遥感反演及遥感数据产品的生产过程
遥感反演模型研究与应用
遥感反演模型研究与应用近年来随着遥感技术的发展，遥感反演模型的研究与应用成为了热门的研究方向。
遥感反演模型是指通过遥感数据来解释地面物象特征的模型，其主要目的是获取地面信息并能够对地面进行准确的识别和分类。
一、遥感反演模型的研究方法遥感反演模型的研究方法可以分为光学遥感和雷达遥感两种。
光学遥感主要利用地面上的反射与辐射特征，来推断地面物象信息，其研究方法主要是基于物理原理来建立模型，常用的有多光谱、高光谱和热红外等模型。
而雷达遥感主要是通过利用地面物件对雷达波的反射特征，来反演地面物象信息，其主要研究方法是基于散射原理来建立模型，常用的有SAR和INSAR等模型。
二、遥感反演模型的应用领域遥感反演模型在地球观测、资源调查、环境监测、气候变化等领域都具有广泛的应用。
具体来说，它可以用于农业、林业、水利、矿产、地质、城市规划、交通等领域中对地表状况的检测、分析和监测。
特别是在森林植被覆盖度与生态系统监测方面，具有非常重要的应用价值。
此外，在卫星遥感图像分类、智能交通系统、自动驾驶汽车等领域也可以应用到遥感反演模型，提供精准的地理信息。
三、遥感反演模型面临的挑战遥感反演模型在应用中也面临着许多挑战，例如数据质量不统一、数据获取成本较高、精度波动较大等。
此外，模型的建立也受到各种因素的影响，包括地表物象的多样性、遥感数据处理技术的先进性等。
为此，在研究和应用遥感反演模型时，需要对数据进行精细处理、多组数据交叉验证和不断改进算法模型等方法。
四、遥感反演模型的未来展望随着遥感技术的不断发展，遥感反演模型将会进一步提高精度和应用范围，同时也将会更加广泛地应用于各种领域。
例如，在交通领域中，遥感反演模型可以用于路面覆盖物的监测识别和交通流量态势的预测，为城市交通的提高和优化提供有力的支撑。
此外，随着人工智能技术的不断发展，遥感反演模型也可以更趋向智能化，提升自身的学习和适应能力，为我们提供更准确的地理信息。
结语遥感反演模型的研究和应用已经成为了现代信息化技术中不可缺少的一部分，可以为各行各业提供精准的地理信息。
无人机反演土壤养分教程
无人机反演土壤养分教程一、引言土壤养分是农作物生长发育的重要因素之一，了解土壤养分的分布情况对于精准施肥和农作物产量提高具有重要意义。
传统的土壤养分测量方法繁琐耗时且易受人为误差影响，而无人机技术的快速发展为土壤养分反演提供了新的解决方案。
本文将介绍如何利用无人机技术来反演土壤养分，为农业生产提供科学依据。
二、无人机土壤养分反演原理无人机反演土壤养分的原理是基于遥感技术，通过采集土壤表面的遥感数据，利用光谱信息和机器学习算法建立土壤养分与遥感数据之间的关系模型，从而实现对土壤养分的快速、准确估测。
三、准备工作1. 选购合适的无人机：选择具备高分辨率的多光谱或高光谱相机的无人机，以获取细微的土壤光谱信息。
2. 选择合适的航线规划软件：根据实际需求，选择一款适用于航线规划的软件，如Pix4Dmapper、Agisoft Metashape等。
3. 土壤样本采集：在无人机遥感数据采集前，需采集一定数量、不同位置的土壤样本，用于建立土壤养分与遥感数据之间的关系模型。
四、遥感数据采集1. 航线规划：根据农田大小和形状，使用航线规划软件规划无人机的航线，确保全面覆盖目标区域。
2. 无人机起飞与飞行：按照航线规划，控制无人机起飞并执行预定航线，确保相机能够覆盖整个农田区域。
3. 数据采集：无人机在飞行过程中，相机会不断拍摄土壤表面的遥感图像，将图像数据实时传输至地面端。
五、遥感数据处理1. 图像拼接：使用图像处理软件将拍摄的图像进行拼接，生成全景图，以便后续处理。
2. 光谱数据提取：根据不同的需求，从全景图中提取出所需的光谱信息，如红、绿、蓝波段等。
六、土壤养分反演模型建立1. 数据预处理：对采集到的光谱数据进行预处理，如大气校正、辐射校正等，确保数据的准确性。
