</br>
有理多项式模型及其在中巴卫星数据几何精纠正中的应用

doi:10.6046/gtzyyg.2010.s1.07

摘要
参考文献
相关文章
Metrics

全文: PDF(710 KB)

HTML
输出: BibTeX | EndNote (RIS)

摘要

对于中巴地球资源卫星二级数据产品而言，几何精纠正数学模型一般为多项式，这在平原区是比较适用的；但在丘陵区或山区，则

有理多项式能提供更高的精度。本文以甘肃省西北部山区为例，对两种几何精纠正方法的试验结果进行对比，并给出精度评价。结果表明：

对于海拔高差4 000 m及以上的地区，一阶有理多项式模型比二次多项式模型提高精度200 %～300 %。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	许榕峰
	徐涵秋

关键词 ：遥感, 龙海市, 专题信息提取

Abstract：

For level 2 remote sensing data of CBERS-02 satellite, polynomial model is usually used in geometric precision

correction. Compared with polynomial model, rational function has higher precision in hilly or mountain areas. With the

mountain area in northwest Gansu Province as an example, the authors compared and evaluated the results of two models

applied to geometric precision correction. For an area with elevation over 4 000 m, the precision of rational function is

2~3 times higher than that of polynomial model.

Key words： Remote sensing Longhai city Thematic information extraction

收稿日期: 2010-04-21 出版日期: 2010-11-13

:
	TP 79

基金资助:

中国地质调查局地质调查项目“全国区域地质环境遥感调查与监测”（编号： 1212010911083）。

通讯作者: 孟昆（1978-），男，工程师，主要从事遥感技术与应用研究。

引用本文:

孟昆, 李纪娜.
有理多项式模型及其在中巴卫星数据几何精纠正中的应用[J]. 国土资源遥感, 2010, 22(s1): 26-29.
MENG Kun, LI Ji-Na. Rational Function and Its Application in Geometric Precision Correction of Remote Sensing Data from CBERS Satellite. REMOTE SENSING FOR LAND & RESOURCES, 2010, 22(s1): 26-29.

链接本文:

https://www.gtzyyg.com/CN/10.6046/gtzyyg.2010.s1.07 或 https://www.gtzyyg.com/CN/Y2010/V22/Is1/26

［1］巩丹超, 张永生. 有理函数模型的解算与应用［J］. 测绘学院学报，2003，20(1)：39-42.

［2］Liu S J，Tong X H. Transformation Between Rational Function Model and Rigorous Sensor Model for High Resolution

Satellite Imagery［C］//Koelen M T.The International Archives of the Photogrammetry， Remote Sensing and Spatial

Information Sciences. Beijing:ISPRS，2008：873-877.

[1]	李伟光, 侯美亭. 植被遥感时间序列数据重建方法简述及示例分析[J]. 自然资源遥感, 2022, 34(1): 1-9.
[2]	丁波, 李伟, 胡克. 基于同期光学与微波遥感的茅尾海及其入海口水体悬浮物反演[J]. 自然资源遥感, 2022, 34(1): 10-17.
[3]	高琪, 王玉珍, 冯春晖, 马自强, 柳维扬, 彭杰, 季彦桢. 基于改进型光谱指数的荒漠土壤水分遥感反演[J]. 自然资源遥感, 2022, 34(1): 142-150.
[4]	张秦瑞, 赵良军, 林国军, 万虹麟. 改进遥感生态指数的宜宾市三江汇合区生态环境评价[J]. 自然资源遥感, 2022, 34(1): 230-237.
[5]	贺鹏, 童立强, 郭兆成, 涂杰楠, 王根厚. 基于地形起伏度的冰湖溃决隐患研究——以希夏邦马峰东部为例[J]. 自然资源遥感, 2022, 34(1): 257-264.
[6]	刘文, 王猛, 宋班, 余天彬, 黄细超, 江煜, 孙渝江. 基于光学遥感技术的冰崩隐患遥感调查及链式结构研究——以西藏自治区藏东南地区为例[J]. 自然资源遥感, 2022, 34(1): 265-276.
[7]	王茜, 任广利. 高光谱遥感异常信息在阿尔金索拉克地区铜金矿找矿工作中的应用[J]. 自然资源遥感, 2022, 34(1): 277-285.
[8]	吕品, 熊丽媛, 徐争强, 周学铖. 基于FME的矿山遥感监测矢量数据图属一致性检查方法[J]. 自然资源遥感, 2022, 34(1): 293-298.
[9]	张大明, 张学勇, 李璐, 刘华勇. 一种超像素上Parzen窗密度估计的遥感图像分割方法[J]. 自然资源遥感, 2022, 34(1): 53-60.
[10]	薛白, 王懿哲, 刘书含, 岳明宇, 王艺颖, 赵世湖. 基于孪生注意力网络的高分辨率遥感影像变化检测[J]. 自然资源遥感, 2022, 34(1): 61-66.
[11]	宋仁波, 朱瑜馨, 郭仁杰, 赵鹏飞, 赵珂馨, 朱洁, 陈颖. 基于多源数据集成的城市建筑物三维建模方法[J]. 自然资源遥感, 2022, 34(1): 93-105.
[12]	于新莉, 宋妍, 杨淼, 黄磊, 张艳杰. 结合空间约束的卷积神经网络多模型多尺度船企场景识别[J]. 自然资源遥感, 2021, 33(4): 72-81.
[13]	李轶鲲, 杨洋, 杨树文, 王子浩. 耦合模糊C均值聚类和贝叶斯网络的遥感影像后验概率空间变化向量分析[J]. 自然资源遥感, 2021, 33(4): 82-88.
[14]	艾璐, 孙淑怡, 李书光, 马红章. 光学与SAR遥感协同反演土壤水分研究进展[J]. 自然资源遥感, 2021, 33(4): 10-18.
[15]	李特雅, 宋妍, 于新莉, 周圆锈. 卫星热红外温度反演钢铁企业炼钢月产量估算模型[J]. 自然资源遥感, 2021, 33(4): 121-129.

Viewed

Full text

Abstract

Cited

Shared

Discussed