CN114494859B - 基于遥感数据的长时间序列积雪遥感数据集构建方法 - Google Patents
基于遥感数据的长时间序列积雪遥感数据集构建方法 Download PDFInfo
- Publication number
- CN114494859B CN114494859B CN202111659517.8A CN202111659517A CN114494859B CN 114494859 B CN114494859 B CN 114494859B CN 202111659517 A CN202111659517 A CN 202111659517A CN 114494859 B CN114494859 B CN 114494859B
- Authority
- CN
- China
- Prior art keywords
- snow
- remote sensing
- data
- pixel data
- sensing data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明涉及遥感数据技术领域,特别涉及一种基于遥感数据的长时间序列积雪遥感数据集构建方法,所述方法包括:获取目标区域的目标时间段内的积雪遥感数据集,获取基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及多源积雪遥感数据对应的第二积雪像元数据;根据第二积雪像元数据以及预设的融合优先级,对第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据;获取第二空缺像元数据对应的历史积雪覆盖率数据,根据历史积雪覆盖率数据以及第二空缺像元数据,获取第四积雪像元数据;将第一积雪像元数据、第三积雪像元数据以及第四积雪像元数据进行组合,获取长时间序列积雪遥感数据集。
Description
技术领域
本发明涉及遥感数据技术领域,特别涉及是一种基于遥感数据的长时间序列积雪遥感数据集构建方法、装置、设备以及存储介质。
背景技术
由于积雪在波长为0.5 μm左右的可见光波段有较高的反射率,而在1.6 μm左右的短波红外波段有较强的吸收特征,反射率较低;大部分云在可见光波段有较高的反射率,在短波红外波段反射率依然很高。因此,积雪研究常用的积雪遥感数据,主要基于光学遥感技术或者微波遥感技术研发获得。
但是,由于积雪和云在可见光波段的光谱特性非常相似,基于光学遥感技术研发的积雪遥感数据往往因太阳辐射不足和云层遮掩而存在大量的空缺值,在具有应用中存在一定的困难。而基于微波遥感技术研发的积雪遥感数据由于受天线口径的限制,空间分辨率普遍较低。难以充分表征积雪变化的空间异质性,在积雪研究的空间分辨率和精度上存在瓶颈。
发明内容
基于此,本发明的目的在于,提供一种基于遥感数据的长时间序列积雪遥感数据集构建方法、装置、设备以及存储介质,以基础积雪遥感数据为框架,融合多源积雪遥感数据,避免不同积雪遥感数据之间传感器、幅宽、产品算法不一致对长时序积雪融合数据集的影响,构建高精度、高空间分辨率的长时间序列积雪遥感数据集。
第一方面,本申请实施例提供了一种基于遥感数据的长时间序列积雪遥感数据集构建方法,包括以下步骤:
获取目标区域的目标时间段内的积雪遥感数据集,其中,所述积雪遥感数据集包括基础积雪遥感数据以及多源积雪遥感数据,所述基础积雪遥感数据以及多源积雪遥感数据均包括积雪像元数据以及空缺像元数据;
获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据;
根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据;
获取所述第二空缺像元数据对应的历史积雪覆盖率数据,根据所述历史积雪覆盖率数据以及第二空缺像元数据,获取第四积雪像元数据;
将所述第一积雪像元数据、第三积雪像元数据以及第四积雪像元数据进行组合,获取长时间序列积雪遥感数据集,对所述长时间序列积雪遥感数据集进行精度评价。
第二方面,本申请实施例提供了一种基于遥感数据的长时间序列积雪遥感数据集构建装置,包括:
第一获取模块,用于获取目标区域的目标时间段内的积雪遥感数据集,其中,所述积雪遥感数据集包括基础积雪遥感数据以及多源积雪遥感数据;
第二获取模块,用于获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据;
第一填充模块,用于根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据;
第二填充模块,用于获取所述第二空缺像元数据对应的历史积雪覆盖率数据,根据所述历史积雪覆盖率数据以及第二空缺像元数据,获取第四积雪像元数据;
