基于改進(jìn)CDAG云檢測(cè)算法的Landsat8 OLI云雪識(shí)別

胡學(xué)謙，孫 林，隋淞蔓，顧曉鶴，孫 宇,何玉龍

(1.山東科技大學(xué) 測(cè)繪與空間信息學(xué)院，山東 青島 266590；2.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097)

0 引言

云層的存在，阻擋了太陽(yáng)輻射能量的傳輸，嚴(yán)重影響了遙感圖像的利用率，給地物分類(lèi)、地表參數(shù)定量反演等應(yīng)用帶來(lái)較大的困難，但在遙感成像中，云是難以避免的，為了減少云的影響，需要對(duì)云進(jìn)行檢測(cè)。由于雪和云在可見(jiàn)光和近紅外波段具有相似的反射率特征，當(dāng)遙感影像中存在積雪時(shí)，易導(dǎo)致云檢測(cè)精度下降[1]。

目前主要的云檢測(cè)方法有閾值法、人工神經(jīng)網(wǎng)絡(luò)法和統(tǒng)計(jì)學(xué)方法。閾值法因?yàn)榫哂兴惴ê?jiǎn)單、速度快和檢測(cè)精度高的優(yōu)點(diǎn)而被廣泛使用[2]。閾值法云檢測(cè)的基本思想是基于云和晴空像元的反射率差異和亮度溫度差異進(jìn)行波譜分析和特征通道選擇，使用單通道、多通道組合的反射率、亮溫等設(shè)置一系列云檢測(cè)閾值。常用的閾值法有ISCCP方法[3]、APOLLO法[4]、CLAVR[5]法和CO2薄片法[6]等。傳統(tǒng)閾值法使用典型地物和云的光譜分析或者基于圖像統(tǒng)計(jì)得出閾值，沒(méi)有充分考慮下墊面和云形態(tài)的復(fù)雜性，云檢測(cè)精度較低。國(guó)內(nèi)外對(duì)積雪識(shí)別也進(jìn)行了廣泛研究。歸一化差值積雪指數(shù)(NDSI)的方法由于其簡(jiǎn)單且精度較高而被廣泛使用[7]，并在此基礎(chǔ)上發(fā)展出了增強(qiáng)型積雪指數(shù)(ENDSI)法[8]。1995年，Hall等人在NDSI方法的基礎(chǔ)上提出了SNOWMAP算法[9]，用于使用MODIS數(shù)據(jù)繪制全球積雪地圖，是目前最常用的積雪識(shí)別方法之一。以上這些方法都沒(méi)有與云檢測(cè)有效結(jié)合起來(lái)。

先驗(yàn)數(shù)據(jù)庫(kù)支持的云檢測(cè)閾值自動(dòng)生成(CDAG)算法是一種針對(duì)不同衛(wèi)星傳感器的云檢測(cè)閾值生成方法[10]。算法通過(guò)在高光譜分辨率的AVIRIS數(shù)據(jù)上人工標(biāo)注的云像元和晴空像元，模擬不同傳感器的云和晴空像元庫(kù)，自動(dòng)、充分分析云和地表不同組分的光譜特征差異，找到最合適的云檢測(cè)閾值，具有檢測(cè)效率高、適應(yīng)性強(qiáng)和檢測(cè)效果好的優(yōu)點(diǎn)。由于CDAG算法是基于AVIRIS高光譜數(shù)據(jù)建立的像元庫(kù)運(yùn)行的，受飛行平臺(tái)的限制，像元庫(kù)中雪像元較少，并且在構(gòu)建像元庫(kù)時(shí)，忽略了云和雪反射率特征的相似性，導(dǎo)致對(duì)存在雪覆蓋的影像云檢測(cè)精度下降。

為改進(jìn)原算法在云檢測(cè)中對(duì)雪像元識(shí)別效果差，易誤判的問(wèn)題，本文提出了一種增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法。采用Landsat8陸地成像儀(Operational Land Imager,OLI)數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)合多種云檢測(cè)算法，利用改進(jìn)后的像元庫(kù)進(jìn)行迭代計(jì)算，自動(dòng)生成云檢測(cè)閾值，實(shí)現(xiàn)增強(qiáng)雪識(shí)別的云檢測(cè)。經(jīng)驗(yàn)證明，算法能夠準(zhǔn)確識(shí)別出影像中的云、雪像元。

