Landsat 8地表温度产品验证与分析

Landsat系列卫星热波段具有60~120m的空间分辨率，对各种环境监测起到了重要的作用。随着Landsat系列卫星在全球范围内地表温度（land surface temperature，LST）产品的发布，其验证工作也随之展开，然而对于长时间序列的精度验证工作仍然缺乏。以黑河流域中游为研究区，利用研究区内湿地站（SD）、戈壁站（GB）和大满超级站（CJZ）三个气象站的地面测量数据对2013-2016年清晰无云的31景Landsat 8地表温度产品进行了验证与分析，并将Landsat 8地表温度产品与广泛使用的普适性单通道算法（JMS）反演结果进行了对比。结果表明，Landsat 8地表温度产品与普适性单通道算法反演结果精度均较高，在各个站点处R2均优于0.949。基于所有站点分析，Landsat 8地表温度产品精度稍高于普适性单通道算法反演结果。     

基于嵌入式FPGA加速ORB算法的遥感影像配准方法

卫星上计算资源有限，星载嵌入式处理器处理遥感影像的配准时通常需要很长的时间。可编程逻辑门阵列（FPGA）利用其内部可编程器件可用于加速图像处理。提出了一种基于Xilinx公司的ZYNQ芯片加速ORB算法的遥感影像配准方法，可用于3000×3000像素尺寸的卫星图像配准，缩短了计算耗时，提升了ORB算法的计算能效比。利用FPGA能够实现真正的并行计算电路，实现ORB算法多支路单层流水线的并行计算结构。采用软硬件结合的方法实现架构，能够处理不同分辨率的图像，可灵活配置特征点的数量。基于设计的加速ORB配准方法，获得了较高准确率。与软件实现相比,OVS-1A遥感影像偏移精度损失低于0.05个像元;GF.4遥感影像偏移精度损失小于0.9个像元。将ORB配准算法流程应用在ZYNQ7020上，耗时减少了57.50%。     

基于卫星遥感的岛礁影像多类目标智能化提取

卫星遥感影像具有背景复杂、目标尺度不一、观测方向各异、纹理不清晰等特点，主流的深度学习目标检测算法不能直接适用于卫星遥感影像的目标检测。改进了RetinaNet，使其适用于卫星遥感影像。首先设计了一种新的特征融合方式，融合ResNet50输出的特征图，使得融合后的特征图同时具有高层语义信息和低层纹理细节信息。为了减弱遥感影像复杂背景对目标特征的影响，设计了特征感知模块，在减弱噪声对特征图影响的同时增强有用特征。挑选DOTA数据集中船只、飞机和存储罐图像进行训练和测试。改进的算法与RetinaNet相比，飞机、船只和存储罐的平均精度分别提高了41%、25%、24%。基于高分二号卫星（GF 2）真实影像数据的试验结果表明，提出的算法能够用于卫星遥感岛礁影像的多类目标智能化提取。     

一种新的遥感影像清晰度评价方法

针对传统清晰度评价算法很难准确评价遥感卫星影像清晰度的问题,结合工程应用及遥感影像特点提出了一种新的遥感图像清晰度评价算法--自检测灰度梯度函数清晰度评价算法。把评价过程分为目标区域检测和清晰度特征参量提取,为解决遥感影像数据量大且景物密度与分布特点各异的问题,首先通过检测算子对一幅遥感影像中各区域进行检测来得到景物丰富且边缘明显的目标区域,然后再对目标区域进行灰度预处理并提取目标区域的边缘灰度梯度来评价清晰度。通过三组不同类型影像对该算法进行验证,分别为遥感相机在轨离焦仿真影像和噪声仿真影像,以及在轨型号遥感卫星影像,对比几种传统典型清晰度评价算法和自检测灰度梯度函数的评价效能,结果表明：文中方法满足遥感影像清晰度评价的基本要求,解决了传统算法无法横向比较不同遥感相机影像及不同大小影像清晰度的问题,是一种适合卫星遥感影像清晰度评价的方法。     

