遥感影像云识别方法综述
遥感影像云识别方法综述
国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。
1. 基于光谱特征的方法：
主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。
ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。
算法主要由有五部分组成：
（1）单一红外图像的空间对比试验。
（2）三个连续红处图像的时间对比试验。
（3）可见光和红外图像的空间/时间的累计统计合成。
（4）每5天的可见光和红处辐射的晴空合成。
（5）每个像元的可见光和红外辐射阈值勤的选取。
APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。
CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。
CO2方法（Smith and Platt,1978a,Wylie and MENZEL,1989）是一个反演云量和云高的好方法。CO2方法并不是一个简单的检测方法，因此无法与其它的云起配合使用，利用CO2通道简单的检测对云、尤其是高云的检测很有帮助。MODIS的CH35(13.9μm)对冷云的敏感性很好，只有500Pa以上的云才影响13.9μm的辐射。忽略来自地球表面的辐射，利用13.9μm的辐射设定阈值，就可对云进行识别。此方法可与近红外通道的卷云检测联合使用。
2.基于纹理特征的方法：
纹理是指图像象素的灰度或颜色的某种变化规律，它是一种区域特征，反映了图像或物体本身各元素之间空间分布的特性。同其它图像特征相比，它似乎能更好地兼顾图像宏观性质与微观结构。图像纹理分析在许多学科都已得到广泛的应用，如细胞图像、金相图像，它也是遥感图像分析的重要手段之一。通过提取图像的纹理特征，研究纹理在图像中反复出现的局部模式和它们的排列规则，获得纹理的定量描述，可以进而对图像或物体进行正确分类。因此，在以往的遥感影像云检测与分类技术中，纹理分析法是重要的方法之一。纹理分析的方法很多，对此M.Haralic作了较为全面的总结，基本上可归纳为统计模型法、结构法、场模型法或频域\空域联合分析法等四类，它们都可以应用于云的分类。
基于统计模型的方法是纹理分析中最基本的一类方法，典型的有共生矩阵法、laws纹理能量法等，这类方法原理简单，较实现，但适用范围较小；基于结构的方法将研究重点放在分析元之间的相互关系和排列规则上，对于分析自然纹理图像很难取得满意的效果；基于场模型的方法假设纹理按某种模型分布，如随机场模型、分形模型等，通过求模型参数来提取纹理特征，进行纹理分析，这类方法存在着计算量大，自然纹理很难用单一模型表达的缺点；基于空间/频率域联合分析法主要包括变换法和小波变换法等，这类方法根据人的视觉机理，利用在宽间域和频率域同时取得较好局部化的滤波器对纹理图像进行滤波，从而获得较为理想的纹理特征，它们在保持了纹理特征的有效性的基础之上，大大降低了纹理特征的维数，迄今为止，大多数方法还只适用于一部分特定图像。
此外，还有一些模型识别法，神经元网络识别方法的研究报道，其实质还是要用到上述两面种特征（或其部分），只不过在特征选择、阈值设定、分类器设计方面采用了不同的方法与手段。
2008年南方冰雪过程对生态环境影响的遥感监测——以湖南省资兴市为例
第11卷第2期2009年4月 地球信息科学学报 JOURNAL OF GE O 2I N F OR MATI O N SC I E NCE Vol 111,No 12 Ap r 1,2009 收稿日期:2008-11-7;修回日期:2009-03-05. 基金项目:中国博士后科学基金项目(20080430586);国家自然科学基金(40801161、40701114);国际科技合作计划项 目(2007DF A20640);中国科学院王宽诚博士后工作奖励基金。 作者简介:彭光雄(1978-),男,湖南永州人,中国科学院遥感应用研究所博士后,主要从事资源环境遥感研究。 E 2mail:pgx457600@g mail 1com 。 3通讯作者:宫阿都(1976-),男,山东烟台人,讲师,博士,主要从事GI S 与城镇信息系统研究。E 2mail:gad@ires 1cn 多时相影像的典型区农作物识别分类方法对比研究 彭光雄1 ,宫阿都 32 ,崔伟宏1,明 涛3,陈锋锐 1 (1中国科学院遥感应用研究所,北京 100101;2北京师范大学减灾与应急管理研究院,北京 100875; 3中国科学院地理科学与资源研究所,北京 100101) 摘要:基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。试验结果表明:面向对象法的分类精度最高,总体Kappa 系数为01655,是最适宜的方法;其次是BP 神经网络法和光谱角制图法,总体Kappa 系数分别为01635和01631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体 Kappa 系数分别为01601和01577。上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一 定参考意义。 