1 研究區(qū)與數(shù)據(jù)準(zhǔn)備

1.1 研究區(qū)概況

為了驗(yàn)證增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法的有效性，需要研究區(qū)域同時(shí)存在積雪和云層覆蓋，而青藏高原地區(qū)平均海拔4 000 m以上，部分地區(qū)終年積雪，地貌類(lèi)型簡(jiǎn)單，以巖石、凍土、冰川和裸地為主，并且太陽(yáng)輻射強(qiáng)，大氣條件純凈，適合進(jìn)行增強(qiáng)云雪識(shí)別云檢測(cè)算法的驗(yàn)證，是本研究的良好研究區(qū)域[11]。選擇青藏高原地區(qū)78°E～85°E，29°N～36°N區(qū)域作為研究區(qū)，所選區(qū)域地處青藏高原西部，覆蓋喀喇昆侖山、帕米爾高原、昆侖山西麓和喜馬拉雅山西麓，年積雪覆蓋日數(shù)(SCD)60～120天，平均雪深10 cm左右，冬春季節(jié)(11月—次年5月)云量45%～70%，盛行高云[12]。研究區(qū)內(nèi)存在不同類(lèi)型的云層和積雪場(chǎng)景，存在大量混合像元，增加了云雪識(shí)別的難度,是檢驗(yàn)算法的理想?yún)^(qū)域。

1.2 數(shù)據(jù)介紹

CDAG云檢測(cè)算法的基礎(chǔ)在于高光譜像元庫(kù)的構(gòu)建，像元庫(kù)是利用AVIRIS數(shù)據(jù)構(gòu)建的。如表1所示，AVIRIS是第一個(gè)測(cè)量370～2 507 nm太陽(yáng)輻射光譜的成像光譜儀，具有光譜分辨率、信噪比和空間分辨率高的特點(diǎn)，并通過(guò)224個(gè)連續(xù)的光譜通道以10 nm為間隔測(cè)量上行輻射[13]，能夠探測(cè)到地物在光譜特性上更微小的差異[14]。

表1 AVIRIS傳感器特征

本研究選擇Landsat8 OLI數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。Landsat8衛(wèi)星于2013年2月在美國(guó)加州發(fā)射，其搭載的OLI共有11個(gè)波段，刈幅寬度為185 km，重訪周期為16 d，全色波段的空間分辨率為15 m，其余波段為30 m[15]。云和雪的反射波譜特征差異在波長(zhǎng)0.38～2.5 μm的可見(jiàn)光波段和近紅外波段最為明顯，也是云檢測(cè)的常用波段[16-17]，實(shí)驗(yàn)數(shù)據(jù)選擇的Landsat8 OLI 1～7波段和第9波段即位于這一波段范圍內(nèi)。表2為選擇的波段及其波長(zhǎng)范圍。

表2 選用的Landsat8 OLI波段及波長(zhǎng)范圍

選擇研究區(qū)域冬春季節(jié)的6景Landsat8 OLI數(shù)據(jù)進(jìn)行驗(yàn)證，所選數(shù)據(jù)均存在不同類(lèi)型積雪及云覆蓋。數(shù)據(jù)如表3所示。

表3 驗(yàn)證數(shù)據(jù)信息

本文選用的數(shù)據(jù)為L(zhǎng)1T級(jí)數(shù)據(jù)產(chǎn)品，已經(jīng)過(guò)預(yù)處理，但為了保證數(shù)據(jù)的一致性，進(jìn)行實(shí)驗(yàn)驗(yàn)證前，對(duì)數(shù)據(jù)做統(tǒng)一的輻射定標(biāo)[18]。使用影像元數(shù)據(jù)中的輻射校正系數(shù)，將DN值轉(zhuǎn)化為大氣上層反射率。

定標(biāo)公式為：

(1)

式中，ρλ為大氣上層表觀反射率；Mρ,Aρ為從Landsat8 OLI元數(shù)據(jù)中獲得的定標(biāo)系數(shù)；Qcal為L(zhǎng)andsat8 OLI原始影像DN值；θsz為太陽(yáng)天頂角。

