为了解决现有陆地气溶胶光学厚度(AOD)反演算法精度和空间分辨率较低的问题,基于深度学习的思想,使用深度置信神经网络(DBN),实现了具有30 m空间分辨率的陆地气溶胶光学厚度反演。算法的训练样本包括全球长时间序列的AERONET站点数据以及在时空上与之对应的Landsat8 OLI的观测几何数据和表观反射率数据。为了保证反演的精度和稳定性,研究了AERONET站点数据的处理方法、卫星与站点数据的时空匹配方法以及DBN结构的设置。使用独立于训练样本的AERONET站点数据,对不同地表类型的550 nm处的AOD估算结果进行了整体验证,并对研究区域进行小尺度精度验证。结果表明,该方法的均方根误差和平均绝对误差分别为0.11与0.072。该方法打破了现有的气溶胶光学厚度反演方法依赖于其他遥感产品或者其他时相数据的局面,有效提高了气溶胶光学厚度反演的效率和空间分辨率。

京津冀地区的大气颗粒物污染非常严重,对气候环境和人类健康产生直接影响。为了使用遥感技术对京津冀地区的颗粒物污染进行快速、准确的评价,验证了NASA近期发布的全球1 km分辨率的MCD19A2气溶胶光学厚度(AOD)产品在京津冀地区的精度,明确了卫星产品在该区域应用的可靠性,并分析了AOD产品与空气质量指数(AQI)的相关性,探讨其对空气污染的指示作用。获取2014~2018年京津冀地区的MCD19A2 AOD空间分布数据,以及同步的AERONET实测数据,对两类数据进行了时空转化等处理,以实现数据间的精确匹配。验证结果表明,MCD19A2产品在该区域达到较高的精度及稳定性,相关系数、均方根误差、平均绝对误差和期望误差范围分别为0.9504、0.1243、0.0863和82.26%。基于不同尺度AOD结果,与AQI数据进行相关性分析,二者具有较高的相关性,表明MCD19A2数据对空气污染状况具有直接的指示作用。该研究可为气溶胶特性研究、空气质量监测等方面的工作提供一定的参考。

高分六号WFV是搭载在我国高分六号卫星上的高空间分辨率多光谱传感器,该传感器实现了高分辨率和宽覆盖的结合。精确识别高分六号WFV数据的云像元对于农业资源监测、林业资源调查以及防灾减灾等行业具有重要意义。基于全球土地覆盖产品FROM-GLC10数据,改进地表类型支持的云检测算法(LCCD算法),开展了高分六号WFV数据的云检测工作。以FROM-GLC10作为先验数据,充分考虑不同地表类型反射率的变化,在每种地表类型上分别采用不同的方法设置阈值。通过目视解译的方法对云检测结果进行精度评价,云正确率整体达到了92.46%,其中植被类、水体类、高亮地表类的云正确率分别为93.09%、95.60%和88.70%。结果表明,改进的基于地表类型的云检测算法有效提高了高分六号WFV数据云检测的精度。

为提高GF-6 WFV数据的利用效率,研究了GF-6 WFV数据的云检测算法。该算法是基于阈值自动生成的云检测(CDAG)算法,通过挖掘云和典型地表在可见光、近红外波段的光谱差异信息,实现了对多光谱卫星传感器的云检测。考虑到GF-6 WFV数据光谱范围相对较窄,云与亮地表的识别能力相对较弱的问题,加入了离差指数和亮地表指数,使用更多的波段组合方式,更加深入地分析云像元和晴空像元的差异,提高了典型地表与云的识别精度。通过遥感目视判读的方法对本研究中抽取的不同子区域的云检测结果进行分析,识别精度达到85.16%,漏分误差和错分误差分别为14.84%和2.39%,实现了较高的识别精度。