关键词:多时相影像;遥感分类;方法比较 1 引言 农作物的遥感识别分类是农作物遥感估产的前提和出发点,成为农业遥感的焦点之一。然而相对于其他地物类型而言,农作物在光谱上具有更多的相似性,遥感影像难以区分,高光谱、高空间分辨率和多时相是解决此问题的三个主要途径。高光谱遥感影像具有能区分农作物更细微的光谱差异,探测农作物在更窄波谱范围的变化特点,利于提高识别作物的准确性 [124] ,但高光谱遥 感数据不容易获取,限制了其大面积的使用。高空间分辨率遥感影像能够提供农作物丰富的纹理信息,有利于农作物类型的区分,然而高空间分辨率遥感影像便于人工判读解译,不利于计算机自动分类 [529] 。由于不同农作物类型之间的物候特 征存在差异,利用多时相的遥感影像区分不同农作物类型是一种行之有效的方法 [10213] 。地表类型的遥感分类方法多种多样,对于不同特点的影像各种方法的适用性也存在很大差异 [14] 。而通过试 验以比较分析典型的分类方法,对多时相影像遥感分类的适宜性和准确性的研究也很少,因而, 这类研究对于指导多时相影像的遥感识别分类和基于物候特征的遥感监测具有重要的参考价值。 本文应用两个不同时相的遥感影像,针对甘蔗和玉米物候特征的差异,采用多种典型的遥感分类方法对其进行识别提取和对比研究。 2 研究区数据源及其处理分析 研究区选择在云南省弥勒县境内的竹园坝地区,位于103°20′～103°26′E,24°2′～24°9′N 之间,是南北走向的山间谷地,为弥勒县的重要甘 蔗基地,南北长约13km ,东西宽约6km (如图1)。该区为亚热带季风气候,平均海拔1170m ,年平均气温1914℃,无霜期340天,年平均降雨量953mm ,年平均相对湿度70%,光照充足、有效 温期长、昼夜温差大、霜雪日短,十分有利于甘蔗糖分的积累,具有发展蔗糖业得天独厚的自然条件。竹园镇光热资源充足,土壤肥沃,水利条件好,蔗糖、粮食、畜牧、蔬菜为该地区的四大传统产业,玉米和水稻是主要粮食作物。
极大似然参数辨识方法
2 极大似然参数辨识方法 极大似然参数估计方法是以观测值的出现概率为最大作为准则的，这是一种很普遍的参数估计方法，在系统辨识中有着广泛的应用。 2.1 极大似然原理 设有离散随机过程}{k V 与未知参数θ有关，假定已知概率分布密度)(θk V f 。如果我们得到n 个独立的观测值,21,V V …n V ,，则可得分布密度)(1θV f ，)(2θV f ，…,)(θn V f 。要求根据这些观测值来估计未知参数θ，估计的准则是观测值{}{k V }的出现概率为最大。为此，定义一个似然函数 ) ()()(),,,(2121θθθθn n V f V f V f V V V L = （2.1.1） 上式的右边是n 个概率密度函数的连乘，似然函数L 是θ的函数。如果L 达到极大值，}{k V 的出现概率为最大。因此，极大似然法的实质就是求出使L 达到极大值的θ的估值∧ θ。为了便于求∧ θ，对式（2.1.1）等号两边取对数，则把连乘变成连加，即 ∑== n i i V f L 1)(ln ln θ （2.1.2） 由于对数函数是单调递增函数，当L 取极大值时，lnL 也同时取极大值。求式（2.1.2）对θ的偏导数，令偏导数为0，可得 0ln =??θL （2.1.3） 解上式可得θ的极大似然估计ML ∧ θ。 2.2 系统参数的极大似然估计 设系统的差分方程为 )()()()()(1 1 k k u z b k y z a ξ+=-- （2.2.1） 式中 111()1...n n a z a z a z ---=+++ 1101()...n n b z b b z b z ---=+++ 因为)(k ξ是相关随机向量，故（2.2.1）可写成 )()()()()()(1 11k z c k u z b k y z a ε---+= （2.2.2） 式中 )()()(1 k k z c ξε=- （2.2.3） n n z c z c z c ---+++= 1 11 1)( （2.2.4） )(k ε是均值为0的高斯分布白噪声序列。多项式)(1-z a ，)(1-z b 和)(1-z c 中的系数n n c c b b a a ,,,,,10,1和序列)}({k ε的均方差σ都是未知参数。 设待估参数
遥感变化监测 流程
多时相土地利用/覆盖变化监测研究 方法及数据选取 土地是一个综合的自然地理概念，它处于地圈-生物圈-大气圈相互作用的界面，是各种自然过程和人类活动最为活跃的场所。地球表层系统最突出的景观标志就是土地利用和土地覆盖( Land Use and Land Cover)。由于土地利用和土地覆盖与人类的生活、生产息息相关，而人类活动正以空前的速度、幅度和空前规模改变着陆地环境。人类对土地资源的利用引起的土地利用和土地覆盖的变化是全球环境变化的重要因素之一，也是地球表面科学研究领域中的一个重要分支。因此，土地利用和土地覆盖的动态监测（Land Use and Land Cover Monitoring）是国内外研究的热点，也是当前全球变化研究计划的重要组成部分。 由多时相遥感数据分析地表变化过程需要进行一系列图像处理工作，大致包括：一、数据源选择，二、几何配准处理，三、辐射处理与归一化，四、变化监测算法及应用等。 