陈曦东1,2
,
张肖2,3
,
刘良云3
,
汪晓帆1
|
收稿日期: 2018-01-22
基金项目: 自然资源部土地利用重点实验室开放基金(编号：KLLU201702)；国家重点研发计划(编号：2016YFB0501505)
第一作者简介: 陈曦东，1994年生，男，博士研究生，研究方向为全球地表覆盖定量监测遥感。E-mail：chenxd@radi.ac.cn
通信作者简介: 刘良云，1975年生，男，研究员，研究方向为植被定量遥感。E-mail：liuly@radi.ac.cn
|
摘要
针对云检测在高亮度地表以及雪覆盖区域存在过度检测的问题，设计了一种不依赖热红外波段的增强型多时相云检测EMTCD(Enhanced Multiple Temporal Cloud Detection)算法。首先，利用云的光谱特征建立单时相云检测规则，并基于云、雪的光谱差异构建了增强型云指数ECI(Enhanced Cloud Index)，改进了云、雪的区分能力；其次，以同一区域无云影像为参考，基于ECI指数构建了多时相云检测算法，较好地克服了单时相云检测中高亮度地表、雪和云容易混淆的问题，提高了云检测的精度；最后，选择两个典型区域的Landsat-8 OLI影像，对比分析了不同算法的云检测结果。实验结果表明：ECI指数能够有效区分云、雪，EMTCD方法的平均检测精度达到93.2%，高于Fmask(Function of mask)(81.85%)、MTCD(Multi-Temporal Cloud Detection)(66.14%)和Landsat-8地表反射率产品LaSRC(Landsat-8 Surface Reflectance Code)的云检测结果(86.3%)。因此，本文提出的EMTCD云检测算法能够有效地减少高亮度地表和雪的干扰，实现不依赖热红外波段的高精度云检测。
关键词
云检测, 增强型云指数, 多时相, Landsat-8, 多光谱
CHEN Xidong1,2
,
ZHANG Xiao2,3
,
LIU Liangyun3
,
WANG Xiaofan1
Abstract
Remote sensing images have been a crucial data source for land cover mapping and other applications. However, optical remote sensing images are frequently contaminated with clouds. Clouds have caused several limitations in remote sensing applications through optical satellite. Although several approaches have been conducted for cloud detection, they still fail to distinguish bright surfaces, snow, and clouds, especially for seasonally snow-covered images. Therefore, we aim to develop a fast and universal cloud detection method, which can accurately detect clouds in complex areas. Considering that many sensors do not have a thermal infrared band, we only use the visible, near infrared, and short-wave infrared bands to detect clouds. The proposed method is expected to be used for a variety of satellite data. In this study, a multi-temporal cloud detection method was proposed for optical images. Given that snow and clouds have a big difference in short-wave infrared bands, we first developed an Enhanced Cloud Index (ECI) based on the spectral properties of the bands to distinguish them. Then, we proposed an Enhanced Multi-Temporal Cloud Detection (EMTCD) algorithm based on the ECI index and multi-temporal images to extract cloudy pixels. Finally, we tested and compared the algorithm with three classical cloud detection algorithms, namely, Function of mask (Fmask), Cloud Cover Assessment (CCA), and Multi-Temporal Cloud Detection (MTCD) algorithms, to verify the accuracy of the proposed algorithm. Landsat-8 images were used as the data source in this study. Given that many operational cloud detection methods had failed in complex areas, we selected four Landsat-8 OLI scenes in two test areas with typical seasonal snow cover and complicated land covers as our test data. The images were all obtained from 2015. The test areas were the northeast and southwest of China. Test results indicated that the ECI index can effectively distinguish snow and clouds. The ECI index of snow was higher than that of clouds. The EMTCD method performed well in cloud detection, which had the best cloud detection result with an overall accuracy of 93.2% compared with that of 81.85%, 66.14%, and 86.3% for the classic Fmask, MTCD, and CCA cloud detection methods, respectively. The ECI index is effective in distinguishing clouds and snow. The EMTCD algorithm can provide a good performance in cloud detection without using the thermal infrared band, even for seasonally snow-covered regions with complicated high brightness ground surface, which is always challenging for traditional cloud detection algorithms. However, the method is developed based on multiple images. Compared with single temporal methods, the proposed method still has some limitations.
