二、DMSP/OLS夜光数据校正之饱和校正

最新推荐文章于 2024-02-19 13:52:23 发布
最新推荐文章于 2024-02-19 13:52:23 发布
阅读量504 收藏 4
点赞数 1
分类专栏： DMSP/OLS、NPP/VIIRS夜光数据校正流程 文章标签： DMSP Arcgis
原创不易，请勿抄袭
本文链接：https://blog.csdn.net/weixin_44725365/article/details/133763871
版权

一、前言

首先需要将DMSP/OLS夜光数据下载，那么这里方便大家，可以直接私信我获得DMPS/OLS和NPP/VIIRS夜光原始数据，以百度云网盘形式分享给大家。

当把34期DMSP/OLS夜光数数据下载至电脑之后，解压后可以看到如下图的数据。

选择稳定平均灯光数据作为我们研究数据，也就是F101992.v4b_web.stable_lights.avg_vis.tif最后一个压缩包解压，对于其他年份数据一样的操作。

对于这些数据再次特别提醒一下：F10、F12、F14、F15、F16、F18是传感器编号，F101994也就是传感器F10获取的1994年DMSP/OLS夜光数据，F121994也就是传感器F12获取1994年的DMSP/OLS夜光数据，也就是1994年有两种传感器数据，为了保证数据的唯一性，选择哪一年的数据？本文会详细说清楚。

