CN115389443A - 红外高光谱大气探测仪噪声分析方法和装置 - Google Patents
红外高光谱大气探测仪噪声分析方法和装置 Download PDFInfo
- Publication number
- CN115389443A CN115389443A CN202210956002.2A CN202210956002A CN115389443A CN 115389443 A CN115389443 A CN 115389443A CN 202210956002 A CN202210956002 A CN 202210956002A CN 115389443 A CN115389443 A CN 115389443A
- Authority
- CN
- China
- Prior art keywords
- noise
- target
- spectrum data
- spectral
- atmosphere
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 238000001228 spectrum Methods 0.000 claims abstract description 233
- 230000005855 radiation Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims description 123
- 239000011159 matrix material Substances 0.000 claims description 75
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000000513 principal component analysis Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000005457 Black-body radiation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000005085 air analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
-
- 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
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明提供一种红外高光谱大气探测仪噪声分析方法和装置，涉及遥感数据分析技术领域，该方法包括：获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；生成干涉图对应的目标光谱数据；对目标光谱数据进行去噪处理，得到重构光谱数据；根据目标光谱数据和重构光谱数据确定噪声等效辐射方差，噪声等效辐射方差表征红外高光谱大气探测仪的噪声特性。本发明的技术方案提供了一种新的红外高光谱大气探测仪的仪器噪声表征方法，可以实时表征红外高光谱大气探测仪的仪器噪声。
Description
技术领域
本发明涉及遥感数据分析技术领域，尤其涉及一种红外高光谱大气探测仪噪声分析方法和装置。
背景技术
红外高光谱大气探测仪(Hyperspectral Infrared Atmospheric Sounder，HIRAS)是红外谱段的高光谱遥感器，是基于傅里叶干涉技术实现的天基高光谱分辨率红外观测仪器，能够进行大气温度廓线的探测、大气湿度廓线的探测和反演痕量气体的垂直分布廓线等，在气象监测、空气质量监测等方面发挥着重要的作用。
HIRAS作为气象卫星的主要载荷之一，对其噪声进行分析是评估其在轨运行性能的一项重要内容。相关技术中，通过重复观测，获取黑体、冷空两点的光谱集合，从中计算出仪器噪声，实现HIRAS仪器噪声的估计和表征。由于这种方法需要进行黑体和冷空的目标观测，因此存在一定的时空因素限制，难以实时表征HIRAS的仪器噪声，影响HIRAS在轨运行性能的评估。
发明内容
本发明提供一种红外高光谱大气探测仪噪声分析方法和装置，用以解决现有技术中HIRAS噪声评估实时性不足的缺陷。
本发明提供一种红外高光谱大气探测仪噪声分析方法，包括：
获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；
生成所述干涉图对应的目标光谱数据；
对所述目标光谱数据进行去噪处理，得到重构光谱数据；
根据所述目标光谱数据和所述重构光谱数据确定噪声等效辐射方差，所述噪声等效辐射方差表征所述红外高光谱大气探测仪的噪声特性。
根据本发明提供的一种红外高光谱大气探测仪噪声分析方法，所述对所述目标光谱数据进行去噪处理，得到重构光谱数据，包括：
获取所述目标光谱数据与光谱均值的差值，得到光谱差值；
基于所述光谱差值确定所述目标光谱数据的协方差矩阵；
根据所述目标光谱数据的协方差矩阵确定噪声先验矩阵；
基于所述噪声先验矩阵对所述光谱差值进行归一化处理，得到归一化光谱差值；
基于所述归一化光谱差值，利用主成分分析法去除所述目标光谱数据中的噪声，得到重构光谱数据。
根据本发明提供的一种红外高光谱大气探测仪噪声分析方法，所述基于所述归一化光谱差值，利用主成分分析法去除所述目标光谱数据中的噪声，得到重构光谱数据，包括：
基于所述归一化光谱差值确定主成分分量和主成分权重，所述主成分分量用于表征所述目标光谱数据中的非噪声数据；
根据所述主成分分量、所述主成分权重和所述噪声先验矩阵重构光谱差值，得到目标光谱差值；
基于所述目标光谱差值和所述光谱均值确定重构光谱数据。
根据本发明提供的一种红外高光谱大气探测仪噪声分析方法，所述基于所述归一化光谱差值确定主成分分量和主成分权重包括：