数据集构建模块,用于将所述第一积雪像元数据、第三积雪像元数据以及第四积雪像元数据进行组合,获取长时间序列积雪遥感数据集,对所述长时间序列积雪遥感数据集进行精度评价。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感数据的长时间序列积雪遥感数据集构建方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于遥感数据的长时间序列积雪遥感数据集构建方法的步骤。
在本申请实施例中,提供一种基于遥感数据的长时间序列积雪遥感数据集构建方法、装置、设备以及存储介质,以基础积雪遥感数据为框架,融合多源积雪遥感数据,避免不同积雪遥感数据之间传感器、幅宽、产品算法不一致对长时序积雪融合数据集的影响,构建高精度、高空间分辨率的长时间序列积雪遥感数据集。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法的流程示意图;
图2为本申请另一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法的流程示意图;
图3为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法的长短期记忆网络的主体结构示意图;
图4为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法中S2的流程示意图;
图5为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建装置的结构示意图;
图6为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法的流程示意图,所述方法包括如下步骤:
S1:获取目标区域的目标时间段内的积雪遥感数据集,其中,所述积雪遥感数据集包括基础积雪遥感数据以及多源积雪遥感数据,所述基础积雪遥感数据以及多源积雪遥感数据均包括积雪像元数据以及空缺像元数据。
所述基于遥感数据的长时间序列积雪遥感数据集构建方法的执行主体为基于遥感数据的长时间序列积雪遥感数据集构建方法的构建设备(以下简称构建设备),在一个可选的实施例中,所述构建设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
在本实施例中,控制设备可以与预设网络数据库建立数据连接,从所述网络数据库中获取目标区域的目标时间段内的积雪遥感数据集。
所述基础积雪遥感数据包括为JASMES系列积雪遥感数据以及MODIS系列积雪遥感数据;
所述JASMES系列积雪遥感数据为光学遥感数据,具体为日本宇航局发布的北半球自1978年以来的长时间序列的积雪遥感数据,与其他积雪遥感数据相比,JASMES系列积雪遥感数据校正了AVHRR(Advanced Very High Resolution Radiometer)系列积雪遥感数据的***误差,是中等分辨率(5km)积雪遥感数据中时间尺度最长的积雪遥感数据,
所述MODIS系列积雪遥感数据为光学遥感数据,具体为美国冰雪数据中心发布的北半球自2000年以来的长时间序列的积雪遥感数据,与JASMES系列积雪遥感数据相比,MODIS系列积雪遥感数据的时间尺度较短,但空间分辨率相对较高。
所述多源积雪遥感数据包括混合积雪遥感数据、微波雪深数据以及站点雪深数据,其中,所述混合积雪遥感数据包括NHSCE系列积雪遥感数据以及IMS系列积雪遥感数据;
所述NHSCE(Northern Hemisphere EASE-Grid Weekly Snow Cover Extent)系列积雪遥感数据是空间分辨率为25km的北半球积雪遥感数据集。
所述IMS(The Interactive Multi-sensor Snow and Ice Mapping System)系列积雪遥感数据是基于交互式多传感器冰雪测绘***获取的北半球积雪遥感数据集,空间分辨率为4km。
所述微波雪深数据为基于微波遥感技术获取的雪深数据,包括GlobSnow系列雪深数据以及全球微波雪深数据;
所述GlobSnow系列雪深数据为欧空局发布的长时间序列全球微波雪深数据,空间分辨率25km。
所述全球微波雪深数据为基于被动微波遥感技术的长时间序列全球微波雪深数据。
所述站点雪深数据包括GHCN雪深数据、ECA&D雪深数据以及CMA雪深数据,其中,GHCN(Global Historical Climatology Network)为全球天气数据库;所述GHCN雪深数据为通过全球天气数据库获取的雪深数据;ECA&D(European Climate Assessment &Dataset)雪深数据为欧洲气候评估雪深数据;CMA(China Meteorological Data ServiceCentre)雪深数据为通过中国气象数据服务中心获取的雪深数据。