二、饱和校正过程

（1）饱和校正理论

重点介绍一下不变目标区域的选择，其实说的简单点就是首先确定校正区域，假设以校正全中国为例，不变目标区域意

了解本专栏 订阅专栏 解锁全文 超级会员免费看
端木宛白的GIS课堂
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
四、DMSP/OLS夜光数据校正全过程
端木宛白的博客家园
10-19 714
（1）DMSP/OLS夜光数据介绍DMSP（Defense Meteorological Satellite Program）是美国国防气象卫星计划。该项目是通过气象卫星搭载的传感器，探测出夜间低强度灯光，例如城市的灯光、车流的灯光、居民小区的灯光等。目前，获取到这些DMSP-OLS夜间灯光数据，已成为研究人类活动的不可多得数据，Tilottama 等人（2013）发现了夜间卫星图像数据的巨大价值，这些灯光数据要相比典型的人口普查数据，折射出的信息比较综合和呈现的频次更高，且能在多个研究领域得到运用。
1992-2013年中国区域DMSP/OLS夜间灯光数据
06-19
夜光遥感就是利用遥感技术从太空观测夜间地球的光芒，相比于大多数白天成像的可见光卫星和雷达卫星，夜光遥感卫星通过获取地表发射的可见光-近红外电磁波信息，主要反映的是地表人类活动状况，最主要的是人类夜间灯光照明，同时也包括石油天然气燃烧、海上渔船灯光、森林火灾以及火山爆发等来源。相比于普通的遥感卫星影像，夜光遥感能够提供以人类活动为中心的独特视角，能够直接揭示地表人类活动的潜在规律，因此在社会科学领域有广泛的应用。
三、DMSP/OLS夜间灯光数据校正一相互校正、饱和校正
端木宛白的博客家园
03-02 3290
DMSP由于多代传感器，每一代传感器之间存在重叠年份，且未完成星上辐射校正，DN值存在异常情况。对其的预处理主要解决年份重叠、DN值异常、灯光饱和等问题，要完成相互校正、连续性校正、饱和校正。 当从NOAA官网下载好夜间灯光数据之后，选择稳定灯光数据——找到名为F182013.v4c_web. stable_lights. avg_vis 的 tif格式数据，其他年份以此类推。 校正的主要原因是：OLS传感器获取数据的时候会受到地表起伏、大气折射、植被遮挡等以及每一代传感器之间的差异等，此外该卫星并未进
四、DMSP/OLS夜间灯光数据校正一连续性校正
端木宛白的博客家园
03-05 1538
当我们完成了相互校正之后，接下来就是要解决多传感器同一年度的影像数据DN值校正。 由于不同传感器的探测性能不同,两个传感器获得的同一年份的影像不仅存在不稳定亮元,其稳定亮元的DN值也有差异，1994年和 1997—2007年存在由两个不同的传感器同时获取夜间灯光影像的现象,为充分利用两个传感器独立获取的同一年度的夜间灯光影像,保证数据的稳定性和连续性,对相互校正后的稳定亮元的DN值按照以下公式进行校正。 其实就是将重复两年数据求平均值的做法，那么就是说在GIS中找到栅格计算器。 完成这一步之后，其实.
DMSP全国逐年夜间灯光数据1992-2013
m0_63269495的博客
02-19 252
使用DMSP/OLS数据主要有以下两点优势：第一，DMSP/OLS不依赖于高空间分辨率，它的影像分辨率通常在1km左右，因而影像数据量非常小，甚至不到TM数据的1%，在对DMSP/OLS数据进行处理时更加简便；且该数据存在过饱和的问题，该问题会导致影像所表示的某一区域的灯光强度低于其真实值，进而研究使用中会产生误差，影响准确性。通常来说，卫星传感器获取的主要是地表的太阳辐射反射信号，而DMSP/OLS传感器独辟蹊径，采集的是夜间灯光、火光等产生的辐射信号。数据时间：1992-2013。
五、结合Landsat、夜光数据城市建成区提取——理论介绍和Landsat数据处理
端木宛白的博客家园
04-13 2507
基于DMSP/OLS、NPP/VIIRS夜间灯光数据主流的提取方法有四种，参考比较法，经验法、突变检测法、影像比较法。前面的文章已经对参考比较法、突变检测法做了详细的介绍，当前主流的做法为参考比较法，但是我们永远不止于参考比较法，当前有一些论文提出基于DMSP/OLS、NPP/VIIRS夜间灯光数据、Landsat改进型提取建成区方法，对于提取效果有不小的提升，传统方法提取城市建成区仅仅是市辖区，通过结合Landsat数据提取的不仅仅是市辖区。核心思路。
一、DMSP/OLS、NPP/VIIRS夜光数据下载和校正理论介绍
端木宛白的博客家园
10-10 1915
（1）DMSP/OLS夜光数据介绍DMSP（Defense Meteorological Satellite Program）是美国国防气象卫星计划。该项目是通过气象卫星搭载的传感器，探测出夜间低强度灯光，例如城市的灯光、车流的灯光、居民小区的灯光等。目前，获取到这些DMSP-OLS夜间灯光数据，已成为研究人类活动的不可多得数据，Tilottama 等人（2013）发现了夜间卫星图像数据的巨大价值，这些灯光数据要相比典型的人口普查数据，折射出的信息比较综合和呈现的频次更高，且能在多个研究领域得到运用。
三、DMSP/OLS夜光数据之连续性校正
端木宛白的博客家园
10-16 290
前文已经对34期DMSP夜光数据完成饱和校正，加载34期数据至GIS，仍然存在两个问题，一是例如1994年有两类数据，F101994和F121994，为了保证数据的唯一性，需要采取一定方式，保证唯一性。二是存在DN值不单调递增的情况，例如F162009的最大DN值小于F101993，这么明显和实际情况不相符，通常认为DN值呈现单调递增。本节主要针对上述两个问题进行校正。
二、DMSP/OLS夜间灯光数据校正一理论介绍
端木宛白的博客家园
02-11 3589
DMSP/OLS夜间灯光数据下载详见下列网站：https://ngdc.noaa.gov/eog/dmsp/dmsp.html）https://ngdc.noaa.gov/eog/dmsp/dmsp.html）夜间灯光数据介绍：1、美国国防气象卫星计划（Defense Meteorological Satellite Program，DMSP）由美国空军航天与导弹系统中心运作，卫星运行的线性扫描系统（Operational LinescanSystem，OLS），传感器每日能获得全球内的昼夜图像。DMSP/
夜间灯光数据dn值_DMSP/OLS和VIIRS/DNB夜间灯光影像的校正及拟合
weixin_39939918的博客
12-20 6210
原标题：DMSP/OLS和VIIRS/DNB夜间灯光影像的校正及拟合夜间灯光数据能够表征人类活动强度和城市化进程，应用最广泛的夜间灯光数据为美国国防气象卫星(DMSP)搭载的可见红外成像线性扫描业务系统(OLS)数据及美国新一代国家极轨卫星(Suomi-NPP)搭载的可见光近红外成像辐射(VIIRS)传感器数据。夜间灯光影像将城镇夜光及其他发光体表征为亮值斑块即灯光区，使城镇等发光体明显区别于黑暗...
DMSP-OLS夜光灯光数据（附链接）
12-13
DMSP-OLS数据产品是30弧秒网格，跨越-180到180度经度和-65到75度纬度。对背景噪声进行识别，代之以零值。数据值范围从1-63。无云观测值为零的区域用255表示。（数据太大，附链接）
DMSP/OLS夜间灯光数据
03-04
使用DMSP/OLS数据主要有以下两点优势：第一，DMSP/OLS不依赖于高空间分辨率，它的影像分辨率通常在1km左右，因而影像数据量非常小，甚至不到TM数据的1%，在对DMSP/OLS数据进行处理时更加简便；第二，DMSP/OLS夜间...
基于DMSP/OLS、NPP/VIIRS夜间灯光数据GDP空间化视频
05-14
基于DMSP/OLS、NPP/VIIRS、夜间灯光数据GDP空间化视频包含灯光指数计算、拟合方程确定、渔网、反演、结果五个视频，该方法同样可以用于二氧化碳、人口等经济社会指标的空间化分析，方法类似，只需将视频中的GDP数据...
DMSP/OLS夜间灯光数据校正视频.zip
02-25
DMSP/OLS夜间灯光影像校正包含校正方程获取、相互校正、连续性校正三部分视频等等。
基于DMSP/OLS、NPP/VIIRS、珞珈一号等夜间灯光数据GDP空间化视频.mp4
02-25
基于DMSP/OLS、NPP/VIIRS、珞珈一号等夜间灯光数据GDP空间化视频包含拟合方程确定、反演、出图等等，该方法同样可以用于二氧化碳、人口等经济社会指标的空间化分析，方法类似，只需将视频中的GDP数据更换成其他数据...
基于DMSP/OLS夜间灯光数据应用研究综述
01-11
基于DMSP/OLS夜间灯光数据应用研究综述，王鹤饶，郑新奇，DMSP/OLS夜间灯光数据，主要包括稳定灯光数据、辐射标定夜间灯光强度数据、非辐射标定夜间灯光强度数据三种产品，具有数据获取容易�
node-v9.6.0-x86.msi
04-29
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
Python基于机器学习的分布式系统故障诊断系统源代码，分布式系统的故障数据进行分析，设计故障诊断模型，高效地分析并识别故障类别
04-29
基于技术手段（包括但不限于机器学习、深度学习等技术）对分布式系统的故障数据进行分析，设计故障诊断模型，高效地分析并识别故障类别，实现分布式系统故障运维的智能化，快速恢复故障的同时大大降低分布式系统运维工作的难度，减少运维对人力资源的消耗。在分布式系统中某个节点发生故障时，故障会沿着分布式系统的拓扑结构进行传播，造成自身节点及其邻接节点相关的KPI指标和发生大量日志异常
JavaScript前端开发的核心语言前端开发的核心语言
最新发布
04-29
javascript 当今互联网时代，JavaScript已经成为了前端开发的核心语言它是一种高级程序设计语言，通常用于网页的交互和动态效果的实现。JavaScript的灵活性以及广泛的使用使得它变得异常重要，能够为用户带来更好的用户体验。 JavaScript的特点之一是它的轻量级，它可以在网页中运行无需单独的编译或下载。这意味着网页可以更快地加载并且用户无需安装额外的软件才能运行网页上的JavaScript代码。此外，与HTML和CSS紧密结合，可以直接在HTML文档中嵌入，使得网页的开发变得非常便捷。 JavaScript具有动态性，它可以在浏览器中实时修改页面内容和样。它可以通过操作DOM（文档对象模型来动态地修改网页的结构和布局，并且可以根据用户的行为实时地响应各种事件，如点击、标悬停、滚动等。这使得开发者可以轻松地为网页添加交互性和动态效果，提供更好的用户体验。 JavaScript也是一种面向对象的语言。它支持对象、类、继承、多态等面向对象编程的概念，使得代码结构更加清晰和可维护。开发者可以创建自定义的对象和方法，对功能进行封装和复用，提高代码的可读性和可维护性。
夜间灯光数据dn值_探讨DMSP/OLS夜间灯光数据的校正
06-08
对于夜间灯光数据的校正，主要是针对DMSP/OLS数据进行的。DMSP/OLS是一种被广泛使用的夜间灯光数据源，但其存在许多缺陷，比如数据精度不高、存在灯光污染等。 因此，对于DMSP/OLS数据进行校正是非常必要和重要的。其中一个常用的校正方法是通过dn值校正，即通过对不同区域的dn值进行比较，来确定该区域的灯光水平。 具体来说，这种方法可以通过以下步骤实现： 1. 选择合适的光学波段和滤光片，来获取夜间灯光图像； 2. 对夜间灯光图像进行预处理，包括去除云层、大气校正等； 3. 对图像进行分割，将图像分成若干个区域； 4. 对每个区域的dn值进行统计和比较，得出该区域的灯光水平； 5. 对比不同区域的灯光水平，确定灯光污染程度较低的区域，作为参考标准； 6. 根据参考标准，对其他区域的灯光水平进行校正，得出更准确的夜间灯光数据。 需要注意的是，dn值校正只是夜间灯光数据校正中的一种方法，还有其他一些方法，比如NDVI校正、回归分析校正等，需要根据具体情况选择合适的方法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

端木宛白的GIS课堂

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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