确定所述归一化光谱差值的协方差矩阵，得到目标协方差矩阵；
对所述目标协方差矩阵进行奇异值分解，得到正交基特征向量和特征值；
根据所述正交基特征向量和所述归一化光谱差值确定所述主成分权重；
基于所述特征值的变化曲线确定所述主成分分量。
根据本发明提供的一种红外高光谱大气探测仪噪声分析方法，所述生成所述干涉图对应的目标光谱数据包括：
对所述干涉图进行傅里叶变换，得到初始光谱数据；
确定所述初始光谱数据的均值；
基于所述均值和设定阈值对所述初始光谱数据进行筛选，得到所述干涉图对应的目标光谱数据。
根据本发明提供的一种红外高光谱大气探测仪噪声分析方法，所述根据所述目标光谱数据和所述重构光谱数据确定噪声等效辐射方差包括：
获取所述目标光谱数据和所述重构光谱数据的光谱残差；
基于所述光谱残差确定噪声协方差矩阵；
根据所述噪声协方差矩阵确定噪声等效辐射方差。
本发明还提供一种红外高光谱大气探测仪噪声分析装置，包括：
获取模块，用于获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；
生成模块，用于生成所述干涉图对应的目标光谱数据；
处理模块，用于对所述目标光谱数据进行去噪处理，得到重构光谱数据；
确定模块，用于根据所述目标光谱数据和所述重构光谱数据确定噪声等效辐射方差，所述噪声等效辐射方差表征所述红外高光谱大气探测仪的噪声特性。
本发明还提供一种红外高光谱大气探测仪，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述红外高光谱大气探测仪噪声分析方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述红外高光谱大气探测仪噪声分析方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述红外高光谱大气探测仪噪声分析方法。
本发明提供的红外高光谱大气探测仪噪声分析方法和装置，通过获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图，并生成该干涉图对应的目标光谱数据，然后对该目标光谱数据进行去噪处理，得到重构光谱数据，该重构光谱数据即可作为地球目标的光谱的模拟值，再根据目标光谱数据和重构光谱数据确定出噪声等效辐射方差，便可用噪声等效辐射方差来表征红外高光谱大气探测仪的噪声特性，这样，能够利用红外高光谱大气探测仪对地球目标进行观测所形成的目标光谱数据实现红外高光谱大气探测仪的仪器噪声的表征，避免了借助黑体和冷空进行仪器噪声估计时的时空因素限制，提高了仪器噪声表征的实时性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的红外高光谱大气探测仪噪声分析方法的流程示意图；
图2是本发明实施例提供的HIRAS观测范围的示意图；
图3是本发明实施例中奇异值分解得到的特征值的变化曲线示意图；
图4是本发明实施例中初始光谱图的示意图；
图5是本发明实施例中初始光谱数据的筛选结果示意图；
图6是本发明实施例中噪声等效辐射方差的结果示意图；
图7是本发明实施例中噪声等效温差的结果示意图；
图8是本发明实施例提供的红外高光谱大气探测仪噪声分析装置的结构示意图；
图9是本发明实施例提供的红外高光谱大气探测仪的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
遥感仪器的辐射噪声是估计地球物理参数的重要影响因子，对遥感仪器的辐射噪声进行表征是充分利用相关观测数据来估计地球物理参数的重要步骤。HIRAS是极轨气象卫星(如风云三号(FY-3)极轨气象卫星)的主要载荷之一，是基于傅里叶干涉技术实现的天基高光谱分辨率红外观测仪器，能够实现地气***的高光谱分辨率红外观测，可以精确地探测到较高垂直分辨率的大气温度廓线和大气湿度廓线，通过在数值天气预报模式中同化这些信息可以改进数值天气预报的精度，同时可以反演痕量气体的垂直分布廓线，如臭氧、一氧化碳、甲烷等痕量气体，在空气质量监测中发挥出了巨大作用，而且可以提供长期连续的大气成分记录，以便后期进行年际变化研究。
HIRAS是红外谱段的高光谱遥感仪器，是稳定的气象卫星载荷，光谱探测范围可以在650cm-1至2250cm-1，空间分辨率可以达到16km。由于光谱分辨率的提高和光谱通道数的增加有利于优化垂直探测分辨率，但同时会导致通道信噪比降低，因此，分析HIRAS的仪器噪声是评估其在轨运行性能的一项重要内容。相关技术中，遥感仪器的仪器噪声评价方法主要是借助黑体、冷空两点的观测数据来实现仪器噪声的表征和估计，由于需要进行黑体和冷空两点的目标观测，因此存在一定的时空因素限制。
HIRAS在轨期间有三种工作模式：发射入轨初期模式、对地扫描模式和定标模式。其中，发射入轨初期模式通过干涉仪动镜解锁等操作进行仪器星上光校；对地扫描模式使用若干像素视场角(Field Of View，FOV)通过45°扫描镜跨轨扫描，来观测29个驻留视场(Field Of Regard，FOR)；定标模式通过扫描黑体和冷空实现定标，其在每次扫描中进行2次黑体和冷空扫描以进行辐射定标。定标模式扫描数据不仅是地球目标光谱的定标依据，也是仪器噪声分析的主要技术。
相关技术中，在定标模式下，可以先收集气象卫星飞行轨道中黑体和冷空的扫描观测数据，即将黑体和冷空电压采样干涉图经傅里叶变换得到的原始复数光谱数据作为样本数据；接着计算各样本数据的定标光谱；然后根据定标光谱结果计算黑体和冷空的噪声等效辐射方差(Noise Equivalent Differential Radiance，NEdN)，利用该NEdN表征仪器噪声。具体的，可以计算样本数据平均值，结合普朗克公式推导黑体温度对应的理想黑体辐射光谱，利用如下公式(1)计算各样本数据的定标光谱，然后根据定标光谱结果计算标准差，并利用如下的公式(2)获取黑体和冷空的NEdN。
