无人工标注数据的Landsat影像云检测深度学习方法

仇一帆，柴登峰

(浙江大学地球科学学院，杭州 310027)

0 引言

Landsat系列卫星自1972年发射至今一直持续对地观测，提供了全球范围长时序连续陆地遥感记录，是目前应用最广泛的遥感数据集之一。然而，Landsat系列卫星与其他光学传感器一样，容易受到云层及其阴影影响，研究表明，地球表面的年均云层覆盖率在中纬度地区大约为35%，全球范围内约为58%～66%[1-3]。遥感影像上，被云层遮挡的像素变亮，被云阴影遮挡的像素变暗，地表特征模糊[4-6]，干扰地物信息的提取，影响研究结果的准确性。因此，云和云阴影检测是Landsat影像产品生产的重要环节。

目前美国地质调查局(United States Geological Survey, USGS)官方使用CFMask(C function of Mask)算法来检测影像上的云和云阴影，检测结果作为质量评估(quality assessment, QA)波段保存于Landsat Collection 1 Level 1产品中。CFMask是Fmask(Function of Mask)算法的C语言实现[1,6-7]，通过分析Landsat影像所有波段的大气层顶(top of atmosphere, TOA)表观反射率和亮度温度，基于云和云阴影的物理属性建立阈值规则逐像素进行检测。这种基于阈值规则的方法在遥感影像云和云阴影检测领域应用广泛，但受到传感器类型、地理位置、大气条件等因素影响，阈值的选择通常难以把握； 而且为了保证精度，往往会设定大量阈值规则，例如FMask就使用了超过20组阈值，增加了该方法的使用和迁移难度[6,8]。除此之外，常用的Landsat影像云和云阴影检测方法还包括多时相检测法和统计学方法。多时相检测法基于云和云阴影的动态性，通过比较恒定视角多时相影像的光谱差异构建云检测算法[5,9]。虽然研究结果表明多时相检测法能有效提高云检测精度，但在实际应用中诸如热带和亚热带等全年多云的地区很难获取无云观测作为参考，限制了现有多时相检测方法的应用。……