2 研究方法

2.1 CDAG的云檢測(cè)算法介紹

CDAG算法是一種自動(dòng)閾值的云檢測(cè)算法。云檢測(cè)的基本原理是根據(jù)云在可見(jiàn)光、近紅外和短波紅外波段與其他下墊面(植被、土壤、水體、巖石和建筑等)的光譜特征差異對(duì)云進(jìn)行檢測(cè)[19]。CDAG算法使用預(yù)先標(biāo)識(shí)出云和典型地物的高光譜像元庫(kù)，利用數(shù)據(jù)模擬的方式來(lái)實(shí)現(xiàn)不同衛(wèi)星的云檢測(cè)閾值確定，其實(shí)現(xiàn)主要包括以下幾個(gè)部分：

(1) 高光譜像元庫(kù)的構(gòu)建。在選擇AVIRIS高光譜數(shù)據(jù)建立云像元庫(kù)和晴空像元庫(kù)時(shí)，為了讓云檢測(cè)算法更加完善，構(gòu)建的閾值有廣泛適應(yīng)性，選擇的云和地表類(lèi)型的種類(lèi)要全面。云像元庫(kù)要同時(shí)包含厚云、薄云和碎云等像元；晴空像元庫(kù)要同時(shí)包括裸地、巖石、建筑、水體和林地等像元，并且要有足夠的像元數(shù)量。

(2) 利用高光譜像元庫(kù)模擬不同的多光譜傳感器的像元。CDAG算法的模擬方法采用了Lian等人[20]提出的方法。根據(jù)波譜響應(yīng)函數(shù)將窄波段的AVIRIS像元庫(kù)數(shù)據(jù)進(jìn)行模擬得到寬波段的待測(cè)數(shù)據(jù)像元庫(kù)，模擬公式如下[21]：

(2)

(3) 基于模擬得到的多光譜傳感器的云和晴空像元庫(kù)，進(jìn)行統(tǒng)計(jì)分析，采用機(jī)器學(xué)習(xí)，自動(dòng)計(jì)算不同波段和波段組合在不同閾值下的云像元識(shí)別正確率和晴空像元誤判率。閾值確定原理如圖1所示。

圖1 閾值確定原理Fig.1 Principle of threshold determination

為了確定每種算法的最佳閾值，將云像元庫(kù)和晴空像元庫(kù)中的像元數(shù)據(jù)作為訓(xùn)練樣本，統(tǒng)計(jì)反射率的最大值和最小值，使閾值在2個(gè)最值之間以步長(zhǎng)0.01變化，云像元正確率和地表誤判率也隨之變化，當(dāng)云像元的識(shí)別正確率達(dá)到最高，且晴空像元誤判率開(kāi)始隨閾值變化明顯增加時(shí),對(duì)應(yīng)閾值為此種算法的最佳閾值。

2.2 增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法

CDAG算法在達(dá)到較高云檢測(cè)效率和精度的同時(shí)，也存在沒(méi)有充分考慮云和雪反射率特征的相似性，容易對(duì)雪像元產(chǎn)生誤判的問(wèn)題，導(dǎo)致影像存在積雪時(shí)云檢測(cè)精度降低。

針對(duì)CDAG算法存在的問(wèn)題，本文提出了增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法。云與雪的識(shí)別主要是利用云雪在可見(jiàn)光和近紅外波段存在的反射率差異。表4為利用AVIRIS高光譜數(shù)據(jù)繪制的400～2 500 nm波段范圍的云、雪、巖石和裸地等研究區(qū)常見(jiàn)目標(biāo)的光譜曲線。

表4 研究區(qū)典型目標(biāo)像元

由表4可以看出，云在950，1 150 nm處有2個(gè)明顯的吸收谷，在1 700，2 200 nm處有2個(gè)明顯的反射峰，與雪在對(duì)應(yīng)波段的反射率存在明顯的差異，可以利用這些波段對(duì)云和雪進(jìn)行識(shí)別，而巖石和裸土與前二者反射率差異明顯，不易產(chǎn)生混淆算法的改進(jìn)包括以下幾部分：

(1) 利用AVIRIS數(shù)據(jù)構(gòu)建的像元庫(kù)，模擬待檢測(cè)的Landsat8 OLI數(shù)據(jù)的云像元庫(kù)和晴空像元庫(kù)[22-24]。與高光譜的AVIRIS傳感器相比，Landsat8 OLI傳感器光譜分辨率較低且每一個(gè)波段都覆蓋了AVIRIS的多個(gè)波段。通過(guò)數(shù)據(jù)模擬將對(duì)應(yīng)的若干個(gè)連續(xù)的窄波段高光譜數(shù)據(jù)合成對(duì)應(yīng)的Landsat8 OLI傳感器的寬波段多光譜數(shù)據(jù)，得到Landsat8 OLI數(shù)據(jù)的云像元庫(kù)和晴空像元庫(kù)。

(2) Landsat8 OLI像元庫(kù)的優(yōu)化。由于AVIRIS數(shù)據(jù)構(gòu)建的高光譜像元庫(kù)并未充分考慮雪對(duì)云檢測(cè)的影響，為提高云檢測(cè)中云雪識(shí)別的效果，選擇研究區(qū)內(nèi)經(jīng)過(guò)預(yù)處理的Landsat8 OLI數(shù)據(jù)，在影像上選取總數(shù)大于10萬(wàn)個(gè)的不同地表覆蓋的積雪、碎雪等具有代表性的雪像元，提取其在不同波段下的表觀反射率，并將獲取的反射率數(shù)據(jù)加入模擬得到的Landsat8 OLI晴空像元庫(kù)，在不同波段組合的云檢測(cè)算法下以機(jī)器學(xué)習(xí)的方式自動(dòng)生成改進(jìn)后的最佳云檢測(cè)閾值。

(3) 基于Landsat8 OLI云像元庫(kù)和晴空像元庫(kù)的反射率差異，對(duì)其進(jìn)行波段運(yùn)算、統(tǒng)計(jì)分析、自動(dòng)生成閾值以及重合度判斷等處理，自動(dòng)生成云檢測(cè)算法。本文主要選取了單波段、雙波段組合、波段比值和波段差值作為云檢測(cè)算法的公式，最終的云檢測(cè)算法如式(3)～式(6)所示：

ρi>Ti，

(3)

ρi>Ti&ρj>Tj，

(4)

Ta<ρi/ρj

(5)

Tc<ρi-ρj

(6)

式中，i,j為1～7,9；ρi,j代表第i,j波段的反射率；Ti,j代表第i,j波段的最佳閾值;Ta,b代表不同波段比值算法對(duì)應(yīng)的最佳閾值；Tc,d代表不同波段差值算法對(duì)應(yīng)的最佳閾值。不同波段組合下生成的最佳閾值如表5所示。

表5 不同算法的最佳閾值

(4) 云檢測(cè)結(jié)果的生成。利用生成的算法對(duì)待測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，每一種算法都會(huì)生成相應(yīng)的云檢測(cè)結(jié)果，利用式(7)對(duì)不同算法得到的云檢測(cè)結(jié)果加權(quán)合成。云概率計(jì)算公式為：

(7)

式中，F(xiàn)i為云檢測(cè)結(jié)果；Qi為對(duì)應(yīng)云檢測(cè)結(jié)果的權(quán)重；N為云檢測(cè)算法總數(shù)。通過(guò)加權(quán)合成，得到最終的云檢測(cè)結(jié)果，并對(duì)檢測(cè)結(jié)果進(jìn)行精度驗(yàn)證和分析。

2.3 精度驗(yàn)證

為了評(píng)價(jià)增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法對(duì)于Landsat8 OLI數(shù)據(jù)的云檢測(cè)效果，本文對(duì)實(shí)驗(yàn)數(shù)據(jù)的云檢測(cè)精度進(jìn)行定量分析。采用目視解譯的方式，在測(cè)試數(shù)據(jù)的標(biāo)準(zhǔn)假彩色影像上區(qū)分出云覆蓋區(qū)域和雪覆蓋區(qū)域并將其矢量化，與云檢測(cè)結(jié)果進(jìn)行比較，分別統(tǒng)計(jì)識(shí)別正確和識(shí)別錯(cuò)誤的云像元數(shù)量和晴空像元數(shù)量，將像元分為表6中的4類(lèi)。

表6 像元分類(lèi)

采用以下幾個(gè)指標(biāo)對(duì)云檢測(cè)精度進(jìn)行評(píng)價(jià)：云像元識(shí)別正確率(CRA)、云像元漏判率(CRM)、晴空像元識(shí)別正確率(SRA)和晴空像元漏判率(SRM)，4個(gè)指標(biāo)的計(jì)算如下：

(8)

(9)

(10)

(11)

在以上4個(gè)指標(biāo)中，CRA和SRA可以反映增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法的可靠性；CRM指漏判的云像元在總的云像元中的占比，反映了算法低估云的程度；SRM指漏判的晴空像元在總晴空像元中的占比，反映了算法高估云的程度。

3 結(jié)果與分析

圖2為增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法的云檢測(cè)結(jié)果示例影像，其中左圖為L(zhǎng)andsat8 OLI數(shù)據(jù)5,4,3波段合成的假彩色影像，右圖為對(duì)應(yīng)的云雪識(shí)別結(jié)果，白色為云，灰色為雪，黑色為下墊面。通過(guò)對(duì)比左圖的假彩色影像和右圖的檢測(cè)結(jié)果，可以看出原數(shù)據(jù)中的云和雪都被幾乎完整地提取出來(lái)，并賦予不同顏色加以區(qū)分，體現(xiàn)出算法具有較好的識(shí)別效果。

圖2 云雪識(shí)別結(jié)果示意Fig.2 Result of cloud and snow identification

根據(jù)云的幾何形態(tài)和密度，可以將云劃分為厚云、薄云和碎云[25]。當(dāng)云層呈大面積的塊狀，分布均勻，且無(wú)法透過(guò)下墊面信息，則認(rèn)為該云層為厚云。厚云主要包括低云和中云中較厚的云層，一般呈亮白色或灰白色，形狀大小沒(méi)有規(guī)律。薄云與厚云的區(qū)別在于能否從影像中透過(guò)云層觀察到下墊面信息。由于薄云輕薄和半透明的特性，其光譜信息往往與地表混合。碎云指面積較小，厚度不均勻，在影像中呈現(xiàn)離散狀分布的小云塊，由于體積較小，在云檢測(cè)時(shí)常常會(huì)被遺漏。不同類(lèi)型云的反射率特征存在差異，本研究對(duì)不同云層類(lèi)型覆蓋條件對(duì)改進(jìn)CDAG算法的適應(yīng)性進(jìn)行分析。

3.1 厚云的檢測(cè)

圖3為改進(jìn)CDAG算法對(duì)不同積雪覆蓋區(qū)域上空厚云的檢測(cè)結(jié)果，左圖為5,4,3波段合成的標(biāo)準(zhǔn)假彩色影像；中圖為對(duì)云和雪的識(shí)別效果圖，白色為云，灰色為雪，黑色為除雪像元外其他晴空像元；右圖為云檢測(cè)結(jié)果圖，每種云層條件分別選取4個(gè)不同區(qū)域和尺度進(jìn)行分析。

(a) 小尺度區(qū)域

厚云是最常見(jiàn)最典型的云層，與其他地物反射率差異大，與積雪的區(qū)別也相對(duì)明顯，較容易識(shí)別，識(shí)別正確率較高。圖3(a)、圖3(b)為較小尺度下存在厚云的區(qū)域，可以看到，積雪上空的云層可以被完整地識(shí)別，積雪也可以較為準(zhǔn)確地識(shí)別，云和雪具有清晰的邊界，極少出現(xiàn)誤判。圖3(c)、圖3(d)為較大尺度區(qū)域，可以看到，檢測(cè)結(jié)果中云被準(zhǔn)確地識(shí)別，圖3(d)中云層空隙漏出的積雪地表也被準(zhǔn)確識(shí)別，并在云檢測(cè)結(jié)果中剔除，體現(xiàn)出方法的有效性。

3.2 薄云的檢測(cè)

圖4為改進(jìn)CDAG算法對(duì)Landsat8 OLI數(shù)據(jù)不同積雪覆蓋區(qū)域上空薄云的檢測(cè)結(jié)果。薄云具有可以部分顯示下墊面的特點(diǎn)，在常用云檢測(cè)波段的反射率較厚云更低，在存在積雪的區(qū)域更容易產(chǎn)生誤判。

