基于Sentinel-2波段/产品的图像云检测效果对比研究
发布时间：2021-01-31 04:27
高时空分辨率遥感影像对精细尺度土地利用和土地覆盖变化研究具有重要意义,然而云噪声的存在给影像的解译和分析带来了一定的挑战,因此云噪声检测作为一项基础性工作在影像解译与分析过程中扮演了非常重要的作用。QA60产品被广泛推荐为Sentinel-2卫星影像的常规云检测产品,然而,我们最近的研究发现基于QA60产品的云检测通常会出现明显的云噪声漏检测现象。为探索提高Sentinel-2卫星影像云噪声检测效果的方法,基于Google Earth Engine（GEE）平台,结合Sentinel-2卫星影像2A级（L2A）数据的2个云相关波段（B1和B9）以及4个产品（QA60、AOT、MSKCLDPRB和SCL产品）,设计相应分割算法,并以典型区为案例,从影像波段特性、云微物理学等角度分析了相关波段/产品云检测结果的空间分布格局及差异,并借助定量化指标对云检测效果进行评价。结果表明:①在云检测算法方面,B1和B9波段采用的动态阈值分割算法稳健性较好,检测结果能在一定程度上拟合其波段特性,并合理地表征相应波段的云噪声;②从云检测空间分布看,AOT产品效果较差,B9波段和QA6...
【文章来源】：遥感技术与应用. 2020,35(05)北大核心
【文章页数】：11 页
【部分图文】：
3个典型研究区空间位置
由于受到Sentinel-2卫星2A级影像中云相关产品固有属性的影响，针对云相关波段和产品分别采用了不同的云检测算法：对于云相关波段和AOT产品，本文使用动态阈值分割算法，获取其对应的最优云检测结果；对于已经包含了云分类结果的云相关产品，不需要借助云检测算法便可以直接提取出含云区域，并作为该产品的最优云检测结果。因此，本文是针对所有波段/产品的最优云检测情况进行对比，旨在寻找最佳的适合于云检测的波段/产品。6个云相关波段/产品的云检测算法具体设计如下：2.3.1 B1波段云检测算法
在典型区域1的云检测空间格局（图3）中：图3(c）展示了AOT产品的云检测结果，该结果中云噪声像元全部被漏检测，且没有出现云噪声误检测现象，整幅影像被完全识别为其他地物；图3(d）展示了QA60产品的云检测结果，从其空间格局可以看出，部分厚云区域可以得到较好的检测结果，但是部分卷云像元和大部分薄云像元出现了明显的漏检测现象，且存在于厚云中的小面积其他地物被误检测为云噪声；图3(e）展示了B9波段的云检测结果，该结果中大部分云噪声的边缘像元均出现了漏检测现象，而且将真彩色影像（图3(a））中部分山脉的绿色植被误检测为云噪声；图3(f）展示了MSK＿CLDPRB产品的云检测结果，其中比较明显的厚云区域出现云噪声漏检测现象；图3(g）展示了SCL产品的云检测结果，该结果的误检测现象不明显，但是云噪声边缘区域存在漏检测现象；图3(h）展示了B1波段的云检测结果，该区域的云检测结果基本符合真彩色影像（图3(a））中云噪声的分布格局，相比于其他波段，该波段的漏检测像元最少，小部分云噪声边缘区域的薄云存在误检测现象。在典型区域2的云检测空间格局（图4）中：图4(c）展示了AOT产品的云检测结果，与原始真彩色影像对比可以看出，该结果中云噪声像元全部出现漏检测现象，部分区域出现了将其他地物识别为云噪声的误检测现象，整体上完全不符合其对应的真彩色影像（图4(a））中云噪声和其他地物的空间分布格局；图4(d）展示了QA60产品的云检测结果，部分厚云噪声的边缘像元以及大面积的卷云和薄云区域均出现了严重的漏检测现象，没有出现云噪声的误检测现象；图4(e）展示了B9波段的云检测结果，该结果中部分云噪声的边缘像元出现漏检测现象，对应其真彩色影像（图4(a））可以看出，大部分耕地和草地被误检测为云噪声；图4(f）展示了MSK＿CLDPRB产品的云检测结果，大部分薄云像元出现了明显的云噪声漏检测现象，误检测现象不明显；图4(g）展示了SCL产品的云检测结果，大部分薄云像元出现了明显的云噪声漏检测现象，小部分草地被误检测为云噪声；图4(h）展示了B1波段的云检测结果，云噪声漏检测现象不明显，由于真彩色影像（图4(a））中不明显的薄云区域没有标注为云噪声，因此这些区域存在云噪声误检测现象。
【参考文献】：
期刊论文
[1]基于改进的全卷积神经网络的资源三号遥感影像云检测[J]. 裴亮,刘阳,谭海,高琳. 激光与光电子学进展. 2019(05)
[2]偏振多通道遥感云检测的阈值优化[J]. 方薇,乔延利,张冬英,易维宁. 光学学报. 2018(12)
[3]利用对象光谱与纹理实现高分辨率遥感影像云检测方法[J]. 董志鹏,王密,李德仁,王艳丽,张致齐. 测绘学报. 2018(07)
[4]基于支持向量机的多特征融合影像云检测[J]. 孙汝星,范荣双. 测绘与空间地理信息. 2018(06)
[5]光学遥感信息技术与应用研究综述[J]. 张兵. 南京信息工程大学学报(自然科学版). 2018(01)
[6]综合高分卫星图像多维特征的云检测方法[J]. 夏雨,崔生成,杨世植. 大气与环境光学学报. 2017(06)
[7]基于深度学习的资源三号卫星遥感影像云检测方法[J]. 陈洋,范荣双,王竞雪,陆婉芸,朱红,楚清源. 光学学报. 2018(01)