公式(1)为
公式(2)为
其中，
表示冷空定标光谱，
表示冷空原始复数光谱样本数据，
表示黑体原始复数光谱样本数据，
表示黑体温度对应的理想黑体辐射光谱，<·>表示取光谱均值，Re{·}表示复数取实部，b、p、d和i分别表示波段、FOV、动镜扫描方向和光谱通道。
对于HIRAS的原始干涉图，仪器外部辐射和内部辐射相位相差180度，观测黑体时外部辐射占主导，观测冷空时外部辐射为零而内部仪器辐射占主导，观测对地目标时为外部辐射和内部辐射的总和。基于黑体和冷空两点的仪器噪声评价方法，通过重复观测来获得黑体和冷空的光谱集合，从中计算集合方差和协方差，并计算HIRAS的仪器噪声。但是，该方法存在如下问题：
1)HIRAS在轨运行期间，黑体、冷空和地球目标依照相应顺序独立地进行观测，在观测地球目标场景时，这些视图会缺少当前时刻黑体源的温度，因而难以对仪器噪声进行动态评价；
2)HIRAS观测地球目标场景时，仪器辐射在穿过大气层时，会以取决于波数的方式被大气吸收，大气顶部的辐射可以被认为是来自连续温度范围的辐射，因此，地球视图是否存在噪声难以准确评价；
3)仪器噪声的分析深度依赖于黑体和冷空的观测数据，缺乏有效的对比分析方法。
而遥感仪器的观测协方差矩阵的对角项可以对应于观测值的方差，其平方根可以反映辐射噪声，表示测量的精度。
基于此，本发明实施例提供了一种红外高光谱大气探测仪噪声分析方法，通过获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图，并生成该干涉图对应的目标光谱数据，然后对该目标光谱数据进行去噪处理，得到重构光谱数据，可以用该重构光谱数据表示地球目标的光谱的拟合值，再根据目标光谱数据和重构光谱数据便可确定出用来表征红外高光谱大气探测仪的噪声特性的噪声等效辐射方差。
具体的，对于面向噪声的分析，可以根据一组实际观测光谱值与对应的模拟光谱值计算光谱残差，并且与黑体光谱一样，计算时考虑光谱残差的方差和协方差。其中，模拟光谱值可以通过多种方式获得，比如基于傅里叶变换或主成分分析(Principal ComponentAnalysis，PCA)等的正交基方法等。在本发明实施例中可以采用基于PCA的正交基方法将数据投影到正交基中，通过选取适当的主成分分量将数据逆变换到物理空间，此时可以将经逆变换后的结果视为实际观测光谱值的重构，即模拟光谱值，最后根据HIRAS的实际观测光谱值与通过PCA得到的模拟光谱值得到光谱残差，并根据光谱残差计算协方差矩阵，表征仪器噪声。本发明实施例中的其中的目标光谱数据即为实际观测光谱值，重构光谱数据即为模拟光谱值。
下面结合图1-图7对本发明的红外高光谱大气探测仪噪声分析方法进行描述。该红外高光谱大气探测仪噪声分析方法可以应用于红外高光谱大气探测仪，或应用于设置在红外高光谱大气探测仪中的红外高光谱大气探测仪噪声分析装置中，该红外高光谱大气探测仪噪声分析装置可以通过软件、硬件或两者的结合来实现。
图1示例性示出了本发明实施例提供的红外高光谱大气探测仪噪声分析方法的流程示意图，参照图1所示，该红外高光谱大气探测仪噪声分析方法可以包括如下的步骤110～步骤140。
步骤110：获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图。
在本发明实施例中，可以选择HIRAS在卫星飞行轨道所能探测到的无云晴空下同一片海洋作为地球目标，如太平洋区域，这样可以减少观测误差及不同地表类型引起的误差等，搭载在卫星上的HIRAS可以对该海洋区域进行多次观测，每次观测时接收经海洋反射和大气吸收的太阳辐射，形成干涉图。
例如，图2示例性示出了本发明实施例提供的HIRAS观测范围的示意图，参照图2所示，HIRAS中的一个FOV扫描目标海洋区域得到的干涉图比如可以是图中的区域20。可以理解的是，HIRAS的每个FOV都可得到各自对应的扫描区域的干涉图，HIRAS可以在不同时刻对该目标海洋区域进行观测，得到观测数据集。
步骤120：生成干涉图对应的目标光谱数据。
得到干涉图之后，可以将干涉图转换为光谱图，得到目标光谱数据，该目标光谱数据可以反映经海洋区域反射后，经大气吸收后的太阳能量谱。
在面向噪声的分析中，模拟光谱值通常会存在偏差，在PCA处理中，假设信号分布在第一个正交基中，但噪声方差分布在所有正交基中，即噪声需要所有主成分分量表征。对于给定的主成分分量，在表征仪器噪声时如果仅考虑剩余主成分分量的噪声信息，而不是全部正交基中的噪声信息，则获取到的模拟光谱值可能会存在偏差。而对于一个高度冗余的信号，信息分量主要集中在较少的正交基中，因此可以使用更多的分量表征噪声信息，此时偏差可以忽略不计。基于此，对于面向噪声的分析，可以进行数据集筛选，以便最突出的信号尽可能地限制在几个较大的主成分内。
基于此，在一种示例实施例中，生成干涉图对应的目标光谱数据可以包括：对干涉图进行傅里叶变换，得到初始光谱数据；确定初始光谱数据的均值；基于均值和设定阈值对初始光谱数据进行筛选，得到干涉图对应的目标光谱数据。这样，通过数据筛选可以得到一致性较好的目标光谱数据。
例如，可以通过如下的公式(3)对初始光谱数据进行筛选，公式(3)可以表示为：
其中，R0为初始光谱数据，也即初始的HIRAS样本数据，
为初始光谱数据的均值，T为设定阈值，|·|表示取绝对值。
步骤130：对目标光谱数据进行去噪处理，得到重构光谱数据。
得到目标光谱数据之后，可以对目标光谱数据进行去噪处理，以对目标光谱数据进行重构，得到重构光谱数据，该重构光谱数据也即HIRAS所观测的地球目标的模拟光谱值。
