报和机器学习的卫星红外成像效果预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668613A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494244A (zh) * | 2022-03-30 | 2022-05-13 | 中国人民解放军96901部队 | 一种基于支持向量机的景象适配性分析方法 |
CN116402137A (zh) * | 2023-06-02 | 2023-07-07 | 中国人民解放军国防科技大学 | 一种基于***息的卫星任务挖掘预测方法、***及装置 |
CN117312998A (zh) * | 2023-09-06 | 2023-12-29 | 东北林业大学 | 一种基于图像-气象-温度的路面覆盖物分类装置及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608994A (zh) * | 2009-07-17 | 2009-12-23 | 清华大学 | 用主成分分析与支持向量机的重介悬浮液煤泥含量测定法 |
CN106296612A (zh) * | 2016-08-09 | 2017-01-04 | 南京工业大学 | 一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法 |
CN106529378A (zh) * | 2015-09-15 | 2017-03-22 | 中国科学院声学研究所 | 一种亚裔人脸的年龄特征模型生成方法及年龄估计方法 |
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN106845692A (zh) * | 2016-12-29 | 2017-06-13 | 航天恒星科技有限公司 | 一种考虑气象信息的成像卫星任务规划方法 |
CN107610114A (zh) * | 2017-09-15 | 2018-01-19 | 武汉大学 | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 |
CN108256822A (zh) * | 2017-12-25 | 2018-07-06 | 航天恒星科技有限公司 | 一种适用于气象信息辅助卫星成像任务规划***及方法 |
CN111337929A (zh) * | 2020-03-26 | 2020-06-26 | 上海眼控科技股份有限公司 | 气象云图预测方法、装置、计算机设备和存储介质 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
-
2020
- 2020-12-07 CN CN202011438400.2A patent/CN112668613A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101608994A (zh) * | 2009-07-17 | 2009-12-23 | 清华大学 | 用主成分分析与支持向量机的重介悬浮液煤泥含量测定法 |
CN106529378A (zh) * | 2015-09-15 | 2017-03-22 | 中国科学院声学研究所 | 一种亚裔人脸的年龄特征模型生成方法及年龄估计方法 |
CN106296612A (zh) * | 2016-08-09 | 2017-01-04 | 南京工业大学 | 一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法 |
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN106845692A (zh) * | 2016-12-29 | 2017-06-13 | 航天恒星科技有限公司 | 一种考虑气象信息的成像卫星任务规划方法 |
CN107610114A (zh) * | 2017-09-15 | 2018-01-19 | 武汉大学 | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 |
CN108256822A (zh) * | 2017-12-25 | 2018-07-06 | 航天恒星科技有限公司 | 一种适用于气象信息辅助卫星成像任务规划***及方法 |
CN111337929A (zh) * | 2020-03-26 | 2020-06-26 | 上海眼控科技股份有限公司 | 气象云图预测方法、装置、计算机设备和存储介质 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
Non-Patent Citations (2)
Title |
---|
王宝英: "基于气象因素分析的城市AQI预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
郑红等: "基于云特征的遥感图像可用度影响因素分析", 《北京航空航天大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494244A (zh) * | 2022-03-30 | 2022-05-13 | 中国人民解放军96901部队 | 一种基于支持向量机的景象适配性分析方法 |
CN116402137A (zh) * | 2023-06-02 | 2023-07-07 | 中国人民解放军国防科技大学 | 一种基于***息的卫星任务挖掘预测方法、***及装置 |
CN116402137B (zh) * | 2023-06-02 | 2023-09-12 | 中国人民解放军国防科技大学 | 一种基于***息的卫星任务挖掘预测方法、***及装置 |
CN117312998A (zh) * | 2023-09-06 | 2023-12-29 | 东北林业大学 | 一种基于图像-气象-温度的路面覆盖物分类装置及方法 |
CN117312998B (zh) * | 2023-09-06 | 2024-04-16 | 东北林业大学 | 一种基于图像-气象-温度的路面覆盖物分类装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668613A (zh) | 基于气象预报和机器学习的卫星红外成像效果预测方法 | |
Fanos et al. | A hybrid model using machine learning methods and GIS for potential rockfall source identification from airborne laser scanning data | |
CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
Champagne et al. | A bootstrap method for assessing classification accuracy and confidence for agricultural land use mapping in Canada | |
Jensen | Spectral and textural features to classify elusive land cover at the urban fringe | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN107895136B (zh) | 一种煤矿区域识别方法及*** | |
Cintineo et al. | A deep-learning model for automated detection of intense midlatitude convection using geostationary satellite images | |
Yan | Pixel based and object oriented image analysis for coal fire research | |
Giannico et al. | Contributions of landscape heterogeneity within the footprint of eddy-covariance towers to flux measurements | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
Mahmoudzadeh | Digital change detection using remotely sensed data for monitoring green space destruction in Tabriz | |
Bessac et al. | Stochastic simulation of predictive space–time scenarios of wind speed using observations and physical model outputs | |
CN111191594B (zh) | 一种基于多源卫星数据的云底高度反演方法及*** | |
Guo et al. | Multitemporal time series analysis using machine learning models for ground deformation in the Erhai region, China | |
Dungan | Toward a comprehensive view of uncertainty in remote sensing analysis | |
Weidner et al. | An algorithm for measuring landslide deformation in terrestrial lidar point clouds using trees | |
Vietinghoff et al. | Visual analysis of spatio-temporal trends in time-dependent ensemble data sets on the example of the North Atlantic Oscillation | |
Putri | Analysis of land cover classification results using ann, svm, and rf methods with r programming language (case research: Surabaya, Indonesia) | |
Silverman et al. | Predicting origins of coherent air mass trajectories using a neural network—the case of dry intrusions | |
Levy et al. | Estimation of gross land-use change and its uncertainty using a Bayesian data assimilation approach | |
Burley et al. | A remote sensing and atmospheric correction method for assessing multispectral radiative transfer through realistic atmospheres and clouds | |
Wafdan | Accuracy Assessment of Land Use/Land Cover Classification Data from Sentinel-2 & ASTER Imagery Interpretation using Unsupervised Classification Algorithm | |
Xu et al. | A stratified environmental reference system for better understanding of the relationship between remote sensing observations and ground monitoring of karst rocky desertification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210416 |
|
WD01 | Invention patent application deemed withdrawn after publication |