FY-3A中分辨率光谱成像仪图像地理定位方法

风云三号A星 (FY-3A) 中分辨率光谱成像仪 (MERSI) 采用45°镜旋转扫描,形成垂直于卫星飞行轨迹的360°连续圆周扫描方式,多元探测器并扫的技术。该研究依据这种扫描特性,给出了适用于FY-3A MERSI遥感图像地理定位的方法;定义了完善的坐标系及坐标系转换关系,根据MERSI观测几何、卫星空间位置和姿态、仪器空间位置和指向建立了探测器像元观测矢量与地面位置之间关系的模型;通过地形校正消除地形起伏带来的定位误差;在FY-3A地面应用系统中业务运行的同时,通过一定数量的地面控制点分析,将定位误差等效为遥感仪器安装误差,修正了MERSI的仪器指向角度。实验结果表明,使用该方法对MERSI遥感图像地理定位精度达到250 m像元级,满足MERSI图像的高精度定位要求。     

基于仿真的6.9 GHz通道亮温改进FY-3D MWRI海面温度产品

海洋表面温度SST（Sea Surface Temperature）是全球海洋和气候研究的重要参数之一,卫星被动微波遥感由于能够实现全天候观测而被越来越多的应用到SST研究中。中国的风云三号（FY 3）卫星搭载的微波成像仪（MWRI）缺少对SST更加敏感的7 GHz附近垂直极化通道,本研究将FY 3 MWRI与具有6.9 GHz通道的Aqua AMSR 2进行时空匹配,采用神经网络方法,利用匹配的FY 3 MWRI的通道亮温模拟仿真AMSR 2的69 GHz垂直极化通道亮温（6.9V）,通过引入仿真的6.9V来提高FY 3 MWRI SST的反演精度。结果表明：引入仿真的6.9V可以改进FY 3 MWRI SST反演精度,对35°～90°S之间海域的SST改进更加显著,主要由于6.9V对低SST的探测灵敏度更高且在低SST反演时受风速的影响较小导致的。如果FY3后续卫星可以搭载6.9 GHz通道,将可进一步提升低SST特别是两极SST的反演精度。     

格点尺度对TRMM微波成像仪云水数据的影响

选取热带测雨卫星(Tropical Rainfall Measuring Mission,TRMM)微波成像仪(TRMM Microwave Imager,TMI)液态水路径(liquid water path,LWP)轨道像元数据为研究对象,探讨了将瞬时探测以及逐月的像元数据进行格点化(0.1°、0.25°、0.5°、1.0°和2.5°五种格点分辨率)时,格点数据的失真情况。对TMI瞬时探测的个例分析结果表明,细分辨率(0.1°、0.25°和0.5°)格点能保留原始像元数据的细节;而随着网格变粗,细节受到较大的平滑。因此对于中尺度到天气尺度的天气系统分析而言,将卫星轨道数据处理到网格尺度不大于0.5°的格点更合适。对逐月LWP像元资料格点化处理的分析表明,细分辨率格点能保留LWP空间分布细节,尽管5种分辨率下LWP的概率密度分布(probability density function,PDF)均相近。因此,对月尺度及以上的气候分析研究而言,格点尺度大小对卫星像元数据格点化的影响不显著。最后利用本实验室计算的TMI/LWP格点数据与欧洲中期数值预报中心再分析资料(European Centre for Medium-range Weather Forecasts Interim reanalysis,ERA-Interim)和NCEP再分析资料(NCEP Climate Forecast System Reanalysis,NCEP CFSR)进行了对比,发现两种再分析资料都高估了LWP;TMI/LWP格点数据与两种再分析资料LWP的多年变化趋势大致相同。     

基于FY-3C微波辐射成像仪海表温度产品的偏差订正方法研究

提出一种针对FY-3C搭载的微波辐射成像仪(MWRI)海表温度产品的分段回归偏差订正方法,该方法通过引进气候态海表温度数据,建立与关联实测海表温度相匹配的回归模型,并通过对模型中关联变量的误差分析,选择最优样本进行分段回归,以实现对海表温度数据的重新估计。通过对MWRI海表温度数据的偏差订正试验表明,采用分段回归方法获得的订正结果无论在误差指标的空间分布还是时间序列上,都要明显优于采用传统概率密度函数偏差订正方法的结果。其中,采用概率密度函数方法订正后的海表温度产品误差标准差和均方根误差从订正前的0.9—1.0℃,减小到0.8℃左右,而采用分段回归方法获得相应的订正误差仅为0.6℃左右,订正效果有明显改善。     

一套基于FY-3B/MWRI观测的热带气旋微波亮温数据集

利用风云三号B星(FY-3B)微波成像仪(Microwave Radiation Imager,MWRI)一级亮温数据和每6 h一次的热带气旋(tropical cyclone, TC)最佳路径数据进行时空匹配,建立了TC微波亮温数据集。该数据集包含了2011—2016年全球六大海盆生成的热带风暴级别以上的TC共计538个,以及对应每个TC的微波十通道亮温和36.50 GHz、89.00 GHz的极化校正亮温度,并简要阐明了该数据集在热带气旋研究方面的潜在应用,尤其对TC生命周期内的微波亮温特征及TC强度变化研究提供了有力的数据支撑。     

基于边缘指导的双通道卷积神经网络单图像超分辨率算法

当前基于卷积神经网络（CNN）的超分辨率（SR）重建算法,虽然取得了很大的成功,但是重建图像高频纹理的效果仍然不能令人满意,其高分辨率（HR）图像局部边缘存在明显的震荡.本文提出一种结合形态学成分分析（MCA）分解的边缘指导双通道CNNSR算法：待处理的低分辨率（LR）图像通过MCA分解为纹理部分和平滑结构部分;纹理部分和原LR图像共同组成双通道,输入到改进的网络结构中重建HR纹理部分;结合HR纹理输出与LR平滑结构部分重建HR图像.训练过程采用最小化纹理损失与原图像损失之和最优化网络模型参数.后处理包括：执行网络输出与LR输入图像的直方图匹配使色调保持一致,提升感官效果;应用迭代的反向映射使HR重建与LR输入保持退化算子一致性提高PSNR值.实验结果显示：该方法能够很好地恢复HR图像的纹理细节,对纹理细节丰富的图像恢复效果更好.     