例如，可以采用PCA方法对目标光谱数据进行去噪处理，得到重构光谱数据。具体的，对目标光谱数据进行去噪处理，得到重构光谱数据，可以包括：获取目标光谱数据与光谱均值的差值，得到光谱差值；基于光谱差值确定目标光谱数据的协方差矩阵；根据目标光谱数据的协方差矩阵确定噪声先验矩阵；基于噪声先验矩阵对光谱差值进行归一化处理，得到归一化光谱差值；基于归一化光谱差值，利用主成分分析法去除目标光谱数据中的噪声，得到重构光谱数据。
示例性的，假设筛选后得到的目标光谱数据R是d×N的光谱向量矩阵，其中的d为HIRAS的光谱数量，N为每一光谱的数据量，目标光谱数据R的数量可表示为d×N，则目标光谱数据R的光谱均值
可表示为如下的公式(4)。公式(4)为：
其中，Ri表示目标光谱数据R中的第i组光谱向量。
进一步的，对于辐射向量R，假设其噪声为加性噪声，即R＝s+ε，其中的s是信号，ε为噪声项，噪声与信号不相关。对于HIRAS，其仪器噪声主要是高斯噪声，则可以假设ε为高斯噪声，ε的均值为零。则，基于光谱差值确定目标光谱数据的协方差矩阵，根据目标光谱数据的协方差矩阵确定噪声先验矩阵可以是通过如下的公式(5)实现，该公式(5)可以表示为：
其中，
表示噪声先验矩阵，
即表示目标光谱数据的协方差矩阵，Ri表示目标光谱数据R中的第i组光谱向量，N为每一组光谱的数据量，
为目标光谱数据R的光谱均值。由此，可以理解的是，噪声先验矩阵可以通过目标光谱数据的标准差实现。
进一步的，基于噪声先验矩阵对光谱差值进行归一化处理，得到归一化光谱差值可以通过公式(6)实现，公式(6)可以表示为：
其中，Xi为归一化光谱差值，是一个归一化的零均值向量。
示例性的，基于归一化光谱差值，利用主成分分析法去除目标光谱数据中的噪声，得到重构光谱数据，可以包括：基于归一化光谱差值确定主成分分量和主成分权重，主成分分量用于表征目标光谱数据中的非噪声数据；根据主成分分量、主成分权重和噪声先验矩阵重构光谱差值，得到目标光谱差值；基于目标光谱差值和光谱均值确定重构光谱数据。
其中，基于归一化光谱差值确定主成分分量和主成分权重可以包括：确定归一化光谱差值的协方差矩阵，得到目标协方差矩阵；对目标协方差矩阵进行奇异值分解，得到正交基特征向量和特征值；根据正交基特征向量和归一化光谱差值确定主成分权重；基于特征值的变化曲线确定主成分分量。
具体的，可以根据上述携带仪器噪声的矢量Xi，进行PCA变化处理，并结合PCA变换结果重构光谱差值，进而重构出重构光谱数据。在重构过程中可以将R中的信号，即非噪声数据，提取出来，分离噪声。
例如，令X为d×N维的矩阵，其列是归一化光谱差值Xi。d维向量Xi的正交基可以通过对称协方差矩阵的奇异值分解(Singular Value Decomposition，SVD)获得。具体的，确定归一化光谱差值的协方差矩阵，得到目标协方差矩阵，可以通过公式(7)实现，该公式(7)可以表示为：
其中，N为每一光谱的数据量，XT为X的转置，S表示归一化光谱差值的协方差矩阵，该协方差矩阵也即表示目标光谱数据归一化处理后的协方差矩阵。
进一步的，可以通过公式(8)对S进行SVD分解，公式(8)可以表示为：
S＝UAUT；
其中，U是酉矩阵，UT是U的转置，A是对角矩阵。可以理解的是，U即为正交基特征向量，A的对角元素即为特征值。
进一步的，可以根据正交基特征向量U和归一化光谱差值Xi，利用公式(9)确定主成分权重Ci，其中的公式(9)可以表示为：
Ci＝UTXi。
其中，向量Ci的元素互不相关。矩阵U为d×d维的向量。
进一步的，可以基于特征值的变化曲线确定主成分分量Uτ，其中，τ表示矩阵U的列索引，其取值范围为1≤τ≤d，且τ为整数。
对于一个高度冗余的信号，当τ<<d时，仪器噪声计算偏差可以忽略不计。但是，如果τ取得太小，则仪器噪声计算结果中将包括来自信号的贡献；如果将τ取得太大，由于仪器噪声分布在所有的正交基中，将会损失更多的噪声信息，导致噪声方差的低估。因此，τ的正确选择是至关重要的。在选择主成分分量时，考虑特征值表示不同正交基所占的权重，因此可以结合特征值权重大小进行主成分分量的选择。
例如，图3示例性示出了本发明实施例中奇异值分解得到的特征值的变化曲线示意图，参照图3所示，横轴为矩阵U的列索引，纵轴为特征值，随着列索引的增加，特征值下降，下降到一定程度时保持平稳，可以将曲线转为平稳的拐点处列索引确定为τ，然后保留矩阵U的前τ列且将剩余的d-τ列设置为零，得到的矩阵即为主成分分量Uτ。
基于此，可以在仅考虑矩阵U的前τ列的情况下，根据主成分分量Uτ、主成分权重Ci和噪声先验矩阵
根据公式(10)重构光谱差值，得到目标光谱差值
进而可以基于该目标光谱差值
和光谱均值
利用公式(11)确定出重构光谱数据。
公式(10)为
公式(11)为
其中的
为重构光谱数据。
步骤140：根据目标光谱数据和重构光谱数据确定噪声等效辐射方差，噪声等效辐射方差表征红外高光谱大气探测仪的噪声特性。
示例性的，根据目标光谱数据和重构光谱数据确定噪声等效辐射方差可以包括：获取目标光谱数据和重构光谱数据的光谱残差；基于光谱残差确定噪声协方差矩阵；根据噪声协方差矩阵确定噪声等效辐射方差。
例如，对于冗余信号，比如光谱辐射，可以通过光谱残差的协方差矩阵表征噪声协方差矩阵Sε。具体的，可以通过公式(12)获得噪声协方差矩阵Sε，公式(12)可以表示为：
其中，Ri表示目标光谱数据R中的第i组光谱向量，N为每一组光谱的数据量，
表示Ri和
的光谱残差，
为
的转置。
基于此，噪声等效辐射方差NEdN可以通过公式(13)得到，公式(13)为：
一种示例实施例中，噪声等效温差(Noise Equivalent DifferenceTemperature，NEdT)是衡量红外探测器***性能的重要指标之一，能够表征仪器灵敏度，在HIRAS仪器噪声评价时，可以结合普朗克黑体辐射公式(14)将NEdN转换为NEdT，公式(14)可以表示为：
