-
公开(公告)号：CN105184076B
公开(公告)日：2017-11-17
申请号：CN201510557427.6
申请日：2015-09-02
Applicant: 安徽大学
IPC: G06F19/00
Abstract: 本发明涉及定量遥感数据处理技术领域，公开了一种遥感地表温度数据的时空一体化融合方法，首先对遥感地表温度数据进行预处理，其次，利用多时相温度数据和对应的时间求解地表温度昼夜变化模型参数，实现空间无缝，最后在极轨卫星地表温度影像数据上逐窗口筛选相似像元，结合由多时相静止卫星与上述模型构成的时间差异、尺度差异、相似度差异以及欧氏距离等权重因子，共同构建时空一体化融合模型并求解生成空间无缝的高时空分辨率地表温度数据集。本发明充分利用极轨卫星与多时相静止卫星地表温度数据的时空互补信息和静止卫星地表温度的昼夜变化规律，不需要任何辅助数据，易于实现，实用价值高，可用于时空无缝的遥感地表温度数据业务化运行。
-
-
公开(公告)号：CN105184076A
公开(公告)日：2015-12-23
申请号：CN201510557427.6
申请日：2015-09-02
Applicant: 安徽大学
IPC: G06F19/00
Abstract: 本发明涉及定量遥感数据处理技术领域，公开了一种遥感地表温度数据的时空一体化融合方法，首先对遥感地表温度数据进行预处理，其次，利用多时相温度数据和对应的时间求解地表温度昼夜变化模型参数，实现空间无缝，最后在极轨卫星地表温度影像数据上逐窗口筛选相似像元，结合由多时相静止卫星与上述模型构成的时间差异、尺度差异、相似度差异以及欧氏距离等权重因子，共同构建时空一体化融合模型并求解生成空间无缝的高时空分辨率地表温度数据集。本发明充分利用极轨卫星与多时相静止卫星地表温度数据的时空互补信息和静止卫星地表温度的昼夜变化规律，不需要任何辅助数据，易于实现，实用价值高，可用于时空无缝的遥感地表温度数据业务化运行。
-
公开(公告)号：CN115661661A
公开(公告)日：2023-01-31
申请号：CN202211398590.9
申请日：2022-11-09
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于水质遥感反演技术领域，具体涉及一种针对稀疏站点数据的叶绿素a浓度遥感反演方法，有效解决了叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限；增加了稀疏站点数据的利用率，同时提高了叶绿素a浓度反演精度。本发明获取相同日期MSI‑MODIS数据对，经过预处理得到样本数据集；构建面向叶绿素a浓度反演的MSI和MODIS时空融合深度残差学习网络，从而获得所需时间具有MSI传感器空间分辨率的时序数据；在此基础上结合对应时序站点叶绿素a浓度观测数据，通过极限梯度提升树(XGBoost)的机器学习算法构建反演模型，实现了有限站点数据的叶绿素a浓度遥感反演。
-
公开(公告)号：CN108629119B
公开(公告)日：2022-04-05
申请号：CN201810432877.6
申请日：2018-05-08
Applicant: 安徽大学
IPC: G06F30/20 , G06F119/12
Abstract: 本发明涉及定量遥感产品处理技术领域，公开一种时序MODIS定量遥感产品时空修复及其批处理实现方法，通过将时序MODIS定量遥感产品时空修复流程化，实现MODIS定量遥感产品空值或低质量数据修复的批量处理，得到空间上连续的高质量MODIS定量遥感产品；而且批处理计算效率较高，易于实现，实用价值高，可用于MODIS定量遥感产品质量改善的业务化运行。
-
Patent Agency Ranking
公开(公告)号：CN114330530B
公开(公告)日：2025-05-09
申请号：CN202111597460.3
申请日：2021-12-24
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/13 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/0985 , G01N21/3577
Abstract: 本发明涉及水质参数遥感反演领域，公开了基于空谱融合与模型学习耦合的叶绿素a浓度反演方法，通过获取相同日期MODIS和Sentinel‑2数据，经过预处理，得到样本数据集；构建面向叶绿素a浓度反演的MODIS和Sentinel‑2空‑谱融合深度学习网络，并耦合光谱响应函数、影像退化模型等物理约束，从而获得具有MODIS光谱分辨率和Sentinel‑2空间分辨率的融合数据，为叶绿素a浓度反演提供高空谱分辨率数据源；结合实地采样数据与融合的高空谱分辨率数据，在梯度提升树等机器学习的水质反演算法下验证融合的有效性，结果表明本处理方法有效提高了叶绿素a浓度的反演精度。
