一、NOAA卫星云检测和云修复业务应用系统的研制和建立（论文文献综述）
曹海啸[1]（2021）在《基于深度学习的新疆地区遥感积雪判识研究》文中进行了进一步梳理新疆是我国三大稳定积雪区之一,具有丰富的季节性积雪资源,也是我国三大牧区之一,畜牧业的健康发展更是深刻影响到地区的繁荣稳定。而牧区雪灾又是中国发生最频繁、影响最大严重的一类雪灾,因此大范围高频率的对新疆地区进行积雪的遥感监测十分必要,已有积雪监测方法中多采用地面站观测数据和遥感卫星探测相结合,然而新疆地广人稀,地面监测站不足,国际主流的以MODIS为代表的积雪产品多是国外生产,十分不利于我国遥感积雪监测的推广与应用,所以本文以新一代国产风云四号卫星为主要数据源,利用其超高的时间分辨率特性,融合了各种影响积雪判识的地理信息数据,使用深度学习方法,自适应的提取积雪特征信息,以生成逐小时的积雪产品;然后在生成的积雪判识结果的基础上,以多时相滤云的方式为主,辅以气象与高程结合的方式实现去云,以生成新疆地区逐日少云积雪产品,有效提升其应用价值。主要研究内容及其结论如下:（1）基于FY-4A/AGRI 2km分辨率积雪识别研究。针对已有积雪产品易受复杂地形地貌,下垫面类型以及云遮蔽的影响,导致积雪判识精度降低的问题,提出一种利用深度学习方法对风云4号A星多通道辐射扫描计（AGRI）数据与地理信息数据进行多特征时序融合的积雪判识方法:以多时相FY-4A/AGRI多光谱遥感数据,以及高程、坡向、坡度、地表覆盖类型等地形地貌信息作为模型输入,以Landsat8-OLI提取的高空间分辨率积雪覆盖图作为“真值”标签,构建并训练基于卷积神经网络的积雪判识模型,从而有效区分新疆复杂地形与下垫面地区的云、雪以及无雪地表,最终得到逐小时积雪覆盖范围产品。经数据集和2019年地面气象站实测雪盖验证,该方法精度高于国际主流MODIS逐日积雪产品MOD10A1和MYD10A1,积雪季的积雪分类精度为94.15%,显着降低云雪误判率。（2）基于深度学习的积雪产品与多阶段日内去云方法研究。根据上文FY-4A遥感积雪产品为主采用多时相滤云的方法,根据调整的窗口期生成初步逐日少云积雪产品;再利用AGRI高光谱的特性,建立云动指数,识别出图像中难以区分的雨雪;然后基于CLDAS气象条件的高程滤波去云算法,结合SNOWL雪线算法,识别出一定范围内的积雪图;最终结合三个阶段识别结果,建立多阶段融合的少云产品,降低新疆地区积雪识别产品的云覆盖度,最终得到的FY-4A/CL少云积雪产品年平均云量从最高的46.98%下降到31.65%,年平均分类总精度依然达到93.16%。实验表明,本文方法的去云能力和可靠性都有着巨大优势。
常钰阳[2]（2020）在《基于多角度偏振数据的云参数反演研究》文中提出云是由水汽凝结而成的悬浮于大气中的细小水滴或冰晶组成的可见聚合体。云的辐射强迫对地气系统的辐射收支起着重要影响,准确获取云的光学和微物理特性及其时空分布对于研究全球气候变化有重要意义。卫星遥感因其覆盖范围广和连续观测的特点,是全球云观测的有效手段。中国科学院安徽光学精密机械研究所研制的首台星载多角度偏振探测仪（Directional Polarimetric Camera,DPC）于 201 8 年 5 月搭载高分计划专项卫星 GF-5发射升空,是国内首台具备业务化多光谱多角度偏振探测能力的星载遥感器。利用DPC多角度偏振数据进行云参数反演研究,对于了解云的光学和微物理特性对辐射平衡的影响以及发展DPC业务化云特性产品有着重要意义。基于此,对如何准确获取表征云特性的三个重要参数——云掩模、云相态和云光学厚度进行了以下研究:1.云掩模算法研究云掩模算法用于获取云像元和晴空像元的相对分布,即云掩模。云掩模是计算区域云覆盖率以及对云展开进一步研究的基础。利用DPC 670nm、865nm反射率和490nm偏振反射率发展了云掩模算法并完成算法验证。将算法应用于DPC数据,获取了 DPC观测区域的云掩模,并将其与Meteosat卫星产品进行对比,验证了所获取云掩模的可靠性。2.云相态算法研究云相态是云的重要特性之一,会影响云的光学和微物理特性,进而影响局地辐射强迫和辐射平衡。利用水云和冰云865nm偏振特性的差异发展了云相态算法并完成算法验证。将算法应用于DPC数据,获取了 DPC观测区域的云相态,并将其与MODIS产品进行对比,验证了所获取云相态的可靠性。3.云光学厚度算法研究云光学厚度反映了云的消光能力,取决于云自身的多种特性,是辐射强迫的重要指标。分析了云光学厚度反演的不确定度。在云掩模和云相态的基础上,设计了基于查找表的云光学厚度算法并完成算法验证。将算法应用于DPC数据,反演了 DPC观测区域云在670nm和865nm的光学厚度,并将其与MODIS产品进行对比,验证了所获取光学厚度的可靠性。本文的研究可为发展DPC业务化云特性产品提供算法支持。
邢颖[3]（2018）在《基于AIRS和MODIS数据融合的卷云参数反演》文中指出AIRS（超光谱红外探测仪）有超高的光谱分辨率,包含大量卷云信息。但是其空间分辨率低,不能突出细节信息,影响分析结果。而MODIS（中分辨率光谱成像仪）具有较高空间分辨率,如果能够将MODIS数据细节融合到AIRS数据中,在保留AIRS高光谱分辨的同时提高AIRS的空间分辨率,就可以提高AIRS数据的利用价值。为了结合高光谱分辨率（AIRS）和高空间分辨率（MODIS）卫星探测资料各自的优点,提高卫星探测资料的使用率,本文采用小波变换算法和基于PCA加权的融合算法,并针对数据特点设计合理的融合规则,将AIRS和MODIS亮温数据进行融合。并将融合结果与AIRS、MODIS产品进行分析对比。为了验证融合结果的可行性,本研究对融合数据进行反演计算。云检测和云相态识别是对融合数据进一步使用的前提条件,目前对AIRS视场进行云检测和云相态识别的方法一般是用空间匹配的MODIS资料进行的,但由于卫星轨迹和传感器扫描时间的不同,并不是所有的视场均有与之匹配的MODIS资料,因此这个方法不仅有很大的局限性,对MODIS数据依赖性较高,且数据量巨大,计算时间耗时较长。本文在阈值法以及统计学方法的基础上,借鉴MODIS在红外波段基于亮温的云检测算法,使用AIRS数据,对AIRS视场进行晴空和云相态识别,并将最后结果与MODIS标准业务产品进行比较。结果表明,使用AIRS数据对视场进行云检测和云相态识别有很好的效果。完成云检测与云相态识别后,将两种融合数据,采用物理反演法,反演得出卷云的光学厚度、粒子尺度,并将反演结果与AIRS反演产品、MODIS标准业务产品进行对照分析,分析结果表明融合产品反演结果比AIRS反演结果更加突出细节信息,且吻合MODIS标准产品。验证了两种算法融合高光谱和高空间分辨率资料的可行性,以及小波融合算法的优势。为高光谱和高空间分辨率资料的数据融合提供了新的途径,对于卫星探测的高光谱和高空间分辨率数据的解析有一定的指导价值。