其中，L表示光谱辐亮度，h表示普朗克常数，h取值为6.626×10-34焦耳·秒，c表示光速，c取值为2.998×108米/秒，k表示玻尔兹曼常数，k取值为1.3806×10-23焦耳/开尔文，σ为波数，ΔT为热力学温度。
基于公式(14)，将噪声等效辐射方差NEdN代入L，计算得到ΔT即为NEdT，以此可以将NEdN转换为NEdT。
本发明实施例提供的红外高光谱大气探测仪噪声分析方法，通过获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图，并生成该干涉图对应的目标光谱数据，然后对该目标光谱数据进行去噪处理，得到重构光谱数据，该重构光谱数据即可作为地球目标的光谱的模拟值，再根据目标光谱数据和重构光谱数据确定出噪声等效辐射方差，便可用噪声等效辐射方差来表征红外高光谱大气探测仪的噪声特性，这样，能够利用红外高光谱大气探测仪对地球目标进行观测所形成的目标光谱数据实现红外高光谱大气探测仪的仪器噪声的表征，避免了借助黑体和冷空进行仪器噪声估计时的时空因素限制，提高了仪器噪声表征的实时性。
基于上述实施例的红外高光谱大气探测仪噪声分析方法，下面以风云三号卫星搭载的HIRAS为例，对本发明实施例提供的红外高光谱大气探测仪噪声分析方法做进一步的举例说明。
风云三号卫星搭载的HIRAS主要用于大气温湿度廓线反演，同时可以反演臭氧、一氧化碳、二氧化碳等大气痕量气体的廓线。以风云三号FY-3E卫星为例，其具有9个FOV，可跨轨扫描形成29个FOR，空间分辨率约为16km，其中，波谱范围包括一个长波红外光谱WL_LW及中波、短波红外光谱WL_MW1和WL_MW2，能够实现650cm-1至2550cm-1光谱范围全覆盖。其L1级数据产品包括3个光谱探测器对应的黑体、冷空的NEdN和地球目标的观测数据，以及其它辅助数据。HIRAS的光谱信息可如表1所示。
表1
基于此，下面结合FY-3E卫星搭载的HIRAS的L1级地球观测数据产品，对基于PCA的仪器噪声分析方法进行分析，并可以结合黑体、冷空等分析方法加以验证。该分析过程中以HIRAS的的一个FOV进行举例说明，如FOV5。则本发明实施例提供的红外高光谱大气探测仪噪声分析方法可以包括如下的步骤S11～步骤S17。
步骤S11：选择观测数据。
可以选择HIRAS对地球目标进行观测，并筛选无云晴空下的海洋样本数据集。例如，选取太平洋区域晴空下的观测数据，其观测范围可参考图2所示。
对于单个FOV，其扫描范围可以划分为若干像素，可以提取观测数据中每个像素对应复数光谱的实部，得到初始光谱数据，图4示例性示出了初始光谱图的示意图，即该初始光谱数据对应的光谱图，其中，不同的灰度代表不同的像素，不同的像素表现出不同的光谱。在图4初始光谱图的基础上，可以结合设定阈值对初始光谱数据进行进一步的筛选，例如，图5示例性示出了初始光谱数据的筛选结果示意图，如图5所示，通过筛选得到的目标光谱数据相较于图4的初始光谱数据更为聚合。
步骤S12：计算光谱均值。
计算上述筛选结果的平均光谱，得到光谱均值，通过该光谱均值可以反映目标光谱数据的光谱整体变化情况。
步骤S13：计算光谱差值。
使用筛选得到的目标光谱数据减去光谱均值，可以得到光谱差值。
步骤S14：基于PCA方法重构光谱差值。
在本发明实施例中，需要构造HIRAS的仪器噪声标准差的先验矩阵，即目标光谱数据的噪声先验矩阵，该噪声先验矩阵可以通过目标光谱数据的标准差进行表示。具体的，可以计算初始光谱数据筛选得到的目标光谱数据与步骤S12计算得到的光谱均值的标准差，根据该标准差，结合上述的公式(5)可以得到噪声先验矩阵，该噪声先验矩阵即是噪声标准差的先验矩阵。
进一步的，可以基于得到的噪声先验矩阵对步骤S13得到的光谱差值进行归一化处理，得到归一化光谱差值。
在使用PCA方法重构光谱差值前，需要选择合适的主成分分量，确保噪声和信号的分离，不损失更多的噪声信息，且在分离的噪声结果中不引入过多信号的贡献。具体的，可以结合特征值的意义，根据如图3所示的特征值的变化曲线选择合适的主成分分量。在确定出合适的主成分分量后，可以根据PCA方法重构光谱差值。具体的，可以基于上述公式(10)并结合图3对归一化光谱差值进行PCA重构，重构出目标光谱差值。
步骤S15：确定重构光谱数据。
根据PCA方法重构得到的目标光谱差值和步骤S12的光谱均值，利用上述公式(11)可以实现目标光谱数据的重构，得到重构光谱数据。
步骤S16：根据目标光谱数据和重构光谱数据计算NEDN结果。
FY-3E的HIRAS包含9个FOV，以单个FOV为例，可以根据PCA方法得到的重构光谱数据和HIRAS观测的目标光谱数据，计算该FOV的NEdN。图6示例性示出了噪声等效辐射方差的结果示意图，其中曲线①是对地球目标进行观测得到的噪声等效辐射方差曲线，曲线②是对冷空进行观测得到的噪声等效辐射方差曲线，结果表明，使用PCA方法及地球目标观测数据计算的NEdN，与冷空观测得到的NEdN结果具有较好的一致性，因此，本发明实施例提供的红外高光谱大气探测仪噪声分析方法可以有效的评估HIRAS的仪器噪声，且避免了利用黑体和冷空观测时的时空因素限制。
步骤S17：根据NEdN及普朗克公式计算NEdT。
根据上述步骤S16的NEdN结果，结合普朗克公式(14)，可以将NEdN转换为NEdT。例如，图7示例性示出了噪声等效温差的结果示意图，其中，曲线③为对地球目标进行观测得到的NEdT曲线，曲线④为对冷空进行观测得到的NEdT曲线，两者对比分析可知，对地球目标进行观测得到的NEdT与对冷空进行观测得到的NEdT具有较好的一致性。因此，利用本申请的方案能够较好的实现仪器灵敏度的表征，且避免了利用黑体和冷空观测时的时空因素限制。
