多光谱卫星遥感影像云及云阴影精准检测算法研究

发布时间：2020-04-02 05:54

【摘要】：卫星遥感技术凭借其范围广、周期短、信息量大、成本低等突出优势,已被广泛应用于森林扰动、地表水动态监测、城市扩展、耕地保护等不同领域,而多光谱遥感卫星数据兼具较高的空间分辨率、较高的时间分辨率、多光谱信息等特点,技术最成熟且应用规模最广。以Landsats 4-8(4,5,7和8)和Sentinel-2(2A and2B)为代表的中空间分辨率多光谱卫星数据(10至30 m)更是免费开放,第一次使得全球范围内中高空间分辨率时间序列应用成为可能。然而,云和云阴影一直以来都是干扰多光谱卫星遥感影像应用的首要因素。历史上大部分遥感应用仅使用一景或几景无云晴空影像,可简单地通过人工目视解译方式或简单计算机分类处理。然而,面对当前全球范围大量数据的处理需求,目视解译方法已不再可行,而传统计算机分类方式精度也不高。因此,本文以Landsats 4-8和Sentinel-2多光谱卫星遥感影像为例,针对当前云及云阴影自动检测算法存在的易受复杂地形影响、光谱信息有限、薄云检测困难等问题,重点研究并提出了三种更精准的云及云阴影检测算法。首先,本文以当前精度最高的Landsat影像云及云阴影自动检测算法Fmask(Function of mask)(3.3版本)为基础,集成数字高程模型(Digital Elevation Model,DEM)数据,提出了适用于地形复杂区域的MFmask(Mountainous Fmask)算法,克服了复杂地形对云及云阴影检测的干扰。云检测过程通常需要提前分辨陆地和水体,然而,在复杂地形区域,水体和地形阴影因为光谱相似而极易混淆。为此,MFmask算法利用地形坡度阈值降低了水体与地形阴影的混淆误差,提高了陆地和水体的区分精度;热红外(Thermal)波段常被用于云检测且具有十分重要的作用,但却容易受到高程变化影响。与Fmask 3.3算法不同,MFmask算法基于DEM数据构建了“高程-温度”线性递减率模型,降低了高程变化对热红外波段的影响。另外,为克服复杂地形对云阴影检测的干扰。MFmask算法首先使用了一种二次投影方法,将云阴影投影至地表水平面后再二次投影至DEM高程面,校正了地形斜坡对云阴影造成的形变;同时,MFmask算法使用了一个半经验地形校正方法移除地形阴影,并利用邻域云层高度估算了一个新的云层高度值,二者可使云阴影位置的确定更精准。最后,通过全球不同范围的复杂地形样本数据验证表明,MFmask能更精准地检测复杂地形区域云及云阴影。其次,本文进一步针对原始Fmask 3.3算法对地表真实情况了解不足、光谱信息挖掘有限、易与亮地表混合等问题,以Landsats 4-8和Sentinel-2多光谱卫星遥感影像数据为例,进行了更为全面的升级改进,提出了新的Fmask 4.0算法。Fmask4.0算法通过集成全球陆地/水体数据(Global Surface Water Occurrence,GSWO),弥补了原始Fmask 3.3算法由于光谱波段无法穿透云层而不可精确区分陆地和水体的缺陷,同时也集成了全球DEM数据降低了高程变化对卷云波段的影响,继承MFmask算法缓解了热红外波段易受高程变化的影响。其次,Fmask 4.0算法提出了新的云概率指标,整体重新构建了云概率计算模型,更新了全球最优化阈值,弥补了针对不同传感器光谱信息使用不全面的问题。最后,Fmask 4.0算法提出了一种耦合光谱、空间维度信息的新思路,降低了云和亮地表混淆误差。针对云阴影检测,Fmask 4.0算法则直接继承了MFmask算法过程。依托全球云和云阴影样本数据,与原始Fmask 3.3算法相比,Fmask 4.0算法针对不同传感器多光谱卫星影像的云和云阴影检测精度均得到了显著提升。最后,本文针对薄云难以精准检测难题,使用Landsat 8卫星新搭载的卷云波段(即水汽吸收波段)连续时间序列观测数据,突破当前常见固定阈值方法局限,综合考虑水汽含量时空变化规则,提出了TCmask(multiTemporal Cirrus mask)薄云检测算法。TCmask算法构建了一个耦合水汽参数的时间序列周期模型,可预测非高空薄云观测时的卷云波段大气顶层表观反射率值,并与真实观测值进行差值对比进行薄云检测。TCmask算法设计过程中,采用CCDC(Continuous Change Detection and Classification)算法同步预测了晴空状态下对应常用波段的地表反射率值,并基于全球样本数据集,定量分析统计了卷云波段大气顶层表观反射率变化对常用光谱波段地表反射率变化的影响,以时间序列角度定义薄云。实验结果表明,TCmask算法适用于全球不同区域的薄云检测,能弥补常见云及云阴影检测算法(如Fmask)难以精准检测薄云的不足。以上三种算法能提供更精准的Landsats 4-8和Sentinel-2影像云及云阴影检测结果,更为多光谱卫星遥感影像云及云阴影检测算法的设计提供了新的思路及参考。
【图文】：

