结合GOCI(Geostationary Ocean Color Imager)传感器的波段特征,基于缨帽变换方法设计了一种简单有效的绿潮指数(TCT-GTI)算法。结合目视判断的绿潮识别结果,将TCT-GTI算法与两种已有的遥感算法(AFAI和IGAG算法)监测结果进行对比发现,TCT-GTI算法的绿潮遥感监测结果精度较高,具有较高的可信度。将TCT-GTI算法应用到2017年多景GOCI影像,对中国黄海海域绿潮信息进行提取,同时分析绿潮覆盖面积的日变化特征,研究2017年绿潮暴发事件的漂移轨迹。研究结果表明,绿潮覆盖面积在中午12:00达到最大,这可能是光合作用等因素的影响。2017年,绿潮暴发事件经历了西北至东北的漂移路径,由江苏盐城外海海域向西北方向漂移至南黄海东部,然后继续向东北方向移动,抵达山东半岛南岸,逐渐消亡。

1.5 损失函数 为了更好的保留输入图像的色彩鲜明和高对比度特征，本文采用了对抗损失函数[12]、 L1损失和感知损失函数三个损失函数进行线性叠加，对抗损失函数如公式（4）所示： 135 = ( , )[log( ( , ))] ( , )[log(1 ( ,G( , )))] GAN L E x y D x y E x z D x x z  （4） D：判别器，G：生成器。x：输入的水下模糊图像，y：与 x 对应的水下清晰图像，z: 噪声输入，采用文献[11]中的方法，以随机失活（Dropout）作为噪声源，提高模型的随机性。 本文利用感知损失函数进行水下图像的特征重建。生成网络生成的图像和目标图像通过一个 网络模型参数固定的 VGG-19网络，传递到 VGG-19的 Conv4_3层后输出，利用 L2损失函数140 对输出图像进行计算。则损失函数定义如公式（5）所示: 2 , , , , 1 1 1 2 1 || ( ( , ) ) ( ) || C W H c w h c w h vgg c w h L V G x z V y CWH      (5) C、W、H 分别表示输出图像的通道，宽度和高度。V 表示由 VGG-19网络进行的非线 性转换。如文献[11]中所述，使用加权 L1损失和对抗性损失减少了输出图像中的人为干扰因 素，则目标图像 y 和生成的图像

遥感影像处理，针对韩国静止水色卫星GOCI影像的一款处理软件。

COMS_GOCI_L2级产品经纬度数据一次性打包获取！！！

在kosc网站上即可下载，经度数据。需要自取。

在kosc网站上即可下载，纬度数据，需要自取。

goci卫星频段的详细说明，概述，he5文件的结构和格式

基于GOCI和MODIS数据的太湖水体叶绿素a浓度反演研究，包颖，田庆久，本文以高时间分辨率遥感影像GOCI和MODIS为数据源，利用

悬浮颗粒物粒径是重要的海洋光学参数，在以悬浮颗粒物为主的黄渤海海域，对水体生物、化学过程等起着重要的作用，该参数的卫星遥感反演也对海洋光学与水色遥感研究具有重要意义。利用2014年5月和11月的黄渤海47组实测数据，建立了基于静止海洋水色卫星(GOCI)波段设置的遥感反射率(Rrs)与悬浮颗粒物中值粒径(D50)反演模型，555 nm 波段幂函数的反演效果最佳，决定系数R2为0.72, 绝对误差SMAPE 为6.35%，经实测数据检验，均方根误差SRMSE约为0.17，相对误差变化范围为-5%~5%。对反演模型引入5%误差进行敏感性检验，绝对误差、均方根误差分别控制在2%以及0.002以内，具有较好的稳定性。将此模型运用于2013年6月GOCI卫星数据，反演出悬浮颗粒物中值粒径D50的时空分布图，呈现从近岸向远海粒径逐渐变大的趋势。

基于2016—2018年渤海、黄海和东海7个航次中采集的实测遥感反射率和浮游植物色素浓度数据,利用静止海洋水色成像仪(GOCI)遥感反射率产品建立中国近海水体中总叶绿素a、叶绿素b、总叶绿素c、光保护类胡萝卜素和光合有效类胡萝卜素浓度的反演模型,并进一步得到2014—2018年渤海、黄海和东海各色素浓度分布图。研究结果显示:采用遥感反射率波段组合建立的反演模型可实现色素浓度的定量反演,建立的模型反演精度较高(R2>0.72)。由卫星反演结果可以看出,浮游植物色素浓度整体呈由近岸向离岸水域递减的趋势,并存在显著的季节变化特征。本文建立的浮游植物色素浓度反演模型,可为深入认识我国近海水体浮游植物种群结构及时空变化规律提供方法支撑。