高分六号卫星数据云检测算法研究及应用分析

 目录

1.引言 3
1.1研究意义及背景 3
1.2云检测方法国内外研究现状 5
1.3研究内容 8
2.像元库建立 10
2.1云像元库实例 10
2.2晴空像元库实例 13
3.数据模拟 15
4.云检测算法的Th成 16
4.1云检测算法自动生成技术 17
4.2云检测算法生成 21
4.3加权合成 23
5.高分六号云检测结果 25
5.2 高分六号云检测结果 25
5.2 缺点和不足 29
6 结论与讨论 30
参考文献 32
致谢词 35
附 录 36

高分六号卫星是中国即将发射的主要用于农情监测与预警、灾害评价与分析等应用的高空间分辨率卫星。为了提高该卫星数据的应用效率，本文研究了高分六号卫星数据的高精度、自动化云检测方法。为保证云监测算法的稳定性和空间适应性，本文使用CDAG 云检测算法生成的思想，以现有的高质量 AVIRIS 数据为支持，生成了高分六号卫星数据的云检测算法。主要工作有以下几个方面：
1）从 AVIRIS 数据上人工选取不同特征的云和各种地表覆盖类型的像元，建立云像元库和晴空像元库。云像元库包括薄云、厚云、碎云等不同的云类型，晴空像元库包括植被、水体、岩石、人工地表等不同的土地覆盖类型；2）基于建立的高光谱数据像元库和传感器的光谱相应函数等参数模拟出高分六号多光谱数据的像元库；3）通过波段运算、统计分析等过程，以云像元和晴空像元的光谱差异性为基础生成云检测算法，其中阈值是根据模拟的像元库数据自动确定，并根据算法正确率对云检测算法进行加权得到最终的云检测结果。
基于生成的云检测算法，使用模拟的高分六号卫星数据，开展了云检测的应用试验，分析了在不同地表背景条件下，针对不同特征的云像元的识别效果，结果表明，构建的高分六号卫星云检测算法可以实现在多类型背景区域有云像元的高精度检测。

关键字：云检测；高分六号；AVIRIS 数据；数据模拟
1.引言

1.1研究意义及背景

云覆盖是遥感图像处理中最常遇到的噪声。云覆盖的存在不仅给图像处理带来许多困难 ,而且使后续的图像识别,分类难以保证精度,有时甚至无法进行。因此 ,前人在研究过程中多偏向于选择晴空无云时的感图像进行研究。然而 ,随着研究的不断深入, 对于图像的要求不断增加, 使得云覆盖问题不可避免的出在人们面前。云覆盖了全球 50%以上的地表，在辐射收支平衡重扮演着重要的角色。根据国际卫星云气候项目通量数据（ISCCP-FD）的估算，全球年均云面积约为 66％。云覆盖阻止光学卫星获得地球表面的清晰视野，而云层的影响影响有用的卫星数据的可用性。一方面，由于云是重要的气象和气候要素之一，通过云的分布不但可以帮助发现危险的气候现象，如暴雨、飓风以及龙卷风，而且还可以跟踪气象条件的变化，因此自气象卫星问世以来， 云检测和分类方法的研究就引起了各国学者的关注和兴趣。另一方面，由于光学遥感数据中大量云的存在，影响了遥感图像的质量，从而降低了图像的数据利用率，因此云检测和云剔除已成为光学遥感图像处理过程中需首要解决的问题之一。云彩投射的云影也是影像的污染物，云影的黑暗影响导致云影部分或完全丧失的图像的光谱信息。图像中的云和云阴影影响图像的处理，不适用的分类，分割，特征牵引等。一些云清除和图像恢复方法可以有效地进行复制，但不提供自动提取云的特定方式。从云彩污染的图像中准确提取云和云影可以帮助减少云覆盖所带来的负面影响图像的应用。因此，云和云影在光学图像检测中具有重要意义。云通过遮挡太阳和地表辐射来改变能力传输的过程，影响着太阳和