请参阅图2,图2为本申请另一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法的流程示意图,包括步骤S6,所述步骤S6在步骤S2之前,具体如下:
S6:对所述多源积雪遥感数据进行预处理,获取预处理后的多源积雪遥感数据,其中,所述预处理包括格式转换以及重投影。
为了保证所述基础积雪遥感数据与多源积雪遥感数据的时空一致性,在本实施例中,控制设备按照所述基础积雪遥感数据的格式、尺寸大小,所述多源积雪遥感数据进行格式转换以及重投影,以便快速对预处理后的多源积雪遥感数据的积雪像元数据以及空缺像元数据进行获取,以及长时间序列积雪遥感数据集构建,防止产生空间重叠,合理减低运算量,提高算法效率。
S2:获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据。
所述基础积雪遥感数据以及多源积雪遥感数据均包括3种类型的像元,具体为积雪像元、空缺像元以及非积雪像元,在一个可选的实施例中,构建设备将所述基础积雪遥感数据或者多源积雪遥感数据作为AVHRR(Advanced Very High Resolution Radiometer),即高级甚高分辨率辐射计的输入参数,获取AVHRR输出的AVHRR-SR CDR,即地表反射率数据,用于表现不同波长范围内对应的地表反射率,其中所述地表反射率数据包括7个波段。
在本实施例中,构建设备获取所述地表反射率数据的第7个波段,即获取所述基础积雪遥感数据或者多源积雪遥感数据中每个像元的质量控制信息,其中,所述质量控制信息为一个16位无符号整数,其中的位代表具体的质量信息。根据所述质量控制信息,将每个像元划分为积雪像元、空缺像元或者非积雪像元的一种,从而获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据。
S3:根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据。
在本实施例中,构建设备根据所述第二积雪像元数据以及预设的融合优先级,获取所述第二积雪像元数据的在目标区域上的位置坐标数据,根据所述第一空缺像元数据在目标区域上的位置坐标数据,对所述第一空缺像元数据进行填充,获取所述第三积雪像元数据以及第二空缺像元数据。
请参阅图3,图3为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法中S3的流程示意图,包括步骤S301~S302,具体如下:
S301:获取第一积雪覆盖率数据、第二积雪覆盖率数据以及第三积雪覆盖率数据,其中,所述第一积雪覆盖率数据为基于所述混合积雪遥感数据获取的积雪覆盖率数据,所述第二积雪覆盖率数据为基于微波雪深数据获取的积雪覆盖率数据,所述第三积雪覆盖率数据为基于所述站点雪深数据获取的积雪覆盖率数据。
在本实施例中,构建设备对所述多源积雪遥感数据以及站点雪深数据进行积雪面积提取,具体地,分别计算所述多源积雪遥感数据以及站点雪深数据的若干年份的每个像元被积雪覆盖的次数;根据所述积雪覆盖的次数除以若干年份的年份数目,分别获取第一积雪覆盖率数据、第二积雪覆盖率数据以及第三积雪覆盖率数据。
S302:根据所述第一积雪覆盖率数据、第二积雪覆盖率数据以及第三积雪覆盖率数据,进行精度验证,获取精度验证指标,根据所述精度验证指标,建立所述融合优先级。
所述精度验证指标包括相关性指标R、均方根误差指标RMSE以及偏差指标Bias,在本实施例中,根据所述第一积雪覆盖率数据、第二积雪覆盖率数据以及第三积雪覆盖率数据,进行精度验证,获取精度验证指标,根据所述精度验证指标,建立融合优先级,具体如下:
构建设备获取所述第一积雪覆盖率数据、第二积雪覆盖率数据以及第三积雪覆盖率数据对应的精度验证指标,分别根据对应的精度验证指标,从大到小进行排序,获取相关性指标R的排序结果、均方根误差指标RMSE结果以及偏差指标Bias结果,按照所述相关性R的排序结果,将最大的相关性指标R对应的混合积雪数据作为融合优先级中的第一优先级,若出现两个或两个以上的积雪数据对应的相关性指标R的值相等,则按照所述均方根误差指标RMSE结果,对比两者对应的均方根误差指标RMSE的值,所述均方根误差指标RMSE的值大的积雪数据优先级高,若出现两个或两个以上的积雪数据对应的相关性指标R的值相等,则按照所述偏差指标Bias结果,对比两者对应的偏差指标Bias的值,所述偏差指标Bias的值大的积雪数据优先级高,依次建立融合优先级。
S4:获取所述第二空缺像元数据对应的历史积雪覆盖率数据,根据所述历史积雪覆盖率数据以及第二空缺像元数据,获取第三积雪像元数据。