Key words
cloud detection, Enhanced Cloud Index, multi-temporal, Landsat-8, multi-spectral
1 引 言
遥感是地球资源和环境变化监测不可或缺的技术手段。然而，光学遥感影像中往往包含大量云覆盖像素，尤其是热带雨林区域，很难获取完全无云的遥感影像(Zhang 等，2004；Ju和Roy，2008)。因此，云的精确识别对于光学遥感应用具有重要研究价值。
目前，光学遥感影像云检测的主要原理是基于云的纹理、光谱辐射或反射特征，建立相应云检测规则(Zhu和Woodcock，2012)。例如部分学者根据云的低温属性，利用热红外波段开展云检测(Ackerman 等，1998；Saunders和Kriebel，1998)。Li等人(2017)结合云的光谱、纹理信息提出了针对GF数据的多特征自动匹配算法(MFC)；Lavanant等人(2007)则根据1380 nm波段对水汽的强吸收特性，设计了一种薄卷云检测算法；Braaten等人(2015)利用云在可见光波段的高亮度特性，建立了一种针对Landsat数据的云检测算法；Mei等人(2017)通过模拟不同大气条件下中分辨率成像光谱仪(MERIS)数据的反射率变化，基于统计结果构建了针对MERIS数据的云检测算法。
根据时相信息的应用可以将云检测方法分为单时相和多时相两类(Roy 等，2010；Goodwin 等，2013)。在各类单时相算法中，ACCA(Automated Cloud Cover Assessment)算法作为Landsat-7影像的标准云掩膜算法，利用机载传感器的热红外和多光谱反射波段数据，基于云的高亮低温特性建立云检测规则(Irish，2000；Irish 等，2006)。Fmask(Function of mask)算法是Zhu和Woodcock(2012)提出的一种经典云检测算法，算法根据云的亮温和反射特性计算各像素的云判别概率。Fmask算法的云检测精度高于ACCA，但对于薄卷云识别精度有限(Zhu和Woodcock，2012)，为此Zhu等人(2015)利用Landsat-8的卷云波段对Fmask进行改进，提高了算法对薄卷云的检测精度。CCA(Cloud Cover Assessment)算法作为Landsat-8影像的云量估计算法被集成在Landsat-8地表反射率反演框架中(Vermote 等，2016)。该算法在ACCA云检测算法基础上引入了Landsat-8新增的卷云波段，生成的云掩膜图像被保存在Landsat-8地表反射率产品的质量控制波段QA(Quality Assessment) (USGS，2016b)。部分研究表明这些单时相算法在地表覆盖类型复杂的情况下精度较为有限(Irish，2000；Irish 等，2006；Zhu和Woodcock，2012)。
众多研究结果表明，多时相信息能显著改进云检测精度(Kennedy 等，2007；Goodwin 等，2013；Zhu和Woodcock，2014)。Jin等人(2013)基于云会导致影像辐亮度发生显著变化这一特点，利用两景影像的光谱差异设计了多时相云检测算法；Chen等人(2016)利用多时相信息改进了HOT算法(Haze Optimized Transformation)，降低了地物背景对云检测精度的影响；Candra等人(2016)根据不同时相中可见—近红外波段的光谱变化，提出了一种简便的多时相云掩膜算法。在各类多时相云检测算法中，MTCD(Multi-Temporal Cloud Detection)和Tmask(MultiTemporal Mask)算法得到了最广泛的应用(Hagolle 等，2010；Zhu和Woodcock，2014)。MTCD算法根据影像蓝光波段反射率在不同时相的变化特征对云进行检测(Hagolle 等，2010)，但对于不同地表类型的适用性较差，且无法排除季节性积雪的干扰(Hagolle 等，2010)。Tmask算法利用时间序列信息构建表观反射率预测模型，并利用待检测像素的预测和影像实测表观反射率差异进行云检测，其精度高于Fmask等单时相云检测算法(Zhu和Woodcock，2014)。此外，Goodwin等人(2013)也利用时序数据构建了一种基于Landsat TM/ETM+的云检测算法，该算法综合利用影像的光谱、时相和上下文信息，在云检测方面精度比Fmask更高，但算法较为复杂，且同样需要大量无云的时间序列影像作为参考。
针对当前云检测方法存在的高亮度地表、雪和云容易混淆的共性问题，本文拟发展一种对时相需求较少、不受热红外波段限制的高精度、多时相云检测算法。基于云的光谱特性提出增强型云指数ECI(Enhanced Cloud Index)，提高单时相云检测中云、雪的区分能力；然后针对单时相云检测结果中剩余无法被有效去除的雪和高亮度地表，基于ECI指数构建多时相云检测方法，利用多时相云信息进一步去除非云像素，得到高精度云掩膜结果。
2 研究区与数据预处理
2.1 研究区与数据
Landsat系列卫星数据具有高质量、长时间序列、固定轨道等优点，被广泛用于地球资源监测研究(Woodcock和Strahler，1987；Chander 等，2009；Lee 等，2004)。本文采用Landsat-8卫星影像开展云检测算法测试与对比研究。Landsat-8卫星搭载了陆地成像仪(OLI)和热红外传感器(TIRS)，其光谱设置如表1所示。尽管TIRS的热红外波段和OLI新增的水汽吸收波段对云检测具有一定帮助，但由于Sentinel-2、SPOT等卫星传感器不具备这些波段。因此本文仅利用OLI传感器的Blue、Green、Red、NIR(Near Infrared)、Swir1(Short-wave infrared1)和Swir2(Short-wave infrared2)这6个光学波段构建云检测算法。
表 1 Landsat-8波段信息
Table 1 Landsat-8 spectral bands
| OLI波段 | 光谱范围/ μm | 空间分辨率/m | TIRS波段 | 光谱范围/ μm | 空间分辨率/m |
| 深蓝(Coastal) | 0.433—0.45 | 30 | 热红外1(TIRS-1) | 10.6—11.2 | 100 |
| 蓝光(Blue) | 0.45—0.51 | 30 | 热红外2(TIRS-2) | 11.5—12.5 | 100 |