刘紫涵,吴艳兰[4]（2017）在《遥感图像云检测方法研究进展》文中进行了进一步梳理云层遮挡是影响遥感图像质量的主要因素,对受云层遮挡的遥感图像进行云检测是遥感数据修复过程中需解决的首要问题。在参考国内外大量文献的基础上,分析了云检测方法的研究现状,对现有的检测方法进行分类和综述,并重点介绍几种常用卫星数据的云检测方法,通过对不同云检测方法的比较,总结了现有云检测方法存在的问题以及发展趋势。
王晓宇[5]（2015）在《基于多时相MODIS影像的云检测和云去除算法》文中研究说明光学卫星遥感的成像经常受到云区的影响,导致云下像元信息被削弱甚至缺失,降低了遥感数据的利用率。针对多时相的MODIS影像,实现了基于云检测的"像元相对变化率云补偿"算法,并对实验结果进行目视评价和统计分析。结果表明,该方法对于检测出的云区,去除云和云影的效果都很好。然而,该方法的效果很大程度上取决于云检测算法的精度,因此,提高云检测算法的准确率很有必要。
陈立[6]（2015）在《AIRS云产品与大气产品的检验及订正研究》文中指出自从20世纪60年代第一颗气象卫星成功发射以来,卫星在天气分析和大气科学研究中发挥了重大作用。随着气象科学的发展,对卫星探测精度的要求越来越高,发展和运用高光谱大气探测仪资料成为了未来卫星开发和气象业务研究的一种必然趋势。AIRS作为首个真正意义上的红外高光谱大气探测仪,将提供高垂直分辨率高精度的反演数据。本次研究将对我国中东部及周边地区夏季（5-8月）AIRS反演的云产品中的有效云量和大气产品中的气温（气候资源要素中的大气热资源）和水汽（气候资源要素中的大气水资源）进行检验分析,并尝试改进AIRS产品的精度,提高其在天气分析、天气预警等方面的运用。在AIRS云产品的检验和运用上,选用中国中东部（95～130°E,20～60°N）午后同一时刻相对应的AIRS与MODIS各15景样本数据,选取几种MODIS在红外波段上基于亮温的云检测算法对AIRS晴空像元和云像元中不同的云相态进行区分,分别统计出AIRS不同类型像元中云检测算法的亮温差异,根据AIRS在晴空、水云和冰云不同相态下亮温的差异,确定其阈值,实现AIRS晴空和云相态识别。在此基础上,对AIRS在不同云相态下反演的有效云量进行检验和改进。结果表明：运用亮温阈值法对AIRS进行云相态识别能够较好地反映AIRS的晴空和云相态特征,云相态分布与MODIS云相态产品对应效果较好,特别在云边缘区域。对AIRS不同云相态下反演的有效云量进行对比和误差分析后发现：当水云有效云量较高、冰云有效云量较低时,AIRS反演的有效云量误差较大。在误差分析的基础上,本文提出了AIRS有效云量的偏差订正算法,对AIRS反演的有效云量具有一定改进,为AIRS云产品的应用提供参考依据。在AIRS气温和水汽的检验以及大气产品计算的不稳定指数的运用上,利用AIRS大气产品中的气温和水汽,计算出K指数和SI指数这两种大气不稳定指数。对暴雨发生前6小时左右这两种大气不稳定指数进行统计分析。统计结果表明：在暴雨发生前6小时左右,80%左右的暴雨发生在K>27.5℃或SI<3℃的情况下。为了更好的描述暴雨发生前的大气不稳定特征,将AIRS计算的K指数和SI指数做了适当的结合,得到KS指数并将其运用到一次暴雨个例中进行验证,从验证效果来看：暴雨发生的区域在6小时前基本都处在了KS指数较高的情况下,AIRS大气产品计算的不稳定指数对暴雨具有一定的指示意义。根据大气产品统计样本中ECMWF的气温和水汽资料对AIRS大气产品中的气温和水汽进行检验,可以得出：AIRS在500hPa高度上反演的气温和水汽以及在700hPa高度上反演的气温适用性高；当云像元中有效云量较高时,AIRS在700hPa和850hPa高度上反演的水汽误差较大。AIRS计算的K指数和SI指数误差主要由AIRS有效云量较高时700hPa和850hPa高度上反演的水汽误差导致的。最后,基于统计个例中气温和水汽的误差分布,结合AIRS权重函数峰值层对应的辐射值对这三层高度上AIRS反演的的气温和水汽建立相应的订正函数。从检验个例的订正效果来看,AIRS气温和水汽具有一定的改进,气温和水汽订正后计算的不稳定指数误差进一步减小,空间分布图上订正后得到的不稳定指数高值区较订正前能更好地对应暴雨区域。
