基于可见光红外成像辐射仪多波段、宽覆盖、长重访周期的特点,以及云层在可见光到热红外通道的分布及变化特性,提出了一种适用于可见光红外成像辐射仪数据的改进的动态阈值云检测算法;通过遥感目视解译的方法对云检测结果进行精度验证,并与通用动态阈值云检测算法、可见光红外成像辐射仪云掩膜产品的结果进行对比。结果表明:所提算法能以较高的精度识别不同地表上空的云层,平均总体精度为93.23%,平均Kappa系数为0.821,对薄、碎云的整体识别精度得到了明显提高,错分和漏分误差明显减小;所提算法的云检测结果整体优于通用动态阈值云检测算法和可见光红外成像辐射仪云掩膜产品的云检测结果。

基于先验地表反射率数据库支持的动态阈值云检测算法(UDTCDA)可以显著提高卫星数据的云检测精度。为进一步提高其在波段相对较少的高空间分辨率卫星数据云检测应用中的精度,改进了UDTCDA中先验地表反射率数据与待检测卫星数据的空间匹配方法。与原方法使用重采样达到空间分辨率一致不同,该方法根据待检测影像高空间分辨率的特点,采用逐像元空间地理坐标配准的方法与真实地表反射率数据进行配准,然后进行云像元检测。该方法保留了高分辨率影像空间分辨率的优势,可以有效降低空间重采样造成的像元信息丢失。分别使用资源3号、高分1号、高分2号和高分4号高分辨率卫星数据开展云检测实验。通过遥感目视解译的方法对结果进行精度验证,并与UDTCDA云识别结果进行对比。结果表明,改进后的算法能以较高的精度识别不同高分辨率卫星影像中的云,总体精度可达到93.92%,对于碎云和薄云具有整体较高的识别精度,漏分误差和错分误差分别低于10.40%和9.57%。

大气气溶胶是影响城市环境空气质量的重要因素, 同时对人类健康具有重要影响。 传统的气溶胶遥感反演方法多适用于海洋及植被等地表反射率较低的区域, 对于城市等高亮地表区域, 地表反射率较高且难以确定, 气溶胶反演面临巨大挑战。 针对该问题, 提出一种新的地表反射率的确定方法, 将下垫面划分为暗地表和亮地表两种类型, 分别使用可见光与短波红外的线性关系和利用长时间序列MODIS表现反射率数据使用最小值合成技术构建先验数据集的方法, 确定其地表反射率, 然后基于辐射传输方程理论利用查找表方法, 进行气溶胶光学厚度反演。 选择下垫面复杂、 空气污染问题严重的北京市作为研究区, 应用MODIS数据进行气溶胶反演实验, 最后使用北京站、 香河站、 北京CAMS站和北京RADI站4个AERONET气溶胶地基观测数据和MODIS气溶胶产品对反演结果进行对比验证。 结果表明该算法气溶胶反演结果与地基观测数据具有较高的一致性(R2=0.902), 能以较高精度实现城市等高反射率地区的气溶胶反演, 反演精度与空间连续性上较MOD04有显著提高。

由于北京城市中心区冬季供暖、 汽车尾气、 工业生产等因素的影响, 以及冬季植被覆盖减少导致地表热惯量降低, 致使北京市冬季地表热场与其他季节差异明显。 冬季城市热场分布直接影响冬季大气颗粒物等污染物的扩散速度, 因此, 研究热场分布对了解城市热场在大气颗粒物污染中的贡献具有重要的意义。 首先利用MODTRAN大气辐射传输模型计算大气透过率、 大气上行辐射与大气下行辐射三个关键参数, 通过构建查找表解算热红外波段辐射传输方程。 使用数据模拟的手段评价了该方法的精度, 结果表明, 当比辐射率和水汽分别在±0.005和±0.6的误差范围内波动时, 温度反演的误差分别小于0.348和2.117 K, 表明该方法可达到较高的反演精度。 选择长时间序列Landsat TM、 ETM+数据, 进行地表温度反演, 得到1985年—2015年北京市的地表温度。 基于反演的地表温度分析了北京市热场的时空分布。 结果表明, 北京冬季热场分布在空间上可分为四个层次: 北京市二环内温度较高、 二环到五环内低温环状特征明显、 外围郊区温度高以及北京西部的山区温度最低; 随着近30年来北京市的快速发展, 热场分布在长时间序列中发生了明显的改变: 随着北京城市的不断扩张, 环状低温区域也不断扩大, 从三环扩展到六环; 城市二环以内热岛效应随时间推移而增强, 且分布范围扩大。