本发明实施例提供的红外高光谱大气探测仪噪声分析方法，给出了一种新的红外高光谱大气探测仪的仪器噪声表征方法，在HIRAS观测地球目标场景时，能够依据地球目标观测数据对仪器噪声进行动态分析，提供了一种独立于根据黑体、冷空观测数据进行仪器噪声评估的方法，可以通过PCA方法对HIRAS的地球目标观测数据进行分析，以分析HIRAS的仪器噪声，在黑体、冷空观测等常规分析基础上对仪器噪声分析方法进行了补充，且能够相互验证分析；而且，本发明实施例提供的方法，克服了黑体、冷空观测等部分时空局限，提高了仪器噪声表征的实时性，具有更大的适用范围。
下面对本发明提供的红外高光谱大气探测仪噪声分析装置进行描述，下文描述的红外高光谱大气探测仪噪声分析装置与上文描述的红外高光谱大气探测仪噪声分析方法可相互对应参照。
图8示例性示出了本发明实施例提供的红外高光谱大气探测仪噪声分析装置的结构示意图，参照图8所示，红外高光谱大气探测仪噪声分析装置1400可以包括获取模块1410、生成模块1420、处理模块1430和确定模块1440。其中，获取模块1410，用于获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；生成模块1420，用于生成干涉图对应的目标光谱数据；处理模块1430，用于对目标光谱数据进行去噪处理，得到重构光谱数据；确定模块1440，用于根据目标光谱数据和重构光谱数据确定噪声等效辐射方差，噪声等效辐射方差表征红外高光谱大气探测仪的噪声特性。
一种示例实施例中，处理模块1430可以包括：第一获取单元，用于获取目标光谱数据与光谱均值的差值，得到光谱差值；第一确定单元，用于基于光谱差值确定目标光谱数据的协方差矩阵，并根据目标光谱数据的协方差矩阵确定噪声先验矩阵；处理单元，用于基于噪声先验矩阵对光谱差值进行归一化处理，得到归一化光谱差值；去噪单元，用于基于归一化光谱差值，利用主成分分析法去除目标光谱数据中的噪声，得到重构光谱数据。
一种示例实施例中，去噪单元可以包括：第一确定子单元，用于基于归一化光谱差值确定主成分分量和主成分权重，主成分分量用于表征目标光谱数据中的非噪声数据；重构子单元，用于根据主成分分量、主成分权重和噪声先验矩阵重构光谱差值，得到目标光谱差值；第二确定子单元，用于基于目标光谱差值和光谱均值确定重构光谱数据。
一种示例实施例中，第一确定子单元可以具体用于：确定归一化光谱差值的协方差矩阵，得到目标协方差矩阵；对目标协方差矩阵进行奇异值分解，得到正交基特征向量和特征值；根据正交基特征向量和归一化光谱差值确定主成分权重；基于特征值的变化曲线确定主成分分量。
一种示例实施例中，生成模块1420可以包括：变换单元，用于对干涉图进行傅里叶变换，得到初始光谱数据；第二确定单元，用于确定初始光谱数据的均值；筛选单元，用于基于均值和设定阈值对初始光谱数据进行筛选，得到干涉图对应的目标光谱数据。
一种示例实施例中，确定模块1440可以包括：第二获取单元，用于获取目标光谱数据和重构光谱数据的光谱残差；第三确定单元，用于基于光谱残差确定噪声协方差矩阵；第四确定单元，用于根据噪声协方差矩阵确定噪声等效辐射方差。
图9示例性示出了本发明实施例提供的红外高光谱大气探测仪的结构示意图，如图9所示，该电子设备1500可以包括：处理器(processor)1510、通信接口(CommunicationInterface)1520、存储器(memory)1530和通信总线1540，其中，处理器1510，通信接口1520，存储器1530通过通信总线1540完成相互间的通信。处理器1510可以调用存储器1530中的逻辑指令，以执行上述各方法实施例提供的红外高光谱大气探测仪噪声分析方法，该方法比如可以包括：获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；生成干涉图对应的目标光谱数据；对目标光谱数据进行去噪处理，得到重构光谱数据；根据目标光谱数据和重构光谱数据确定噪声等效辐射方差，噪声等效辐射方差表征红外高光谱大气探测仪的噪声特性。
此外，上述的存储器1530中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法实施例所提供的红外高光谱大气探测仪噪声分析方法，该方法比如可以包括：获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；生成干涉图对应的目标光谱数据；对目标光谱数据进行去噪处理，得到重构光谱数据；根据目标光谱数据和重构光谱数据确定噪声等效辐射方差，噪声等效辐射方差表征红外高光谱大气探测仪的噪声特性。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例所提供的红外高光谱大气探测仪噪声分析方法，该方法比如可以包括：获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；生成干涉图对应的目标光谱数据；对目标光谱数据进行去噪处理，得到重构光谱数据；根据目标光谱数据和重构光谱数据确定噪声等效辐射方差，噪声等效辐射方差表征红外高光谱大气探测仪的噪声特性。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种红外高光谱大气探测仪噪声分析方法，其特征在于，包括：
获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；
生成所述干涉图对应的目标光谱数据；
对所述目标光谱数据进行去噪处理，得到重构光谱数据；
根据所述目标光谱数据和所述重构光谱数据确定噪声等效辐射方差，所述噪声等效辐射方差表征所述红外高光谱大气探测仪的噪声特性。
2.根据权利要求1所述的红外高光谱大气探测仪噪声分析方法，其特征在于，所述对所述目标光谱数据进行去噪处理，得到重构光谱数据，包括：
获取所述目标光谱数据与光谱均值的差值，得到光谱差值；
基于所述光谱差值确定所述目标光谱数据的协方差矩阵，并根据所述目标光谱数据的协方差矩阵确定噪声先验矩阵；