赵晓利[7]（2014）在《气象卫星云图云检测及分类的研究》文中研究说明自20世纪60年代发展起来的气象卫星遥感是气象探测技术的重大突破。它所提供的气象卫星云图在时间和空间上的连续性是以往任何探测手段所不能比拟的。气象卫星因其具有探测全天候、区域大，探测重复期短、实时性强等优点，在气象预报领域中发挥着至关重要的作用，弥补了占地球表面积71％的海洋上、高原及沙漠上人烟稀少地区常规气象探测资料的不足。利用气象卫星云图反演的大气温、湿度廓线，分析天气系统，研究水汽输送与降水的关系中起到了不可替代的作用；它还能够连续追踪云系的形成和天气系统的发展，研究两者相互关系，为提高天气预报准确率提供了依据。气象卫星云图中云检测与分类识别信息的自动提取和定量判别及其计算机实现是当今世界气象卫星云图信息处理的主流。本文在介绍我国风云系列气象卫星的基本情况及特点，并详细的阐述了气象卫星云图的图像处理流程，探讨利用气象卫星云图进行云的检测与分类识别的原理及其常用方法，另外，结合广东省气象局的实际应用情况，详细的总结了如何利用FY-3气象卫星进行云检测和分类识别。对比国家卫星气象中心和本文使用检测方法。主要的研究工作如下：（1）通过对现阶段国内外经常使用的和发展成熟的云检测算法进行概括分析，结合FY-3卫星上可见光红外扫描辐射计所具有的多光谱通道特性，参考成熟云检测算法的实现过程，设计开发出使用方法简单快捷的多光谱综合阈值云检测算法，并结合白天和黑夜的云体的反射率情况对云进行分类。（2）较为成功引入可信度区间的概念，建立晴空可信度的分级，描述云检测结果，通过可信度区间设置云检测的阈值，减少采用绝对阈值带来的误判。（3）本文研究开发的算法在生成云分类产品后，该产品可作为辅助数据，供其它遥感产品的开发使用。
向大享[8]（2011）在《云参数法干旱遥感监测模型研究》文中进行了进一步梳理干旱是全球重大自然灾害之一,也是最严重的气象灾害。干旱给国家经济、社会发展以及人民生产生活带来了严重的威胁和危害。由于遥感技术具有时效性高、监测范围广、客观准确以及成本低等特点,随着卫星遥感技术的飞速发展其应用于干旱监测已成为趋势与热点。目前为止,国内外出现了基于可见光、近红外、远红外以及微波等类型的干旱遥感监测模型,虽然每种方法都有其优势,但仍存在一定的问题：（1）由可见光、红外数据发展的植被指数和地表温度类方法对地表覆盖类型具有很强的依赖性,时空适应性差；微波遥感干旱监测到目前还没有一个成熟的算法,也没有真-正建立干旱指数；（2）缺乏『正演型干旱遥感监测模型,目前的所有干旱遥感监测模型基本都属于反演型模型,即从干旱导致的各种地表现象及地物反应中获取信息建立干旱监测模型,这类模型监测效果具有滞后性；（3）缺乏以序列数据为基础的时间域和频率域干旱遥感监测方法,目前所存在的方法基本属于空间域监测方法,主要针对单幅遥感影像进行干旱监测,并没有充分发挥遥感数据高时间分辨率的优势；（4）缺乏大空间时间尺度适应性的干旱遥感监测方法,目前的干旱监测研究都是针对小区域进行的,各类方法都具有区域适应性,即需建立区域影响系数库等,实际应用价值较小,难以大面积推广应用。针对以上问题,以时序遥感数据为基础建立一种大空间时间尺度适应性的正演型干旱遥感监测方法,对于防灾减灾、国民经济和社会的可持续发展有着重要的现实意义。本文主要研究内容和工作包括：（1）对国内外干旱遥感监测现状进行了较全面的总结,分析了该领域目前存在的问题和不足；（2）对干旱进行了详细的界定,总结了干旱的形成与特征,并结合我国干旱情况分析了干旱的影响与危害；（3）对目前存在的干旱遥感监测方法进行详细的分类,同时系统地归纳了干旱遥感监测方法,并分类别地对比分析了各种方法的优势和劣势；（4）在分析太阳辐射模型影响参数的基础上,结合遥感影像光谱信息,提取晴空亮度温度和反射率的影响因素,并具体分析各因素的影响函数,针对各因素的影响关系构建了晴空亮度温度和反射率的计算方法,同时确立其正常动态范围,以此构建自适应云检测方法,并进行了相关的实验分析和精度评定；（5）针对MODIS干旱遥感监测模型的不足,进行了云参数法干旱遥感监测模型研究,并结合实测数据进行了方法间与方法内的定量精度评定,同时针对国内近两年的较大型干旱事件进行了监测效果定性分析；（6）在对长时间序列云参数法监测结果分析的基础上,进行云参数背景值指标选择,对感兴趣区进行了云参数背景构建研究,结合实测数据进行了相关的实验分析。本文的创新之处体现在：（1）根据晴空地物的辐射光谱曲线,建立了晴空亮度温度及反射率计算公式,同时结合地表覆盖类型,确定了晴空亮度温度及反射率动态变化范围,提出了自适应云检测方法；（2）针对MODIS干旱遥感监测模型的不足,建立了连续模型,并对云参数进行时间、空间尺度修『正,构建了云参数干旱遥感监测模型,实验及业务证明该模型能够有效的进行干旱遥感监测；（3）在对长时间序列云参数法监测结果进行分析的基础上,分析了该模型在中国地区的监测效果,通过指标选择,提出了基于序列监测结果的云参数背景场构建方法,实验证明云参数背景场构建有利于提高模型的监测精度。通过本文的研究,可以得到以下结论：（1）干旱的危害与国民生产生活、社会经济发展、国家粮食安全乃至国家政局稳定都有直接的关系,因此利用高科技技术进行干旱防灾减灾是和谐社会的重要组成部分；相比传统基于地面观测气象干旱监测方法,基于遥感技术的干旱监测研究具有不可比拟的优势；（2）云参数干旱遥感监测模型的核心是三个云参数,因此云检测的精度直接影响着干旱监测结果的好坏。鉴于研究区域较大、持续时间较长,传统的固定阈值云检测方法难以满足精度要求,本文构建的自适应云检测方法分析了晴空亮度温度及反射率的变化规律,依据云在遥感影像中高反射率、低亮度温度的特性进行自适应云检测,实验结果表明该方法检测效果较好,可以作为云参数干旱遥感监测模型的信息源；（3）干旱是一个持续的过程,成灾范围一般呈片状,且干旱的发生不受时间和空间的限制。因此,实现大空间、长时间的干旱遥感监测一直是干旱监测领域的一个难点。本文针对这些问题建立的云参数法干旱遥感监测模型,是通过分析云与干旱的相关关系,构建相互独立的三个云参数,并从时间和空间尺度上进行了修正,提高了模型在空间、时间尺度上的适应性,同时利用具有高时间分辨率的国产静止气象卫星FY-2系列数据作为实验数据,实验结果表明该模型可以获取较高的干旱监测精度；（4）通过分析多年的干旱监测结果发现部分地区为监测盲区,为此本文结合多年监测结果和实测数据进行了云参数背景场构建研究,实验结果表明云参数背景场的构建有助于提高监测盲区的监测精度。但本文仅针对部分地区进行相关实验,云参数背景场的推广构建还有待于进一步研究。