2. 特征提取：从光谱数据中提取出与土壤养分相关的特征，如NDVI（Normalized Difference Vegetation Index）等。
landsat 遥感影像地表温度反演教程(大气校正法)
基于辐射传输方程的Landsat数据地表温度反演教程一、数据准备Landsa 8遥感影像数据一景，本教程以重庆市2015年7月26日的=行列号为（128，049）影像（LC81280402016208LGN00）为例。
同时需提前查询影像的基本信息（详见下表）二、地表温度反演的总体流程三、具体步骤1、辐射定标地表温度反演主要包括两部分，一是对热红外数据，二是多光谱数据进行辐射定标。
（1）热红外数据辐射定标选择Radiometric Correction/Radiometric Calibration。
在File Selection对话框中，选择数据LC81230322013132LGN02_MTL_Thermal，单击Spectral Subset选择Thermal Infrared1（10.9），打开Radiometric Calibration面板。
（2）多光谱数据辐射定标选择要校正的多光谱数据“LC81230322013132LGN02_MTL_MultiSpectral”进行辐射定标。
因为后续需要对多光谱数据进行大气校正，可直接单击Apply FlaashSettings，如下图。
Scale factor 不能改变，否则后续计算会报错。
保持默认1即可。
2、大气校正本教程选择Flaash 校正法。
FLAASH Atmospheric Correction，双击此工具，打开辐射定标的数据，进行相关的参数设置进行大气校正。
注意：如果在多光谱数据辐射定标时Scale factor值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为0.1，若已设置，则默认值为1即可。
1)Input Radiance Image：打开辐射定标结果数据；2)设置输出反射率的路径，由于定标时候；3)设置输出FLAASH校正文件的路径，最优状态：路径所在磁盘空间足够大；4)中心点经纬度Scene Center Location：自动获取；5)选择传感器类型：Landsat-8 OLI；其对应的传感器高度以及影像数据的分辨率自动读取；注意与热红外数据辐射定标是的差别，设置后Scale factor值为0.1。
遥感生物量反演反演原理-概述说明以及解释
遥感生物量反演反演原理-概述说明以及解释1.引言1.1 概述遥感生物量反演是利用遥感技术对地表物质进行监测与测量，通过反演算法来估算生物量密度的一种方法。
在生态环境监测、资源管理和气候变化研究等领域具有重要的应用价值。
本文旨在探讨遥感生物量反演的原理及其在环境研究中的应用，以期为相关研究提供参考和借鉴。
遥感技术为生物量反演提供了全新的视角和手段，可以实现对辽阔地域范围内生物量的遥感监测和评估。
通过对地表反射、辐射和散射数据的提取和分析，结合地面实测数据和数学模型，可以精确地反演出不同植被类型的生物量分布情况。
这种非接触式的监测方法极大地提高了生物量反演的效率和精度，同时也为科学研究和资源管理提供了更加便捷的工具和手段。
在未来的发展中，随着遥感技术的不断创新和完善，遥感生物量反演将更加深入到生态环境监测、碳汇评估和气候变化研究等领域。
同时，对于生物量反演算法和模型的进一步优化和改进也将成为未来研究的重点之一。
希望通过本文的探讨和总结，可以为遥感生物量反演的研究和应用提供一定的参考和指导。
1.2 文章结构:本文将分为三个主要部分，即引言、正文和结论。
在引言部分，将对遥感生物量反演的概念进行概述，介绍文章的结构和目的。
在正文部分，将从遥感技术的概述开始，然后详细解释生物量反演的原理，最后探讨其应用与发展。
在结论部分，将总结生物量反演的原理，讨论其实际应用意义，并展望未来的发展方向。