在本实施例中,构建设备根据所述IMS系列积雪遥感数据以及第二空缺像元数据的坐标位置数据,计算所述第二空缺像元数据对应的历史积雪覆盖率数据;根据所述第二空缺像元数据对应的历史积雪覆盖率数据以及预设的积雪覆盖率阈值,当所述第二空缺像元数据对应的历史积雪覆盖率数据的值大于预设的积雪覆盖率阈值,将所述第二空缺像元数据的空缺像元判断为积雪像元,获取所述第三积雪像元数据。
S5:将所述第一积雪像元数据、第二积雪像元数据以及第三积雪像元数据进行组合,获取长时间序列积雪遥感数据集,对所述长时间序列积雪遥感数据集进行精度评价。
在本实施例中,构建设备将所述第一积雪像元数据、第二积雪像元数据以及第三积雪像元数据进行组合,获取长时间序列积雪遥感数据集,并对所述长时间序列积雪遥感数据集进行精度评价。
请参阅图4,图4为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建方法中S5的流程示意图,包括步骤S501~S502,具体如下:
S501:获取所述站点雪深数据对应的第五积雪像元数据、第一非积雪像元数据,以及所述长时间序列积雪遥感数据集对应的第六积雪像元数据、第二非积雪像元数据。
在本实施例中,构建设备获取所述站点雪深数据对应的第五积雪像元数据、第一非积雪像元数据,以及所述长时间序列积雪遥感数据集对应的第六积雪像元数据、第二非积雪像元数据。
S502:根据所述第五积雪像元数据、第一非积雪像元数据、第六积雪像元数据以及第二非积雪像元数据,获取所述站点雪深数据以及长时间序列积雪遥感数据集对应的精度评价指标,根据所述精度评价指标以及精度评价指标阈值,获取精度评价结果。
所述精度评价指标包括漏分类误差评价指标、错分误差评价指标以及总体精度评价指标。其中,所述漏分类误差评价指标体现为构建设备将积雪像元划分为非积雪像元的情况;所述错分误差评价指标体现为构建设备将非积雪像元划分为积雪像元的情况;所述总体精度评价指标体现为构建设备划分积雪像元以及非积雪像元正确的情况。
在本实施例中,构建设备根据所述第五积雪像元数据、第一非积雪像元数据、第六积雪像元数据、第二非积雪像元数据的坐标位置数据,以及相应的精度评价指标算法,获取精度评价指标,其中,所述精度评价指标算法为:
式中,A为所述漏分类误差评价指标,B为所述错分误差评价指标,C为所述总体精度评价指标,I为同一位置的所述站点雪深数据以及长时间序列积雪遥感数据集的像元为积雪像元的次数,II为同一位置的所述站点雪深数据为非积雪像元,长时间序列积雪遥感数据集的像元为积雪像元的次数,III为同一位置的所述站点雪深数据为积雪像元,长时间序列积雪遥感数据集的像元为非积雪像元的次数,IV为同一位置的所述站点雪深数据为非积雪像元,长时间序列积雪遥感数据集的像元为非积雪像元的次数。
所述精度评价指标阈值包括漏分类误差评价指标阈值、错分误差评价指标阈值以及总体精度评价指标阈值,构建设备将所述精度评价指标分别与相应的精度评价指标阈值作对比,获取精度评价结果。
请参考图5,图5为本申请一个实施例提供的基于遥感数据的长时间序列积雪遥感数据集构建装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于遥感数据的长时间序列积雪遥感数据集构建装置的全部或一部分,该装置5包括:
第一获取模块51,用于获取目标区域的目标时间段内的积雪遥感数据集,其中,所述积雪遥感数据集包括基础积雪遥感数据以及多源积雪遥感数据;
第二获取模块52,用于获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据;
第一填充模块53,用于根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据;
第二填充模块54,用于获取所述第二空缺像元数据对应的历史积雪覆盖率数据,根据所述历史积雪覆盖率数据以及第二空缺像元数据,获取第四积雪像元数据;
数据集构建模块55,用于将所述第一积雪像元数据、第三积雪像元数据以及第四积雪像元数据进行组合,获取长时间序列积雪遥感数据集,对所述长时间序列积雪遥感数据集进行精度评价。
在本申请实施例中,通过第一获取模块,获取目标区域的目标时间段内的积雪遥感数据集,其中,所述积雪遥感数据集包括基础积雪遥感数据以及多源积雪遥感数据;通过第二获取模块,获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据;通过第一填充模块,根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据;通过第二填充模块,获取所述第二空缺像元数据对应的历史积雪覆盖率数据,根据所述历史积雪覆盖率数据以及第二空缺像元数据,获取第四积雪像元数据;通过数据集构建模块,将所述第一积雪像元数据、第三积雪像元数据以及第四积雪像元数据进行组合,获取长时间序列积雪遥感数据集,对所述长时间序列积雪遥感数据集进行精度评价。以基础积雪遥感数据为框架,融合多源积雪遥感数据,避免不同积雪遥感数据之间传感器、幅宽、产品算法不一致对长时序积雪融合数据集的影响,构建高精度、高空间分辨率的长时间序列积雪遥感数据集。