空间非合作目标的多视角点云配准算法研究

为了提高相邻视角间稀疏扫描点云数据配准的速度和精度,实现多视角点云精确配准,提出一种基于KD Tree点云均匀采样简化算法,并且对传统四点算法（4 PointsCongruentSetsAlgorithm,4PCS）中的阈值参数进行了统一,确定了各误差阈值参数和点云密度之间的关系,通过基于姿态校正的方法有效解决了对称视角点云引起的误配准问题。仿真结果表明,该方法能够快速、有效地实现卫星稀疏点云的配准。     

一种基于多虚拟观测量的组合导航自主完好性监测方法

完好性用于导航系统出现故障的情况下提供及时的告警，是生命安全类用户需要考虑的重要性能指标。基于惯性导航系统（INS）辅助的卫星导航自主完好性监测算法，提出了一种利用INS构造3颗虚拟卫星观测量的组合导航系统自主完好性监测方法，通过构造视线方向相互垂直的3颗卫星，最大限度利用组合导航中INS的导航信息，在2颗可见星条件下就能实现故障检测。相比传统接收机自主完好性监测(RAIM)方法，该方法提高了检测算法可用性。在GPS单星座且INS定位误差方差σ_s=1m条件下，加入35m单星故障幅值，传统加权RAIM故障检测概率为48.51%，本文算法检测概率为95.21%，检测性能提升47%；与INS辅助的卡尔曼滤波残差检测法相比，在相同INS精度等级条件下该方法也具有更高的检测概率。此外，仿真分析了不同INS精度等级对该方法故障检测性能的影响，结果表明INS精度越高，该方法检测性能越好。     

澳大利亚东南部森林山火HJ卫星遥感监测

以2009年2月发生在澳大利亚东南部的森林山火为研究对象,利用HJ-1B遥感影像识别森林山火,分析HJ-1B在林火灾害事故中的监测能力,通过对HJ-1B IRS B07设计参数及数据特点进行分析,提出适用于HJ-1B卫星林火监测的归一化火点指数(Ku)算法.研究表明:Ku值大于0.40为潜在可能的火点像元,云耀斑和地表虚假高温点是影响林火监测的主要噪声.由于HJ-1B没有获取到研究区域未着火前的影像数据,利用MODIS(Moderate-resolution Imaging Spectroradiometer)空间分辨率为250 m的通道1和通道2计算植被指数,其结果能较好的应用于HJ-1B林火监测算法中.通过对比分析HJ-1B林火监测结果和MODIS林火产品MOD14认为,HJ-1B能更好的监测出澳大利亚东南部森林火灾,反映出火灾的局部空间分布和细节特征.     

基于认知无线电的GEO与LEO卫星频谱共存

随着新的宽带多媒体业务的发展，宽带无线频谱的需求日益增长。同时，低轨道（LEO）卫星由于其传输损耗低、传播时延小而被大规模部署。为了更好地利用频谱资源，卫星通信系统普遍采用高轨道（GEO）卫星与LEO卫星频谱共存的方案来提高频谱利用率。在频谱共存的过程中，提出了一种基于动态阈值的能量检测与波束跳跃相结合的算法，以减小LEO对GEO卫星的干扰。首先对LEO卫星的信噪比进行估计并实时选择最优阈值，然后利用基于动态阈值的能量检测算法对GEO卫星信号进行判别，最后根据判断的结果进行波束调整。仿真结果表明，提出的基于动态阈值的能量检测算法的检测误差明显低于传统的基于固定阈值的能量检测算法和基于二阶循环统计量的频谱感知方法。当信噪比低于-10dB的情况下，检测误差低于0.2；而当信噪比高于-5dB时，检测误差趋近于0。     

高分七号卫星高精度控制技术与验证

高分七号卫星（GF-7）控制系统，一方面通过研制甚高精度星敏感器和高平稳度翼板驱动机构（SADA），提高部件性能指标；另一方面采用在轨参数标定、星地闭环补偿等控制技术，进一步提高系统性能。经飞行验证表明，控制系统实现了角秒级姿态测量精度，稳定度达到10-5(°)/s量级，与同类型测绘卫星控制系统比较，姿态测量精度和稳定度均达到中国领先、国际先进的水平，使中国遥感测绘卫星控制能力得到了大幅提升。最后展望了GF-7卫星控制分系统进一步提高控制精度的发展方向。     