一、遥感数据源的选取 不同遥感系统的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率不同，选择合适的遥感数据是变化监测能否成功的前提。因此，在变化监测之前需要对监测区域内的主要问题进行调查，分析监测对象的空间分布特点、光谱特性及时相变化的情况，目的是为分析任务选择合适的遥感数据。同时，考虑到环境因素的影响，用于变化监测的图像最好是由同一个遥感系统获得，如果由于某种原因无法获得同一种遥感系统在不同时段的数据，则需要选择俯视角与光谱波段相近的遥感系统数据。 1时间分辨率 这里需要根据监测对象的时相变化特点来确定遥感监测的频率，如需要一年一次、一季度一次还是一月一次等。同时，在选择多时相遥感数据进行变化监测时需要考虑两个时间条件。首先，应当尽可能选择用每天同一时刻或者相近时间的遥感图像，以消除因太阳高度角不同引起的图像反射特性差异；其次，应尽可能选用年间同一季节，甚至同一日期的遥感数据，以消除因季节性太阳高度角不同和植物物候差异的影响。 2空间分辨率 首先要考虑监测对象的空间尺度及空间变异的情况，以确定其对于遥感数据的空间分辨率的要求。变化监测还要求保证不同时段遥感图像之间的精确配准。因此，最好是采用具有相同瞬时视场（IFOV）的遥感数据，如具有同样空间分辨率的TM图像之间就比较容易配准在一起。当然也可以使用不同瞬时视场遥感系统获取的数据，如某一日期的TM图像（30m ×30m）与另一日期的SPOT图像（20m×20m），来进行变化监测，在这种情况下需要确定一个最小制图单元20m×20m，并对这两个图像数据重采样使之具有一致的像元大小。 一些遥感系统按不同的视场角拍摄地面图像，如SPOT的视场角能达到±27°，在变化监测中如果简单采用俯视角明显不同的两幅遥感图像，就有可能导致错误的分析结果。例如，对一个林区，不均匀地分布着一些大树，以观测天顶角0°拍摄的SPOT图像是直接从上向下观测到树冠顶，而对于一幅以20°观测角拍摄的SPOT图像所记录的是树冠侧面的光谱反射信息。因此，在变化监测分析中必须考虑到所用遥感图像观测角度的影响，而且应当尽可能采用具有相同或相近的俯视角的数据。 3光谱分辨率 应当根据监测对象的类型与相应的光谱特性选择合适的遥感数据类型及相应波段。变化监测分析的一个基本假设是，如果在两个不同时段之间瞬时视场内地面物质发生了变化，则不同时段图像对应像元的光谱响应也就会存在差别。所选择的遥感系统的光谱分辨率应当足
遥感图像分类方法综述
龙源期刊网 https://www.360docs.net/doc/3116089468.html, 遥感图像分类方法综述 作者：胡伟强鹿艳晶 来源：《中小企业管理与科技·下旬刊》2015年第08期 摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结， 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。 关键词：遥感图像；监督分类；分类精度 1 概述 遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。 2.2 监督分类方法 对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification，MLC）、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其
微波遥感技术的应用现状综述
微波遥感技术的应用现状综述 彭文放02126033 （西安电子科技大学 021261班） 摘要：针对我国微波遥感的应用现状进行综述。微波技术已经在冰雪、海洋、气象、农业、军事、灾害监测、以及室内实验方面得到了广泛研究和应用，在未来必将得到更加深入发展。 关键词：微波遥感应用现状 中图文分类号：TP7 文献标识码：A 1 引言 遥感技术包括传感器技术，信息传输技术，信息处理、提取和应用技术，目标信息特征的分析与测量技术等。遥感技术依其遥感仪器所选用的波谱性质可分为：电磁波遥感技术、声纳遥感技术、物理场（如重力和磁力场）遥感技术。电磁波遥感技术是利用各种物体／物质反射或发射出不同特性的电磁波进行遥感的。其可分为可见光、红外、微波等遥感技术。按照感测目标的能源作用可分为：主动式遥ks5u感技术和被动式遥感技术。按照记录信息的表现形式可分为：图像方式和非图像方式。按照遥感器使用的平台可分为：航天遥感技术、航空遥感技术、地面遥感技术。按照遥感的应用领域可分为：地球资源遥感技术、环境遥感技术、气象遥感技术、海洋遥感技术等。微波遥感是利用某种传感器接收地面各种地物发射或反射的微波信号，籍以识别、分析地物、提取所需信息。微波遥感分为主动式和被动式。主动式包括成像雷达、微波散射计微波高度计和降雨雷达；被动式主要有微波辐射计。这些微波遥感器各有特点和适用范围。 2微波遥感额特点 微波遥感器不受或很少受云、雨、雾的影响，不需要光照条件，可以全天候，全天时的取得图像和数据。又因为微波有一定的穿透能力，故能获得较深层的信息。在毫米波亚毫米波段有一些气体有谐振谱线，利于监测。微波遥感：是传感器的工作波长在微波波谱区的遥感技术，是利用某种传感器接受地理各种地物发射或者反射的微波信号，藉以识别、分析地物，提取地物所需的信息。微波遥感是20世纪后期发展起来的新一代先进航天遥感技术。1888年，物理学家赫兹发现了电磁波，为无线电通信开辟了道路。19世纪末无线电的发送、接收技术和20世纪初电子管的发明，带来了20世纪科学技术的突飞猛进。20世纪80