请参考图6,图6为本申请一个实施例提供的计算机设备的结构示意图,计算机设备6包括:处理器61、存储器62以及存储在存储器62上并可在处理器61上运行的计算机程序63;计算机设备可以存储有多条指令,指令适用于由处理器61加载并执行上述图1至图4所示实施例的方法步骤,具体执行过程可以参见图1至图4所示实施例的具体说明,在此不进行赘述。
其中,处理器61可以包括一个或多个处理核心。处理器61利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器62内的指令、程序、代码集或指令集,以及调用存储器62内的数据,执行基于遥感数据的长时间序列积雪遥感数据集构建装置5的各种功能和处理数据,可选的,处理器61可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器61可集成中央处理器61(Central Processing Unit,CPU)、图像处理器61(Graphics ProcessingUnit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器61中,单独通过一块芯片进行实现。
其中,存储器62可以包括随机存储器62(Random Access Memory,RAM),也可以包括只读存储器62(Read-Only Memory)。可选的,该存储器62包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器62可用于存储指令、程序、代码、代码集或指令集。存储器62可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器62可选的还可以是至少一个位于远离前述处理器61的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图4所示实施例的方法步骤,具体执行过程可以参见图1至图4所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (7)
1.一种基于遥感数据的长时间序列积雪遥感数据集构建方法,其特征在于,包括以下步骤:
获取目标区域的目标时间段内的积雪遥感数据集,其中,所述积雪遥感数据集包括基础积雪遥感数据以及多源积雪遥感数据,所述多源积雪遥感数据包括站点雪深数据;所述基础积雪遥感数据以及多源积雪遥感数据均包括积雪像元数据以及空缺像元数据,所述多源积雪遥感数据还包括非积雪像元数据;
获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据;
根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据;
获取所述第二空缺像元数据对应的历史积雪覆盖率数据,根据所述历史积雪覆盖率数据以及第二空缺像元数据,获取第四积雪像元数据;
将所述第一积雪像元数据、第三积雪像元数据以及第四积雪像元数据进行组合,获取长时间序列积雪遥感数据集,获取所述站点雪深数据对应的第五积雪像元数据、第一非积雪像元数据,以及所述长时间序列积雪遥感数据集对应的第六积雪像元数据、第二非积雪像元数据;根据所述第五积雪像元数据、第一非积雪像元数据、第六积雪像元数据以及第二非积雪像元数据,获取所述站点雪深数据以及长时间序列积雪遥感数据集对应的精度评价指标,根据所述精度评价指标以及精度评价指标阈值,获取精度评价结果。
2.根据权利要求1所述的基于遥感数据的长时间序列积雪遥感数据集构建方法,所述获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据之前,包括步骤:
对所述多源积雪遥感数据进行预处理,获取预处理后的多源积雪遥感数据,其中,所述预处理包括格式转换以及重投影。
3.根据权利要求1所述的基于遥感数据的长时间序列积雪遥感数据集构建方法,其特征在于:所述多源积雪遥感数据包括混合积雪遥感数据以及微波雪深数据,其中,所述混合积雪遥感数据包括NHSCE系列积雪遥感数据以及IMS系列积雪遥感数据。
4.根据权利要求3所述的基于遥感数据的长时间序列积雪遥感数据集构建方法,其特征在于,所述根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据,包括步骤:
获取第一积雪覆盖率数据、第二积雪覆盖率数据以及第三积雪覆盖率数据,其中,所述第一积雪覆盖率数据为基于所述混合积雪遥感数据获取的积雪覆盖率数据,所述第二积雪覆盖率数据为基于微波雪深数据获取的积雪覆盖率数据,所述第三积雪覆盖率数据为基于所述站点雪深数据获取的积雪覆盖率数据;
根据所述第一积雪覆盖率数据、第二积雪覆盖率数据以及第三积雪覆盖率数据,进行精度验证,获取精度验证指标,根据所述精度验证指标,建立所述融合优先级。
5.一种基于遥感数据的长时间序列积雪遥感数据集构建装置,其特征在于,包括:
第一获取模块,用于获取目标区域的目标时间段内的积雪遥感数据集,其中,所述积雪遥感数据集包括基础积雪遥感数据以及多源积雪遥感数据,所述多源积雪遥感数据包括站点雪深数据;所述基础积雪遥感数据以及多源积雪遥感数据均包括积雪像元数据以及空缺像元数据,所述多源积雪遥感数据还包括非积雪像元数据;
第二获取模块,用于获取所述基础积雪遥感数据对应的第一积雪像元数据、第一空缺像元数据以及所述多源积雪遥感数据对应的第二积雪像元数据;
第一填充模块,用于根据所述第二积雪像元数据以及预设的融合优先级,对所述第一空缺像元数据进行填充,获取第三积雪像元数据以及第二空缺像元数据;
第二填充模块,用于获取所述第二空缺像元数据对应的历史积雪覆盖率数据,根据所述历史积雪覆盖率数据以及第二空缺像元数据,获取第四积雪像元数据;
数据集构建模块,用于将所述第一积雪像元数据、第三积雪像元数据以及第四积雪像元数据进行组合,获取长时间序列积雪遥感数据集,获取所述站点雪深数据对应的第五积雪像元数据、第一非积雪像元数据,以及所述长时间序列积雪遥感数据集对应的第六积雪像元数据、第二非积雪像元数据;根据所述第五积雪像元数据、第一非积雪像元数据、第六积雪像元数据以及第二非积雪像元数据,获取所述站点雪深数据以及长时间序列积雪遥感数据集对应的精度评价指标,根据所述精度评价指标以及精度评价指标阈值,获取精度评价结果。
6.一种计算机设备,其特征在于,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于遥感数据的长时间序列积雪遥感数据集构建方法的步骤。
7.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于遥感数据的长时间序列积雪遥感数据集构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659517.8A CN114494859B (zh) | 2021-12-30 | 2021-12-30 | 基于遥感数据的长时间序列积雪遥感数据集构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659517.8A CN114494859B (zh) | 2021-12-30 | 2021-12-30 | 基于遥感数据的长时间序列积雪遥感数据集构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114494859A CN114494859A (zh) | 2022-05-13 |
CN114494859B true CN114494859B (zh) | 2022-10-14 |
Family
ID=81507412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111659517.8A Active CN114494859B (zh) | 2021-12-30 | 2021-12-30 | 基于遥感数据的长时间序列积雪遥感数据集构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494859B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203594B (zh) * | 2022-09-16 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 多时相遥感数据显示方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127717A (zh) * | 2016-06-15 | 2016-11-16 | 中国科学院遥感与数字地球研究所 | 一种基于modis逐日积雪覆盖图像的去云方法及装置 |
CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930817A (zh) * | 2016-05-05 | 2016-09-07 | 中国科学院寒区旱区环境与工程研究所 | 一种基于多源遥感数据的公路积雪灾害监测与预警方法 |
CN111505625B (zh) * | 2020-04-01 | 2022-05-03 | 中国科学院国家空间科学中心 | 一种冰雪内部状态分布的主被动联合微波遥感探测方法 |