地表间的辐射能力传输。同时云覆盖的存在，使得遥感影像上区域内的信息丢失或变得模糊，降低了数据的利用率，严重影响到地表和大气各种参数反演的准确性和可靠性，使得影像识别、分类难以保证精度，有时甚至无法进行，这对不同遥感影像融合以及精确地表参数的定量反演等过程都有很大的影响。对多时相大范围的研究，需要大量的影像，云的存在会影响影像的选取，自动获取无云影像是非常重要的。然而，由于气候原因以及遥感影像的观测范围大，很难获取完全无云的影像。目前，在利用航天遥感手段获取地球空间信息的过程中，除部分微波传感器能穿透云层地表信息，其他传感器均未能彻底解决影像数据的云覆盖问题。利用卫星遥感数据进行云检测在国内外引起了越来越多有关专家的兴趣和重视。因此，采用快速有效的云检测方法剔除图像中云覆盖区域是遥感数据处理过程中首要解决的问题之一。
在气象卫星资料的应用研究中，云检测是最基本的工作之一，只有识别出有云像元和无云像元，才能进一步从卫星数据中提取云参数，或者计算大气遥感产品和地表遥感产品。其中阈值法是一种易于实现、相对成熟的方法，主要依据是云雾的反照率要明显高于植被、土壤及水体等下垫面背景的反照率，云顶亮温低于下垫面背景亮温。将分析像元不同通道观测到的亮温、亮温差、反射率和反射率比值等与设定的阈值进行比较，即可判断该像元是否有云，因此阈值的确定是阈值法的关键。确定阈值有２种方法：一种是以区域先验气候值、辐射统计值为依据确定阈值，该方法需要大量的历史数据，在进行小范围云检测时可提供较好的云检测结果，但当处理的范围很大或卫星的时间序列较长时，不同地域、不同时间的阈值是不同的，操作起来比较困难，且易受人为因素的影响。
高分专项系列卫星数据已为国土土地利用调查，矿产资源开发现状调查与监测，环保大气环境和水环境监测，农业作物估产和长势监测，水利洪涝灾害监测及水利设施监测，统计农业生产监测，地震灾害监测等行业部门应用，以及北京、河北、新疆等城市精细化管理，中小城镇开发现状

监测，区域经济作物监测等区域应用发挥了重要作用。高分专项系列推动高分辨率卫星数据应用，为土地利用动态监测、矿产资源调查、城乡规划监测评价、交通路网规划、森林资源调查、荒漠化监测等行业和首都圈等区域应用提供服务支撑。

1.2云检测方法国内外研究现状

目前遥感图像云检测方法众多，其中应用最多的方法为物理阈值法，如
Saunders(1987) 提出的云检测方法，它选用一组物理阈值对 AVHRR 数据进行云检测。Ackerman(1998) 提出的云检测方法应用于 MODIS 数据，它综合考虑了几种光谱谱段进行阈值检测的结果，最后再判断某个给定像素是否是云。该方法相对于以前的物理阈值法检测更为精确，但是在某些特定的条件下，如夜间时候下垫面为沙漠区域时，以及下垫面为海岸线、河流和内陆湖泊时，由于云和下垫面的反射率相近，难以进行正确的辨别，因而有时会检测出错误的云。物理阈值法因为依据的是某些光谱谱段的数据进行检测，所以一般仅局限于特定的遥感器数据，普适性较差。还有一些云检测方法仅作用于局部的地理区域或背景区域，如 Ebert (1987)，Key
(1989)和 Welch(1992) ，他们提出的云检测方法关心的是极地地区云和地表的区分;Garand(1987)提出的云模式自动分类方法，它基于高度、反照率、形状、云的分层特征以及图像的二维功率谱特征，但仅适用于在海洋背景上的情况。另一类较复杂的遥感图像云检测技术是人工智能技术发展的结果，但它们中的大部分需要依赖于辅助数据来设置阈值。如 Merchant(2005)的全概率贝叶斯法，使用气候学和数字天气预报的预报数据来建立先验知识，Baum(1997)提出的模糊逻辑分类方法，它基于气团的类型来区分晴空和云。
多年以来，针对云开发出了多种云检测方法，大体可以分为 3 类：阈值

法、辐射传输算法和统计学方法。其中，阈值法云检测因其算法简单、运算速度快、检测精度高而得到了广泛应用，是目前应用最广泛的云检测方法。目前大多数的云检测算法都用来研究 AVHRR、MODIS 等中分辨率传感器。常见的阈值法有 ISCCP 算法、APOLLO 算法、CLAVR 算法，这些方法主要是根据经验设定阈值进行云检测。ISCCP 方法假定观测辐射只来自晴空和云两种大气状况，以可见光 0.6μm 和红外窗区 11μm 波段数据为特征量，采用阈值法进行云检测。CLAVR 方法则采用了 2*2 的像素进行判别，并根据下垫面性质和观测时间的不同，将算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。APPOLLO 方法用 AVHRR 五个全分辨率探测通道资料，根据目标物特征在每个通道设定阈值实现云像元识别。还有在这些云检测算法基础上发展起来的同态滤波去云法、多光谱综合法、亮温差值法、指数法、基于波谱标准差异常的动态阈值云检测算法等。
ISCCP 方法假定观测辐射只来自晴空和云两种大气状况，与这两者大气状况相联系的辐射值其变化范围并不互相重叠[12]。使用 0.6um 可见光波段和 11um 红外窗区波段的资料，将像元和晴空的观测辐射值进行比较，当像元与晴空辐射值的差值明显大于晴空辐射值本身的变化时，该像元被判别为云点。这种方法使云检测的误差最小。但算法依赖于阈值，当像元只有部分云覆盖时则会发生误判现象[10,11,12]。
CLAVR方法可在全球范围内进行云检测，算法采用了2*2的像元矩阵作为判识单位.当2*2像元矩阵中4个像元全未通过有云判识检验时，则认为像元矩阵无云；4个像元全通过有云判识检验时，则认为像元矩阵完全云覆盖
；当只有1~3个像元通过云判识时，像元矩阵为混合型。被判识为云或混合型像元矩阵中的4个像元，只有满足冰/雪，海洋镜面反射或者亮的沙漠背景这三类晴空检测条件时，像元矩阵被重新判识为晴空像元。根据下垫面和时间的不同，算法对白天海洋、白天陆地、夜间海洋和夜间陆地四种下垫面进行云检测。
APOLLO 方法利用了 AVHRR 五个全分辨率探测通道资料.在五个通道