| 绿光(Green) | 0.52—0.60 | 30 | — | — | — |
| 红光(Red) | 0.63—0.68 | 30 | — | — | — |
| 近红外(Nir) | 0.84—0.88 | 30 | — | — | — |
| 短波红外1(Swir-1) | 1.56—1.66 | 30 | — | — | — |
| 短波红外2(Swir-2) | 2.10—2.30 | 30 | — | — | — |
| 全色(Pan) | 0.50—0.68 | 15 | — | — | — |
| 卷云(Cirrus) | 1.36—1.39 | 30 | — | — | — |
选取了两个典型区域作为试验区，试验区1位于中国东北部(纬度范围：42.09°N—44.24°N，经度范围：128.57°E—131.38°E)，轨道编号为115/30。试验区2位于中国西南部(纬度范围：29.24°N—31.35°N，经度范围：98.73°E—101.13°E)，轨道编号123/39。
两区域的地表覆盖类型复杂，包括植被、人工建筑、裸地、水体和季节性雪覆盖等，其中试验区1的地表覆盖类型季节差异显著，在2015-04-08时相包括大量季节性积雪与裸地/植被的混合类型。试验区2包含大量高亮度地表，大多数云检测算法在两个地区的精度较低。试验区影像的详细信息见表2。
表 2 试验区Landsat-8数据信息
Table 2 Overview of Landat-8 scenes in the experiment area
| 景ID | 轨道号(path/row) | 时相 | 主要地表覆盖 | 云量/% | |
| 参考影像 | LC811503020150219 | 115/030 | 2015-02-19 | 林地、裸地、建筑用地、雪地、水体 | 0.00 |
| 有云影像 | LC811503020150408 | 115/030 | 2015-04-08 | 林地、裸地、建筑用地、雪地、水体 | 15.42 |
| 有云影像 | LC811503020150915 | 115/030 | 2015-09-15 | 林地、建筑用地、水体、耕地 | 7.66 |
| 参考影像 | LC813203920150415 | 123/039 | 2015-04-15 | 林地、裸地、建筑用地、雪地、水体 | 0.00 |
| 有云影像 | LC813203920150314 | 123/039 | 2015-03-14 | 林地、裸地、建筑用地、雪地、水体 | 8.80 |
| 有云影像 | LC813203920150602 | 123/039 | 2015-06-02 | 林地、裸地、建筑用地、水体、耕地 | 29.45 |
2.2 数据预处理
采用的Lansat-8卫星影像为USGS共享的经过几何校正的L1T数据(USGS，2016a)。云检测前，需要利用USGS提供的定标数据进行辐射定标，将原始影像的DN值数据转换为星上表观反射率。然后采用Hu等人(2014)研发的针对Landsat影像的大气校正软件LSR6S，开展大气校正并得到地表反射率数据，以消除大气辐射传输对地物反射率的影响。该大气校正软件基于6S大气辐射传输模型，以同步的MODIS气溶胶产品(MOD03)、水汽产品(MOD05)和臭氧产品(MOD07)作为大气输入参数，开展大气辐射传输校正和地表反射率反演，得到的地表反射率产品验证精度R2达到0.77，RMSE为0.045(Hu 等，2014)。由于MODIS大气参数产品存在较多的无效值，在大气校正前，该大气校正软件利用普通克里格插值算法，对MODIS大气参数产品中的无效值进行空间插补。此外，MODIS大气产品的分辨率为0.05°，该大气校正软件利用6S辐射传输模型和MODIS大气产品计算得到0.05°的大气校正系数，然后对0.05°分辨率的大气校正系数进行线形空间插值得到30 m分辨率的大气校正系数，并利用该30 m分辨率的大气校正系数对Landsat数据进行大气校正，得到30 m分辨率地表反射率产品。
3 增强型多时相云检测方法(EMTCD)
3.1 云的光谱特征与增强型云检测指数(ECI)
云在光学和红外波段的反射/辐射特性是云检测基础，因此基于Landsat-8地表反射率数据提取厚云、薄云、高亮度地表、雪、水体及植被等的光谱曲线进行分析(图1)。结果表明：水体和植被在0.48—0.65 μm可见光波段的反射率较低，与云的可分性较好；厚云的反射特性与薄云、高亮度地表及雪区别较大，对于厚云的检测相对容易；薄云和雪在0.48—0.86 μm波段范围内具有相似的反射特性，但在1.61—2.20 μm短波红外波段二者反射特性差别较大；高亮度地表和薄云的光谱在整个光学反射波段的变化趋势比较接近，但高亮度地表的反射率通常在1.61 μm短波红外波段达到峰值，而云在短波红外波段范围内表现出下降趋势，借助这一变化特性可以对两者进行区分。
根据上述光谱特征分析，研究针对云、雪的判读构建了ECI指数，公式如下
| ${\rm{ECI}} = 10\cdot\frac{{{\rho _{{\rm{nir}}}}}}{{{\rho _{{\rm{swir1}}}}}}\cdot\frac{{{\rho _{{\rm{nir}}}}}}{{{\rho _{{\rm{swir2}}}}}}\cdot\frac{{{\rho _{{\rm{swir1}}}} - {\rho _{{\rm{swir2}}}}}}{{{\rho _{{\rm{swir1}}}} + {\rho _{{\rm{swir2}}}}}}$ | (1) |
式中，
3.2 增强型多时相云检测算法流程与规则
3.2.1 EMTCD云检测流程
针对传统云检测算法无法有效去除季节性雪覆盖和高亮度地表干扰的问题，论文集成光谱和时相变化信息，提出了增强型多时相云检测算法(EMTCD)。
EMTCD算法分为两个基本步骤：基于单时相的初步云检测和基于多时相的精细云检测。(1)在云的光谱特征分析基础上，针对有云影像构建单时相判断规则，对云像素进行初步检测。初步检测的目的是尽可能将潜在的云像素检测出来，检测结果可能包含一定比例误检测的高亮度地表、积雪等像素。(2)在初步云检测的基础上，针对可能误检测的积雪、高亮度地表等，以同一区域无云影像为参考，借助多时相信息对云进行精细检测，并最终得到高精度的云掩膜结果。算法流程图如图2所示。
3.2.2 单时相云检测规则