韩春峰[9]（2010）在《基于HJ-1B星的云检测及土地覆盖模式与地表温度研究》文中认为随着HJ-1星的升天以及成功开拍,推动了我国遥感事业的发展。对于中国自己的航天卫星,实现其应用成为目前研究的重点。由于拍摄时间、大气条件,以及研究区域自然地理环境条件的影响,使得研究区域影像质量出现不同,在福建省区域的HJ-1B影像多被云像元覆盖,从而降低了影像的使用率,为了避免云像元对地表参数反演的影响,本论文分别从云检测与地表真实温度反演两个方面阐释了HJ-1B星数据的应用。正确分离云和晴空是反演大气和地表各种参数必须的预处理工作,是众多研究工作以及其他产品开发的基础。云识别产品结果的准确与否直接影响到其他参数的反演结果,因此云识别是HJ-1卫星系列产品中的必须产品,本论文从可见光-近红外的角度出发,对其HJ-1B进行了可见光反射率阈值检测,其检测效果比较理想。最终的去云影像亦符合本论文下述的地表参数反演要求。地表温度、植被覆盖度、地表反照率等地表生物物理参数,是全球物质能量循环、气候变化、能量平衡的重要影响因素。是目前遥感定量化研究的热点之一。伴随我国经济及城市化进程的快速发展,下垫面的热环境空间分布受到地表土地覆盖模式的影响也越来越显着。由于下垫面本身的复杂性,无论地表参数的反演,还是土地覆盖模式与城市热岛效应的关系研究仍然存在亟待克服的困难。因此,在前人研究基础上,选取一种适合于HJ-1B星本身的算法定量提取地表覆盖参数以及地表温度,而后从同一地类的不同级别的角度出发,分析各个地表覆盖参数对下垫面热环境空间分布影响,为研究热环境的空间分布规律提供依据。利用新的数据源定量反演地表参数显得非常必要。研究选取福州市为研究区,以2010年2月23日的HJ-1B星数据为数据源,采用Jimenez- Munozoz & Sobrino算法,实现地表真实温度的反演。在对地表比辐射率估算方法上,采用IGBP（International Geosphere-Biosphere Program）进行土地类型分类,依据不同地类其比辐射率不同,对其研究区域进行了比辐射率的估算,从而反演了地表的真实温度。利用红光波段与近红外波段的光谱特性,提取了研究区NDVI,其次,采用NDVI二元模型提取了研究区的植被覆盖度（Fractional Vegetation Cover, FVC）以及城市不透水面信息。利用上述获取的地表参数,从多个角度定量分析了地表温度与其他地表参数（植被覆盖度、不透水面密度、NDVI）的关系,结果显示,地表温度与其他参数的关系利用简单的线性模型表示并不合适,相对而言,针对同一种地类不同等级分析该参数对地表温度的空间分布的影响效果更为明显。利用稳定的不透水面信息与NDVI想结合可以很好的反演城市热环境空间分布规律,为其研究提供一种手段与方法。
杨珊荣[10]（2009）在《MODIS数据云检测算法及云补偿方法研究》文中研究指明由于云覆盖的存在降低了遥感数据的利用率,使得影像识别、分类难以保证精度,有时甚至无法进行。因此,有必要剔除遥感影像上的有云像元,正确分离有云像元及晴空像元,然后再对检测出来的云区进行云下像元补偿,以保证图像的连续性,提高遥感影像数据的利用率和精度。本文使用IDL语言,针对不同通道对云的敏感特性,结合不同下垫面类型,选取MODIS云检测算法中的六种算法对覆盖我国长江三角洲周围地区的白天影像数据进行云检测算法的实现,并对其结果进行对比分析,提出多光谱综合阈值云检测算法,最后对综合云检测结果进行海岸带修复。作为业务系统应用,云检测结果将作为掩码输入到其他产品的生产当中,而掩码处理会造成影像在有云地区的像元信息缺失。因此,本文借助与有云影像同一地区相邻时相的MODIS影像对云遮挡区域的遥感影像进行云下像元补偿,以达到修复影像的效果。研究表明,本文引入的改进算法无论在目视评价还是统计分析上的效果都好于其他两种补偿方法,整个影像在恢复之后的像元灰度值更加接近,达到了很好的云补偿效果。
二、NOAA卫星云检测和云修复业务应用系统的研制和建立（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、NOAA卫星云检测和云修复业务应用系统的研制和建立（论文提纲范文）
（1）基于深度学习的新疆地区遥感积雪判识研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 卫星遥感积雪识别研究进展 |
| 1.2.2 遥感积雪去云算法研究进展 |
| 1.2.3 深度学习遥感图像识别研究进展 |
| 1.3 研究内容 |
| 第二章 研究区域与数据处理 |
| 2.1 研究区概述 |
| 2.2 数据处理 |
| 2.2.1 遥感数据 |
| 2.2.2 地理信息数据 |
| 2.2.3 地面气象站数据 |
| 第三章 时空融合的积雪识别研究 |
| 3.1 研究路线 |
| 3.2 卷积神经网络原理 |
| 3.2.1 一维卷积原理 |
| 3.2.2 二维卷积原理 |
| 3.2.3 池化和全连接层 |
| 3.2.4 分类器和损失函数 |
| 3.3 时空特征融合的深度网络 |
| 3.4 积雪产品精度评价 |
| 3.4.1 实验设计 |
| 3.4.2 数据集实验结果 |
| 3.4.3 Landsat8-OLI验证本文方法积雪提取效果 |
| 3.4.4 新疆积雪制图效果对比 |
| 3.4.5 地面气象站验证 |
| 3.5 本章小结 |
| 第四章 新疆地区少云积雪产品的多阶段合成研究 |
| 4.1 研究方法 |
| 4.1.1 基于深度网络的积雪产品时间滤云 |
| 4.1.2 基于CLDAS气象数据的空间滤波去云 |
| 4.1.3 基于云动指数的云雪再分类 |
| 4.2 多阶段融合的少云产品评价 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于多角度偏振数据的云参数反演研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 云的遥感观测 |
| 1.2.1 对地观测卫星 |
| 1.2.2 多光谱高分辨率载荷 |