通过这三个主要部分的论述，读者可以全面了解遥感生物量反演的反演原理及其在现实中的应用和未来的发展前景。
1.3 目的目的部分的内容：本文旨在深入探讨遥感生物量反演的反演原理，通过对遥感技术和生物量反演的基本概念进行介绍，进一步阐述生物量反演原理的相关理论与方法。
同时，通过对该技术在实际应用和发展趋势进行分析，探讨生物量反演在资源监测、环境保护和生态研究等领域的潜在意义。
最终，通过总结反演原理及其实际应用意义，展望未来遥感生物量反演技术的发展方向，为相关领域的研究提供参考和借鉴。
实验课1-定量遥感--植被覆盖度反演
说明文档中会注明是经过辐射校正的，其实这个辐射校正指的是粗的辐射校
正，只是做了系统大气校正，就跟系统几何校正的意义是一样的。
实验一 植被覆盖度的遥感反演
(二) 植被覆盖度的计算 1、计算NDVI 2、确定NDVIv和NDVI0值
在 Availabel Bands List 窗口中右键点击NDVI 数据，在弹 出的右键菜单中选择 Quick Stats，对NDVI 数据进行统计分析，
方法二：(两种方法都要做)
（1）主菜单Basic Tools > Band Math，在波段运算 窗口输入植被覆盖度计算公式：
(b1-NDVI0)/(NDVIv- NDVI0) ，将变量 b1 赋给 NDVI 。
计算得到初步结果，但是并没有完成整个工作。因为 该结果中有 5% 像元的 NDVI 值小于 NDVI0 ，这部分像元的 植被覆盖度计算结果为负值，需要通过掩膜操作将这部 分像元的植被覆盖度值修改为0；同样需要将5%NDVI值大 于0.425 的像元植被覆盖度值修改为1。
• • • 当NDVI小于NDVI0 ， fv取值为0； NDVI大于NDVIv ， fv取值为1； 介于两者之间的像元使用公式（1）计算。
利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算.
请回顾ENVI中公式的写法
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度
实验一 植被覆盖度的遥感反演
（3）然后类似操作将NDVI 值大于0.425 的像元植被覆盖 度值修改为1，设为1。 最终得到一个单波段的植被覆盖度图像文件，其像元值表 示这个像元内的平均植被覆盖度。 （4）对上述求取的植被覆盖度进行假彩色密度分割。
5-高光谱遥感-反演建模
5.2 一元回归分析模型
一元线性回归模型：
回归分析方法，是研究要素之间具体的数量关系的一种强有力的 工具，运用这种方法能够建立反映光谱特征与研究要素之间具体的数 量关系的数学模型，即回归模型。
二、实验要求 1、利用包络线去除法提取的因子建立神经网络反演模型； 2、利用对数的一阶微分变换提取的因子建立神经网络模型； 3、调整神经网络中间层数、结点数，比较模型精度。
三、实验报告 1、实验目的；2、实验结果； 3、结果分析
5.4 非线性分析反演模型
三、模糊综合预测法： 1、基本原理
5.4 非线性分析反演模型
根据光谱信息和样本数据，判断每个像元对应研究对象的大小， 属于模式识别问题。
5.4 非线性分析反演模型
一、模式识别：
问题1: 如何建立模式 问题2：如何判定从待识别对象与已知模式相同或相近。
建立模式方法： 1）根据经验直接给出标准（如优、良、中；三好学生；划定级 别），分单因素与多因素模式。 2）从大量的样本数据中寻找，即分类、根据类间的差异性提炼 模式的特性。 3）研究算法，分类的依据，如距离、相似度、相像度
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
5.4 非线性分析反演模型
一、模式识别：
