【摘 要】
：
针对高光谱卫星CO2全球遥感探测的需要,在SCIATRAN辐射传输模型的基础上建立了高光谱全球CO2遥感反演系统GF VRTM-V2.0,利用GOSAT的L1B实测光谱数据输入业务系统,反演二氧化碳的全球平均柱浓度分布,并与GOSAT公布的观测结果相对比,验证业务系统的准确性.GOSAT和GF VRTM-V2.0得到的XCO2整体的趋势基本一致,在全部观测的138个曝光点中,约40％的曝光点的相对
【机 构】
：
西安交通大学空间光学研究所,西安,710049
【出 处】
：
第三届全国成像光谱对地观测学术研讨会
论文部分内容阅读
针对高光谱卫星CO2全球遥感探测的需要,在SCIATRAN辐射传输模型的基础上建立了高光谱全球CO2遥感反演系统GF VRTM-V2.0,利用GOSAT的L1B实测光谱数据输入业务系统,反演二氧化碳的全球平均柱浓度分布,并与GOSAT公布的观测结果相对比,验证业务系统的准确性.GOSAT和GF VRTM-V2.0得到的XCO2整体的趋势基本一致,在全部观测的138个曝光点中,约40％的曝光点的相对误差超过1％,而所有的沙漠观测点的相对误差都超过1％,最大相对误差达到3.15％,均方差为5.00ppm,但全球的平均误差为-1.09ppm；如果GOSAT为真值,则GF VRTM-V2.0的反演结果小于项目设计的目标4ppm,因此GF VRTM-V2.0系统满足项目设计的精度要求.
其他文献
指纹是刑事物证鉴定领域是最重要的物证之一,常被称为"证据之王",其中以基于光学技术的指印采集、分析鉴定最为常见.但是传统光学成像方法获取的指纹往往无法达到辨识的目的,主要表现在指纹无法利用裸眼看清、指纹信号微弱、背景干扰严重、指纹模糊和破损等问题.随着技术的进步,David L.Exline (2003)等[1]将高光谱成像技术引入物证鉴定领域,由液晶可调波长滤光镜(LCTF)等成像设备获取的光谱
近年来，遥感卫星能够实现大范围，长时间，周期性的对地观测，因此，利用遥感影像的变化检测方法成为对地观测最有效的技术之一。所谓变化检测就是指利用多个时期的覆盖同一地区的遥感影像来确定地物状态的变化过程。
高光谱图像具有光谱分辨率高、图谱合一的特点，可以提供丰富的地物信息，因此在目标检测领域有着独特的优势。然而，高光谱图像的数据量大、数据维度高、目标较小等因素，都给目标检测带来了极大的困难，使得一些传统的目标检测算法在某些背景下难以取得良好的检测结果。同时，由于小目标的像素点较小，难以得到足够的样本，使得一些传统的特征降维方法难以得到有效的应用。
围填海是人类获取海洋资源的重要方式。监测围填海的变化是海岸带管理、海岸带演变研究中一项非常重要的任务。遥感技术以其低成本、快速、准确、大范围对地观测能力被引入到海域使用情况调查中，成为海域调查的有力手段。然而，海岸带大气条件多变，海岸带地物覆盖复杂多变，制约了遥感影像在围填海变化检测中的应用。
提取有效的分类特征是机器学习领域的热点问题。深度学习通过组合低层特征形成更加抽象的高层类别属性或特征，以挖掘数据的分布式特征表示；深度神经网络的多层非线性结构使其具备强大的特征表达能力和对复杂任务的建模能力。以层次化、逐层初始化为代表的一系列方法比如深度神经网络(DNN)、堆栈自编码网络(SAE)和深度信念网络(DBN)的提出使对深层模型的有效训练成为可能并在语音和图像处理等领域获得了成功。常见的
图像分类是高光谱遥感信息提取领域一个非常活跃的研究方向，获得高精度分类结果的关键是要解决数据的高维度和有限的训练样本等问题。在处理上述问题时，一种有效的方式是采用子空间方法来降低数据的维度，从而能够更好地挖掘和使用有限的训练样本。这类方法中一个典型的例子就是基于子空间投影的多元逻辑回归算法(MLRsub)。这种方法能够很好地重塑混合像元的特征，在高光谱图像分析中有着十分重要的研究意义。
近几年发展起来的半监督分类算法,对解决高光谱遥感数据的小样本分类具有重要意义.直推学习是机器学习领域处理未标记样本的一种有效手段,它通过对未标记样本的挖掘,将其与已标记样本综合,来构造一个更优的分类器.Joachims(1999)提出直推支持向量机(Transductive Support Vector Machine,TSVM)这一概念并将其成功应用在文本分类中,有效的改善了分类性能.与传统SV
高光谱影像包含了地物丰富的光谱信息，有利于提高遥感地物的分类识别率。然而，传统基于纯光谱特征的分类方法难以获得满意性能。结合光谱与空间信进行高光谱影像分类已成为当前领域内研究热点之一。
高光谱遥感数据的光谱分辨率高，图谱合一，为对复杂目标进行精确分类、识别与分析提供了更丰富的信息与可能，在空间遥感、对地观测、月球探测及精确农业等领域均有重要的应用。本文针对目标识别与分类，分析研究了高光谱遥感数据/图像的组合光谱特征和基于神经网络的高光谱图像分类方法，并给出了仿真及真实数据实验研究结果，主要工作和特色有如下三点。
高光谱图像具有众多的光谱波段，由于波长范围较窄，高光谱图像的信噪比相对较低。消除或减弱高光谱图像中的噪声，提高图像的信噪比，必然能够提高图像的分类精度。由于高光谱图像的波段密集，相邻波段应该具有较强的相关性。如果将高光谱图像每个波段转化为一个向量，那么在无噪声的情况下，图像矩阵的秩将远低于高光谱图像的波段数量。基于这个假设，本文提出了一种新的基于矩阵分解的高光谱图像去噪方法。该方法将高光谱图像分解