由于云与大部分地表覆盖类型有明显差异，因此可以利用某一波段的光谱反射率和归一化指数对云和不同地物进行粗略区分。大部分地物在短波红外波段的反射率较低，而云在该波段的反射率通常大于0.03(Zhu和Woodcock，2012)，可以通过在短波红外波段设置阈值来初步区分云和部分地表覆盖类型。由于云和雪在可见—近红外波段的反射率较高，而雪在短波红外波段的反射率低于云，利用归一化雪指数(NDSI)可以较好区分云和雪，云的NDSI值低于0.8 (Hall 等，1995)。此外，植被的归一化指数(NDVI)取值较高(Rouse 等，1974)，而云的NDVI值低于0.8(Zhu和Woodcock，2012)。因此，可以利用Landsat-8 OLI数据的短波红外波段反射率、NDSI和NDVI指数对云、植被及雪等地物做出粗略区分，规则如下
| $\left(\,{{\rho _{{\rm{swir2}}}} > 0.03} \right)\& \left({{\rm{NDSI}} < 0.8} \right)\& \left({{\rm{NDVI}} < 0.8} \right)$ | (2) |
| ${\rm{NDSI}} = (\,{{\rho _{{\rm{green}}}} - {\rho _{{\rm{swir1}}}}} )/(\,{{\rho _{{\rm{green}}}} + {\rho _{{\rm{swir1}}}}} )$ | (3) |
| ${\rm{NDVI}} = (\,{{\rho _{{\rm{nir}}}} - {\rho _{{\rm{red}}}}})/(\,{{\rho _{{\rm{nir}}}} + {\rho _{{\rm{red}}}}} )$ | (4) |
式中，
由于薄云具有与地表接近的光谱反射特性，容易被漏检，为了将所有潜在云像素检测出来，论文将针对薄云的识别设置规则。Zhang等人(2002)发现，在晴空影像中，地物的红、蓝波段具有较高相关性，近似分布于一条直线(“晴空线”)，若受薄云影响，像素蓝光通道的光谱变化大于红光，偏离晴空线。由此提出了HOT算法(Haze Optimized Transformation)(Zhang 等，2002)
| ${\rho _{{\rm{blue}}}} - 0.5 \times {\rho _{{\rm{red}}}} > 0.08$ | (5) |
式中，
针对式(2)、式(5)中可能被误检为云像素的高亮度人工地物及裸地，本文基于沙地等高亮度地表在近红外波段的反射率低于短波红外这一特性对其进行去除 (Irish，2000)。同时，由于部分薄云在此光谱区间的比值与高亮度地表接近，易被误分为非云像素。研究通过大量测试，效仿Fmask算法(Zhu和Woodcock，2012)将这一阈值放宽为0.75，即近红外和短波红外的反射率比值大于0.75时判断为云，公式如下
| ${\rho _{{\rm{nir}}}}/{\rho _{{\rm{swir1}}}} > 0.75$ | (6) |
利用ECI指数对式(2)中NDSI没有排除的雪像素进一步区分。实验发现雪的ECI值通常大于10，而云像素的ECI指数通常小于1。因此，利用式(7)的规则进一步排除雪的干扰。
| ${\rm{ECI}} < 10.0$ | (7) |
综上所述，利用式(2)、(5)、(6)、(7) 4个判断规则开展单时相的云的初步检测。检测结果基本能够包含影像中全部的云像素，但由于云与部分高亮度地表和雪的光谱较为相似，仅依靠单时相难以排除这些地类的影响，因此，需要通过多时相云检测规则进一步提高云检测精度。
3.2.3 多时相云检测规则
由于云和地物的复杂多样性，仅依靠单时相难以实现高精度的云检测(Zhu和Woodcock，2012)。部分研究表明，多时相方法能够降低非云像素的干扰，提高云检测精度(Jin 等，2013；Goodwin 等，2013)。因此，研究以无云影像为参考，利用多时相云检测规则，进一步去除高亮度地表和雪的影响，提高云检测精度。
首先，地表覆盖类型的变化也会造成影像光谱的变化，所以在进行多时相云检测前，应先去除地表覆盖变化造成的干扰。Hagolle等人(2010)发现，当地表覆盖类型发生改变时，像素红光波段反射率的变化通常大于蓝光波段，而云覆盖导致的反射率变化则相反。因此，可以利用式(8)去除地表覆盖变化的影响。
| ${\rm{abs}}({\rho _{{\rm{red}}}}\left(D \right) - {\rho _{{\rm{red}}}}\left({{D_{\rm{r}}}} \right)) < 2\cdot{\rm{abs}}\left({{\rho _{{\rm{blue}}}}\left(D \right) - {\rho _{{\rm{blue}}}}\left({{D_{\rm{r}}}} \right)} \right)$ | (8) |
式中，
其次，研究表明，当没有发生地表覆盖变化时，地物在不同时相的光谱差异通常远小于云覆盖造成的光谱差异(Hagolle 等，2010；2015)。本研究基于这一特性试验发现，不同时相中，高亮度地表在近红外与短波红外波段反射率的比值变化一般低于0.1，受云影响这一变化将增大。因此，依据这一特性进一步去除高亮度地表的干扰。公式如下
| ${\rm{abs}}\left[ {\frac{{{\rho _{{\rm{nir}}}}\left(D \right)}}{{{\rho _{{\rm{swir1}}}}\left(D \right)}} - \frac{{{\rho _{{\rm{nir}}}}\left({{D_{\rm{r}}}} \right)}}{{{\rho _{{\rm{swir1}}}}\left({{D_{\rm{r}}}} \right)}}} \right] \geqslant 0.1$ | (9) |
式中，
最后，针对初步云检测中ECI指数较为接近的云、雪像素，依据多时相信息进一步进行区分。由于雪在短波红外波段的吸收作用，当像素被雪覆盖时，其在1.61 μm波段的反射率将降低，而云则相反(Zhu和Woodcock，2012)。通过大量测试，对于ECI取值接近的云、雪，当有云影像与无云影像短波红外波段反射率差值大于0.06时云检测结果较为鲁棒。
| $\left\{ \begin{aligned} & 1.0 \leqslant {\rm{ECI}} < 10.0\\ & {\rho _{\rm{swir1}}}\left( D \right) - {\rho _{{\rm{swir1}}}}\left( {{D_{\rm{r}}}} \right) \geqslant 0.06 \end{aligned} \right.$ | (10) |