基于所述噪声先验矩阵对所述光谱差值进行归一化处理，得到归一化光谱差值；
基于所述归一化光谱差值，利用主成分分析法去除所述目标光谱数据中的噪声，得到重构光谱数据。
3.根据权利要求2所述的红外高光谱大气探测仪噪声分析方法，其特征在于，所述基于所述归一化光谱差值，利用主成分分析法去除所述目标光谱数据中的噪声，得到重构光谱数据，包括：
基于所述归一化光谱差值确定主成分分量和主成分权重，所述主成分分量用于表征所述目标光谱数据中的非噪声数据；
根据所述主成分分量、所述主成分权重和所述噪声先验矩阵重构光谱差值，得到目标光谱差值；
基于所述目标光谱差值和所述光谱均值确定重构光谱数据。
4.根据权利要求3所述的红外高光谱大气探测仪噪声分析方法，其特征在于，所述基于所述归一化光谱差值确定主成分分量和主成分权重包括：
确定所述归一化光谱差值的协方差矩阵，得到目标协方差矩阵；
对所述目标协方差矩阵进行奇异值分解，得到正交基特征向量和特征值；
根据所述正交基特征向量和所述归一化光谱差值确定所述主成分权重；
基于所述特征值的变化曲线确定所述主成分分量。
5.根据权利要求1至4任一项所述的红外高光谱大气探测仪噪声分析方法，其特征在于，所述生成所述干涉图对应的目标光谱数据包括：
对所述干涉图进行傅里叶变换，得到初始光谱数据；
确定所述初始光谱数据的均值；
基于所述均值和设定阈值对所述初始光谱数据进行筛选，得到所述干涉图对应的目标光谱数据。
6.根据权利要求1至4任一项所述的红外高光谱大气探测仪噪声分析方法，其特征在于，所述根据所述目标光谱数据和所述重构光谱数据确定噪声等效辐射方差包括：
获取所述目标光谱数据和所述重构光谱数据的光谱残差；
基于所述光谱残差确定噪声协方差矩阵；
根据所述噪声协方差矩阵确定噪声等效辐射方差。
7.一种红外高光谱大气探测仪噪声分析装置，其特征在于，包括：
获取模块，用于获取红外高光谱大气探测仪对地球目标进行观测形成的干涉图；
生成模块，用于生成所述干涉图对应的目标光谱数据；
处理模块，用于对所述目标光谱数据进行去噪处理，得到重构光谱数据；
确定模块，用于根据所述目标光谱数据和所述重构光谱数据确定噪声等效辐射方差，所述噪声等效辐射方差表征所述红外高光谱大气探测仪的噪声特性。
8.一种红外高光谱大气探测仪，包括存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述红外高光谱大气探测仪噪声分析方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述红外高光谱大气探测仪噪声分析方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述红外高光谱大气探测仪噪声分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956002.2A CN115389443A (zh) | 2022-08-10 | 2022-08-10 | 红外高光谱大气探测仪噪声分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956002.2A CN115389443A (zh) | 2022-08-10 | 2022-08-10 | 红外高光谱大气探测仪噪声分析方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115389443A true CN115389443A (zh) | 2022-11-25 |
Family
ID=84119122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210956002.2A Pending CN115389443A (zh) | 2022-08-10 | 2022-08-10 | 红外高光谱大气探测仪噪声分析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115389443A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116660198A (zh) * | 2023-08-02 | 2023-08-29 | 中珀(北京)新材料科技有限公司 | 基于光谱分析的碳纳米材料浆料性能测试方法 |
-
2022
- 2022-08-10 CN CN202210956002.2A patent/CN115389443A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116660198A (zh) * | 2023-08-02 | 2023-08-29 | 中珀(北京)新材料科技有限公司 | 基于光谱分析的碳纳米材料浆料性能测试方法 |
| CN116660198B (zh) * | 2023-08-02 | 2023-09-29 | 中珀(北京)新材料科技有限公司 | 基于光谱分析的碳纳米材料浆料性能测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Goldberg et al. | AIRS near-real-time products and algorithms in support of operational numerical weather prediction | |
| Reuter et al. | A joint effort to deliver satellite retrieved atmospheric CO 2 concentrations for surface flux inversions: the ensemble median algorithm EMMA | |