资料的基础上,像元被认为是有云像元必须满足像元的反射率比所设定的阈值高或温度比所设定的阈值低,通道 2 与通道 1 的比值介于 0.7 和 1.1 之间,通道 4 和通道 5 的亮温差大于所设定的阈值等几个条件.若像元位于海洋上,其空间均一性还要大于所设定的阈值[16]. 如果像元通过了以上所有的检验，像元为晴空，只要有一个检测未通过，就认为像元被云污染。因此这个检测方法具有保守性。利用其中的两个检测，设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。
目前在国际上比较流行的是 MODIS Cloud Mask 小组开发的 MODIS Cloud Mask 算法。该算法属于阈值法的一种，它选用了 MODIS 中的 19个波段的数据，通过对这些数据特征与设定阈值的比较来判定云像元，而且把云像元的可能性分为了晴空、可能晴空、可能有云和有云 4 种置信度，分辨率为 1km 和 250m。但此算法使用了 19 个波段的数据，波段数量较大，而且又需要输入相关下垫面的类型、海拔高度和 NCEP 数据等，检测结果容易受到探测器工作环境的影响。
除此之外，MFC 算法的提出也给我们开辟了一个新思路，MFC 算法首先实现的是阈值分割。基于光谱特征和基于引导过滤的掩模细化生成初步云面具然后将几何特征与纹理特征结合使用以改善云检测结果并产生最终的云掩膜。最后，可以通过云和阴影匹配和跟踪校正过程获取云掩膜
在阈值法中，阈值的选取是影响分类精确度、正确结果与否的关键因素。传统的阈值法都是基于组分光谱差异的分析技术，以点为分析尺度然后逐像元进行检测。在对某一波长处的波谱信息进行分析时，获取的是云和下垫面的地表反射率差异，而检测过程使用的是表观反射率数据。在太阳到地表的辐射传输过程中大气的影响使得地表反射率与表观反射率不同，这种点到像元的扩展和反射率的差异使阈值不能有效的确定并且影响了检测的精度。传统阈值法的检测结果是云像元和晴空像元的二值影像，用户不能根据自己的需要去除云的影响。并且对不同的传感器数据都要研究不同的云检测算法，花费精力大，不利于后续工作的使用。

实现自动云检测有一定的困难，太阳高度角和传感器观测角的变化、波谱通道、仪器噪声以及不同的地表属性对大范围区域的云检测都有影响。随着科学技术的发展与进步，实现图像中云自动化检测在军事活动、国民经济以及社会服务有着广泛的应用场合和业务需求。

1.3研究内容

针对上述问题，本文提出了一种基于高光谱高分辨率遥感数据适用于多种传感器的云检测算法生成技术。AVIRIS(Airborne Visible Infrared Imaging
Spectrometer, 机载可见光/红外成像光谱仪)，AVIRIS 数据可提供 20m 的空间分辨率和 224 个谱段，覆盖光谱范围是 0.2~2.4μm 的波谱范围，谱分辨率为 10nm。AVIRIS 通过 224 个连续的波谱通道以 10nm 的间隔来测量 400nm-2500nm 波长范围内的上行辐射，是目前高光谱数据的主要来源。
AVIRIS 于 1987 年开始获取数据，目前已经广泛的应用在大气监测、生物地球、土壤、雪、冰以及传感器模拟、定标等领域。AVIRIS 数据已经搭载在两架飞机平台上，NASA ER-2 飞机和 Twin Otter 涡轮螺旋桨飞机。NASA ER-2 在飞行高度大约在海平面上 20km，以 20m 的空间分辨率测量 11km宽和 800kn 长的范围。AVIRIS 数据具有 224 个通道， 光谱覆盖了 400-2500nm 的可见光、近红外以及短波红外的波谱范围，该算法主要包括像元库建立、数据模拟、波段运算、统计分析、加权合成等过程。