因此，在利用式(2)、(5)、(6)、(7)等单时相规则进行云的初步检测后，再利用式(8)—(10)的多时相云检测规则，得到高精度的云掩膜结果。
3.2.4 精度检验
为了验证EMTCD的精度与可靠性，实验将EMTCD方法与目前广泛应用的几种单时相和多时相云检测算法进行对比。Fmask云检测算法采用了热红外波段，在全球的平均精度高达96.4%(Zhu和Woodcock，2012)；MTCD是VENμS和Sentinel-2数据的二级产品处理框架中采用的云检测算法，只使用了可见光波段(Jin 等，2013)，具有较好的通用性和检测精度；LaSRC中的CCA算法利用了Landsat-8新增的卷云波段、热红外波段，有着较高的精度(USGS，2016b)。因此，论文选择这3种云掩膜算法与EMTCD作对比分析。
为了定量分析4种云检测算法的精度，在每景云影像中随机选取500个样本点，通过目视解译方式得到样本属性，并采用正确率、错误率、误检率、漏检率4个指标来评估云检测的精度。
正确率计算公式为
| ${\text{正确}}{\text{% }} = \frac{{cloud\_as\_cloud + clear\_as\_clear}}{{npix}}$ | (11) |
| ${\text{错误}}{\text{% }} = 100{\text{% }} -{ \text{正确}}{\text{% }}$ | (12) |
式中，
漏检率计算公式为
| ${\text{漏检}}{\text{% }} = \frac{{total\_cloud - cloud\_as\_cloud}}{{total\_cloud}} \cdot 100$ | (13) |
式中，
误检率公式为
| ${\text{误检}}{\text{% }} = \frac{{clear\_as\_cloud}}{{total\_clear}} \cdot 100$ | (14) |
式中，
4 结果与讨论
4.1 ECI增强型云指数
为了评价ECI指数的云检测效果，对比了试验区不同时相的ECI指数图像。图3的(a), (b), (c), (d) 4列分别代表2015-04-08、2015-09-15、2015-03-14和2015-06-02的原始RGB合成影像、SSN合成影像(Swir1-Swir2-NIR合成)和ECI指数图像。名称中p115r030代表轨道号为115行30列的影像，p132r039代表轨道号为132行39列的影像。在SSN合成图中，云为白色、雪为红色、裸地为绿色、植被为棕黄色；在ECI指数图像中，蓝色代表低值，红色代表高值。试验区影像复杂的地表覆盖状况给云检测造成了较大困难，如图3(a)存在大片季节性积雪，图3(b)存在大量高亮度人工地表，图3(c)同时含有高亮度裸地和季节性积雪，图3(d)含有高亮度裸地。在这些存在季节性积雪和高亮度人工地表的影像中，云检测经常会把两者错误识别为云。对比原始影像和ECI指数图像能够发现，植被和雪在ECI图像中为深黄色或红色、取值较大，云和裸地为淡黄色或蓝色、取值较小。云和雪在ECI图像中的分布与原始影像中较为一致，由此可见ECI指数对于云、雪的区分较为有效。
4.2 云掩膜结果对比
图4为EMTCD算法与CCA、Fmask和MTCD 3种算法在两个试验区的云检测对比结果，其中图4(a), (b), (c), (d) 4列图像中，每列第1行为该时相下的原始影像，每列后4行为该时相下4种云检测算法的结果。在云掩膜图中云为绿色，地表为白色，红色箭头所指区域为被误检为云的非云像素或漏检的云像素。
图4(a)影像存在较多的季节性雪覆盖，而CCA、Fmask和MTCD算法均把较多的雪像素误检为云，表明这几种常用算法受季节性雪覆盖的影响较大、精度偏低；MTCD算法相比于其他3种算法，对高亮度人工地表和裸地的误判最少，但季节性积雪易被误检测为云，同时，MTCD算法存在较多云像素的漏检情况，如图4(b)—(d)的云掩膜结果；Fmask算法能够较好地区分雪覆盖像素和云覆盖像素，但对高亮度地表和云的区分仍然存在问题，如图4(b), 图4(c)；同样利用了Landsat OLI传感器热红外波段的CCA算法，对雪的抗干扰能力却低于Fmask算法，如图4(a)的云掩膜结果，这可能与CCA算法中热红外波段的阈值设定有关，但CCA算法能够更有效地去除高亮度地表的影响；EMTCD算法的云检测结果与上述3种算法有较好的一致性，对雪和云的区分表现出了较优的效果，并且减少了高亮度地表的干扰，在大量季节性雪覆盖的影像中，云检测结果优于其他算法(图4(a))，并且EMTCD算法也有效减少了MTCD算法中云像素过多漏检的问题。
为了进一步定量评价各云检测算法的性能，采用式(11)—(14)的正确率、错误率、误检率、漏检率4个指标和目视解译样本点，定量计算了图4中各算法的云检测精度，如表3和图5所示。从4种算法的精度指标对比发现，Fmask等常用算法在复杂地表的情况下表现出了相对较低的精度，如在2015-04-08时相中CCA算法只有77.20%的正确率，在2015-09-15时相中MTCD正确率只有41.20%。EMTCD算法的平均正确率最高，达到93.20%，漏检率和误检率也较低，分别为6.27%和3.58%，而MTCD算法由于对云像素存在最高的漏检率41.34%，导致平均正确率最低，只有66.14%。CCA、Fmask和EMTCD算法的平均正确率较为接近，均达到81%以上，其中Fmask的漏检率最低，为0.27%。4种算法的平均误检率都低于20%，其中MTCD与EMTCD的误检率最低，分别为5.84%和3.58%，Fmask的误检率最高，达到19.34%。几种算法中，MTCD算法的稳定性最差，算法的云检测精度依赖于参考影像与有云影像的时相差异，随着时相差异的增加，算法的正确率降低、漏检率上升，如图5(b)红框内MTCD算法的精度远低于2015-04-08时相(参考影像时相为2015-02-19)。
表 3 CCA、Fmask、MTCD、EMTCD精度验证结果
Table 3 Results of different cloud algorithms, including CCA, Fmask, MTCD and EMTCD
| 时相 | 算法 | 正确率/% | 错误率/% | 误检率/% | 漏检率/% |
