文章目录

1 本文方法

1.1 训练阶段

    1.1.1 构建训练样本

    1.1.2 SSRF模型训练

1.2 预测阶段

    1.2.1 构建预测样本

    1.2.2 SSRF模型预测

2 试 验

2.1 试验数据

2.2 试验内容

    (1) RMSE。

    (2) CC。

    (3) UIQI。

    (4) SAM。

2.3 试验结果及分析

3 结 论

文章摘要:云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而，高光谱影像（如GF-5和EO-1高光谱影像）较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像（如Landsat 8 OLI影像）能提供时间上更接近于高光谱云影像的辅助信息，从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题，本文基于空谱随机森林（spatial-spectral-based random forest, SSRF）方法，提出一种利用多光谱影像（Landsat 8 OLI影像）对高光谱影像进行厚云去除的方法，将其简记为SSRF＿M。SSRF＿M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验，视觉和定量评价结果均表明，与利用时间间隔更长的同源辅助影像的方法相比，本文方法能获得更高精度的云下信息重建结果。

文章关键词:

论文分类号:P237