【技术实现步骤摘要】
本专利技术涉及光学遥感图像处理，具体是指一种基于机器学习的fy3d和modis数据的反射率订正算法。
技术介绍
1、modis是当前世界上新一代"图谱合一"的光学遥感仪器，有36个离散光谱波段，光谱范围宽，从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖，modis的多波段数据可以同时提供反映陆地表面状况、云边界、云特性、海洋水色、浮游植物、生物地理、化学、大气中水汽、气溶胶、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征的信息。可用于对地表、生物圈、固态地球、大气和海洋进行长期全球观测。遥感植被指数时间序列数据反映了植被的动态变化过程。但其受大气、云层遮挡，冰雪覆盖等因素的影响，导致遥感植被指数影像存在大量的噪声，这些噪声限制了对数据的深入分析和应用。目前时间序列数据重构(滤波、降噪)方法已有20多种，主要有最佳指数斜率提取法(best index slopeextraction，bise)、中值滤波法
2、(median filtering，mf)、sg方法(savitzky golay，sg)、傅立叶变换法(fouriertransform，ft)、小波变换法(wavelet transform，wt)、迭代内插数据重建法(interpolation for data reconstruction，idr)、均值迭代滤波法(mean valueiteration filter，mvi)、最大值合成法(maximum value composite，mvc)等。
3、上述时间序列数据重构方
4、针对modis的缺失数据的修复方法主要有三种：基于不同算法的融合、基于多源传感器数据的融合和基于影像数据本身时空信息的数据插值。基于不同算法的数据融合是基于不同算法的空间互补性，但现有的方法往往采用简单的线性融合，没有考虑算法在特定区域的适用度；基于多源传感器数据的融合包括不同卫星传感器之间以及卫星与地面观测等数据的融合。由于该方法的数据来源不同，所以存在数据的时空信息匹配的问题；基于影像数据本身的时空信息融合往往采用简单的空间插值方法，对时间信息的利用不充分。且没有进行后续进一步校正。目前对modis数据的修复方案大都仅利用了其中一两方面的信息，没有充分利用modis数据本身特点，设计针对性地全面改进方案，修复结果不够全面，精度不够高，时空推广性不强。
技术实现思路
1、本专利技术要解决上述技术问题，提供一种基于机器学习的fy3d和modis数据的反射率订正算法。
2、为解决上述技术问题，本专利技术提供的技术方案为：
3、一种基于机器学习的fy3d和modis数据的反射率订正算法，包括以下步骤：
4、s1、获取原始数据:
5、获取fy3d和modis数据，数据包括影像、卫星参数、元数据、空间坐标数据和纬度；
6、s2、几何纠正：
7、利用双线性插值或2-4次样条曲线对经纬度坐标插值,生成与影像一一对应的坐标点,然后利用插值生成的坐标点对modis影像进行无投影几何纠正；
8、s3、辐射定位：
9、卫星参数代入方程式进行计算，得出地表反射率,如公式一所示；
10、f＝s×(y-c)公式一；
11、s4、太阳天顶角进行校正，
12、根据公式二计算，以消除太阳高度不同对其反射率的影响，
13、f＝f×cos(θ)公式二；
14、s5、校正：
15、建立6s辐射传输模型进行大气校正，通过运行6s辐射传输模型后，按公式三计算得到校正后的大气表观反射率：
16、
17、s6、自主学习方法模型：
18、建立自主学习方法模型，基于深度学习的智能匹配算法匹配到的特征点,计算匹配率，智能匹配算法如公式四所示，
19、
20、s7、植被检测：
21、利用地物的光谱反射率在考虑太阳天顶角和大气表观反射率后与生物物理量建立植被遥感模型，植被遥感模型输出ndvi植被指数及图像。
22、优选地，所述的f为反射率，所述的s为反射率的缩放因子，所述的c为反射率的偏移参数，所述的y为卫星数据的原始记录值。
23、优选地，所述的f为修正后的反射率，所述的θ为太阳高度角。
24、优选地，所述的太阳天顶角进行校正后，太阳反射波段1、2、3、6、7、8、26定标后为发射率，热辐射波段29、31、32定标后辐射亮度，辐射亮度转换成亮温如公式五所示，
25、其中t为亮度温度，所述的h普朗克常量，所述的p为真空中光速，所述的k为玻尔兹曼常数，所述的t为对应通道波长，所述的l为辐射亮度。
26、优选地，所述的f1为大气表观反射率，所述的f2为大气的路径辐射项等效反射率，所述的v1为太阳方位角，所述的v2为卫星方位角，所述的t1为大气下行透过率，所述的t2为上行辐射总透过率，所述的s为大气球面反照率。
27、优选地，所述的m为代入系数，所述的m为正确匹配点对数，所述的p1为实际特征点数量，所述的p2为自主学习方法模型提取的特征点数量，所述的k1为修正系数,所述的m为匹配率。
28、优选地，所述的k1的取值为0.8-1。
29、优选地，所述的m计算的值越大则k1的值约接近1。
30、采用以上方法后，本专利技术具有如下优点：
31、本专利技术通过得到地表反射率、太阳天顶角进行校正、大气表观反射率和利用自主学习方法模型的自主学习逐步的形成本文档来自技高网...
【技术保护点】
1.一种基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于：所述的f为反射率，所述的s为反射率的缩放因子，所述的c为反射率的偏移参数，所述的Y为卫星数据的原始记录值。
3.根据权利要求1所述的基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于：所述的F为修正后的反射率，所述的θ为太阳高度角。
4.根据权利要求1所述的基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于：所述的太阳天顶角进行校正后，太阳反射波段1、2、3、6、7、8、26定标后为发射率，热辐射波段29、31、32定标后辐射亮度，辐射亮度转换成亮温如公式五所示，
5.根据权利要求1所述的基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于：所述的F1为大气表观反射率，所述的F2为大气的路径辐射项等效反射率，所述的V1为太阳方位角，所述的V2为卫星方位角，所述的T1为大气下行透过率，所述的T2为上行辐射总透
6.根据权利要求1所述的基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于：所述的M为代入系数，所述的m为正确匹配点对数，所述的p1为实际特征点数量，所述的P2为自主学习方法模型提取的特征点数量，所述的K1为修正系数,所述的M为匹配率。
7.根据权利要求6所述的基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于：所述的K1的取值为0.8-1。
8.根据权利要求6所述的基于机器学习的FY3D和MODIS数据的反射率订正算法，其特征在于：所述的M计算的值越大则K1的值约接近1。
...【技术特征摘要】
1.一种基于机器学习的fy3d和modis数据的反射率订正算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的fy3d和modis数据的反射率订正算法，其特征在于：所述的f为反射率，所述的s为反射率的缩放因子，所述的c为反射率的偏移参数，所述的y为卫星数据的原始记录值。
3.根据权利要求1所述的基于机器学习的fy3d和modis数据的反射率订正算法，其特征在于：所述的f为修正后的反射率，所述的θ为太阳高度角。
4.根据权利要求1所述的基于机器学习的fy3d和modis数据的反射率订正算法，其特征在于：所述的太阳天顶角进行校正后，太阳反射波段1、2、3、6、7、8、26定标后为发射率，热辐射波段29、31、32定标后辐射亮度，辐射亮度转换成亮温如公式五所示，
5.根据权利要求1所述的基于机器学习的fy3d和mod...
【专利技术属性】
技术研发人员：曹晓敏，马元仓，陈国茜，肖建设，校瑞香，赵慧芳，张帅旗，李素雲，史飞飞，赵彤，
申请(专利权)人：青海省气象科学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。