基于多尺度特征融合网络的云和云阴影检测试验

杨昌军 张秀再 张晨 冯绚 刘瑞霞

1 中国气象局国家卫星气象中心/中国遥感卫星辐射测量和定标重点开放实验室，北京 100081

2 南京信息工程大学江苏省大气环境与装备技术协同创新中心，南京 210044

3 南京信息工程大学电子与信息工程学院，南京 210044

4 中国科学院空间应用工程与技术中心，北京 100094

1 引言

近年来，随着遥感技术的快速发展，各类遥感卫星影像所包含的信息越来越丰富，在农业生产、自然灾害预测、军事科技、地理测绘、水利交通等领域应用得越来越广泛。其中，卫星遥感资料的定量应用离不开云检测（Irish et al., 2006; He et al.,2009; Angel et al., 2016）。光学遥感图像中，由于云和云阴影（简称“云影”）的光谱范围（包括蓝、绿、红、近红外波段）有限，云影检测也是光学遥感图像中定量应用的难点之一（Zhu and Helmer,2018）。

早期的云检测方法主要是基于像元光谱特征，结合阈值（Cihlar and Howarth et al., 1994； 杨昌军等，2008；Oreopoulos et al., 2011； van Zyl Marais et al., 2011； Goodwin et al., 2013； Shao et al., 2017；王权等，2018）来确定云像元。像元的各种光谱特征通常是通过大量的人工样本分析得到；基于阈值的云检测方法通常只利用低层次的光谱信息，且对下垫面和云覆盖范围具有较强的敏感性，忽略了较多高层次的空间信息，易产生误检（Ozkan et al.,2018）；光学遥感图像中，光谱特征与其他低反照率地物的相重叠（Braaten et al., 2015），利用光谱特征也很难将云与一些高反照率地物（如雪、白色建筑物）区分开来（Fisher, 2014）。这些因素最终决定了光学遥感图像中云检测工作的复杂性和艰巨性。

大数据及机器学习技术的出现，大大节省了劳动成本，让云检测这种复杂性的工作由计算机来实现成为了可能，于是基于机器学习的云检测方法研究越来越多（Tan et al., 2016）。……