-
公开(公告)号：CN118333854A
公开(公告)日：2024-07-12
申请号：CN202410250759.9
申请日：2024-03-05
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4046 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种陆面数据同化系统地表温度数据超分辨率重建方法，本发明以较高分辨率的热红外遥感地表温度数据为参考，对较低分辨率的CLDAS‑V2.0地表温度数据进行超分辨率重建，针对地表温度数据的时空异质与高动态变化特征，一方面，构建以U‑Net网络结构为主体的超分辨率重建深度学习模型，嵌入注意力模块加强模型对局部细节的关注，并引入残差连接提高网络的训练效率和泛化能力；另一方面，筛选时空匹配的CLDAS‑V2.0地表温度数据和热红外地表温度数据分别作为输入和标签实施模型训练，将CLDAS‑V2.0地表温度数据的空间分辨率提高至热红外遥感尺度，本发明简单而有效地提高了CLDAS‑V2.0地表温度数据的空间分辨率，为更高分辨率热红外云下地表温度估算等研究奠定基础。
-
公开(公告)号：CN118279324A
公开(公告)日：2024-07-02
申请号：CN202410275723.6
申请日：2024-03-12
Applicant: 安徽大学
IPC: G06T7/11 , G06T7/62 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/094
Abstract: 本发明涉及一种多源数据协同的热红外云下地表温度高保真重建方法，本发明首先获取长时序热红外地表温度数据、中国气象局陆面数据同化系统地表温度产品及已发布热红外地表温度数据，并构建热红外云下地表温度重建样本集；其次，设计多源数据协同的地表温度高保真重建生成对抗网络模型，并通过卷积注意力机制模块和残差网络单元避免细节损失，最后得到空间连续的高保真热红外遥感地表温度数据；本发明集成了中国气象局陆面数据同化系统地表温度产品的空间连续性和已发布热红外地表温度数据的空间细节参考性等优势，有效解决了现有方法在云下信息重建时纹理细节保持不足、非云下信息重建时存在误差等问题，最终实现云下地表温度信息的高保真重建。
-
公开(公告)号：CN116794737A
公开(公告)日：2023-09-22
申请号：CN202310758397.X
申请日：2023-06-26
Applicant: 安徽大学
IPC: G01V3/38 , G06N3/045 , G06N3/0464 , G06N3/08 , G01V3/12
Abstract: 本发明属于遥感图像智能处理技术领域，具体涉及一种样本优化的被动微波数据无缝重建深度学习方法，本发明获取具有轨道间隙缺失的被动微波数据，充分利用轨道间隙的周期性和相邻时相空间互补性，通过小范围缺失样本对插值生成方法和单次循环掩膜策略进行样本优化，融合U‑net和Transformer构建多时相特征连接重建网络模型，实现无缝重建，得到分布连续、重建区域与原始区域无缝连接的遥感数据。本发明方法有效解决了现有深度学习重建方法在样本数量较少、样本特征不够丰富时，重建结果存在明显的“有缝”痕迹的局限；适用于所有具有轨道间隙的被动微波影像数据或定量参量数据重建，将为全球或区域尺度上被动微波数据的空间完整监测发挥重要作用。
-
公开(公告)号：CN114332619A
公开(公告)日：2022-04-12
申请号：CN202111649260.8
申请日：2021-12-30
Applicant: 安徽大学
Abstract: 本发明公开了定量遥感数据处理技术领域的一种基于深度学习的遥感数据水华提取方法，首先对遥感数据进行预处理，其次，利用湖泊矢量或者MNDWI指数进行湖泊区域裁剪，紧接着，构建湖泊的水华数据集，以及U‑Net网络模型结构，最后，通过训练集不断的迭代优化模型，并通过测试集测试获得更为稳定的水华提取深度学习模型；后续，在此基础上开展遥感数据水华提取相关应用；本发明充分利用了遥感数据的空间和光谱信息，且利用了多年间湖泊水华数据，在精度、效率以及泛华能力优于其他方法，同时具有较好迁移效果；模型优化后，不需要任何辅助数据，易于实现，实用价值高，可用于长时序的湖泊遥感水华监测等业务化运行。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
