MODIS数据云检测算法在西南地区的改进

路 茜，张铁宝，辛 华，刘 放

(四川省地震局，四川 成都 610041)

MODIS数据云检测算法在西南地区的改进

路 茜，张铁宝，辛 华，刘 放

(四川省地震局，四川 成都 610041)

根据云在MODIS数据几个可见光和红外波段的特性，改进了现今国内外应用较广泛的多光谱综合云检测算法，进行中国大陆西南地区的云检测应用试验。通过对该区不同时期的云检测应用试验，调整该方法的各光谱阈值。试验结果表明，该多光谱综合云检测法效果理想，对可见光波段难以识别的薄卷云也有很好的效果，为MODIS数据进一步在中国大陆西南地区的应用打下了良好的基础。

MODIS；云检测；多光谱综合；阈值；中国大陆西南地区

随着空间技术的发展，卫星遥感数据被越来越多地应用到防震减灾工作中，尤其是MODIS数据因其具有较高的空间分辨率和丰富的陆地信息探测波段，在地震监测预报研究中得到了许多应用。由于云层会对其下垫面数据的应用产生影响，因此鉴别云数据是地表数据应用的前提和基础。在可见光波段，厚的云体反射太阳辐射能力很强，有较高的反照率，在红外波段，相对于地表，云有较小的辐射值，利用这些云数据特性选取合适波段进行运算可以实现判别云的目的。本文在现今国内外应用较广泛的多光谱综合云检测算法基础上适当做了改进，对中国大陆西南地区遥感数据进行了云检测应用试验，取得了一些有应用价值的结果。

1 MODIS遥感数据介绍

四川省地震局自2004年3月以来建立起MODIS数据接收站，一直致力于探索MODIS数据在地震监测预报研究中的应用。在地震领域的应用中，MODIS数据较其他数据具有高空间、时间分辨率的优点，其含有36个光谱通道，多光谱的联合应用是MODIS数据的应用研究特色之一。我们所需要的MODIS数据元素为36个通道中包含的红外地表亮温数据，由于红外射线无法穿过云层被卫星传感器探测到，因此云层对于我们的数据应用存在一定干扰。

2 云检测基本原理和现有算法简介

2.1 云检测基本原理

云层数据与下垫面相比具有高的反射率和低的亮度温度，这也是云检测的基本原理，因此，简单的可见光和红外波段的阈值组合可提供有效的云检测方法。然而在许多情况下，如下垫面为冰雪，云为薄卷云，夜间出现的低层云或小的积云时，云和下垫面的辐射相似，难以用简单的可见光和红外光谱组合的方法来区别云和下垫面。MODIS数据具有36个光谱探测通道，这为实现利用多光谱通道进行云检测并得到较好的云检测效果成为可能[6]。

2.2 现有MODIS云检测算法简介

可见光反射率法R0.66或R0.87：根据不同下垫面条件、生态系统，利用云和地表的反射率差异检测云。当地表与云的反射率差异较大时，该方法比较有效。而对雪地等与云的反射率区别不大的区域此方法效果不理想。MODIS第1通道(0.66 μm)的反射率检验运用于陆地，而第2通道(0.87 μm)则用于海洋和沙漠[1]。

近红外反射率法R1.38：薄卷云是一种对可见光通道反射率影响很小的云，检测薄卷云是云检测中的难点。近红外反射率云检测方法由Bo-Cai Gao等提出，由于1.38 μm近红外波段对水有强烈吸收[4]，地面的辐射很难到达传感器，高云的湿度很小，高云在1.38 μm近红外波段反射率很大[3,6]，利用上述差异可实现MODIS数据在该波段对高云，特别是薄卷云的检测。

热红外亮温差值法BT11.00-BT3.75：当影像全部为晴空或全部被厚云覆盖时，MODIS 31通道(11.0 μm)与MODIS20通道(3.75 μm)的亮度温度差会出现小值或负值，而在非均匀视场中会出现较大的亮度温度差，在白天，由于3.75 μm波段处有太阳反射，BT11.00与BT3.75间存在较大的亮度温度差，这对检测低层水云十分有效[6]。该方法用于日间沙漠地区时容易出现误判。

上述方法各有优缺点，为了更准确地对中国大陆西南地区数据做云检测，将对上述算法做适当组合应用，并根据试验结果，最终确定适用于该地区的多光谱综合云检测法。

3 云检测方法试验和结果

3.1 试验区概况及数据预处理

云检测试验区位于中国大陆西南地区(中心经纬度为：30.0°N，100.0°E；长2 000 km、宽2 000 km)，包括四川、重庆、云南、湖南、广西、西藏、青海、甘肃、宁夏、陕西等省区。该地区的地面覆盖类型复杂，包含山地、高原、平川、河谷、沙漠等，地质结构复杂，地形和气候变化大，适合作为云检测条件的试验区。试验中选用1月、4月、7月、10月的MODIS/TERRA卫星遥感数据，具有季节代表性。试验研究中选用了MODIS可见光、近红外和热红外的6个波段(见表1)。在进行云检测之前，数据经过去除bow-tie效应、几何校正、将可见光及近红外波段转化为反射率[2,5]和检测坏点等预处理。

表1 MODIS云检测选用波段

图2 四个算法条件数值直方图(DN表示数值，Npts表示个数)