| 2015-04-08 | CCA | 77.20 | 22.80 | 23.98 | 8.52 |
| Fmask | 89.00 | 11.00 | 15.28 | 0.00 | |
| MTCD | 66.60 | 33.40 | 9.88 | 49.18 | |
| EMTCD | 93.60 | 6.40 | 3.09 | 7.54 | |
| 2015-09-15 | CCA | 93.40 | 6.60 | 0.91 | 6.26 |
| Fmask | 92.40 | 7.60 | 6.72 | 1.08 | |
| MTCD | 41.20 | 58.80 | 0.00 | 63.50 | |
| EMTCD | 93.38 | 6.62 | 0.46 | 6.70 | |
| 2015-03-14 | CCA | 87.00 | 13.00 | 8.48 | 18.33 |
| Fmask | 52.80 | 47.20 | 48.46 | 0.00 | |
| MTCD | 81.80 | 18.20 | 10.40 | 27.89 | |
| EMTCD | 92.60 | 7.40 | 9.16 | 5.18 | |
| 2015-06-02 | CCA | 87.58 | 12.42 | 2.16 | 11.52 |
| Fmask | 93.19 | 6.81 | 6.88 | 0.00 | |
| MTCD | 74.95 | 25.05 | 3.08 | 24.78 | |
| EMTCD | 93.38 | 6.62 | 1.59 | 5.65 |
5 结 论
针对复杂地表情况下云检测算法中无法有效去除高亮度地表、季节性雪覆盖影响的问题，构建了ECI增强型云指数，并在此基础上提出了一种通用快速、不需要借助热红外信息的多时相云检测算法。通过与几种广泛应用的云检测算法比较，结果表明：
(1) 由于雪与云具有相似的光谱特性，针对两者的分区一直较为困难。在二者光谱特征分析的基础上，提出了增强型云指数(ECI)，该ECI指数能够增强云与雪的光谱差异提高了云与雪的区分度。
(2) 为了克服单时相分类方法的不足，集成ECI指数和多时相信息，提出了EMTCD多时相云检测算法，EMTCD算法实现了云像素的高精度检测，减少了雪、高亮度地表对于云检测的影响，云检测平均精度达到93.2%，优于Fmask、CCA和MTCD等广泛应用的经典算法。
同时，本文提出的EMTCD算法也存在一些不足，如需要一景无云影像作为参考，与单时相云检测方法相比还存在一定局限性，还需要进一步研究以提高算法的适用性。
参考文献(References)
-
Ackerman S A, Strabala K I, Menzel W P, Frey R A, Moeller C C and Gumley L E. 1998. Discriminating clear sky from clouds with MODIS. Journal of Geophysical Research: Atmospheres, 103 (D24): 32141–32157. [DOI: 10.1029/1998JD200032]
-
Braaten J D, Cohen W B and Yang Z Q. 2015. Automated cloud and cloud shadow identification in Landsat MSS imagery for temperate ecosystems. Remote Sensing of Environment, 169 : 128–138. [DOI: 10.1016/j.rse.2015.08.006]
-
Candra D S, Phinn S and Scarth P. 2016. Cloud and cloud shadow masking using multi-temporal cloud masking algorithm in tropical environmental. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B2: 95–100 [DOI: 10.5194/isprs-archives-XLI-B2-95-2016]
-
Chander G, Markham B L and Helder D L. 2009. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, 113 (5): 893–903. [DOI: 10.1016/j.rse.2009.01.007]
-
Chen S L, Chen X H, Chen J, Jia P F, Cao X and Liu C Y. 2016. An iterative haze optimized transformation for automatic cloud/haze detection of landsat imagery. IEEE Transactions on Geoscience and Remote Sensing, 54 (5): 2682–2694. [DOI: 10.1109/TGRS.2015.2504369]
-
Goodwin N R, Collett L J, Denham R J, Flood N and Tindall D. 2013. Cloud and cloud shadow screening across Queensland, Australia: an automated method for Landsat TM/ETM+time series. Remote Sensing of Environment, 134 : 50–65. [DOI: 10.1016/j.rse.2013.02.019]
-
Hagolle O, Huc M, Pascual D V and Dedieu G. 2010. A multi-temporal method for cloud detection, applied to FORMOSAT-2, VENμS, LANDSAT and SENTINEL-2 images. RemoteSensing of Environment, 114 (8): 1747–1755. [DOI: 10.1016/j.rse.2010.03.002]
-