模式识别的基本步骤： 1）确定研究对象（Y) 2) 确定影响识别的指标(X) 3）建立模式库 4）确定待识别的对象 5）对指标进行归一化处理 6）确定指标的权重 7）计算距离或贴近度 8）寻找最大的贴近度 9）判别待识别对象与那个已知模式最接近 10）对预测进行修正 11）计算预测精度
《2024年黄河口海域悬浮物浓度遥感反演算法及时空分布特征研究》范文
《黄河口海域悬浮物浓度遥感反演算法及时空分布特征研究》篇一一、引言黄河口海域作为我国重要的海洋生态区域，其悬浮物浓度的变化对于区域海洋环境、水质以及生态系统的健康都具有重要影响。
随着遥感技术的快速发展，利用遥感手段对黄河口海域悬浮物浓度进行监测和反演成为了一种高效、便捷的方法。
本文旨在研究黄河口海域悬浮物浓度的遥感反演算法，以及其时空分布特征。
二、黄河口海域概况黄河口海域位于我国黄河流域的末端，其海洋环境复杂多变，水体中悬浮物浓度较高。
黄河的泥沙含量大，加之流域内的降雨、河流改道等多种自然因素的影响，使得黄河口海域的悬浮物浓度变化较大。
三、遥感反演算法针对黄河口海域的特殊环境，我们提出了一种基于遥感数据的悬浮物浓度反演算法。
该算法主要包括以下几个步骤：首先，对遥感数据进行预处理，包括辐射定标、大气校正等；其次，根据水体的光谱特征，选取合适的波段进行数据提取；最后，利用统计方法或机器学习方法建立悬浮物浓度与遥感数据之间的关系模型，从而实现悬浮物浓度的反演。
四、时空分布特征研究通过对黄河口海域多年的遥感数据进行分析，我们得到了该海域悬浮物浓度的时空分布特征。
在时间上，黄河口海域的悬浮物浓度受到季节、气候等因素的影响，呈现出明显的季节性变化。
在空间上，由于受到河流流向、海流、潮汐等多种因素的影响，悬浮物浓度的分布呈现出一定的空间异质性。
具体来说，我们发现黄河口海域的悬浮物浓度在春季和夏季较高，这可能与这两个季节的降雨、河流流量等因素有关。
而在空间上，靠近黄河入海口的区域悬浮物浓度较高，随着距离的增加，悬浮物浓度逐渐降低。
此外，受到海流和潮汐的影响，黄河口海域的悬浮物浓度在沿海岸线附近呈现出一定的波动。
五、结论通过对黄河口海域悬浮物浓度的遥感反演算法及时空分布特征的研究，我们得到了以下结论：1. 提出的遥感反演算法能够有效地对黄河口海域的悬浮物浓度进行反演，为区域海洋环境的监测和评估提供了新的手段。
2. 黄河口海域的悬浮物浓度具有明显的季节性和空间异质性，这与区域的自然环境、气候等因素密切相关。
遥感模型与反演方法
(d)
(e)
(f)
Hale Waihona Puke 不同植被类型的BRDF(GOMS模型)
conifer(a,d) savanna(b,e) shrubland(c,f) 红光波段（a-c） 近红外波段（d-f）
=55º
Li-Strahler几何光学-辐射传输混合模型GORT 由于几何光学模型和辐射传输模型分别在不同的尺度上 具有各自的优势，李小文和 Strahler 充分利用几何光学模型 在解释阴影投射面积和地物表面空间相关性上的基本优势， 在纯 GO 模型和不连续植被间隙率模型的基础上，用辐射传输 方法求解多次散射对各面积分量亮度的贡献，分两个层次来 建立承照面与阴影区反射强度的辐射传输模型，并以间隙率 模型作为联系二者的关键。
（1）辐射传输模型
电磁波从辐射源到目标的传输过程，表示为观测方向 ｓ 上 关于辐亮度Ｉ的辐射传输方程：
dI ( s ) K (I J ) ds
K－消光系数，Ｊ－源函数。 将辐射传输方程写作微积分形式：
I ( , s ) I ( , s ) ( / 4 ) P( s, s' ) I ( , s' )d' ( r, s ) /
李一 Strahler(1985， 1986) 根据稀疏林的实际情况，抛 弃了“小几何体”假定，直接用森林结构参数计算四个分量随 太阳角和观察角变化，建立了遥感像元尺度的天然林BRDF模型。
典型的几何光学模型为景合成模型：
R(v) ki (v)Ri (v)
其中，R(v) 为冠层的反射率，v 表示为光照方向和观察方向的 函数，Ri(v) 为冠层组分的反射率，Ki(v)表示为冠层结构参数 的函数。
多角度遥感提供多个方向的观测数据，相比单一方向观测 提供了更多的信息，多角度观测信息的利用要求对植被冠层二 向性反射特征的描述 －冠层反射的BRDF 模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
传感器定标系数会随时间漂移
复杂的辐射定标方法，如热红外定标需要逐扫描线对比 黑体观测给出动态的定标系数
22
2. 遥感数据产品生产的流程
2.2 遥感数据预处理
遥感数据的几何校正
几何校正的目的：
把遥感图像的图像坐标与真实目标的地理坐标联系起来
遥感几何校正的注意事项
几何校正具有误差，特别是对于批量生产的产品，目前 自动校正的几何误差可能有数百米到数公里
线性回归模型 多项式回归模型
指数函数模型
多变量回归模型
经验模型的优点与局限
优点：一般比较简单，计算量小，易反演 局限：受限于提取模型用的训练数据，如果时间、地点、 目标改变了，模型就不再适用
32
2. 遥感数据产品生产的流程
2.3 遥感反演
半经验模型（物理模型简化）
非线性模型线性化，非敏感参数用常数值代替 优点：既简单又有一定物理意义
20
2. 遥感数据产品生产的流程
2.2 遥感数据预处理
传感器辐射畸变类型
坏像元
探测器损坏或者数据传输过程中 丢失 点缺失、行缺失或者列缺失来自探测器之间的差异
面阵探测器，线阵探测器 低信噪比波段和红外探测器容易 受到探测器差异的影响
机载WiDAS传感器近红外 图像辐射畸变校正前后
光学系统透过率的非均匀
正演
物理参数
3
遥感信号
反演
1. 遥感反演概述
1.2 遥感反演问题的本质和科学问题
遥感的本质是反演，而从反演的数学来源讲，反演研究 所针对的首先是数学模型。……，首先要解决的问题是 对地表遥感像元信息的地学描述。 但陆地遥感反演的根本问题在于定量遥感往往需要用少 量观测数据估计非常复杂的地表系统的当前状态，本质 上是一个病态反演问题。 解决病态反演问题的办法，一是扩充信息源，比如综合 使用多源遥感数据或地面观测资料，引入先验知识；二 是控制信息分配，让有限的观测信息尽量分配到目标参 数，抑制反演过程中的误差传播。
E0
就可直接求出逆向公式
Ltoa L0 E0 ( Ltoa L0 ) s cos( s ) i v
1. 遥感反演概述
BRDF及反照率产品
线性方程求解
线性核驱动模型
R(i , v , ) f iso f geok geo (i , v , ) f vol kvol (i , v , )
校正方式
多项式校正、样条校正、三角网格校正
24
正射校正
2. 遥感数据产品生产的流程
2.2 遥感数据预处理
遥感数据的大气校正
大气校正的目的：
消除大气辐射的影响，恢复大气下界的地面反射率或者地面辐射 亮度
大气影响的表现方式
大气吸收，大气层辐射，相邻像元的影响
大气校正的难度——大气参数的获取
2.2 遥感数据预处理
思考：遥感数据预处理中的哪些误差 会传递到最终的数据产品？
传感器的缺陷，不准确的定标，不准确的几何 位置，重采样误差，大气校正误差，薄云等
27
2. 遥感数据产品生产的流程
2.3 遥感反演
遥感反演的三要素
模型
反演算法
信息源
28
2. 遥感数据产品生产的流程
2.3 遥感反演
2.3 遥感反演
遥感物理模型的优点与局限
优点
原理比较清晰，可以分析原理改进模型
不足
非线性，计算量大，不容易反演
模型依赖于对目标的一些假设，不满足假设的目标不适用
即使最严格物理模型，仍然是对复杂自然现象的近似，因此仍然 有误差
31
2. 遥感数据产品生产的流程
2.3 遥感反演
遥感经验模型（统计模型）
经验公式、查找表 经验公式、查找表 公式推导
公式推导（线性方程求解）
公式推导、迭代优化
叶面积指数
经验回归、公式＋查找表
1. 遥感反演概述
气溶胶产品
1.
查找表
2.
3.