3.2 算法流程

多光谱综合具体算法如下(参见图1)：第一步：若通道26(R1.38)大于某阈值(T1)，判别为云，此步骤可以检测出大部分高云；第二步：若通道1(R0.66)大于某阈值(T2)，并且同时满足通道31(BT11.00)与通道20(BT3.75)的差值大于某阈值(T3)、通道1、6归一化值(RN)小于等于某阈值判别为云。此步骤可以检测出大部分中云和低云，同时排除、减少对水体、沙漠和积雪的误判。

3.3 阈值的确定

确定算法阈值是云检测的重要环节，直接关系到云检测效果。对于不同下垫面类型，不同季节，阈值不是唯一的。对某一区域，如果能确定不随地物类型变化，只随时间季节变化的云检测阈值，那么MODIS数据云检测就可能实现批处理化，这样会使得海量数据云检测及数据存储更具便捷性。

图1 云检测算法流程图

根据图2直方图所示，并非所有的云检测阈值都能很容易地从直方图中得到。在某些影像中，当云比较少时，直方图曲线突变(拐点)不明显，从中提取到阈值的难度较大，在这种情况，可以对比原始影像，找出各种云状态的相应相元值，以此为参考来确定云检测阈值。为了验证本算法对不同季节云检测的适用性，对 2013年1月、4月、7月、10月的共32幅试验区MODIS/TERRA影像数据进行了云检测试验。通过上节算法流程的处理，再结合人工判读检测，确定了表2所示的云检测条件阈值。图3为使用表2云检测条件得到的1月、4月、7月、10月典型图像的云检测效果。

(1a-1c：1月，2a-2c：4月，3a-3c：7月，4a-4c：10月，其中a为可见光三通道合成图，b为ch26通道高层薄卷云图，c为云检测结果)图3 MODIS影像及云检测结果对比

云检测方法1月4月7月10月R1.38>T1T1=15T1=15T1=15T1=15R0.66>T2T2=15T2=30T2=30T2=20BT11.00-BT3.75

4 结果与讨论

对MODIS数据2013年1月、4月、7月和10月不同时次的32条影像数据的处理和云检测试验结果表明，除了青藏高原的冰雪仍有少量误判以外(如图3中1c、2c所示)，该云检测算法在试验区内各个季节都有较好的云检测效果(如图3所示)。本文采用的云检测方法具有方法简单、云识别率高、可批量处理等优点。本文只对2013年的数据进行了云检测处理和检测试验，在今后的应用工作中还需要更多资料的累积和处理，以不断完善适用于该地区的云检测算法。

[1] Steven Ackerman,Kathleen Strabala,W. Menzel，et al．Discriminating clear sky from cloud with MODIS．Journal of Geophysical Research，1998；103：32141-32157.

[2] Tilton J C．Cloud mask generation for MODIS utilizing hierarchical segmentation．Geoscience and Remote Sensing Symposium，2006；IGARSS，2006．IEEE International Conference on Denver，Colorado，2006；3708-3711.

[3] Bo-Cai Gao，Alexander F.H. Goetz，Warren J. Wiscombe．Cirrus cloud detection from Airborne imaging spectrometer data using the 1.38(m water vapor band．Geophysical Research Letters，1993，20(4)：301-304.

[4] Kerry Meyer，Yang Ping， Bo--Cai Gao．Optical thickness of tropical cirrus clouds derived from the MODIS 0.66 and 1.375 μm channels．IEEE Transactions on Geoscience and Remote Sensing，2004；42(4)：833-841.

[5] Wan Zheng-Ming．MODIS Land-Surface Temperature Algorithm Theoretical Basis Document (LST ATBD) Version 3.3． http://modis.gsfc.nasa.gov/data/atbd/atbd_mod11.pdf，1999.

[6] 刘玉洁，杨忠东．MODIS遥感信息处理原理与算法[M]．北京：科学出版社，2001．

[7] 李微，方圣辉，佃袁勇，等．基于光谱分析的MODIS云检测算法研究[J]．武汉大学学报(信息科学版)，2005；30(5)：435-443.

[8] 张旭，崔彩霞，毛炜峰，等．基于MODIS数据的云检测及其在新疆的应用[J]．干旱区研究，2011；28(4)：705-709.

[9] 盛夏，孔龙祥，郑庆梅．利用MODIS数据进行云检测[J]．解放军理工大学学报：自然科学版，2004；5(4)：98-102.

[10] 李颖，张显峰．基于规则的MODIS数据日问云检测与比较分析[J].北京大学学报(自然科学版)，2009；45(6)：1003-1011.

The Cloud Detection Improvement and Application of MODIS Data in Southwestern China

LU Qian，ZHANG Tiebao，XIN Hua，LIU Fang

(Earthquake Administration of Sichuan Province，Sichuan Chengdu 610041，China)

According to the characteristics of the cloud on the MODIS data visible and infrared spectra，we improve the domestic and foreign common cloud detection method. We use the Multi-spectrum synthesis cloud detection and in the Southwestern China test. Based on the different periods of cloud detection application test，the spectrum threshold value of the method can be determined. Our test result shows that the effect of Multi-spectrum synthesis cloud detection is ideal especially for the thin cirrus cloud which is invisible in the visible band. The Multi-spectrum synthesis cloud detection laid a good foundation for further application of MODIS data in Southwestern China.

MODIS；Cloud detection；multi-spectrum synthesis；threshold value； Southwestern China

2016-07-15

四川省地震局地震科技专项(LY1610)资助

路茜(1982-)，女，四川省成都市人，工程师，主要研究卫星遥感红外地震预测，E-mail:lucilleqian@126.com.

TP79

B

1001-8115(2017)01-0011-04

10.13716/j.cnki.1001-8115.2017.01.003