-
2021
- 2021-12-30 CN CN202111659517.8A patent/CN114494859B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127717A (zh) * | 2016-06-15 | 2016-11-16 | 中国科学院遥感与数字地球研究所 | 一种基于modis逐日积雪覆盖图像的去云方法及装置 |
CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114494859A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McRoberts | A model-based approach to estimating forest area | |
CN109974665B (zh) | 一种针对缺少短波红外数据的气溶胶遥感反演方法及*** | |
US8411903B2 (en) | Generating agricultural information products using remote sensing | |
CN109472393B (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN111191673B (zh) | 一种地表温度降尺度方法及*** | |
Kobayashi et al. | The integrated radiometric correction of optical remote sensing imageries | |
KR20220119645A (ko) | 작물 유형 및/또는 파종 날짜 추정 | |
CN108961199A (zh) | 多源遥感数据时空融合方法及装置 | |
CN114494864B (zh) | 基于遥感数据的积雪物候信息的提取方法 | |
CN114494859B (zh) | 基于遥感数据的长时间序列积雪遥感数据集构建方法 | |
CN113870425A (zh) | 基于随机森林和多源遥感技术的森林蓄积量空间制图方法 | |
CN113408111A (zh) | 大气可降水量反演方法及***、电子设备和存储介质 | |
Karl et al. | A technique for estimating rangeland canopy-gap size distributions from high-resolution digital imagery | |
CN114926732A (zh) | 一种多传感器融合的农作物深度学习识别方法及*** | |
Åstrand et al. | The potential of WorldView-2 for ortho-image production within the “Control with Remote Sensing Programme” of the European Commission | |
Álvarez-Martínez et al. | Can training data counteract topographic effects in supervised image classification? A sensitivity analysis in the Cantabrian Mountains (Spain) | |
CN115825388A (zh) | 一种重金属估算模型的训练方法、估算方法、装置及设备 | |
Chen et al. | Using low‐spectral‐resolution images to acquire simulated hyperspectral images | |
CN115908318A (zh) | 电力线弧垂确定方法、装置、设备、介质和产品 | |
CN114565733A (zh) | 一种植被覆盖度测量方法、装置、电子设备及介质 | |
CN115203911A (zh) | 遥感载荷在轨绝对辐射定标系数业务化计算方法及装置 | |
CN110866942A (zh) | 一种多源目标融合的在轨辐射响应跟踪方法及*** | |
CN117973231B (zh) | 一种山地植被覆盖度野外采样点自动优化布设方法及*** | |
CN114187507A (zh) | 基于遥感数据的湿地分类方法、装置、设备及存储介质 | |
CN117826112B (zh) | 一种基于sar的土壤含水量的反演方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |