遥感技术与应用, 2020, 35(5): 1167-1177 doi: 10.11873/j.issn.1004-0323.2020.5.1167

遥感应用

基于Sentinel-2波段/产品的图像云检测效果对比研究

王明,1,2, 刘正佳,1, 陈元琰2

1.中国科学院地理科学与资源研究所，北京 100101

2.广西师范大学计算机科学与信息工程学院，广西 桂林 541004

Comparsions of Image Cloud Detection Effect based on Sentinel-2 Bands/Products

Wang Ming,1,2, Liu Zhengjia,1, Chen Yuanyan2

1.Institute of Geographic Sciences and Natural Resources Research，Chinese Academy of Sciences，Beijing 100101，China

2.College of Computer Science and Information Technology，GuangXi Normal University，Guilin 541004，China

通讯作者: 刘正佳(1986—)，男，山东青州人，副研究员，硕士生导师，主要从事土地利用与农业发展方面的研究。E⁃mail：liuzj@igsnrr.ac.cn

收稿日期: 2019-10-20   修回日期: 2020-02-12   网络出版日期: 2020-11-26

基金资助: 国家自然科学基金项目.  41971218
国家重点研发计划项目.  2017YFC0504701

Received: 2019-10-20   Revised: 2020-02-12   Online: 2020-11-26

作者简介 About authors

王明(1995—)，男，山东泰安人，硕士研究生，主要从事GIS应用和遥感土地利用方面的研究E⁃mail：1964533558@qq.com , E-mail：1964533558@qq.com

摘要

高时空分辨率遥感影像对精细尺度土地利用和土地覆盖变化研究具有重要意义，然而云噪声的存在给影像的解译和分析带来了一定的挑战，因此云噪声检测作为一项基础性工作在影像解译与分析过程中扮演了非常重要的作用。QA60产品被广泛推荐为Sentinel-2卫星影像的常规云检测产品，然而，我们最近的研究发现基于QA60产品的云检测通常会出现明显的云噪声漏检测现象。为探索提高Sentinel-2卫星影像云噪声检测效果的方法，基于Google Earth Engine（GEE）平台，结合Sentinel-2卫星影像2A级（L2A）数据的2个云相关波段（B1和B9）以及4个产品（QA60、AOT、MSK_CLDPRB和SCL产品），设计相应分割算法，并以典型区为案例，从影像波段特性、云微物理学等角度分析了相关波段/产品云检测结果的空间分布格局及差异，并借助定量化指标对云检测效果进行评价。结果表明：①在云检测算法方面，B1和B9波段采用的动态阈值分割算法稳健性较好，检测结果能在一定程度上拟合其波段特性，并合理地表征相应波段的云噪声；②从云检测空间分布看，AOT产品效果较差，B9波段和QA60产品云检测可靠性较低，B1、SCL、MSK_CLDPRB 3个波段/产品的云检测潜力较强；③从评价结果看，B1波段的云检测效果最佳，对云噪声的敏感度高于其他云相关波段/产品，查准率、查全率、准确率和F1分数均大于0.90，稳健性最好。本文验证了气溶胶（B1）波段对云检测的精确性、稳健性和敏感程度，有望为进一步优化常规云检测算法提供新参考。

关键词： Sentinel-2 ; Google Earth Engine ; 气溶胶波段 ; 云检测方法

Abstract

Fine spatial and temporal resolution remote sensing images are of great significance for the study of fine scale land use and land cover change. However， the presence of cloud noise poses challenges to image interpretation and analysis. Therefore， cloud detection plays a very important role in image interpretation and analysis. The QA60 has been widely recommended as the cloud detection product for Sentinel-2 （S2） images. However， our recent research found that there was a obvious cloud noise omission in the cloud detection results based on the QA60 product. To improve the ability of the cloud noise detection in S2 satellite images， this study developed cloud segmentation algorithms based on two cloud-related bands （B1 and B9） and four products （QA60， AOT， MSK_CLDPRB and SCL products） of 2A-level （L2A） data with the help of Google Earth Engine （GEE） platform. By taking three typical regions as cases， we investigated the spatial patterns and differences of different cloud detection results from the perspectives of image band characteristics and cloud microphysics. Further， we also evaluated accuracies of the different cloud detection reults. Results showed that： （1） From the perspective of cloud detection algorithm， the dynamic threshold segmentation algorithms used in B1 and B9 bands presneted the good robustness. And the detection results could largely match characteristics of corresponding bands and reasonably captured the cloud patterns. （2） For the spatial distributions of cloud， a relatively poor performance was observed in AOT product. The reliabilities of B9 band and QA60 product were relatively low. By contrast， the cloud detection potentials of B1， SCL and MSK_CLDPRB were much stronger. （3） B1 band gave the best cloud detection effect， and its sensitivity was much stronger than those of other cloud-related bands/products. Also user’s accuracy， product’s accuracy， overall accuracy and F1 score were all greater than 0.90， implying the robustest performance. This study estimated the accuracy， robustness and sensitivity of B1 （i.e. aerosol band） for cloud detection of S2 images. These findings are expected to provide some new references for further optimizing the cloud detection of satellite images.

Keywords： Sentinel-2 ; Google Earth Engine （GEE） ; Aerosol band ; Cloud detection algorithms

PDF (4596KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王明, 刘正佳, 陈元琰. 基于Sentinel-2波段/产品的图像云检测效果对比研究. 遥感技术与应用[J], 2020, 35(5): 1167-1177 doi:10.11873/j.issn.1004-0323.2020.5.1167

Wang Ming, Liu Zhengjia, Chen Yuanyan. Comparsions of Image Cloud Detection Effect based on Sentinel-2 Bands/Products. Remote Sensing Technology and Application[J], 2020, 35(5): 1167-1177 doi:10.11873/j.issn.1004-0323.2020.5.1167

1 引 言

光学遥感影像在农业生产、城乡规划、气象、资源、环境和军事等领域都得到了广泛应用［1-2］，然而对影像进行判读和分析时，往往会受到云噪声干扰，因此需要借助精准的影像云检测技术掌握云噪声分布，从而预测极端气候［3］，抑或为后续大气参数反演［4-5］、影像配准和融合［6］、影像分类和解译［7-9］等研究工作提供更优质的影像数据。

由于地表以及云层的反射率和温度具有较高的时空变异性，云检测面临严峻挑战［10］。目前关于云检测的研究包括反射率阈值法［11-12］、纹理分析法［13-15］、多特征协同［16-18］以及结合机器学习［19-21］、神经网络［22-23］识别云噪声等方法。反射率阈值法容易受到云噪声边缘混合像元的影响；对于纹理复杂的卷云，纹理分析法存在漏检测现象；多特征协同以及结合机器学习、神经网络识别云噪声的方法，可以在一定程度上提高云检测的精度。针对较高分辨率光学影像，Zhu等［24］结合基于Landsat影像提出的Fmask算法取得了良好的云检测精度，然而无法适用于Sentinel-2等缺少热红外波段的影像数据。因此，Zhu等［25］随后改进了Fmask算法，利用Sentinel-2影像的卷云波段替代热红外波段。但是依靠卷云波段难以识别低空云的缺陷依然存在。Frantz等［26］利用3个近红外波段补偿Sentinel-2影像缺少的热红外波段，但发现在高海拔地区依旧存在云和雪混淆的现象。因此，对云噪声相对敏感的Sentinel-2波段/产品有待进一步探索。

Sentinel-2计划是欧空局的多光谱成像任务，由Sentinel-2A（S2A）和Sentinel-2B（S2B）两颗卫星组成，拥有较高的时间分辨率（双星同时在轨运行时重访周期为5 d）和空间分辨率（最高为10 m）［27］。Sentinel-2的L1C级数据包括蓝光（B2）、绿光（B3）、红光（B4）、近红外（NIR）、短波红外（SWIR）、气溶胶（B1）、水蒸气（B9）等13个光谱波段，以及3个质量评估（Quality Assessment，QA）波段［28］，基于其中的QA60产品对影像进行云检测是一种常规的云噪声识别方法；2A级产品数据增加了气溶胶光学厚度（AOT）、景观分类图（SCL）、云概率图（MSK_CLDPRB）等8个产品数据波段。最近，我们的测试试验发现，Q60波段对于薄云或卷云噪声的识别能力较差，通常难以给出令人满意的云检测效果。因此，亟需通过分析光谱波段特性与云噪声的相互关系，探索更适合云检测的波段/产品和方法。

云的形成与气溶胶密切相关，最初的云滴是由水汽凝结在气溶胶粒子（云凝结核或冰核）上形成的［29-30］。气溶胶是指大气中悬浮的直径0.001~100µm的固态或液态微粒［31-32］，主要来自于工业活动、生物质燃烧、火山爆发、海盐、尘粒、花粉和微生物等［33］。气溶胶浓度变化对云微物理［34］、辐射平衡［35］、气候［36］、生态环境、人类健康和农业生产等方面都会产生一定的影响。云滴浓度、云反照率和云寿命都会随着气溶胶浓度的增加而增加［37-38］。叶晶等［39］结合沙尘气溶胶和MOD35产品的厚气溶胶标记改进了云检测产品；韩杰等［40］利用HJ-1B卫星中对水汽、温度和气溶胶敏感的波段进行云检测；宋小宁等［41］基于MODIS中气溶胶等有关波段设计云检测指数；Takahito等［42］结合Himawari-8云掩膜结果与气溶胶探测结果生成云检测产品；Iwabuchi等［43］对Himawari-8云检测算法进行误差分析和灵敏度测试；Brennan等［44］评估了MODIS影像中气溶胶对云检测的影响；吕明明等［45］结合MODIS中气溶胶等有关波段提出了对云敏感度高的云检测方法。在对大量先前研究成果梳理的基础上，我们推断Sentinel-2影像的气溶胶波段可能有巨大的潜力更精确地反映遥感影像的含云量。Sentinel-2卫星提供了海岸/气溶胶波段（Coastal aerosol band）的信息，主要用来监测近岸水体和大气中气溶胶等信息，然而基于Sentinel-2影像的气溶胶波段进行云检测的研究鲜见报道。

因此，本文的研究目标为：①基于6个云相关波段/产品尝试提出相应的云检测算法；②探索Sentinel-2影像6个云相关波段/产品的云检测潜力，并使用查准率、查全率、准确率和F1分数定量评价其云检测效果；③从影像波段特性、云微物理学等角度分析6个云相关波段/产品的云检测结果。

2 数据与方法

2.1 研究区域和数据

北方农牧交错带是我国典型的生态脆弱区［46-48］，它的地势呈现西南高东北低的特点。在一定程度上，该研究区有助于对比云检测波段/产品在不同海拔高度上的普适性表现。为便于对比，本研究分别选取了北方农牧交错带上的3个典型地区：即，西部高海拔的青藏高原东北部草原牧区、中部的内蒙古高原农牧交错区和东部低海拔的东北平原西部农耕区，作为研究区域，并基于Google Earth Engine（GEE）平台在每处区域各收集一景受到云噪声影响比较严重的典型区域影像，3处典型区域位置如图1所示。每一景影像数据成像时间均选在2019年夏季，均为Sentinel-2卫星的2A级数据，已经过大气校正处理，包含B1、B9、QA60、AOT、MSK_CLDPRB、SCL共6个波段/产品。另外，B2、B3和B4波段用于真彩色影像展示。研究中使用到的影像及波段/产品参数信息分别如表1和表2所示。典型区域1平均海拔高于2 500 m，影像中心坐标为（101.3˚ E，36.4˚ N），用于云检测效果评价的影像大小为1 447×1 447像素，影像中主要包括山脉和云等；典型区域2平均海拔约1 500 m，中心地理坐标为（112.6° E，40.4° N），用于云检测效果评价的影像大小为1 167×1 167像素，影像中主要包括耕地、草地和云等；典型区域3平均海拔约150 m，中心地理坐标为（123.7° E，46.8° N），用于云检测效果评价的影像大小为1 267×1 267像素，影像中主要包括河流、耕地、建设用地和云等。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   3个典型研究区空间位置

Fig.1   The Location of three typical study area


表 1   研究所用遥感影像

Table 1  Satellite images used in this study

研究区影像数据传感器成像时间中心坐标尺寸大小
典型 区域1

Sentinel-2,

Level-2A

MSI2019-08-24

101.30˚ E,

36.40˚ N

1 447×1 447
典型 区域2

Sentinel-2,

Level-2A

MSI2019-08-06

112.60˚ E,

40.40˚ N

1 167×1 167
典型 区域3

Sentinel-2,

Level-2A

MSI2019-08-12

123.70˚ E,

46.80˚ N

1 267×1 267

新窗口打开| 下载CSV


表2   研究所用影像波段/产品

Table 2  Image bands/products used in the study

名称信息分辨率/m

中心波长/nm

S2A/S2B

波段B1气溶胶60443.90 / 442.30
B2蓝光10496.60 / 492.10
B3绿光10560.00 / 559.00
B4红光10664.50 / 665.00
B9水蒸气60945.00 / 943.20
产品QA60云掩膜60-
AOT气溶胶光学厚度10-
MSK_CLDPRB云概率图20-
SCL景观分类图20-

