landsat和sentinel—2 云和云阴影检测算法(*表示为连续时间序列方法)
ACCA: Automatic Cloud Cover Assessment;
AT-ACCA: Artificial Thermal-Automated Cloud Cover Algorithm;
ATSA: Automatic Time-Series Analysis;
CDI: Cloud Displacement Index;
CDSM/ANTD: Cloud Detection using Shadow Matching/Automatic NDSI Threshold Decision;
DEM: Digital Elevation Model;
ELTK: Enhanced LTK;
ETM+: Enhanced Thematic Mapper Plus; Fmask: Function of mask;
IHOT: Iterative Haze Optimized Transformation;
LEDAPS: Landsat Ecosystem Disturbance Adaptive Processing System;
LSR 8: Landsat 8 Surface Reflectance product;
LTK: Luo Trishchenko Khlopenkov;
MFmask: Mountainous Fmask;
MOD09A1: MODerate resolution Imaging Spectroradiometer surface reflectance product;
MSI: Multispectral Instrument;
MSS: Multispectral Scanner;
MSScvm: MSS clear-view-mask;
MTCD: Multi-Temporal Cloud Detection;
NCEP: National Centers for Environmental Prediction;
OLI: Operational Land Imager;
See5: C5.0 algorithm used to generate a decision tree;
SPARCS: Spatial Procedures for Automated Removal of Cloud and Shadow;
TIRS: Thermal Infrared Sensor;
TM: Thematic Mapper;
Tmask: multiTemporal mask;
UDTCDA: Universal Dynamic Threshold Cloud Detection Algorithm
单时相方法(Single-date-based algorithms),该类方法仅需一景影像即可完成云及云阴影的自动检测,简单易行且使用最广;
二是多时相方法(Multi-date-based algorithms),该类方法需要多个或者连续时间同一地点的观测影像,检测精度高但实施难度大。
单时相遥感影像云及云阴影检测
基于物理规则的云及云阴影检测
基于物理规则的云检测主要利用云特有物理性质在多光谱遥感影像不同波段 的特征表现,构建若干光谱阈值条件,最终实现云的自动化检测。与普通地球表面不同,云通常具有亮(Bright)、白(White)、冷(Cold)和高(High)的物理特性。
亮是由于云层在各光谱波段的反射率较高,利用简单波段阈值即可将其与暗 地表区分;
白是由于云层在各波段尤其是可见光波段反射率相似,利用一些特定指 数可将其与某些特定地表区分。适用于区分非白色地表的Whiteness、适用 于区分植被地表的归一化植被指数(Normalized Difference Vegetation Index, NDVI)、适用于区分积雪区域的归一化积雪指数(Normalized Difference Snow Index, NDSI)、适用于区分城市区域的归一化建筑指数(Normalized Difference Build up Index, NDBI)等。
冷是由于云层位置越高,温度越低,利用热红外波段可以 准确地区分云层和地表,包括足够亮和白的地表(例如:裸地、岩石、积雪等);
高是由于云层都处于大气层中海拔较高的区域,而大气层底部水汽(Water vapor) 含量较高,使得云顶至传感器之间的水汽含量较地表而言急剧下降。如Landsat 8 和Sentinel-2搭载的光学传感器包括卷云(Cirrus)波段(1.38 µm),对水汽吸收敏 感,能反映该物理特性,十分有利于识别检测云层尤其是高空薄云。
Fmask3.3算法
Fmask算法主要输入数据为各波段大 气顶层表观反射率(Top Of Atmosphere, TOA)和亮度温度(Brightness Temperature, BT),其云检测主要分为两大部分。
第一部分是通过如图中所示的5个简单光谱阈值条件组合,获取一系列潜 在云像元(Potential Cloud Pixels, PCPs)。这些阈值条件的设置,依托上述云特有的物理性质。非潜在云像元(non-PCPs),即绝对无云像元,将作为能反应地表真实状况的参考数 值基础。当非潜在云像元数量超过整景影像的0.1%时,即表示其具有统计意义, 将进入下一步分析统计。由于陆地和水体之间的地表差异较大(陆地地表空间不一 致性较大,而水体一般相对均一且较暗),Fmask 3.3算法通过一个简单光谱组合区 分了陆地和水体,并分别设计云检测模型。其中, 由于可见光光谱波段无法穿透云层的限制,覆盖在水体上的云,尤其是厚云,将直接归为陆地。
Fmask 3.3算法潜在云像元检测流程图;
Fmask 3.3算法陆地和水体区分流程图 :
第二部分是根据云层特有的物理性质,分别针对陆地和水体,构建不同的云概率成分,计算每个像元的云概率值(Cloud probability),最后使用一个基于影像自身(Image-based)统计的动态阈值检测云。
针对陆地,Fmask 3.3算法特别设计了光谱差异概率(Variability probability) 和温度概率(Temperature probability)。光谱差异概率用lVar表示,可表征云层颜 色较白的特征,其计算过程为公式所示:
通过Whiteness、NDVI和NDSI可 获取可见光蓝、绿、红波段之间,红波段与近红外波段之间,蓝波段和短波红外之 间的光谱差异性。一般而言,云层较白,各波段之间的光谱差异较小,三个指数均较小,而地表光谱差异明显,例如,普通暗地表的Whiteness值较大,植被的NDVI 值较大,冰雪的NDSI值较大。值得注意的是,由于传感器可见光波段容易达到饱和,因此,相关波段饱和时,Fmask 3.3算法将修正NDVI和NDSI为0。温度概率 用lTemp表示,可表征云层温度较低的特征,其计算过程为公式所示:
针对水体,Fmask 3.3算法特别设计了亮度概率(Brightness probability)和温 度概率(Temperature probability)。亮度概率用w Bright表示,可表征云亮度较亮的特征,其计算如公式所示:
水体一般较暗,其短波红外波段(SWIR1)反 射率一般不超过0.11,而云较亮。值得注意的是,陆地存在许多亮度较高的地表覆 盖(例如:城市和冰雪),亮度概率并不适用于陆地。故仅使用0.11阈值归一化计 算针对水体的亮度概率。温度概率用w Temp表示,可表征云温度较低的特征,其计算如公式:
相较于陆地,水体温度变化较小,以水体绝对无云像元的温度 高值(82.5百分位值)作为地表水体温度(Twater),同时也使用4 摄氏度归一化计算相 应的温度概率。
同时针对陆地和水体,Fmask 3.3算法额外使用卷云波段(Cirrus),计算卷云概率(Cirrus cloud probability)。卷云概率用Cir表示,可表征云层海拔较高的特 性,其计算过程为公式所示:
卷云波段是水汽吸收波段,云层一般海拔位 置较高,其反射的卷云波段辐射经大气层中水汽的吸收量降低,使得卷云波段反射 率增高。一般而言,当卷云波段反射率超过0.04时,一般为卷云。因此,Fmask 3.3算法使用0.04计算卷云概率。由于卷云波段透过大气层,大部分辐射已经被吸收, 对地表覆盖不敏感,因此,该卷云概率可同时适用于陆地和水体,且对薄云(传统 光谱不可见但海拔位置高)的检测提供了非常有利的信息。
本文链接:https://my.lmcjl.com/post/16010.html
4 评论