大气水汽含量（precipitable water vapor, PWV）对遥感定量化及生态环境方面研究具有重要意义。 针对传统水汽探测方法存在的问题, 提出一种基于多通道表观反射率的ICIBR（improved continuum interpolated band ratio）水汽遥感反演方法。 该方法结合MODIS数据第17, 18和19三个近红外通道的水汽吸收特点, 利用MODTRAN模型模拟大气含水量与三个通道ICIBR之间的关系, 构建了适用于MODIS数据的ICIBR大气水汽含量定量反演模型。 基于提出的ICIBR水汽反演方法, 选择北美洲南部典型干旱、 半干旱区德克萨斯州、 俄克拉荷马州等地区为研究区, 使用不同时间的四期MODIS 1B数据进行水汽反演实验。 同时, 选择SuomiNet提供的GPS水汽地基观测数据对反演结果进行精度验证以及MODIS大气水汽产品（MOD05）进行对比评价。 验证和对比结果表明: 该算法水汽反演结果与GPS水汽实测数据具有较高的一致性（r=0.967）, 均方根误差为0.276 cm, 有71.08%的观测点对满足水汽反演误差精度（EE~±0.05+0.15PWVgps）要求, 同时与MOD05大气水汽产品相比, 该方法在反演精度和准确估计方面有了较大提高, 能够有效降低61%的水汽反演高估现象。 该方法较传统算法更为简易、 实用, 具有较高的整体水汽反演精度。

传统的与光谱反射率匹配的矿物填图方法受图像质量、 大气及环境背景等因素影响较为明显, 矿物识别效果较差。 针对上述问题提出一种基于多类型光谱特征参数匹配的矿物信息识别方法, 综合利用多种光谱特征参数在大气及环境背景变化中的相对稳定性特点, 实现矿物信息的高精度识别。 选取美国内华达州Cuprite矿区AVIRIS机载可见-红外光谱成像仪高光谱数据, 以USGS美国地质调查局波谱库中的矿物波数为参照光谱, 分别计算AVIRIS影像和USGS波谱库中典型矿物的光谱特征参数, 在对多种光谱特征参数综合分析的基础上, 构建Cuprite矿区矿物识别模型, 进行矿物填图实验。 最后使用Clark等在该地区的矿物填图结果数据, 对实验结果进行了验证, 结果表明: 该方法矿物识别结果与Clark等的填图结果吻合度高, 整体矿物识别精度达到78.96%。

道路是城市中典型的人造地物。 利用高分辨率影像进行城市道路提取, 对城市规划、 交通发展具有重要意义。 由于地物光谱的混淆性和异质性, 利用传统基于光谱的分类方法很难将道路与其他城市地物区分开。 针对这一问题, 提出了一种利用道路边缘结构信息进行分类的方法, 边缘作为光谱衍生信息对线性地物(如, 道路等)识别具有明显的意义。 首先, 根据全色光谱波段纹理信息, 利用改进的自适应Mean Shift算法进行边缘检测, 最大限度减少噪声与伪边缘; 然后, 对边缘图像中的线段进行编组, 利用统计模型依次对边缘线段求取统计特征, 并将该统计特征与多光谱特征结合作为总分类特征; 最后, 利用监督学习方法对城市道路样本进行学习并对整个实验区域进行分类。 结果表明将光谱信息与边缘统计特征融合对道路的识别精度为93%, 相比传统方法78%的精度有显著的提高, 因此, 该方法是一种有效、 可行的高分辨率遥感图像城市道路提取方法。