[8]中亚沙尘气溶胶时空分布特征及潜在扩散特性分析[J]. 张喆,丁建丽,王瑾杰. 地理学报. 2017(03)
[9]多样地表和大气状况下的MODIS数据云检测[J]. 吕明明,韩立建,田淑芳,周伟奇,李伟峰,钱雨果. 遥感学报. 2016(06)
[10]基于高斯混合模型法的国产高分辨率卫星影像云检测[J]. 康一飞,潘励,孙明伟,陈奇,王越. 武汉大学学报(信息科学版). 2017(06)
本文编号：3010207
【文章来源】：遥感技术与应用. 2020,35(05)北大核心
【文章页数】：11 页
【部分图文】：
3个典型研究区空间位置
由于受到Sentinel-2卫星2A级影像中云相关产品固有属性的影响，针对云相关波段和产品分别采用了不同的云检测算法：对于云相关波段和AOT产品，本文使用动态阈值分割算法，获取其对应的最优云检测结果；对于已经包含了云分类结果的云相关产品，不需要借助云检测算法便可以直接提取出含云区域，并作为该产品的最优云检测结果。因此，本文是针对所有波段/产品的最优云检测情况进行对比，旨在寻找最佳的适合于云检测的波段/产品。6个云相关波段/产品的云检测算法具体设计如下：2.3.1 B1波段云检测算法
在典型区域1的云检测空间格局（图3）中：图3(c）展示了AOT产品的云检测结果，该结果中云噪声像元全部被漏检测，且没有出现云噪声误检测现象，整幅影像被完全识别为其他地物；图3(d）展示了QA60产品的云检测结果，从其空间格局可以看出，部分厚云区域可以得到较好的检测结果，但是部分卷云像元和大部分薄云像元出现了明显的漏检测现象，且存在于厚云中的小面积其他地物被误检测为云噪声；图3(e）展示了B9波段的云检测结果，该结果中大部分云噪声的边缘像元均出现了漏检测现象，而且将真彩色影像（图3(a））中部分山脉的绿色植被误检测为云噪声；图3(f）展示了MSK＿CLDPRB产品的云检测结果，其中比较明显的厚云区域出现云噪声漏检测现象；图3(g）展示了SCL产品的云检测结果，该结果的误检测现象不明显，但是云噪声边缘区域存在漏检测现象；图3(h）展示了B1波段的云检测结果，该区域的云检测结果基本符合真彩色影像（图3(a））中云噪声的分布格局，相比于其他波段，该波段的漏检测像元最少，小部分云噪声边缘区域的薄云存在误检测现象。在典型区域2的云检测空间格局（图4）中：图4(c）展示了AOT产品的云检测结果，与原始真彩色影像对比可以看出，该结果中云噪声像元全部出现漏检测现象，部分区域出现了将其他地物识别为云噪声的误检测现象，整体上完全不符合其对应的真彩色影像（图4(a））中云噪声和其他地物的空间分布格局；图4(d）展示了QA60产品的云检测结果，部分厚云噪声的边缘像元以及大面积的卷云和薄云区域均出现了严重的漏检测现象，没有出现云噪声的误检测现象；图4(e）展示了B9波段的云检测结果，该结果中部分云噪声的边缘像元出现漏检测现象，对应其真彩色影像（图4(a））可以看出，大部分耕地和草地被误检测为云噪声；图4(f）展示了MSK＿CLDPRB产品的云检测结果，大部分薄云像元出现了明显的云噪声漏检测现象，误检测现象不明显；图4(g）展示了SCL产品的云检测结果，大部分薄云像元出现了明显的云噪声漏检测现象，小部分草地被误检测为云噪声；图4(h）展示了B1波段的云检测结果，云噪声漏检测现象不明显，由于真彩色影像（图4(a））中不明显的薄云区域没有标注为云噪声，因此这些区域存在云噪声误检测现象。
【参考文献】：
期刊论文
[1]基于改进的全卷积神经网络的资源三号遥感影像云检测[J]. 裴亮,刘阳,谭海,高琳. 激光与光电子学进展. 2019(05)
[2]偏振多通道遥感云检测的阈值优化[J]. 方薇,乔延利,张冬英,易维宁. 光学学报. 2018(12)
[3]利用对象光谱与纹理实现高分辨率遥感影像云检测方法[J]. 董志鹏,王密,李德仁,王艳丽,张致齐. 测绘学报. 2018(07)
[4]基于支持向量机的多特征融合影像云检测[J]. 孙汝星,范荣双. 测绘与空间地理信息. 2018(06)
[5]光学遥感信息技术与应用研究综述[J]. 张兵. 南京信息工程大学学报(自然科学版). 2018(01)
[6]综合高分卫星图像多维特征的云检测方法[J]. 夏雨,崔生成,杨世植. 大气与环境光学学报. 2017(06)
[7]基于深度学习的资源三号卫星遥感影像云检测方法[J]. 陈洋,范荣双,王竞雪,陆婉芸,朱红,楚清源. 光学学报. 2018(01)
[8]中亚沙尘气溶胶时空分布特征及潜在扩散特性分析[J]. 张喆,丁建丽,王瑾杰. 地理学报. 2017(03)
[9]多样地表和大气状况下的MODIS数据云检测[J]. 吕明明,韩立建,田淑芳,周伟奇,李伟峰,钱雨果. 遥感学报. 2016(06)
[10]基于高斯混合模型法的国产高分辨率卫星影像云检测[J]. 康一飞,潘励,孙明伟,陈奇,王越. 武汉大学学报(信息科学版). 2017(06)
本文编号：3010207
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3010207.html