Hagolle O, Huc M, Pascual D V and Dedieu G. 2015. A multi-temporal and multi-spectral method to estimate aerosol optical thickness over land, for the atmospheric correction of formosat-2, landsat, VENμS and sentinel-2 images. Remote Sensing, 7 (3): 2668–2691. [DOI: 10.3390/rs70302668]
-
Hall D K, Riggs G A and Salomonson V V. 1995. Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data. Remote Sensing of Environment, 54 (2): 127–140. [DOI: 10.1016/0034-4257(95)00137-P]
-
Hu Y, Liu L Y, Liu L L, Peng D L, Jiao Q J and Zhang H. 2014. A landsat-5 atmospheric correction based on MODIS atmosphere products and 6S model. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (5): 1609–1615. [DOI: 10.1109/JSTARS.2013.2290028]
-
Irish R R. 2000. Landsat 7 automatic cloud cover assessment//Proceedings of SPIE Volume 4049, Algorithms for Multispectral, Hyperspectral, and Ultraspectral Imagery. Orlando, FL: SPIE: 348–355 [DOI: 10.1117/12.410358]
-
Irish R R, Barker J L, Goward S N and Arvidson T. 2006. Characterization of the landsat-7 ETM+automated cloud-cover assessment (ACCA) algorithm. Photogrammetric Engineering and Remote Sensing, 72 (10): 1179–1188. [DOI: 10.14358/PERS.72.10.1179]
-
Jin S M, Homer C, Yang L M, Xian G, Fry J, Danielson P and Townsend P A. 2013. Automated cloud and shadow detection and filling using two-date Landsat imagery in the USA. International Journal of Remote Sensing, 34 (5): 1540–1560. [DOI: 10.1080/01431161.2012.720045]
-
Ju J C and Roy D P. 2008. The availability of cloud-free Landsat ETM+data over the conterminous United States and globally. Remote Sensing of Environment, 112 (3): 1196–1211. [DOI: 10.1016/j.rse.2007.08.011]
-
Kennedy R, Cohen W B, Schroeder T A. 2007. Trajectory-based change detection for automated characterization of forest disturbance dynamics. Remote Sensing of Environment, 110 (3): 370–386. [DOI: 10.1016/j.rse.2007.03.010]
-
Lavanant L, Marguinaud P, Harang L, Lelay J, Sonia P and Philippe S. 2007. Operational cloud masking for the O&SISAF global METOP SST production. Proceedings of the Joint 2007 EUMETSAT Meteorological Satellite Conference and the 15th Satellite Meteorology and Oceanography Conference of the American Meteorological Society. Amsterdam, The Netherlands
-
Lee D S, Storey J C, Choate M J and Hayes R W. 2004. Four years of Landsat-7 on-orbit geometric calibration and performance. IEEE Transactions on Geoscience and Remote Sensing, 42 (12): 2786–2795. [DOI: 10.1109/TGRS.2004.836769]
-
Li Z W, Shen H F, Li H F, Xia G S, Gamba P and Zhang L P. 2017. Multi-feature combined cloud and cloud shadow detection in gaofen-1 wide field of view imagery. Remote Sensing of Environment, 191 : 342–358. [DOI: 10.1016/j.rse.2017.01.026]
-