| Pannekoucke et al. | Background‐error correlation length‐scale estimates and their sampling statistics | |
| Kyrölä et al. | Retrieval of atmospheric parameters from GOMOS data | |
| Smith et al. | Hyperspectral satellite radiance atmospheric profile information content and its dependence on spectrometer technology | |
| CN115389443A (zh) | 红外高光谱大气探测仪噪声分析方法和装置 | |
| Kappel et al. | Error analysis for retrieval of Venus׳ IR surface emissivity from VIRTIS/VEX measurements | |
| Wang et al. | A PolinSAR inversion error model on polarimetric system parameters for forest height mapping | |
| Xue et al. | One-dimensional variational retrieval of temperature and humidity profiles from the FY4A GIIRS | |
| Grieco et al. | Demonstration and validation of the φ‐IASI inversion scheme with NAST‐I data | |
| CN114218786A (zh) | 非偏振卫星传感器在轨偏振辐射特性反演方法 | |
| Connor et al. | Long-term stability of TES satellite radiance measurements | |
| Wulfmeyer et al. | Comparison of active and passive water vapor remote sensing from space: An analysis based on the simulated performance of IASI and space borne differential absorption lidar | |
| Bi et al. | Fast CO2 retrieval using a semi-physical statistical model for the high-resolution spectrometer on the Fengyun-3D satellite | |
| Li et al. | A study on retrieving atmospheric profiles from EOS/AIRS observations | |
| CN114519373A (zh) | 一种采用红外长波焦平面探测器的干涉信号去噪方法 | |
| CN114047563A (zh) | 一种红外高光谱的全天候同化方法 | |
| Guedj et al. | Future benefits of high-density radiance data from MTG-IRS in the AROME fine-scale forecast model Final Report | |
| Talone et al. | Towards a coherent sea surface salinity product from SMOS radiometric measurements and ARGO buoys | |
| Mironov et al. | A Method for Continues Calibration of a Rotating Antenna Scatterometer in Application to CFOSAT Measurements | |
| Beelaerts et al. | Time-series reconstruction from natural archive data with the averaging effect taken into account | |
| CN111983609B (zh) | 基于雷达遥感影像的湿芦苇提取方法 | |
| Uspensky et al. | A Fast Radiative Transfer Model for the Meteor-M satellite-based hyperspectral IR sounders | |
| Xu et al. | Retrieval of Atmospheric Temperature Profiles from FY-4A/GIIRS Hyperspectral Data Based on TPE-MLP: Analysis of Retrieval Accuracy and Influencing Factors | |
| Tadić et al. | Identification of Bias in Satellite Measurements Using its Geospatial Properties |
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 |