一种适合高光谱卫星云识别的Fmask改进算法

近年来,我国卫星高光谱技术发展迅猛,高分五号、高分五号02星、资源一号02D星、资源一号02E星等相继发射为遥感领域带来了丰富的高光谱数据源。但高光谱卫星在成像过程中不可避免地会受到云及云阴影的影响,如何准确识别成为保障后续应用的关键,Fmask算法作为国内外诸多算法中的典型代表,已被Landsat和Sentinel业务化产品生产系统采用。Fmask算法作为国内外诸多算法中的典型代表,已被Landsat和Sentinel业务化产品生产系统采用。但该算法对于缺少热红外波段的数据精度偏低,例如对Sentinel-2数据的云和云阴影识别精度分别为84.5%和50%左右。鉴于此,本文通过在原有算法中优化云及云阴影识别算法结构、增加高亮地物识别辅助判据等改进手段,提出了一种适合高光谱卫星的Fmask改进算法,并在含有城区、山地、平原等三类不同下垫面场景的20景高分五号和资源一号高光谱影像中进行检验,结果表明:云识别的用户精度和生产者精度可达91.26%和99.97%,云阴影识别精度达到78.66%和79.41%,明显优于原始算法。本文算法对于高光谱数据的云及云阴影识别具有精度高、效果稳定和易于工程化实现的特点,可用于支撑国产高光谱卫星数据的业务化处理。

面向多背景环境的Sentinel-2云检测

在对遥感影像进行处理分析的过程中,云层覆盖往往会对遥感信息的提取造成阻碍。然而,地表背景环境复杂多变,由于不能有效提取云目标和背景环境间的特征差异,现有方法虽然在大多数背景环境下具有较好的云检测效果,但在某些环境下则存在明显的误分漏分,不能保持原有的检测效果,表现出稳定性差、泛化能力不足的特点。对此,该文提出了一种适用于多背景环境的云检测方法,首先基于Sentinel-2A数据,对云目标与背景环境的光谱特征差异进行分析以辅助检测样本选择,并在此基础上加入薄云最优变换(Haze optimized transformation,HOT)和云位移指数(cloud displacement index,CDI)等更有效的检测指标;最后训练得到基于随机森林的云检测模型,从背景环境和云目标种类对检测精度的影响出发,在不同背景环境的影像上与Fmask算法进行对比。结果表明,相对Fmask算法,该文方法的总体精度和F1分数分别提高了2.2%和2.9%,总体精度和F1分数的标准差分别降低了29.6%和72.5%,说明该方法在保持高检测精度的同时,显著提升了不同环境下云检测的稳定性,能够有效应用于多背景环境下的云检测。

基于深度卷积神经网络的云检测方法

本文将Fmask云检测结果作为标记样本对深度卷积神经网络进行训练以实现云检测。在仅利用可见光波段和近红外波段的前提下,本文方法的云检测总体精度达到87.65%,高于Fmask的86.92%,而且单景Landsat 8影像的识别用时18 s,远低于Fmask的72 s,具有更高的精度和效率。另外,该方法适用于不同的地表土地覆盖类型,具有很强的泛化能力,是一个通用性强的算法,为进一步的遥感应用打下基础。

采用主成分分析的改进云检测算法

针对Fmask云检测算法难以区分Landsat遥感影像上云和冰这一技术难题,该文提出一种基于主成分分析的改进Fmask云检测算法。首先对Fmask中归一化植被指数和归一化雪指数固定阈值进行自适应阈值改进,并对影像进行主成分变换,然后对主成分分析变换后的组合波段进行改进的Fmask云检测,最后进行算法对比分析。以北极地区的TM影像进行实验,结果表明,对同时覆盖冰层和云层的Landsat遥感影像,该文提出的算法能够提高云检测精度。

耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型研究

云覆盖阻碍了光学遥感卫星对地观测的有效范围,快速、准确的云检测是遥感应用产品生成过程中的重要一步。针对Google Earth Engine云平台中缺乏适用且高质量的云检测模型,以热带多云的斯里兰卡为研究区,构建了耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型,通过实验从目视判读与定量分析两个角度对比了其与QA60法、Cloud-Score算法以及Fmask的云检测精度,并在海南岛和亚马逊森林两个地区进行了云检测测试。研究结果表明:Fmask模型的云检测性能最低,总体精度仅为63.45%,存在严重的水体误分为云的现象,但其漏提率极低;QA60法对卷云识别不足,漏提率较高,同时存在一定的误分现象,并且低空间分辨率影响了云体边界提取结果的细节性;Cloud-Score算法的云检测性能明显好于QA60法,总体精度达到了89.83%,误提率仅为2.17%,但仍存在部分卷云漏提的现象;相比于其他3种云检测方法,本文提出的云检测模型总体精度最高,达到了98.21%,并且拥有极低的漏提率和误提率,能比较精准地识别出云体的边界,可满足Sentinel-2遥感产品的云检测预处理需求。