Mei L L, Vountas M, Gómez-Chova L, Rozanov V, Jäger M, Lotz W, Burrows J P and Hollmann R. 2017. A cloud masking algorithm for the xbaer aerosol retrieval using meris data. Remote Sensing of Environment, 197 : 141–160. [DOI: 10.1016/j.rse.2016.11.016]
-
Rouse Jr J W, Haas R H, Schell J A and Deering D W. 1974. Monitoring vegetation systems in the great plains with erts//Proceedings of the 3rd Earth Resources Technology Satellite-1 Symposium-Volume I: Technical Presentations. Washington: NASA Special Publication: 309–317
-
Roy D P, Ju J C, Kline K, Scaramuzza P L, Kovalskyy V, Hansen M, Loveland T R, Vermote E and Zhang C S. 2010. Web-enabled Landsat Data (WELD): landsat ETM+ composited mosaics of the conterminous United States. Remote Sensing of Environment, 114 (1): 35–49. [DOI: 10.1016/j.rse.2009.08.011]
-
Saunders R W and Kriebel K T. 1998. An improved method for detecting clear sky and cloudy radiances from AVHRR data. International Journal of Remote Sensing, 9 (1): 123–150. [DOI: 10.1080/01431168808954841]
-
USGS. 2016a. Landsat 8 OLI and TIRS calibration notices[EB/OL]. [2018-02-06]. https://landsat.usgs.gov/landsat-8-l8-data-usershandbook
-
USGS. 2016b. Landsat 8 (L8) data users handbook[EB/OL]. https://landsat.usgs.gov/landsat-8-l8-operational-land-imager-oli-and-thermal-infrared-sensor-tirs
-
Vermote E, Justice C, Claverie M and Frabch B. 2016. Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product. Remote Sensing of Environment, 185 : 46–56. [DOI: 10.1016/j.rse.2016.04.008]
-
Woodcock C E and Strahler A H. 1987. The factor of scale in remote sensing. Remote Sensing of Environment, 21 (3): 311–332. [DOI: 10.1016/0034-4257(87)90015-0]
-
Zhang Y, Guindon B and Cihlar J. 2002. An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images. Remote Sensing of Environment, 82 (2-3): 173–187. [DOI: 10.1016/S0034-4257(02)00034-2]
-
Zhang Y C, Rossow W B, Lacis A A, Oinas V and Mishchenko M I. 2004. Calculation of radiative fluxes from the surface to top of atmosphere based on ISCCP and other global data sets: refinements of the radiative transfer model and the input data. Journal of Geophysical Research: Atmospheres, 109 (D19): D19105 [DOI: 10.1029/2003JD004457]
-
Zhu Z, Wang S X and Woodcock C E. 2015. Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4-7, 8, and Sentinel 2 images. Remote Sensing and Environment, 159 : 269–277. [DOI: 10.1016/j.rse.2014.12.014]
-
Zhu Z and Woodcock C E. 2012. Object-based cloud and cloud shadow detection in Landsat imagery. Remote Sensing of Environment, 118 : 83–94. [DOI: 10.1016/j.rse.2011.10.028]
-
Zhu Z and Woodcock C E. 2014. Automated cloud, cloud shadow, and snow detection in multitemporal Landsat data: an algorithm designed specifically for monitoring land cover change. Remote Sensing of Environment, 152 : 217–234. [DOI: 10.1016/j.rse.2014.06.012]