实验6 数据拟合及参数辨识方法
实验6 数据拟合及参数辨识方法 一、实验目的及意义 [1] 了解最小二乘拟合的基本原理和方法； [2] 掌握用MATLAB作最小二乘多项式拟合和曲线拟合的方法； [3] 通过实例学习如何用拟合方法解决实际问题，注意与插值方法的区别。 [4] 了解各种参数辨识的原理和方法； [5] 通过范例展现由机理分析确定模型结构，拟合方法辨识参数，误差分析等求解实 际问题的过程； 通过该实验的学习，掌握几种基本的参数辨识方法，了解拟合的几种典型应用，观察不同方法得出的模型的准确程度，学习参数的误差分析，进一步了解数学建模过程。这对于学生深入理解数学概念，掌握数学的思维方法，熟悉处理大量的工程计算问题的方法具有十分重要的意义。 二、实验内容 1．用MATLAB中的函数作一元函数的多项式拟合与曲线拟合，作出误差图； 2．用MATLAB中的函数作二元函数的最小二乘拟合，作出误差图； 3．针对预测和确定参数的实际问题，建立数学模型，并求解。 三、实验步骤 1．开启软件平台——MATLAB，开启MATLAB编辑窗口； 2．根据各种数值解法步骤编写M文件 3．保存文件并运行； 4．观察运行结果(数值或图形)； 5．根据观察到的结果写出实验报告，并浅谈学习心得体会。 四、实验要求与任务 根据实验内容和步骤，完成以下具体实验，要求写出实验报告（实验目的→问题→数学模型→算法与编程→计算结果→分析、检验和结论→心得体会） 应用实验 1．旧车价格预测 某年美国旧车价格的调查资料如下表，其中x i表示轿车的使用年数，y i表示相应的平均价格。试分析用什么形式的曲线来拟合上述的数据，并预测使用4.5年后轿车的平均价
系统辨识复习资料
1请叙述系统辨识的基本原理（方框图），步骤以及基本方法 定义：系统辨识就是从对系统进行观察和测量所获得的信息重提取系统数学模型的一种理论和方法。 辨识定义：辨识有三个要素——数据、模型类和准则。辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型 辨识的三大要素：输入输出数据、模型类、等价准则 基本原理： 步骤：对一种给定的辨识方法，从实验设计到获得最终模型，一般要经历如下一些步骤：根据辨识的目的，利用先验知识，初步确定模型结构；采集数据；然后进行模型参数和结构辨识；最后经过验证获得最终模型。 基本方法：根据数学模型的形式：非参数辨识——经典辨识，脉冲响应、阶跃响应、频率响应、相关分析、谱分析法。参数辨识——现代辨识方法（最小二乘法等） 2随机语言的描述 白噪声是最简单的随机过程，均值为零，谱密度为非零常数的平稳随机过程。 白噪声过程（一系列不相关的随机变量组成的理想化随机过程） 相关函数： 谱密度： 白噪声序列，白噪声序列是白噪声过程的离散形式。如果序列 满足： 相关函数： 则称为白噪声序列。 谱密度： M 序列是最长线性移位寄存器序列，是伪随机二位式序列的一种形式。 M 序列的循环周期 M 序列的可加性：所有M 序列都具有移位可加性 辨识输入信号要求具有白噪声的统计特性 M 序列具有近似的白噪声性质，即 M 序列“净扰动”小，幅度、周期、易控制，实现简单。 3两种噪声模型的形式是什么 第一种含噪声的被辨识系统数学模型0011()()()()n n i i i i y k a y k i b u k i v k ===-+-+∑∑，式中,噪声序列v(k)通常假定为均值为零独立同分布的平稳随机序列,且与输入的序列u(k)彼此统计独立. 上式写成：0 ()()()T y k k v k ψθ=+。其中，()()()()()()()=1212T k y k y k y k n u k u k u k n ψ------????L L ，，，，，，， ) ()(2τδστ=W R +∞ <<∞-=ωσω2)(W S )}({k W Λ,2,1,0,)(2±±==l l R l W δσ2)()(σωω== ∑ ∞-∞=-l l j W W e l R S ???≠=≈+=?0 , 00,Const )()(1)(0ττττT M dt t M t M T R bit )12(-=P P N
系统辨识方法
系统辨识方学习总结 一．系统辨识的定义 关于系统辨识的定义，Zadeh是这样提出的：“系统辨识就是在输入和输出数据观 测的基础上，在指定的一组模型类中确定一个与所测系统等价的模型”。L.Ljung也给 “辨识即是按规定准则在一类模型中选择一个与数据拟合得最好的模型。出了一个定义： 二．系统描述的数学模型 按照系统分析的定义，数学模型可以分为时间域和频率域两种。经典控制理论中微 分方程和现代控制方法中的状态空间方程都是属于时域的范畴，离散模型中的差分方程 和离散状态空间方程也如此。一般在经典控制论中采用频域传递函数建模，而在现代控 制论中则采用时域状态空间方程建模。 三．系统辨识的步骤与内容 (1)先验知识与明确辨识目的 这一步为执行辨识任务提供尽可能多的信息。