| 1.2.3 静止轨道卫星载荷-SEVIRI (Spinning Enhanced Visible andInfrared Imager) |
| 1.2.4 多角度偏振载荷 |
| 1.3 本文主要研究内容和结构 |
| 第2章 云掩模算法 |
| 2.1 原理 |
| 2.1.1 光的偏振特性 |
| 2.1.2 辐射传输原理 |
| 2.1.3 云辐射特性的参数化 |
| 2.1.4 云掩模算法原理 |
| 2.2 云掩模算法的实现 |
| 2.3 云掩模算法验证 |
| 2.3.1 利用POLDER数据验证算法的有效性 |
| 2.3.2 DPC云掩模准确性验证 |
| 2.4 小结 |
| 第3章 云相态算法 |
| 3.1 原理 |
| 3.2 云相态算法实现 |
| 3.3 云相态算法验证 |
| 3.3.1 利用POLDER数据验证算法的有效性 |
| 3.3.2 DPC云相态可靠性验证 |
| 3.4 小结 |
| 第4章 云光学厚度反演 |
| 4.1 原理 |
| 4.2 云光学厚度反演的不确定度分析 |
| 4.3 云光学厚度算法实现 |
| 4.4 云光学厚度算法验证 |
| 4.4.1 利用PODLER数据验证算法的有效性 |
| 4.4.2 DPC云光学厚度可靠性验证 |
| 4.5 小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（3）基于AIRS和MODIS数据融合的卷云参数反演（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.3 本文的工作与结构 |
| 1.3.1 本文工作 |
| 1.3.2 本文结构 |
| 第二章 AIRS和MODIS数据介绍及预处理 |
| 2.1 仪器简介 |
| 2.2 数据简介 |
| 2.2.1 AIRS数据 |
| 2.2.2 MODIS数据 |
| 2.3 数据格式与处理 |
| 2.3.1 AIRS预处理 |
| 2.3.2 MODIS预处理 |
| 2.3.3 空间匹配 |
| 2.4 亮温的计算 |
| 2.5 本章小结 |
| 第三章 基于AIRS的云检测和云相态识别 |
| 3.1 云检测和云相态识别的意义 |
| 3.2 基于AIRS的云检测 |
| 3.2.1 波段的选取 |
| 3.2.2 样本的选取 |
| 3.2.3 统计结果及阈值设定 |
| 3.2.4 结果及分析 |
| 3.3 基于AIRS的云相态识别 |
| 3.3.1 云相态识别理论基础 |
| 3.3.2 波段的选取 |
| 3.3.3 样本的选取 |
| 3.3.4 统计结果及阈值设定 |
| 3.3.5 结果及分析 |
| 3.4 本章小结 |
| 第四章 AIRS和MODIS的数据融合 |
| 4.1 数据融合背景与意义 |
| 4.2 小波融合算法 |
| 4.2.1 小波融合理论 |
| 4.2.2 小波融合步骤 |
| 4.3 基于PCA加权的融合算法 |
| 4.3.1 主成分分析(PCA)理论 |
| 4.3.2 基于PCA加权的融合算法步骤 |
| 4.4 融合结果的评价 |
| 4.4.1 评价标准 |
| 4.4.2 融合结果及评价 |
| 4.5 本章小结 |
| 第五章 卷云参数反演 |
| 5.1 理论背景 |
| 5.2 大气的辐射传输方程 |
| 5.3 红外光谱辐射特征研究 |
| 5.3.1 随光学厚度的变化 |
| 5.3.2 亮温差对光学厚度的灵敏度分析 |
| 5.3.3 随粒子尺度的变化及灵敏度分析 |
| 5.4 反演流程 |
| 5.5 反演结果及评价 |
| 5.5.1 反演结果 |
| 5.5.2 反演结果评价 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（4）遥感图像云检测方法研究进展（论文提纲范文）
| 0 引言 |
| 1 遥感图像云检测技术现状 |
| 2 遥感图像云检测方法分类 |
| 2.1 云检测基本方法 |
| 2.2 云检测综合智能方法 |
| 3 几种常用卫星数据的云检测方法 |
| 3.1 Aqua卫星数据云检测 |
| 3.2 Landsat卫星数据云检测 |
| 3.3 静止卫星数据云检测 |
| 3.4 新一代观测卫星数据云检测 |
| 4 云检测效果验证与方法比较 |
| 4.1 云检测方法定性比较 |
| 4.2 云检测效果验证 |
| 5 存在的问题与发展趋势 |
（5）基于多时相MODIS影像的云检测和云去除算法（论文提纲范文）
| 1 研究区概况及数据来源 |
| 1.1 研究区概况 |
| 1.2 数据来源 |
| 2 实验方法与原理 |
| 2.1 MODIS影像的云检测算法原理 |
| 2.2 “像元相对变化率云补偿”方法原理 |
| 3 实验过程 |
| 3.1 MODIS影像的预处理 |
| 3.2 实验区MODIS影像的获取 |
| 3.3 实验区MODIS云检测图像的获取 |
| 3.4 “像元相对变化率云补偿”方法实现的技术路线 |
| 4 实验结果与分析 |
| 4.1 目视评价 |
| 4.2 统计分析 |
（6）AIRS云产品与大气产品的检验及订正研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 前言 |
| 1.1 气象卫星的发展 |
| 1.1.1 气象卫星简介 |
| 1.1.2 国内外气象卫星的发展 |
| 1.1.2.1 极轨气象卫星的发展 |
| 1.1.2.2 静止气象卫星的发展 |
| 1.1.3 卫星大气探测技术的发展 |
| 1.1.3.1 传统卫星探测技术发展 |
| 1.1.3.2 高光谱大气探测技术发展及优势 |
| 1.2 国内外研究进展 |
| 1.2.1 卫星云检测的研究进展 |
| 1.2.2 卫星反演产品在大气科学领域中的应用 |
| 1.2.3 高光谱红外大气探测仪(AIRS)云检测和大气产品的研究进展 |