基于DTW的HJ-1B卫星地表温度产品质量检验

HJ-1B卫星热红外数据应用广泛,但其地表温度反演产品的质量检验工作尚不完善。以黑河流域为研究区,利用普适性单通道算法得到HJ 1B地表温度,基于7个地面站点（下垫面为荒漠、沙漠、植被、农作物、雪地和湿地）同步观测资料和MODIS地表温度产品（MOD11A1）,引入动态时间规整方法（DTW）对站点处HJ 1B地表温度进行验证。试验结果表明：HJ 1B地表温度反演产品与地面观测值的偏差值在沙漠和荒漠站点为1K以内,均方根误差在05K左右;对于植被和农作物站点的偏差在2K以内,均方根误差为1~2K;基于DTW的验证对时序不匹配的数据评价结果与现有指标表现一致。HJ-1B地表温度反演产品与地面站点的相对偏差均低于其与MODIS地表温度反演产品的相对偏差。     

基于三维点云模型的空间目标光学图像生成技术

空间探测任务中大量先验图像数据的缺乏，使得基于光学图像的态势感知和导航算法无法被有效定量测试和评估。针对此问题，提出了一种基于三维点云模型和射影变换基本理论的空间目标光学图像生成方法。在完成对空间目标三维点云模型和仿真摄像机模型构建基础之上，利用射影变换基本理论依次计算像平面所有像素点与空间目标三维点云模型空间点的对应关系，并基于Lambertian漫反射模型和相对应空间目标三维点云模型空间点的光照方向，得到所有像素点的灰度值，从而生成给定空间目标的光学图像。大量仿真实验表明:与传统的基于解析模型的仿真图像生成方法相比，所提的空间目标光学图像生成技术能够以更快的速度生成更加真实的仿真图像，且生成的仿真图像可以广泛应用于椭圆拟合、陨石坑检测、着陆器视觉导航、航天器交会对接、空间目标跟踪等典型空间应用算法的定性与定量评估。      

Application of SVM on satellite images to detect hotspots in Jharia coal field region of India

The present paper deals with the application of Support Vector Machine (SVM) and image analysis techniques on NOAA/AVHRR satellite image to detect hotspots on the Jharia coal field region of India. One of the major advantages of using these satellite data is that the data are free with very good temporal resolution; while, one drawback is that these have low spatial resolution (i.e., approximately 1.1 km at nadir). Therefore, it is important to do research by applying some efficient optimization techniques along with the image analysis techniques to rectify these drawbacks and use satellite images for efficient hotspot detection and monitoring. For this purpose, SVM and multi-threshold techniques are explored for hotspot detection. The multi-threshold algorithm is developed to remove the cloud coverage from the land coverage. This algorithm also highlights the hotspots or fire spots in the suspected regions. SVM has the advantage over multi-thresholding technique that it can learn patterns from the examples and therefore is used to optimize the performance by removing the false points which are highlighted in the threshold technique. Both approaches can be used separately or in combination depending on the size of the image. The RBF (Radial Basis Function) kernel is used in training of three sets of inputs: brightness temperature of channel 3, Normalized Difference Vegetation Index (NDVI) and Global Environment Monitoring Index (GEMI), respectively. This makes a classified image in the output that highlights the hotspot and non-hotspot pixels. The performance of the SVM is also compared with the performance obtained from the neural networks and SVM appears to detect hotspots more accurately (greater than 91% classification accuracy) with lesser false alarm rate. The results obtained are found to be in good agreement with the ground based observations of the hotspots. This type of work will be quite helpful in the near future to develop a hotspots monitoring system using these operational satellites data.     

