夜光遥感(二):夜光影像的处理

本文详细介绍夜光遥感影像的处理流程,包括几何校正、去饱和处理等数据预处理步骤,以及如何使用ArcGIS工具进行夜光影像裁剪和分析,计算城市灯光强度与密度。

夜光遥感(二):夜光影像的处理

一、数据预处理

  1. 几何校正

    采用 ERDAS AutoSync工具进行几何校正。校正像素偏移带来的误差。

  2. 去饱和处理

​ DMSP/OLS的可见光-近红外波段可记录10-10~10-8/(w·cm-2·sr-1·um-1)范围内的辐射强度,对应数据的DN值范围为[0,63]。当传感器接收到的可见光-近红外辐射高于10-8/(w·cm-2·sr-1·um-1)时,传感器输出的DN值仍然为63,不会再随之增高。这种影像DN值增大到一定程度不再随着地面灯光强度的增加而继续增大,我们将其称之为DMSP/OLS的夜光强度饱和现象。DMSP/OLS数据的这一缺陷会影响其应用成果的准确性。因此,我们需要对其进去饱和处理。

二、制作夜光遥感影像

  1. 首先从网站上下了2002年、2003年、2004年全球的夜光遥感影像,经过数据预处理后如下图所示。

在这里插入图片描述

  1. 然后使用ArcGIS工具箱中空间分析—>提取分析—>按掩膜提取。输入要被裁剪的栅格数据和定义区域的输入掩膜数据,得到被裁剪的中国遥感影像。如图所示。

    在这里插入图片描述

    在这里插入图片描述

    1. 接着为了计算每个城市的灯光强度和平均灯光密度,使用ArcGIS中空间分析—>区域分析—>以表格显示分区统计。可以看到计算出来的平均灯光密度和总灯光亮度等等。接下来就可以利用这些数据进行分析。

      在这里插入图片描述

在这里插入图片描述

### 夜光遥感处理技术与工具 夜光遥感数据提供了独特的视角来研究城市化、能源消耗和社会经济活动等方面的信息。针对夜光遥感影像的特点,多种技术和工具被开发出来用于其处理和分析。 #### 数据处理 为了提高后续分析的质量,在获取原始卫星图像之后通常会执行一系列的数据处理操作。这些步骤可能包括辐射定标、大气校正以及几何精纠正等过程[^1]。通过这样的方式可以确保不同时间拍摄的照片之间具有可比性,并减少环境因素带来的干扰影响。 #### 特征提取与增强 考虑到夜晚光照条件较差的情况,特征提取变得尤为重要。一种有效的方法是利用深度学习模型来进行目标识别,如提出的Faster R-CNN加上领域适应(DA)算法能够在仅有日间标注样本的情况下实现较为精确的夜间车辆检测并估计交通流量参数。此外,还有专门设计用来融合极端曝光差异图片的技术DeepFuse, 它采用无监督的方式完成多张照片合成一张高质量的结果图的任务[^2]。 #### 应用场景下的高级分析 除了基本的对象探测外,还可以基于上述基础开展更多深入的研究工作。例如,借助于卷积神经网络(CNN),可以从大规模的城市灯光分布模式中自动发现潜在规律;或者运用聚类算法对特定区域内的人口密度变化趋势做出预测评估。值得注意的是,部分研究也探索了如何从未标记的大规模视觉资料里自学有用的部件表示形式以辅助各类认知任务[^3]。 ```python import numpy as np from skimage import io, transform def preprocess_night_image(image_path): """ 对夜光遥感图像进行简单的预处理 """ img = io.imread(image_path) # 假设这里进行了必要的放射矫正和其他调整... processed_img = transform.resize(img, (height, width)) return processed_img ```
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值