| 1.2.3.1 AIRS云检测研究进展 |
| 1.2.3.2 AIRS反演产品中气温和大气水汽资源适用性的研究进展 |
| 1.3 存在的问题和本文的研究意义 |
| 1.4 本文的主要研究内容 |
| 第二章 资料方法和原理 |
| 2.1 资料介绍 |
| 2.1.1 AIRS资料 |
| 2.1.1.1 AIRS红外L1B定标、定位辐射资料 |
| 2.1.1.2 AIRS L2标准反演产品 |
| 2.1.2 MODIS资料 |
| 2.1.2.1 MODIS L1B定标、定位后的辐射值资料集 |
| 2.1.2.2 MODIS云产品资料集 |
| 2.1.3 ECMWF大气产品资料 |
| 2.2 AIRS和MODIS仪器概况和工作原理 |
| 2.2.1 红外大气探测器AIRS |
| 2.2.2 中分辨率成像光谱仪MODIS |
| 2.3 主要研究方法 |
| 2.3.1 AIRS云检测方法 |
| 2.3.2 AIRS大气不稳定指数的选取和计算原理 |
| 2.3.2.1 大气不稳定指数在暴雨灾害中的研究进展 |
| 2.3.2.2 AIRS大气不稳定指数的选取 |
| 2.3.2.3 AIRS大气不稳定指数的计算 |
| 2.3.3 AIRS云产品和大气产品的检验方法 |
| 2.3.3.1 相关性分析 |
| 2.3.3.2 误差分析法 |
| 2.4 AIRS大气产品的反演原理 |
| 第三章 AIRS云检测和有效云量的检验和改进 |
| 3.1 云产品样本的选取 |
| 3.2 晴空区和云区的辐射属性分析 |
| 3.3 AIRS晴空和云相态检测 |
| 3.3.1 AIRS完全云像元和部分云像元检测 |
| 3.3.2 AIRS云相态检测 |
| 3.4 AIRS有效云量的检验与改进 |
| 3.4.1 检验个例AIRS与MODIS有效云量的分布 |
| 3.4.2 统计个例AIRS与MODIS有效云量的对比和误差分析 |
| 3.4.3 AIRS有效云量的改进 |
| 3.5 本章小节 |
| 第四章 AIRS大气产品和不稳定指数的检验 |
| 4.1 AIRS大气产品计算的不稳定指数的检验 |
| 4.1.1 资料的选取 |
| 4.1.2 多个暴雨发生前AIRS大气不稳定指数的分布 |
| 4.1.3 暴雨个例验证 |
| 4.1.4 AIRS不稳定指数误差的原因分析 |
| 4.2 AIRS大气产品的检验 |
| 4.2.1 AIRS大气产品统计个例和检验个例资料的选取 |
| 4.2.2 AIRS大气产品中气温的检验 |
| 4.2.2.1 AIRS气温在晴空区和云覆盖区的适用性分析 |
| 4.2.2.2 不稳定指数相关高度上AIRS气温的检验 |
| 4.2.3 AIRS大气产品中水汽的检验 |
| 4.2.3.1 AIRS水汽在晴空区和云覆盖区的适用性分析 |
| 4.2.3.2 不稳定指数相关高度上AIRS水汽的检验 |
| 4.3 AIRS大气产品在不同有效云量的误差分布 |
| 4.3.1 AIRS气温在不同有效云量的误差分布 |
| 4.3.2 AIRS水汽在不同有效云量的误差分布 |
| 4.3.3 AIRS反演的气温与水汽误差在有效云量订正后的分布 |
| 4.4 本章小节 |
| 第五章 AIRS大气产品和不稳定指数的改进 |
| 5.1 AIRS大气产品的改进 |
| 5.1.1 AIRS气温与水汽订正算法的原理 |
| 5.1.2 AIRS气温与水汽订正算法的建立与订正后的效果 |
| 5.2 AIRS反演的气温和水汽订正后得出的不稳定指数效果 |
| 5.3 AIRS订正后的不稳定指数在暴雨个例中的应用 |
| 5.3.1 AIRS订正后不稳定指数的空间分布 |
| 5.3.2 环流形势分析 |
| 5.3.3 水汽条件分析 |
| 5.4 本章小节 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 不足及展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）气象卫星云图云检测及分类的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 卫星云图云类识别方法的研究现状 |
| 1.4 研究范畴及方法 |
| 1.4.1 研究范畴 |
| 1.4.2 研究方法 |
| 1.5 相关概念的阐述 |
| 1.5.1 云检测 |
| 1.5.2 气象卫星云图 |
| 1.6 论文组织结构 |
| 第二章 风云气象卫星云图概述 |
| 2.1 气象卫星简介 |
| 2.1.1 静止气象卫星 |
| 2.1.2 极轨气象卫星 |
| 2.1.3 静止轨道气象卫星的特点及云图 |
| 2.1.4 极轨气象卫星的特点及云图 |
| 2.2 气象卫星云图分类 |
| 2.3 气象卫星云图接收系统 |
| 2.4 卫星云图图像处理流程 |
| 第三章 云检测识别原理和方法 |
| 3.1 云的检测识别原理 |
| 3.2 云类型的分类识别依据 |
| 3.3 常用的云检测识别方法 |
| 3.4 本文中使用的多光谱阈值法 |
| 第四章 基于 FY‐3 卫星云图的云检测 |
| 4.1 引言 |
| 4.2 云检测、分类产品的存储设计 |
| 4.2.1 可信度结果存储 |
| 4.2.2 云掩模产品存储 |
| 4.2.3 云分类产品存储 |
| 4.2.4 云相态产品存储 |
| 4.2.5 辅助数据存储 |
| 4.2.6 HDF 文件格式的特点 |
| 4.3 FY‐3 卫星云图的云检测 |
| 4.3.1 云检测的基本原理 |
| 4.3.2 下垫面分类 |
| 4.3.3 云检测算法 |
| 4.4 分组检测结果合并 |
| 4.5 云检测算法流程 |
| 4.6 本章小结 |
| 第五章 基于 FY‐3 卫星云图的云分类与识别 |
| 5.1 云分类的基本原理 |