选择暗目标：2100纳米反射率和440纳米反射率之间有 经验关系，假设２１００纳米处无大气影响，可得440 纳米处的地表反射率。 建立440纳米处地表反射率、气溶胶类型、气溶胶光学 厚度、太阳角度、观测角度等自变量与TOA反射率的查 找表。 根据各种已知条件（即上面用下划线表示的量）就可从 查找表中得到气溶胶光学厚度。
遥感模型
物理模型 经验模型（统计模型） 半经验模型（物理模型简化） 计算机仿真模型
29
2. 遥感数据产品生产的流程
2.3 遥感反演
遥感物理模型
辐射传输（RT）模型
广泛用于大气、地表、叶片
几何光学（GO）模型
景合成的思想，即像元光谱是组分光谱的面积比例加权平均
GO-RT混合模型
30
2. 遥感数据产品生产的流程
模型的可反演性
合适的参数化方法
反演算法的稳定程度
对噪声的抵抗能力
反演算法中使用约束条件
正则化方法、贝叶斯反演、物理边界
6
优化反演算法以提高计算效率
优化代价函数、选择合适的迭代算法、建立查找表
1. 遥感反演概述
1.5 MODIS数据参数反演系统
气溶胶产品 大气水汽含量
大气校正 BRDF及反照率产品 地表温度
作常数；c)大气温度与下垫面温度相差不大，黑体辐射公
式可以采用线形近似。
公式推导（略） 最终公式
系数获取方法（拟合MODTRAN模拟的数据）
1. 遥感反演概述
地表温度
迭代优化（Z Wan - 1997 ）
MODIS７个波段昼夜两次观测，大气地表参数同时反演
未知数：７个通道的发射率、昼夜两个地表温度、昼夜两
21
透镜系统都会有靠近光轴部分透过率高于远离光轴透过率的现象
2. 遥感数据产品生产的流程
2.2 遥感数据预处理
遥感数据的辐射定标
辐射定标的目的：
把遥感原始数据的DN值与遥感传感器接收到的辐射能量联系起来
L DN a b
遥感数据辐射定标的注意事项
同一传感器的不同个体之间定标系数会有差异
1. 遥感反演概述 2. 遥感数据产品生产的流程
2.1 遥感产品生产线结构 2.2 遥感数据的预处理
2.3 遥感反演
2.4 遥感产品的完善和发布
3. 例子：GLASS叶面积指数产品生产线
3.1 数据源
3.2 预处理 3.3 反演算法
16
3.4 质量控制和质量标志
2. 遥感数据产品生产的流程
局限：作为物理模型的简化，也有一定适用范围
计算机仿真模型
蒙特卡洛仿真 真实景观+三维辐射传输
优点：逼真
局限：计算量非常大
33
2. 遥感数据产品生产的流程
2.3 遥感反演
遥感反演的信息源
第三公设: Verstraete 等 (1996) 提出的反演10个公设的第 3 条“定 量遥感反演的必要条件是独立观测的个数大于未知数的 个数”
遥感数据产品生产在遥感信息流中的位置
遥感数据产品生产
17
2. 遥感数据产品生产的流程
2.1 遥感产品生产线结构
遥感数据源
预处理
辐射定标 几何校正 大气校正
参数反演
模型 多源数据引入 反演算法
后处理
质量控制
18
产品完善
格式规范
发布
参数产品的应用
2. 遥感数据产品生产的流程
2.2 遥感数据预处理 辐射畸变校正
遥感反演及遥感数据产品的生产过程
1. 遥感反演概述 2. 遥感数据产品生产的流程
2.1 遥感产品生产线结构 2.2 遥感数据的预处理
2.3 遥感反演
2.4 遥感产品的完善和发布
3. 例子：GLASS叶面积指数产品生产线
3.1 数据源
3.2 预处理 3.3 反演算法
1
3.4 质量控制和质量标志
1. 遥感反演概述
叶面积指数与fPar
公式＋查找表（R Myneni-2002）
辐射传输方程，包含很多参数 将辐射传输方程的求解过程分解，分解后的每一模块只包 含少量参数
对每个模块建立查找表
将观测的多波段（或多角度）数据与查找表对照，就得到
叶面积指数与fPar
第三讲：遥感反演及遥感数据产品的生产过程
遥感反演气溶胶参数（暗目标方法）
25
遥感反演大气温湿度廓线（红外高光谱）
2. 遥感数据产品生产的流程
2.2 遥感数据预处理
遥感数据的云、雪检测
正确的云、雪检测对于遥感产品生产的重要性：
多数遥感产品云、雪检测 效果不理想
薄云、高云阈值的确定 亚像元的云分布 26云与雪的光谱特征的相似与差异
2. 遥感数据产品生产的流程
4
1. 遥感反演概述
1.3 常见的几种遥感反演方法
经验回归
例如逐步多元回归、神经元