深度学习与辐射传输模型协同的气溶胶反演

传统气溶胶反演方法通常先基于模型假设确定地表反射率,但反演结果会受到假设的影响;而深度学习方法基于数据驱动,能在气溶胶定量反演中得到更加准确、高效的结果,但模型训练需要充足的优质样本数据支持。为此,使用大气辐射传输模型构建模拟样本,支持深度学习方法实现气溶胶定量反演,旨在解决当前训练数据代表性不足、数据获取困难的问题。利用辐射传输模型模拟不同参数条件下传感器获得的辐射信息,考虑概率组合及筛选标准限制进行模拟数据构建,并使用深度置信网络（DBN）对模拟样本进行训练,获得气溶胶反演模型。将模型应用于Landsat-8数据,在中国北京地区开展气溶胶反演实验。最后使用AERONET地面站点的实测数据对反演结果进行精度验证。验证结果表明,模型估算的气溶胶与站点测量值吻合良好,相关系数为0.8989,均方根误差为0.1029,约74.05%的估算值在误差标准内。本文提供了一种基于辐射传输方程构建样本数据集的思路,可减少样本质量与数量导致的局限性,实现深度学习方法对气溶胶光学厚度的高精度反演。     

高分五号可见短波红外高光谱影像云检测研究

高分五号(GF-5)卫星上荷载的可见短波红外高光谱相机(AHSI)能够同时获取330个谱段的光谱信息,对大气和陆地进行综合高光谱观测,能有效获取地物的精确信息。云的存在会对遥感影像造成污染,为了提高GF-5数据的利用率,本文结合AHSI的地物高光谱特性,研究多种下垫面背景下的云检测方法。对得到的1级产品,利用产品配套的定标系数以及光谱响应函数文件,得到各波段的大气顶层表观反射率数据。使用多种典型地物与云像元进行表观反射率的对比后发现,厚云与其他类型的像元在可见光波段具有显著差异。高光谱数据由于波段宽度窄,易受到噪声的影响,因此在进行厚云像元判定时,使用多个窄波段数据进行等效计算,得到对应的宽波段表观反射率,在此基础上使用简单的检测阈值可以将厚云筛选出来。之后使用卷云波段,筛选出潜在的薄云像元。高亮地表作为薄云检测的重点研究对象,检测时极易与薄云造成混淆,为了将薄云区域与高亮地表进行有效区分,统计不同波段之间表观反射率比值的变化,将薄云与易造成误判的高亮区域进行对比,确定最优判定波段与阈值。为了验证算法的精度,对多景AHSI影像进行目视解译,勾选出云像元区域作为基准数据。实验结果表明,本文所提方法的云检测总体精度可达91%以上,可以准确区分云与晴空区域,实现高精度的高光谱遥感影像云检测。     

基于AHDE和手机陀螺仪的行人航向修正方法

基于手机陀螺仪的航向推算误差是影响行人航位推算定位的重要误差源之一。为了修正陀螺仪引起的航向漂移、抖动等误差,借助高级启发式漂移消除法(AHDE)在航向修正上的特点,将基于足绑式IMU的AHDE算法改进并应用于智能手机的行人航向推算中。首先利用互补滤波算法初步估算航向,通过时域内航向及其变化幅度判断行人是否直行或者沿主导方向直行,并将其与行人航向的差值作为输入量推算可靠的行人航向,从而简化原AHDE算法并降低修正延迟;同时,针对直线路径下航向抖动过大引起的误判和偏差,利用航向平滑模型改正。另外,为进一步适应室内的复杂路线,通过分析行人停顿时加速度数据变化特点,提出了停顿点的识别方法;通过对比手机不同姿态下传感器数据的特点,建立动态转换矩阵,将贴耳打电话时的手机传感器数据转换至平放状态,进而采用上述算法推算行人航向。综合实验表明所提出的方法相较于互补滤波算法在相对闭合差上精度平均提升60%以上。     

温盐深剖面仪与Argo数据的冬季印度洋 声速剖面分析*

通过某一次在东南印度洋调查工作中获得的17站位温盐深剖面仪(CTD)数据,因其表层0~10 m数据缺失,选择利用卫星遥感的海表面温度产品与中国Argo实时资料中心提供的全球海洋Argo网格数据集(BOA_Argo)中逐年月平均数据做比较,发现BOA_Argo数据集反推得到的表层温度是比较准确的。再将CTD数据与对应时间和测区内的BOA_Argo数据集的两种数据进行对比,对缺失的CTD数据进行合理的外延。因此,该文首先对缺失的4个站位的温度和盐度进行外延,然后根据Dell Grosso声速经验公式计算声速剖面,再外延到与BOA_Argo网格资料数据等深。研究结果表明CTD数据与BOA_Argo数据集中逐年月平均数据的声速剖面吻合得更好,其总体均方根误差为0.7544 m/s。