基于注意力反向投影网络的天气雷达回波超分辨率重建算法

高分辨率的天气雷达数据能揭示探测天气目标的精细结构,对灾害性天气分析和预报预警至关重要。提高天气雷达反射率数据分辨率可以提升现有业务天气雷达对中小尺度强对流灾害性天气的监测和预警能力。本文在不改变雷达硬件的情况下,提出了基于注意力反向投影网络(Attention Back-Projection Network,ABPN)的天气雷达回波超分辨率重建算法用于提高雷达反射率数据分辨率。ABPN通过在深度反向投影网络(Deep Back-Projection Network,DBPN)中加入长短跳跃连接和通道注意力机制,对关键区域精细化重建结构特征。通过对实际天气过程超分辨率重建测试,结果表明,ABPN算法在雷达回波重建质量和主观视觉评估上有明显的优势,特别是在回波细节和天气雷达的边缘结构特征方面。     

基于FY3/MERSI数据的辽宁省植被指数重建及时空变化分析

为建立中国风云三系列气象卫星长时间序列归一化植被指数数据集,选用滤波和函数拟合方法,针对林地、湿地、水稻、玉米、大豆、城市和水体7类地物开展数据重建效果定量分析,确定最佳数据重建方法,并在辽宁省开展时空变化分析。结果表明：非对称高斯函数拟合法（Asymmetric Gaussians,AG）、Savitzky-Golay滤波法（SG）、双Logistic函数拟合法（Double Logistic,DL）和时间序列谐波分析法（Harmonic Analysis of Time Series,HANTS）四种方法均表现出相对较好的去噪能力。SG方法对噪声比较敏感,HANTS方法在低值区受噪声影响大。AG和DL方法平滑效果较好,DL方法的峰值更接近于原始峰值。在高植被覆盖区和季节性作物区,SG方法相关系数最高（>0.93）、均方根误差最低（< 0.1）;在城市和水体低植被指数区,HANTS方法相关系数最高,为0.87,但四种方法的均方根误差均在0.06左右,差别不大。综合考虑曲线和定量分析结果,选取SG方法进行辽宁省植被指数数据集数据重建。辽宁省植被指数数值高低的空间分布与下垫面植被类型相符合,东部山区林地植被指数最高,达到0.75以上。2009-2020年,辽宁省NDVI年均值存在波动,不同地物植被指数变化存在差别,水体和城市植被指数变化相对较小,旱田作物（玉米、大豆）的植被指数受干旱年的影响植被指数变化稍大。辽宁省主要粮食作物植被指数年内均呈单峰分布,与一年一熟型吻合,均在8月上旬达到最大值。     

基于VTK的雷达基数据交互式三维重建功能及其业务应用

介绍了在自研的《气象雷达基数据结构分析软件》的基础上,通过空间三维插值方法和VTK（Visualization Toolkit）图形图像库显示技术,实现天气雷达基数据三维可视化的功能,该软件可运行于多种操作系统。三维重建功能支持多项交互式操作,能够快速突出雷达回波的结构特征：允许在雷达平面图上选定任意矩形区域进行三维重建;支持地形和雷达回波的叠加;具备缩放、漫游和视角变换功能;提供不同数值区间的透明度和光照系数调整;实现多种类型的切面视图和三视图。最后,本文结合软件在强对流单体、台风等个例中的应用情况,展示了三维重建功能如何帮助预报员快速掌握风暴结构及其演变规律。     

融合无人机LiDAR和高分辨率光学影像的点云分类方法

点云分类是激光点云数据处理的重要环节,探索自动、高效、高精度的点云分类方法具有重要意义.通过分析同机获取的LiDAR点云与高分辨率光学影像的特点,提出了融合无人机LiDAR与高分辨率光学影像的点云分类方法.首先将LiDAR点云投影到二维平面并构建不规则三角网模型,然后寻找同名点对完成与光学影像的配准与融合,进而将光学影像的光谱信息赋予无人机LiDAR点云,接着从光学影像上提取光谱特征、从LiDAR点云上提取多尺度几何特征构建分类特征集,进一步通过CFS特征选择算法实现特征集的降维,最后运用随机森林分类算法实现点云分类.实验结果表明,本文分类方法的总体精度可达89.5%,Kappa系数为0.844,与未经特征选择的分类结果相比精度提高了1.1个百分点,与单纯依靠LiDAR或者光学影像的分类相比,精度分别提高了5.4和14.9个百分点.本文方法不仅有效避免了基于点云属性内插构建新的图像融合方式带来的计算误差,同时解决了单尺度下构建几何特征时难以确定最优空间分析尺度的问题,并且对特征集进行优化选择从而有效提高了数据处理的效率.