| 5.2 云分类算法 |
| 5.3 云相态分类 |
| 5.3.1 基本原理 |
| 5.3.2 云相态算法 |
| 5.4 云检测结果对比 |
| 5.4.1 白天云检测结果对比 |
| 5.4.2 夜间云检测结果对比 |
| 5.5 云检测与分类识别的实例检验 |
| 5.5.1 多层云覆盖时云检测实例 |
| 5.5.2 台风发生时云检测实例 |
| 第六章 结语 |
| 6.1 气象卫星云图云检测及分类的几点总结 |
| 6.1.1 运用多光谱综合阈值法提高云检测的效率和适用性 |
| 6.1.2 引用可信度区间概念减少晴空与云的误判率 |
| 6.1.3 运用本算法生成产品可提供后续开发 |
| 6.2 对未来发展趋势的展望 |
| 附表 FY‐3 卫星云图自动云检测识别流程图 |
| 1.白天数据处理流程 |
| 2.夜间数据处理流程 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）云参数法干旱遥感监测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 图目录 |
| 表目录 |
| 第一章 概述 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外干旱遥感监测研究现状 |
| 1.2.2 国内干旱遥感监测研究现状 |
| 1.2.3 目前存在的问题 |
| 1.3 研究内容和技术路线 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文技术路线 |
| 1.3.3 论文创新点 |
| 1.4 论文的组织结构与安排 |
| 第二章 干旱的界定 |
| 2.1 干旱的界定与分类 |
| 2.2 干旱的形成与特征 |
| 2.3 我国干旱情况及特点 |
| 2.3.1 我国干旱情况 |
| 2.3.2 我国干旱特征 |
| 2.3.3 我国干旱的影响 |
| 2.4 本章小结 |
| 第三章 传统干旱遥感监测方法 |
| 3.1 传统干旱遥感监测方法 |
| 3.1.1 热惯量干旱监测法 |
| 3.1.2 植被指数类干旱监测法 |
| 3.1.2.1 归一化植被指数 |
| 3.1.2.2 归一化距平植被指数 |
| 3.1.2.3 条件植被指数 |
| 3.1.3 温度类干旱监测法 |
| 3.1.3.1 条件温度指数 |
| 3.1.3.2 归一化差值温度指数 |
| 3.1.4 植被植被与温度结合类干旱监测法 |
| 3.1.4.1 条件植被温度指数 |
| 3.1.4.2 植被供水指数 |
| 3.1.4.3 温度植被干旱指数 |
| 3.1.5 微波遥感干旱监测法 |
| 3.1.6 地表蒸散干旱监测法 |
| 3.1.6.1 作物缺水指数法 |
| 3.2 传统干旱遥感监测方法对比分析 |
| 3.3 本章小结 |
| 第四章 基于亮度温度及反射率的自适应阈值云检测方法研究 |
| 4.1 太阳辐射模型 |
| 4.1.1 太阳直接辐射 |
| 4.1.2 天空散射辐射 |
| 4.1.3 太阳总辐射 |
| 4.1.4 温度与太阳辐射的关系 |
| 4.1.5 反射率与太阳辐射的关系 |
| 4.2 云检测现状 |
| 4.2.1 云的光谱特性 |
| 4.2.2 云检测研究现状 |
| 4.3 自适应阈值云检测方法 |
| 4.3.1 晴空地表温度的日变化与年变化 |
| 4.3.2 晴空地表反射率的变化 |
| 4.3.3 自适应阈值云检测模型 |
| 4.3.3.1 晴空亮度温度计算模型建立 |
| 4.3.3.2 亮度温度自适应阈值确定 |
| 4.3.3.3 反射率自适应阈值确定 |
| 4.3.3.4 自适应阈值云检测模型的构建 |
| 4.4 本章小结 |
| 第五章 云参数法干旱遥感监测模型研究 |
| 5.1 云参数界定 |
| 5.1.1 云与干旱的关系 |
| 5.1.2 三个云参数的定义 |
| 5.1.3 云参数的相关特征确定 |
| 5.2 云参数干旱遥感监测模型的基础研究 |
| 5.2.1 MODIS干旱监测模型 |
| 5.2.2 基于FY-2C数据的干旱监测模型 |
| 5.2.3 MODIS干旱遥感监测模型的问题与不足 |
| 5.3 云参数法干旱遥感监测模型的建立 |
| 5.3.1 基本模型的建立 |
| 5.3.2 时空修正函数 |
| 5.3.2.1 时间修正函数 |
| 5.3.2.2 空间修正函数 |
| 5.3.3 前期修正函数 |
| 5.4 云参数法干旱遥感监测算法设计 |
| 5.5 本章小结 |
| 第六章 基于时序监测结果的云参数背景场构建研究 |
| 6.1 背景场的基本概念 |
| 6.2 研究区域确定 |
| 6.3 云参数背景场构建 |
| 6.3.1 常用特征值提取指标 |
| 6.3.1.1 算术平均值 |
| 6.3.1.2 中值 |
| 6.3.1.3 概率最大值 |
| 6.3.2 指标确定 |
| 6.3.3 背景场信息提取 |
| 6.3.4 基于云参数背景场信息的干旱监测分析 |
| 6.4 本章小结 |
| 第七章 实验与分析 |
| 7.1 遥感数据及实验区介绍 |
| 7.1.1 FY-2C/D/E VISSR数据介绍 |
| 7.1.2 FY-2C/D/E VISSR数据预处理 |
| 7.1.3 中国大陆地区介绍 |
| 7.2 自适应云检测方法实验与分析 |
| 7.2.1 遥感数据预处理 |
| 7.2.2 自适应阈值云检测模型建立 |
| 7.2.3 云检测结果分析 |
| 7.3 云参数法干旱遥感监测模型实验与分析 |
| 7.3.1 云参数法干旱遥感监测模型建立 |
| 7.3.2 云参数法干旱遥感监测结果验证分析 |
| 7.3.2.1 定量分析 |
| 7.3.2.2 定性分析 |
| 7.4 云参数背景场构建实验与分析 |
