近年來,隨著遙感技術(shù)的興起,各行各業(yè)對衛(wèi)星數(shù)據(jù)的需求也隨之增加。Landsat系列數(shù)據(jù)作為最重要的對地觀測的衛(wèi)星數(shù)據(jù)源之一,憑借長期連續(xù)、覆蓋全球以及適當(dāng)?shù)臅r空間分辨率等優(yōu)點(diǎn),逐漸成為觀測地表特征和研究地球系統(tǒng)的應(yīng)用中最為有效的數(shù)據(jù)之一。然而,云污染對Landsat系列影像的影響嚴(yán)重,云對地表參數(shù)和大氣參數(shù)的反演也產(chǎn)生重大影響,極大地降低了遙感影像的利用率。因此,云檢測是遙感影像處理中不可或缺的一步,現(xiàn)有的云檢測方法往往存在依賴特定的傳感器和波段、參數(shù)要求苛刻等問題。本文結(jié)合深度學(xué)習(xí)理論,研究出基于神經(jīng)網(wǎng)絡(luò)的Landsat 8數(shù)據(jù)的云檢測方法。研究主要圍繞以下幾方面:首先,詳細(xì)地總結(jié)了國外內(nèi)外云識別的研究現(xiàn)狀,并對方法做了分類歸納�？偨Y(jié)了遙感影像中云的各種特征,深入研究并實(shí)現(xiàn)了目前最流行的Fmask云識別算法,并根據(jù)其易丟失空間特征的不足引入了神經(jīng)網(wǎng)絡(luò)相關(guān)概念。其次,根據(jù)云檢測的實(shí)際需要,設(shè)計(jì)出三種用于云檢測的神經(jīng)網(wǎng)絡(luò),分別是CNN、U-net和SCU-net。用真實(shí)數(shù)據(jù)集對其進(jìn)行訓(xùn)練,并根據(jù)訓(xùn)練過程選取最佳參數(shù)的云識別模型。然后,根據(jù)云層的空間和光譜特征,提出一種云失真的混合模型,并... 

【文章來源】：中國地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

015年全球Landsat8影像含云量統(tǒng)計(jì)

中國地質(zhì)大學(xué)（北京）工程碩士學(xué)位論文8圖1-2技術(shù)路線圖1.4論文章節(jié)結(jié)構(gòu)圍繞上述內(nèi)容，本文的章節(jié)安排如下:第一章為緒論。詳細(xì)論述了論文研究的內(nèi)容與意義，國內(nèi)外云識別的研究現(xiàn)狀，目前云識別問題中存在的不足，以及本文所研究的問題和技術(shù)路線。第二章為遙感影像云檢測原理。主要總結(jié)了云檢測過程中所應(yīng)用到的理論知識，首先介紹了遙感影像中云的各種特征，深入研究并實(shí)現(xiàn)了目前最流行的Fmask云識別算法，然后引入當(dāng)下應(yīng)用廣泛的深度學(xué)習(xí)概念，詮釋基于神經(jīng)網(wǎng)絡(luò)的分類算法來解決云檢測問題的可能性。第三章為云檢測網(wǎng)絡(luò)設(shè)計(jì)。根據(jù)上一章所介紹的分類算法原理，設(shè)計(jì)三種不同的神經(jīng)網(wǎng)絡(luò)用來解決云檢測問題，并通過訓(xùn)練與調(diào)試，得到網(wǎng)絡(luò)訓(xùn)練的最佳模型。第四章為云檢測算法實(shí)驗(yàn)。根據(jù)遙感影像中云的特征提出云失真混合模型，并根據(jù)模型進(jìn)行數(shù)據(jù)模擬。利用模擬數(shù)據(jù)以及兩種真實(shí)數(shù)據(jù)集對設(shè)計(jì)的算法進(jìn)行驗(yàn)證試驗(yàn)。并根據(jù)實(shí)驗(yàn)結(jié)果，從下墊面類型和云形狀的類型討論不同情況下算法的效果。第五章為總結(jié)與展望�？偨Y(jié)本文研究的內(nèi)容和不足之處，并對未來的研究前景進(jìn)行展望。