云覆盖,影像,全球,多光谱

1.1 研究背景与意义卫星遥感（Satellite remote sensing）技术凭借其范围广、周期短、信息量大、成本低等突出优势，已被广泛应用于森林扰动、地表水动态监测、城市扩展、耕地保护等不同领域[1 10]。目前，多光谱卫星遥感发展相对成熟且应用领域和规模最广[11]，多光谱遥感仪器更是不断更新换代，例如 AVHRR（Advanced Very HighResolution Radiometer）、MODIS（Moderate Resolution Imaging spectroradiometer）、Landsat、Sentinel-2、HJ（Huan Jing）、GF（Gao Fen）等，能提供不同时间分辨率、不同空间分辨率、不同光谱分辨率的光学遥感影像，详细记录着地表时空动态变化过程[12 23]。然而，任何星载多光谱遥感影像均易受到云及云阴影干扰（一般而言，云会提高反射率，而云阴影会降低反射率），降低其数据质量。云及云阴影检测已成为多光谱卫星遥感影像预处理的首要前提[24 32]。如图 1-1 所示，本文统计了 2013至 2017 年全球共 966,708 景 Landsat 8 影像云覆盖率，地球陆地平均云覆盖量总体高达 41.59%，且空间分布不竟相同。该统计表明近一半的多光谱卫星遥感观测数据都会受到云及云阴影的影响。

学术研究成果,下载,影像,多光谱

与 Landsat 卫星传感器相似的 Sentinel-2A 和 Sentinel-2B 卫星（以下统ntinel-2”），可与 Landsat 卫星组网对地连续观测（时间分辨率可达 2-5 天数据也免费向公众开放[55,56]。Landsat 和 Sentinel-2 数据已经成为当前遥术最成熟且应用最广泛的多光谱卫星遥感数据，，奠定了中高空间分辨率星遥感影像时间序列应用基础与技术前沿[56 63]。如图 1-2 所示，本文统计sat 数据为代表的多光谱卫星遥感影像数据下载量以及其相关学术研究论明中高空间分辨率多光谱卫星遥感影像需求量已经且正在急剧增加，其序列应用趋势明显。然而，云及云阴影仍是影响 Landsat 和 Sentinel-2 数首要因素[24,28,32,64,65]。例如，云和云阴影会降低地表生态参数的反演精度[6多源数据的融合[68,69]，增加地表分类的不确定性[70,71]，干扰地表变化监测等。尽管传统人工目视解译云及云阴影的方式精度较高，却耗时耗力，简分类能节约时间但精度较低，二者已不再适用于高精度处理如此大量的分辨率多光谱卫星遥感影像数据。因此，研究 Landsat 和 Sentinel-2 中高率多光谱卫星遥感影像（下文简称为“遥感影像”）更精准的云及云阴影测算法至关重要。
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】