| 7.4.1 云参数背景场构建分析 |
| 7.4.2 基于云参数背景场信息的干旱监测分析 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 论文创新点分析 |
| 8.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文和科研情况 |
| 致谢 |
（9）基于HJ-1B星的云检测及土地覆盖模式与地表温度研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 中文文摘 |
| 目录 |
| 绪论 |
| 1 研究目的及研究意义 |
| 1.1 云识别的研究意义和作用 |
| 1.2 基于HJ-1星热力场空间分布的研究意义 |
| 2 国内外相关研究进展 |
| 2.1 云检测研究进展 |
| 2.2 地表参数反演现状 |
| 2.3 地表温度的空间分布研究 |
| 3 研究内容、方法及技术路线 |
| 3.1 研究内容 |
| 3.2 研究方法 |
| 3.3 研究创新点 |
| 3.4 研究技术路线 |
| 第一章 研究区与研究数据 |
| 1 研究区状况 |
| 2 研究数据源 |
| 2.1 遥感数据源 |
| 2.2 地形数据 |
| 3 数据处理 |
| 3.1 相对辐射校正 |
| 3.2 几何校正 |
| 3.3 正射校正 |
| 3.4 影像镶嵌与裁剪 |
| 3.5 影像分类 |
| 第二章 云检测 |
| 1 云检测原理 |
| 2 云检测算法的实现 |
| 3 研究区云像元的识别处理 |
| 第三章 地表参数定量反演 |
| 1 地表温度反演 |
| 2 参数估算 |
| 3 城市不透水面获取 |
| 4 地表温度反演结果对比分析 |
| 第四章 地表温度与不同地表覆盖参数间作用机制 |
| 1 LST的空间分布 |
| 2 FIS-LST分析 |
| 3 NDVI、FVC-LST分析 |
| 4 FIS及NDVI与LST差值分析 |
| 5 不同等级FIS对LST的贡献率 |
| 第五章 结论与展望 |
| 1 主要结论 |
| 1.1 云检测 |
| 1.2 土地覆盖模式定量反演以及对LST空间分布的影响 |
| 2 研究不足与展望 |
| 2.1 云检测研究不足及展望 |
| 2.2 HJ-1B星地表温度反演研究不足及展望 |
| 附录1 |
| 参考文献 |
| 攻读学位期间承担的科研任务与主要成果 |
| 致谢 |
| 个人简历 |
（10）MODIS数据云检测算法及云补偿方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 中文文摘 |
| 绪论 |
| 1 研究意义 |
| 2 国内外研究概况 |
| 2.1 云检测研究进展 |
| 2.2 云下像元恢复研究进展 |
| 3 研究目标 |
| 4 本文主要研究内容 |
| 4.1 云检测及云补偿研究 |
| 4.2 算法模块实现及ENVI功能模块扩展研究 |
| 5 本文章节安排 |
| 第一章 研究思路与研究方案 |
| 1 研究思路 |
| 1.1 本文研究思路 |
| 1.2 研究方法 |
| 1.3 技术路线 |
| 2 研究区概况 |
| 3 研究方案 |
| 3.1 云特性分析 |
| 3.2 数据源 |
| 3.3 开发平台选择 |
| 3.4 系统实现 |
| 4 本章小结 |
| 第二章 基于MODIS影像的云检测 |
| 1 MODIS数据预处理 |
| 1.1 几何校正 |
| 1.2 反射率/辐亮度计算 |
| 1.3 亮温转换 |
| 2 云检测 |
| 2.1 土地覆盖类型/影像时间识别 |
| 2.2 长三角周边地区云检测方法 |
| 2.3 海岸带误判修复 |
| 3 算法对比分析与综合云检测 |
| 3.1 云检测算法对比分析 |
| 3.2 综合云检测算法描述及流程图 |
| 3.3 综合云检测结果 |
| 4 算法实现 |
| 5 本章小结 |
| 第三章 云检测后MODIS影像修复 |
| 1 图像配准 |
| 2 云检测之后的云下像元补偿 |
| 2.1 替换法 |
| 2.2 像元相对变化率云补偿 |
| 2.3 改进后的云补偿方法 |
| 3 灰度直方图匹配消除影像的辐射差异 |
| 4 云补偿方法结果及讨论 |
| 4.1 目视评价 |
| 4.2 统计分析 |
| 5 本章小结 |
| 第四章 结果与展望 |
| 1 研究结论 |
| 2 存在不足之处 |
| 3 未来工作展望 |
| 参考文献 |
| 攻读学位期间承担的科研任务与主要成果 |
| 致谢 |
| 个人简历 |
四、NOAA卫星云检测和云修复业务应用系统的研制和建立（论文参考文献）
- [1]基于深度学习的新疆地区遥感积雪判识研究[D]. 曹海啸. 南京信息工程大学, 2021(01)
- [2]基于多角度偏振数据的云参数反演研究[D]. 常钰阳. 中国科学技术大学, 2020(01)
- [3]基于AIRS和MODIS数据融合的卷云参数反演[D]. 邢颖. 武汉大学, 2018(06)
- [4]遥感图像云检测方法研究进展[J]. 刘紫涵,吴艳兰. 国土资源遥感, 2017(04)
- [5]基于多时相MODIS影像的云检测和云去除算法[J]. 王晓宇. 内蒙古林业调查设计, 2015(06)
- [6]AIRS云产品与大气产品的检验及订正研究[D]. 陈立. 南京信息工程大学, 2015(01)
- [7]气象卫星云图云检测及分类的研究[D]. 赵晓利. 华南理工大学, 2014(05)
- [8]云参数法干旱遥感监测模型研究[D]. 向大享. 武汉大学, 2011(07)
- [9]基于HJ-1B星的云检测及土地覆盖模式与地表温度研究[D]. 韩春峰. 福建师范大学, 2010(02)
- [10]MODIS数据云检测算法及云补偿方法研究[D]. 杨珊荣. 福建师范大学, 2009(S1)