(a) 小尺度區(qū)域

圖4(a)、圖4(b)為存在薄云的較小尺度積雪覆蓋區(qū)域，可以看出，云和雪被準(zhǔn)確地識(shí)別，極少出現(xiàn)誤判。圖4(c)、圖4(d)為存在積雪和其他地物類(lèi)型的大尺度區(qū)域，從檢測(cè)結(jié)果可以看到，絕大部分積雪和薄云均被準(zhǔn)確識(shí)別，但也存在少量小塊積雪被誤判為云。在圖像中薄云和積雪地表的過(guò)渡部分，存在一定程度的誤判，這是由于薄云可以部分透過(guò)下墊面信息的特點(diǎn)，無(wú)法與下墊面劃定明確的邊界，對(duì)最終的云檢測(cè)精度產(chǎn)生負(fù)面影響。

3.3 碎云的檢測(cè)

碎云在影像上一般表現(xiàn)為小面積圖斑，相互獨(dú)立且形狀不規(guī)則，同時(shí)具有厚云和薄云的特點(diǎn)，反射率變化較大且邊緣較復(fù)雜。圖5為碎云覆蓋區(qū)域的云檢測(cè)結(jié)果。

(a) 小尺度區(qū)域

圖5(a)、圖5(b)為存在碎云且有大面積積雪覆蓋的較小尺度影像，可以從中看出，碎云和雪均被較為準(zhǔn)確地提取，較少出現(xiàn)誤判。圖5(c)、圖5(d)為存在碎云和積雪且尺度相對(duì)較大的影像，在這2組圖上可以較為清晰地看到碎云和雪的邊界，碎云被較好地識(shí)別，受到雪的影響較小，誤判較少。圖5(b)中碎云相對(duì)圖5(c)較薄，對(duì)比2幅圖像可以直觀看出，圖5(b)的云檢測(cè)結(jié)果中出現(xiàn)較多被誤判為云的白色亮點(diǎn)，而圖5(c)檢測(cè)結(jié)果更為準(zhǔn)確，這是由于當(dāng)碎云較薄時(shí)，體現(xiàn)出薄云的特點(diǎn)，更易產(chǎn)生混合像元，增加了誤判，降低了云檢測(cè)的精度，說(shuō)明對(duì)碎云的檢測(cè)更為困難。

3.4 精度評(píng)定

為了定量評(píng)價(jià)改進(jìn)云檢測(cè)算法的準(zhǔn)確性，對(duì)其進(jìn)行精度驗(yàn)證。計(jì)算不同云雪覆蓋條件下云檢測(cè)結(jié)果的4個(gè)指標(biāo)，結(jié)果如表7所示。

表7 云檢測(cè)結(jié)果定量評(píng)價(jià)

表7是圖3、圖4和圖5對(duì)應(yīng)的存在積雪覆蓋的厚云、薄云和碎云3類(lèi)影像云檢測(cè)結(jié)果的定量評(píng)價(jià)和總體的精度評(píng)定。從表7可以看到，改進(jìn)的云檢測(cè)算法對(duì)于Landsat8 OLI數(shù)據(jù)的云檢測(cè)達(dá)到了較高的精度，總體的云像元識(shí)別正確率和晴空像元識(shí)別正確率均達(dá)到了90%以上。參考圖3、圖4和圖5的云檢測(cè)結(jié)果影像可以看到，改進(jìn)的算法較少出現(xiàn)云像元和雪像元的誤判，并且對(duì)其他晴空像元的誤判率也較低。分別分析厚云、薄云和碎云的定量評(píng)價(jià)結(jié)果可以看到，不同類(lèi)型的云對(duì)檢測(cè)結(jié)果存在影響，厚云的整體檢測(cè)精度較高且檢測(cè)結(jié)果較穩(wěn)定，云識(shí)別的平均正確率達(dá)到了95.2%，晴空像元的平均漏判率為4.6%；而薄云和碎云的檢測(cè)精度相對(duì)低，云識(shí)別的平均正確率分別為91.9%和92.2%，晴空像元的平均漏判率分別為3.8%和4.6%?？傮w的云識(shí)別平均正確率為93.1%，總體的晴空像元平均漏判率為4.3%。通過(guò)精度驗(yàn)證可以看出，本文提出的增強(qiáng)雪識(shí)別的改進(jìn)云檢測(cè)算法對(duì)Landsat8 OLI數(shù)據(jù)的云檢測(cè)結(jié)果具有很高的精度，并且能夠正確區(qū)分云雪像元。