基于卫星云图的大区域云层预测方法

云层覆盖是影响对地观测卫星成像的一个重要问题,如果遥感图像中云层比例太高,或者特定目标不可见,则遥感图像就会失效。对地观测卫星能够根据云层预测信息,在多个观测目标之间进行选择。面向对地观测卫星任务规划的应用,设计了大区域范围的短期云层预测方法,首先通过光流法获取云运动矢量,然后依据云运动矢量外推获得预测的云层图像,同时引入拉普拉斯算子刻画云层运动过程中的扩散现象,利用风云二号卫星的真实云图序列数据,通过神经网络的反向传播算法优化扩散因子,以提升云层预测的效果。通过对结果进行分析,引入的拉普拉斯算子方法能够提高云层预测的精度,80%分位数的云层覆盖率误差约为11.7%,该精度的云层预测可以用于指导对地观测卫星任务规划。     

A robust object-based shadow detection method for cloud-free high resolution satellite images over urban areas and water bodies

Unwanted contrast in high resolution satellite images such as shadow areas directly affects the result of further processing in urban remote sensing images. Detecting and finding the precise position of shadows is critical in different remote sensing processing chains such as change detection, image classification and digital elevation model generation from stereo images. The spectral similarity between shadow areas, water bodies, and some dark asphalt roads makes the development of robust shadow detection algorithms challenging. In addition, most of the existing methods work on pixel-level and neglect the contextual information contained in neighboring pixels. In this paper, a new object-based shadow detection framework is introduced. In the proposed method a pixel-level shadow mask is built by extending established thresholding methods with a new C₄ index which enables to solve the ambiguity of shadow and water bodies. Then the pixel-based results are further processed in an object-based majority analysis to detect the final shadow objects. Four different high resolution satellite images are used to validate this new approach. The result shows the superiority of the proposed method over some state-of-the-art shadow detection method with an average of 96% in F-measure.     

Statistical approaches to cloud classification

For the determination of clouds from satellite data there exist in general more unknown parameters than independent observations. If the bispectral observations are used from the geostationary satellites in the solar (VIS-channel) and in the infrared (IR-channel) range to derive cloud parameters, information is needed whether a pixel radiance is from a cloud free or a cloudy scene. Statistical methods are applied to derive those informations. Various proposed statistical methods are discussed.The histogram analysis developed at the University of Cologne is described in detail: bispectral (two-dimensional) histograms are partitioned into clusters. Cloud cover results are shown. A comparison is given between the results of the histogram analysis, threshold methods (VIS- and IR threshold separately and both combined) and the spatial coherence method developed by Coakly and Bretherton. The cloud cover varies in this example by a factor of two depending on the definition of the threshold between cloud free and cloudy pixels. It is further shown that after a cluster analysis of a two-dimensional histogram the derived cloud cover is not as sensitive to the threshold as for a threshold method. The methods which are discussed here are those proposed for the International Satellite Cloud Climatology Project (ISCCP). The results are from the pilot study of the ISCCP.     

一种空间非合作目标的稀疏点云配准算法

点云数据配准是三维重构的关键技术之一,为了提高空间非合作目标的稀疏扫描点云数据配准的速度和精度,提出一种改进的基于四点算法的全局配准算法进行初始配准,再使用迭代最近点算法精确配准.针对直接扫描所得到点云数据量大的问题,本文提出一种基于KD Tree点云均匀采样简化算法,并且对传统基于四点算法中的阈值参数进行了统一,确定了各误差阈值参数和点云密度之间的关系.仿真结果表明,该方法能够快速、有效地实现卫星稀疏点云的配准,改进的四点算法配准耗时仅为几何哈希算法的42.49%.     

用于识别双星故障的RAIM算法

由于传统的基于识别门限的卫星故障识别算法存在漏检和误警致使识别率较低,为此提出一种可用于识别双星故障的接收机自主完好性监测算法.该算法通过构造新的奇偶矢量与故障特征平面,利用奇偶矢量与故障特征平面之间的几何关系来识别卫星故障,使得算法不再受限于识别门限的影响,从而有效地避免了由于识别门限引起的识别效率较低的问题.计算机仿真结果表明:改进后的算法与传统的基于识别门限的算法相比,双星故障正确识别的性能有显著的提高,正确识别率可达到90%.同时,与基于门限识别的重构最优奇偶矢量法相比,计算量可减少约61.2%以上.