首先从各个方面尽量的了解待辨识的 系统，例如系统飞工作过程，运行条件，噪声的强弱及其性质，支配系统行为的机理等。 对辨识目的的了解，常能提供模型类型、模型精度和辨识方法的约束。 (2)试验设计 试验设计包括扰动信号的选择，采样方法和间隔的决定，采样区段（采样数据长度 的设计）以及辨识方式（离线、在线及开环、闭环等的考虑）等。主要涉及以下两个问 题，扰动信号的选择和采样方法和采样间隔 (3)模型结构的确定 模型类型和结构的选定是决定建立数学模型质量的关键性的一步，与建模的目的， 对所辨识系统的眼前知识的掌握程度密切相关。为了讨论模型和类型和结构的选择，引 入模型集合的概念，利用它来代替被识系统的所有可能的模型称为模型群。所谓模型结 构的选定，就是在指定的一类模型中，选择出具有一定结构参数的模型M。在单输入单 输出系统的情况下，系统模型结构就只是模型的阶次。当具有一定阶次的模型的所有参 数都确定时，就得到特定的系统模型M，这就是所需要的数学模型。 (4)模型参数的估计 参数模型的类型和结构选定以后，下一步是对模型中的未知参数进行估计，这个阶 段就称为模型参数估计。
遥感监测技术方案(特选参考)
农业生态遥感监测的内容为2014年北京市1期冬小麦面积监测，2014年北京市2期玉米（春、夏玉米）面积监测，2014年北京市4期设施农业占地面积，2014年秋季露地菜面积监测。具体的生产流程如下： 1、专题信息获取 专题信息主要指北京市冬小麦、玉米、设施农业、秋季菜田四类专题，具体监测方法和生产流程如下： 1.1专题监测方法 （1）小麦、玉米监测 小麦监测北京市2014年冬小麦数据，以2014年4-5月遥感影像为主；玉米监测2014年北京市玉米，以2014年6-9月遥感影像为主，具体的技术方法如下：在综合考虑北京市地形特点，小麦、玉米种植结构特点的基础上，经过对小麦、玉米种植物候，遥感生产的经验总结和对多种数据的对比、分析，提出一套基于“分目标、分区域、分数据、分技术”的“四分”技术方法，融生产标准规范、质量控制体系和用户响应机制为一体的小麦、玉米播种面积统计统计遥感调查方法。该方法按照一定的分层指标将北京市行政村进行划分，再对不同层级的村执行不同的数据计划和技术对策，最后采取分层抽样法评估信息提取结果的精度，并对未满足精度要求的区域进行成果修订（图1-1）。
业务需求与 统计制度 基于行政村成果的分层抽样 数据 采集 及预 处理 综合信息数据库 基于行政村的种植规模分区 分区现势影像数据采集与处理 信息 提取 及修 订 基于种植规模的不同提取方法 外业调查和内业修订 满足内业信息提取精度 成果 精度 评估外业调查及精度评估 成果 整理 矢量数据和统计报表标准化 分析反推修订 达标 未达标 分 目 标 ， 分 区 域 ， 分 数 据 ， 分 技 术 标 准 规 范 与 质 量 控 制图1-1 总体技术路线图 为提高小麦、玉米播种面积统计遥感调查精度，充分发挥多源数据及人机交互解译的能力，研究出基于“四分”总体技术方法的小麦、玉米专题统计遥感生产流程。“四分”技术：指“分目标、分区域、分数据、分技术”。四分技术是对按照一定标准划分的区域，分别采取不同的目标、数据和技术策略，使信息提取更具有针对性、有效性，达到提高精度的目的。具体包括两大关键技术：解译分区技术体系和精度评估技术。 1）人机解译分层技术 根据北京市小麦、玉米分布范围，结合北京市地形特点和小麦、玉米种植特点，将分布区分为三大带：“山区带、丘陵带、平原带”。继而根据所分的三大区域，进一步研究小麦、玉米的种植特点和光谱纹理特征，结合地形地势、分布趋势、地块破碎程度、地块大小、占耕地面积以及解译难易程度等多方面指标，通过定性定量相结合将北京市小麦、玉米种植区域进一步细化区分，针对不同区域采用不同的目标、数据和技术策略，抓住重点、难点，优化目前提取方法，提高小麦、玉米统计遥感调查精度。
遥感图像分类方法研究综述
第2期,总第64期国 土 资 源 遥 感No.2,2005 2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明 650092;2.云南省寄生虫病防治所,思茅 665000; 3.云南开远市第一中学,开远 661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751 文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0 引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1 遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2 基于统计分析的遥感图像分类方法 2.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。
冰川信息提取方法综述 20151101002