4 討論

云的存在阻礙了太陽(yáng)輻射能量的傳輸，增加了地物識(shí)別和地表參數(shù)反演的難度，導(dǎo)致遙感圖像利用率下降，為了降低云的影響，需要進(jìn)行云檢測(cè)[26]。而在高海拔地區(qū)和中高緯度地區(qū)的寒冷季節(jié)，地表常會(huì)存在積雪，雪和云的反射波譜特征具有相似性，增加了此類(lèi)區(qū)域的云檢測(cè)難度，對(duì)遙感影像的判讀和使用產(chǎn)生消極影響[27]。為了提高對(duì)存在積雪覆蓋區(qū)域的云檢測(cè)精度，本文提出了一種增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法，并對(duì)這種方法的有效性進(jìn)行了驗(yàn)證。本文利用青藏高原地區(qū)的多景Landsat8 OLI影像數(shù)據(jù)對(duì)改進(jìn)CDAG算法進(jìn)行了實(shí)驗(yàn)，并對(duì)厚云、薄云和碎云3種典型云覆蓋條件下的積雪覆蓋區(qū)域分別進(jìn)行了云檢測(cè)。

從圖3、圖4和圖5的云檢測(cè)結(jié)果可以看出，本文方法針對(duì)不同云層類(lèi)型均能得到準(zhǔn)確的云檢測(cè)結(jié)果，能夠正確地識(shí)別出云和雪，在云檢測(cè)結(jié)果中云和雪及其他地貌類(lèi)型具有清晰的邊界，對(duì)于云的識(shí)別完整、清晰自然，達(dá)到了很好的效果。從表7的精度評(píng)價(jià)結(jié)果可見(jiàn)，總體的云像元識(shí)別正確率達(dá)到了93.11%，晴空像元的識(shí)別正確率達(dá)到了95.65%，較傳統(tǒng)的云檢測(cè)方法有了很大的提升，顯示了本文方法的有效性。但不同類(lèi)型云覆蓋下的檢測(cè)精度仍存在差異，其中厚云的云像元識(shí)別正確率達(dá)到了95.2%，明顯高于薄云和碎云的92%左右，對(duì)其進(jìn)行分析，有以下原因：① 厚云的形態(tài)較為穩(wěn)定，云層較厚且與地面有明確的邊界，不易產(chǎn)生混合像元；② 薄云能夠部分反映地面信息，碎云形態(tài)破碎邊界雜亂，這些特性導(dǎo)致了混合像元的產(chǎn)生,從圖中也可以看到這些特征，混合像元的存在模糊了云與雪的波譜特征差異，導(dǎo)致薄云和碎云的檢測(cè)精度較厚云偏低。

5 結(jié)束語(yǔ)

本文在CDAG算法的基礎(chǔ)上改進(jìn)得到了增強(qiáng)雪識(shí)別的改進(jìn)CDAG算法，主要改進(jìn)包括以下2個(gè)方面：① 針對(duì)雪覆蓋地表，擴(kuò)充了像元庫(kù)，增加雪像元在晴空像元中的占比，通過(guò)機(jī)器學(xué)習(xí)提高了云檢測(cè)閾值的準(zhǔn)確性，提高了對(duì)雪像元的識(shí)別正確率；② 采用了單波段、多波段組合、波段比值和波段差值多種算法，提高了云檢測(cè)的精度。改進(jìn)后的算法在保留了CDAG算法識(shí)別正確率高、自動(dòng)生成閾值等優(yōu)點(diǎn)的基礎(chǔ)上，降低了對(duì)雪像元的誤判率，在實(shí)驗(yàn)中取得了良好的檢測(cè)效果，在積雪覆蓋的區(qū)域平均云像元識(shí)別正確率達(dá)到93.11%。目前算法存在的在薄云和碎云條件下，云檢測(cè)精度較厚云條件下降以及像元庫(kù)數(shù)據(jù)由人工選擇組成，主觀性較強(qiáng)，可能導(dǎo)致數(shù)據(jù)庫(kù)的構(gòu)建存在偏差的問(wèn)題，是下一步需要研究的內(nèi)容。