中國地質(zhì)大學(xué)（北京）工程碩士學(xué)位論文10地物信息屬于高頻分量。因此，受云污染嚴(yán)重的影響低頻信息會異常突出，變相減小了高頻信息的輸出，具體在影像上體現(xiàn)就是像元變換速度緩慢，細(xì)節(jié)模糊，信息丟失等等。從空間上來說，主要指的是云層形態(tài)上的紋理特征和空間上分布的特征。不同種類的云紋理特點(diǎn)各不相同，層云頂部光滑，卷云呈絮狀或團(tuán)狀，雨積云表面褶皺眾多，薄云邊界模糊，易和地物混淆。云層的分布沒有特殊規(guī)律，一般來說，云在大范圍中集中，在小范圍內(nèi)離散，無法人為預(yù)測。圖2-1Landsat8影像中不同的云種類由圖2-1所示，根據(jù)云幾何形狀和密度的不同，大致可分為三種：薄云、厚云和碎云。厚云面積大，一般呈厚重的塊狀，分布集中，太陽輻射幾乎不能透過云層，傳感器無法接收到地面信息，厚云下覆蓋的信息視為完全丟失；相對的，薄云可以透過一部分太陽輻射，傳感器接收到的地表輻射信息與云的低頻信息相互摻雜；碎云則是厚云和薄云的結(jié)合體，它們分布沒有厚云集中，相對分散，但是比薄云更厚，很多飛行器往往會被誤識別為碎云。2.2電磁輻射理論遙感的圖像是電磁輻射與地表相互作用的一種記錄，傳感器通過接收來自地表的電磁輻射從而生成遙感圖像。而來自地表的電磁輻射能量其源頭主要來自太陽輻射。太陽輻射的大部分能量集中于近紫外-中紅外（0.31~5.6m）區(qū)內(nèi)，占全部能量的97.5%，其中可見光占43.5%、近紅外占36.8%。而近紫外-短波紅外（0.31~2.5m），占全部能量的95%左右。由此可見，太陽輻射主要為短波輻射。在此光譜區(qū)內(nèi)太陽輻射的強(qiáng)度變化很小，可以當(dāng)作很穩(wěn)定的輻射源。

【參考文獻(xiàn)】：
期刊論文
[1]關(guān)于深度學(xué)習(xí)的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學(xué)工.  智能系統(tǒng)學(xué)報. 2019(01)
[2]基于Landsat 8影像的多光譜厚云檢測方法研究[J]. 朱冰雪,陳圣波,周超,孫士超,范憲創(chuàng).  地理空間信息. 2018(06)
[3]基于Landsat 8 QA云標(biāo)識的云影識別方法研究[J]. 王薔,黃翀,劉高煥,劉慶生,李賀,陳卓然.  地球信息科學(xué)學(xué)報. 2018(01)
[4]基于條件隨機(jī)場的多時相遙感影像分類[J]. 汪光亞,曹國,尚巖峰.  計(jì)算機(jī)應(yīng)用研究. 2018(09)
[5]遙感圖像的云分類和云檢測技術(shù)研究[J]. 周雪珺,楊曉非,姚行中.  圖學(xué)學(xué)報. 2014(05)
[6]Landsat系列衛(wèi)星對地觀測40年回顧及LDCM前瞻[J]. 姜高珍,韓冰,高應(yīng)波,楊崇俊.  遙感學(xué)報. 2013(05)
[7]Landsat TM遙感影像中厚云和陰影去除[J]. 李炳燮,馬張寶,齊清文,劉高煥.  遙感學(xué)報. 2010(03)
[8]基于模糊聚類的MODIS云檢測算法研究[J]. 潘聰,夏斌,陳彧,陳紅順.  微計(jì)算機(jī)信息. 2009(04)
[9]基于人工神經(jīng)網(wǎng)絡(luò)的云自動檢測算法[J]. 康曉光,孫龍祥.  解放軍理工大學(xué)學(xué)報(自然科學(xué)版). 2005(05)
[10]基于光譜分析的MODIS云檢測算法研究[J]. 李微,方圣輝,佃袁勇,郭建星.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2005(05)

博士論文
[1]多光譜衛(wèi)星遙感影像云及云陰影精準(zhǔn)檢測算法研究[D]. 邱實(shí).電子科技大學(xué) 2018

碩士論文
[1]基于多尺度FCN-CRF和強(qiáng)化學(xué)習(xí)的高分辨SAR圖像語義分割[D]. 孫瑩瑩.西安電子科技大學(xué) 2018
[2]基于特征融合的Landsat圖像云檢測算法研究[D]. 蔡克洋.武漢理工大學(xué) 2018
[3]基于波譜面積比值的Landsat 8復(fù)雜背景云識別方法研究[D]. 郭仲皓.浙江大學(xué) 2018
[4]基于遙感影像特征的云霧去除模型對比研究[D]. 張文君.云南大學(xué) 2016
[5]基于支持向量機(jī)的Landsat多光譜影像云檢測算法研究[D]. 陳長春.安徽大學(xué) 2014
[6]遙感圖像厚云去除方法研究[D]. 王政.廣西師范大學(xué) 2014



本文編號：3527156