基于遥感的冰川信息提取方法综述 全球气候环境变化及其影响已成为当今世界各国政府、科学家和政策决策者所共同关注的重大焦点问题。政府间气候变化委员会（IPCC第四次评估报告指出[1]，过去 100 a）（1906~2005 年）全球地表平均气温上升了0.74℃，而最近 50 a的升温速率几乎是接近过去 100 a 升温速率的两倍。冰川对气候变化十分敏感，被视为气候变化的指示器，升温已导致全球大多数冰川在过去 100 多年里处于退缩状态，尤其是最近的几十年呈加速退缩态势[1,2]。尽管大量的冰储存于两极冰盖中，但山地冰川和冰帽的储量损失在过去几十年和未来一个世纪对海平面上升、区域水循环和水资源可获取性均有重要影响[3-5]。 青藏高原及其毗邻地区蕴藏着世界上两极之外最大的冰雪储量，被称为“第三极”，该区气候变化引发的冰川变化不仅影响到周边地区十个国家的15亿人口的农业、发电等生产活动的水资源供应[3, 6, 7]，而且会引发区域乃至北半球的大气环流格局的变化[8]，从而使其成为国际冰川变化研究的热点地区。此外，青藏高原很多内陆湖泊近期水位上涨、湖泊面积增大导致草场淹没以及冰湖溃决和泥石流滑坡等山地灾害，对周边地区的生态与环境及农牧民的生活造成了严重影响[9]。 因此，监测青藏高原冰川变化时空分异特征，对于更加清楚地认识该地区对全球气候变化的响应具有重要的科学意义，对于及时提供湖泊水量变化信息，制定当地农牧民的应对措施具有重要的现实意义。本文系统梳理和总结了国内冰川监测相关研究进展，并探讨了当前该领域研究的不足以及未来的研究方向，旨在为我国冰川变化监测提供有益借鉴。 一、传统野外监测 传统的冰川观测主要基于野外实地考察，开展较早。世界上很多地区在一个多世纪以前就开始系统地观测冰川与冰盖的变化[10]。1930s 之前一直依靠实测冰川末端的变化或对比小冰期冰碛物的位置获得冰川变化的信息，1940s 后期开始了冰川物质平衡研究，截止到 2008 年全球已获取了 1803 条冰川自19 世纪后期的冰川长度变化和 226 条冰川过去 60 年内的物质平衡观测结果[10]，分别占 1970s 估计的全球冰川总数 160000条[11]的 1.1%和 0.1%，观测数量很有限。我国冰川研究事业开创于1958年祁连山冰川考察[11]，截止到 2007 年，基于野外考察共有 27 条冰川的长度变化和 5 条冰川的物质平衡的较长时间观测记录[12]，分别为我国冰川总数46377[13]条的 0.06%和 0.01%，远低于前述全球尺度的相应观测比例，且没有一条位于我国冰川分布中心之一的喀喇昆仑地区。实地观测通常在容易到达、安全且不是太大的冰川进行，不能代表所有冰川的规模、海拔分布、坡度和朝向。所以，仅靠少数野外考察资料很难反映全球或区域尺度冰川变化的空间特征，所获得的冰川变化趋势及其对气候变化的响应的结论也难免存在局限性。 二、冰川面积变化遥感监测 遥感观测可以在瞬时获取较大范围的地面综合信息，适合对不同地理环境下的冰川变化进行长期而持续的监测，早期主要进行面积变化遥感研究。1940s 以后，人们可以借助于航空摄影技术测绘冰川末端位置[14]。1970s 之后，随着卫星遥感技术的发展和观测精度的提高，陆地资源系列卫星（Landsat MSS、TM 和
系统辨识经典辨识方法
经典辨识方法报告 1. 面积法 辨识原理 分子多项式为1的系统 1 1 )(11 1++++= --s a s a s a s G n n n n Λ……………………………………………（） 由于系统的传递函数与微分方程存在着一一对应的关系，因此，可以通过求取微分方程的系数来辨识系统的传递函数。在求得系统的放大倍数K 后，要先得到无因次阶跃响应y(t)（设τ=0）。大多数自衡的工业过程对象的y(t)可以用下式描述来近似 1)() ()()(a 111=++++--t y dt t dy a dt t y d a dt t y d n n n n K ……………………………（） 面积法原则上可以求出n 为任意阶的各系数。以n=3为例，注意到 1|)(,0|)(d |)(d |)(d 23====∞→∞→∞→∞→t t t t t y dt t y dt t y dt t y …………………………（） 将式（）的y(t)项移至右边，在[0，t]上积分，得 ?-=++t dt t y t y a dt t dy a dt t y d a 01223 )](1[)() ()(…………………………………（） 定义 ?-=t dt t y t F 01)](1[)(……………………………………………………………（） 则由式（）给出的条件可知，在t →∞ ?∞ -=01)](1[a dt t y ……………………………………………………………（） 将式a 1y(t)移到等式右边，定义 )()]()([)() (a 201123 t F dt t y a t F t y a dt t dy t =-=+?…………………………………（） 利用初始条件（）当t →∞时 )(a 22∞=F …………………………………………………………………… （） 同理有a 3=F 3(∞) 以此类推，若n ≥2，有a n =F n (∞) 分子、分母分别为m 阶和n 阶多项式的系统
系统辨识研究综述
系统辨识研究综述 摘要：本文综述了系统辨识的发展与研究内容，对现有的系统辨识方法进行了介绍并分析其不足，进一步引出了把神经网络、遗传算法、模糊逻辑、小波网络知识应用于系统辨识得到的一些新型辨识方法。并对基于T-S模型的模糊系统辨识进行了介绍。文章最后对系统辨识未来的发展方向进行了介绍 关键词：系统辨识；建模；神经网络；遗传算法；模糊逻辑；小波网络；T-S 模型 1.系统辨识的发展和基本概念 1.1系统辨识发展 现代控制论是控制工程新的理论基础。辨识、状态估计和控制理论是现代控制论三个相互渗透的领域。辨识和状态估计离不开控制理论的支持；控制理论的应用又几乎不能没有辨识和状态估计。 而现代控制论的实际应用不能脱离被控对象的动态特性，且所用的数学模型需要选择一种使用方便的描述形式。但很多情况下建立被控对象的数学模型并非易事，尤其是实际的物理或工程对象，它们的机理复杂且含有各种噪声，使建立数学模型更加困难。系统辨识就是应此需要而形成的一门学科。 系统辨识和系统参数估计是六十年代开始迅速发展起来的。1960年，在莫斯科召开的国际自动控制联合会(IFCA)学术会议上，只有很少几篇文章涉及系统辨识和系统参数估计问题。然而，在此后，人们对这一学科给予了很大的注意，有关系统辨识的理论和应用的讨论日益增多。七十年代以来，随着计算机的开发和普及，系统辨识得到了迅速发展，成为了一门非常活跃的学科。 1.2系统辨识基本概念的概述 系统辨识是建模的一种方法。不同的学科领域,对应着不同的数学模型,从某种意义上讲,不同学科的发展过程就是建立它的数学模型的过程。建立数学模型有两种方法:即解析法和系统辨识。 L. A. Zadeh于1962年给辨识提出了这样的定义：“辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。”当然按照Zadeh的定义，寻找一个与实际过程完全等价的模型无疑是非常困难的。根据实用性观点，对模型的要求并非如此苛刻。1974年，P. E. ykhoff给出辨识的定义“辨识问题可以归结为用一个模型来表示客观系统(或将要构造的系统) 本质为： 特征的一种演算，并用这个模型把对客观系统的理解表示成有用的形式。而1978
系统辨识研究的现状_徐小平
系统辨识研究的现状 徐小平1,王 峰2,胡 钢1 (1.西安理工大学自动化与信息工程学院 陕西西安 710048;2.西安交通大学理学院 陕西西安 710049) 摘 要:综述了系统辨识问题的研究进展,介绍了经典的系统辨识方法及其缺点,引出了将集员、多层递阶、神经网络、遗传算法、模糊逻辑、小波网络等知识应用于系统辨识得到的一些现代系统辨识方法,最后总结了系统辨识今后的发展方向。 关键词:系统辨识;集员;多层递阶;神经网络;遗传算法;模糊逻辑;小波网络 中图分类号:TP27 文献标识码:B 文章编号:1004-373X (2007)15-112-05 A Survey on System Identif ication XU Xiaoping 1,WAN G Feng 2,HU Gang 1 (1.School of Automation and Information Engineering ,Xi ′an University of Technology ,Xi ′an ,710048,China ; 2.School of Science ,Xi ′an Jiaotong University ,Xi ′an ,710049,China ) Abstract :In this paper the advance in the study of system identification is summarized.First ,the traditional system identi 2fication methods and their disadvantages are introduced.Then ,some new methods based on set membership ,multi -level re 2cursive ,neural network ,genetic algorithms ,f uzzy logic and wavelet network are presented.Finally ,f urther research directions of system identification are pointed out. K eywords :system identification ;set membership ;multi -level recursive ;neural network ;genetic algorithms ;f uzzy logic ;wavelet network 收稿日期:2007-04-16 基金项目:教育部博士学科基金(20060700007); 陕西省自然科学基金(2005F15)资助项目 1 引 言 辨识、状态估计和控制理论是现代控制理论三个互相渗透的领域。辨识和状态估计离不开控制理论的支持,控制理论的应用又几乎不能没有辨识和状态估计技术。随着控制过程复杂性的提高,控制理论的应用日益广泛,但其实际应用不能脱离被控对象的数学模型。然而在大多数情况下,被控对象的数学模型是不知道的,或者在正常运行期间模型的参数可能发生变化,因此利用控制理论去解决实际问题时,首先需要建立被控对象的数学模型。系统辨识正是适应这一需要而形成的,他是现代控制理论中一个很活跃的分支。社会科学和自然科学领域已经投入相当多的人力和物力去观察、研究有关的系统辨识问题。从1967年起,国际自动控制联合会(IFAC )每3年召开一次国际性的系统辨识与参数估计的讨论会。历届国际自动控制联合会的系统辨识会议均吸引了众多的有关学科的科学家和工程师们的积极参加。 系统辨识是建模的一种方法,不同的学科领域,对应 着不同的数学模型。从某种意义上来说,不同学科的发展过程就是建立他的数学模型的过程。1962年,L.A.Zadeh 给出辨识这样的定义[1]:“辨识就是在输入和输出数据的基础上,从一组给定的模型类中,确定一个与所测系统等价的模型。”当然按照Zadeh 的定义,寻找一个与实际过程完全等价的模型无疑是非常困难的。而从实用性观点出发,对模型的要求并非如此苛刻,为此,对辨识又有一些实用性的定义。比如,1974年,P.E.ykhoff 给出辨识的定义[2]为:“辨识问题可以归结为用一个模型来表示客观系统(或将要构造的系统)本质特征的一种演算,并用这个模型把对客观系统的理解表示成有用的形式。”1978年,L. Ljung 给辨识下的定义[3] 更加实用:“辨识有三个要素—数 据,模型类和准则。辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型。”总而言之,辨识的实质就是从一组模型类中选择一个模型,按照某种准则,使之能最好地拟合所关心的实际过程的静态或动态特性。 本文首先介绍了经典的系统辨识方法,并指出其存在的缺陷,接着对近年来系统辨识的现代方法作以简单的综述,最后指出了系统辨识未来的发展方向。2 经典的系统辨识 经典的系统辨识方法[4-6]的发展已经比较成熟和完 2 11
系统辨识综述
系统辨识方法综述 摘要 在自然和社会科学的许多领域中，系统的设计、系统的定量分析、系统综合及系统控制，以及对未来行为的预测，都需要知道系统的动态特性。在研究一个控制系统过程中，建立系统的模型十分必要。因此，系统辨识在控制系统的研究中起到了至关重要的作用。本文论述了用于系统辨识的多种方法，重点论证了经典系统辨识方法中运用最广泛的的最小二乘法及其优缺点，引出了将遗传算法、模糊逻辑、多层递阶等知识应用于系统辨识得到的一些现代系统辨识方法，最后总结了系统辨识今后的发展方向。 关键字：系统辨识；最小二乘法；遗传算法；模糊逻辑；多层递阶 Abstract In many fields of natural and social science, the design of the system, the quantitative analysis of the system, the synthesis of the system and the control of the system, as well as the prediction of the future behavior, all need to know the dynamic characteristics of the system. It is very necessary to establish a system model in the process of studying a control system. Therefore, system identification plays an important role in the research of control system. This paper discusses several methods for system identification, the key argument is that the classical system identification methods using the least squares method and its advantages and disadvantages, and leads to the genetic algorithm, fuzzy logic, multi hierarchical knowledge application in system identification of some modern system identification method. Finally, the paper summarizes the system identification in the future direction of development. Keywords:System identification; least square method; genetic algorithm; fuzzy logic; multi hierarchy 第一章系统辨识概述 系统辨识是研究建立系统数学模型的理论和方法。系统辨识是建模的一种方法，不同的学科领域，对应着不同的数学模型。从某种意义上来说，不同学科的发展过程就是建立他的数学模型的过程。辨识问题可以归结为用一个模型来表示客观系统（或将要构造的系统）本质牲征的一种演算，并用这个模型把对客观系统的理解表示成有用的形式。当然也可以有另外的描述，辨识有三个要素：数据，模型类和准则。辨识就是按照一个准则在一组模型类中
遥感影像云识别方法综述
遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。