新窗口打开| 下载CSV


此外，本文基于人工目视标注的标签图像，对云相关波段/产品的云检测效果进行定量评价，用于定量评价的栅格数据均已转换为Albers投影坐标系。

2.2 技术路线

通过分析Sentinel-2影像2A产品数据的波段特性，以及综合考虑不同波段影像中云噪声光谱特性的差异，筛选出6个可能为云检测做出贡献的波段/产品（本文称之为云相关波段/产品）：B1、B9、QA60、AOT、MSK_CLDPRB和SCL。由于卫星产品可能是多个波段运算得到的结果，在区分某些特殊地物时，卫星产品的检测效果有可能优于单一波段。因此，对波段/产品的云检测效果进行对比分析，可能为今后优化Sentinel-2的云检测算法提供支持。针对每个波段/产品分别设计相应的云检测算法，并对3处典型区域进行云噪声检测。每一处典型区域云检测过程均遵循如下技术路线（图2）：首先，基于GEE平台收集当前典型区域2019年夏季的影像数据（本研究在每一处典型区域各选取了一景影像），并将其作为计算反射率阈值的基础影像；然后，针对6个与云相关波段/产品，分别设计用于云检测阈值获取和影像分割的算法，并对典型区域影像进行云检测；接下来，基于ENVI平台，对典型区域真彩色影像的云噪声进行像元级的人工目视解译，手动标注出一景标签图像；最后，基于目视标注的标签图像，结合查准率、查全率、准确率和F1分数4项衡量算法性能的指标，对与云相关波段/产品的云检测效果进行定量评价，并根据各波段/产品云检测结果的空间变化格局进行制图。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   云检测技术路线图

Fig.2   The technology roadmap of cloud detection


2.3 云检测方法

由于受到Sentinel-2卫星2A级影像中云相关产品固有属性的影响，针对云相关波段和产品分别采用了不同的云检测算法：对于云相关波段和AOT产品，本文使用动态阈值分割算法，获取其对应的最优云检测结果；对于已经包含了云分类结果的云相关产品，不需要借助云检测算法便可以直接提取出含云区域，并作为该产品的最优云检测结果。因此，本文是针对所有波段/产品的最优云检测情况进行对比，旨在寻找最佳的适合于云检测的波段/产品。6个云相关波段/产品的云检测算法具体设计如下：

2.3.1 B1波段云检测算法

Sentinel-2影像B1波段的中心波长为443.9 nm（S2A）或442.3 nm（S2B），在Sentinel-2影像的所有光谱波段中波长最短，穿透力最强。在该波段图像中，云噪声的反射率高，含水量高，云滴尺度小。因此，基于气溶胶的物理、化学和光学特性，设计了基于B1波段的云噪声阈值分割算法，将大于云噪声阈值的像元分割为云噪声。首先，对所有影像B1波段逐个像元求取反射率的最小值，生成一景B1波段最小值图像Min1；对所有影像B1波段逐个像元求取反射率的均值，生成一景B1波段均值图像Mean1；再分别计算出均值图像和最小值图像所有像元反射率的均值和标准差；然后，基于公式（1）计算出B1波段的云分割阈值；最后，对所有影像中反射率大于阈值的区域进行掩膜提取和赋值，得到最终的云噪声二值图像。

Thr1=Min1mean+Min1stdDev2+(Mean1mean-Mean1stdDev2)2

其中：Thr1表示B1波段的云分割阈值；Min1mean表示B1波段最小值图像反射率的均值，Min1stdDev表示B1波段最小值图像反射率的标准差；Mean1mean表示B1波段均值图像反射率的均值，Mean1stdDev表示B1波段均值图像反射率的标准差。

2.3.2 B9波段云检测算法

基于B9波段检测云噪声的分割算法与B1波段类似，其阈值计算方法如公式（2）所示：

Thr9=Min9mean+Min9stdDev2+(Mean9mean-Mean9stdDev2)2

其中：Thr9表示B9波段的云分割阈值；Min9mean表示B9波段最小值图像反射率的均值，Min9stdDev表示 B9波段最小值图像反射率的标准差；Mean9mean表示B9波段均值图像反射率的均值，Mean9stdDev表示 B9波段均值图像反射率的标准差。

2.3.3 QA60产品云检测算法

Sentinel-2影像的QA60产品是具有位掩码信息的云掩膜波段，其第10位为1时表征当前像元存在厚云噪声，第11位为1时表征当前像元存在卷云噪声。利用QA60产品对原始影像进行掩膜操作，可以检测到影像中比较明显的云噪声，是GEE平台的常规云检测算法，算法原理如公式3：

CloudQA60=Bit101⋃Bit111

其中：CloudQA60表示QA60产品中的云噪声像元；Bit101表示当前像元在QA60产品上第10位为1，Bit111表示当前像元在QA60产品上第11位为1。

2.3.4 AOT产品云检测算法

AOT可以在一定程度上表征大气的浑浊程度。本文经过反复调整阈值，设计了基于AOT产品的云噪声阈值分割算法。首先，对所有影像AOT产品逐个像元求取最大值，生成一景AOT产品最大值图像Max_AOT；然后，分别计算最大值图像所有像元的均值和标准差；最后，基于公式4计算出AOT产品的云分割阈值，并对所有影像中数值大于阈值的区域进行掩膜提取和赋值。

ThrAOT=Max_AOTmean+Max_AOTstdDev

其中：ThrAOT表示AOT产品的云分割阈值；Max_AOTmean表示AOT产品最大值图像反射率的均值，Max_AOTstdDev表示AOT产品最大值图像反射率的标准差。

2.3.5 SCL产品云检测算法

SCL产品对缺陷像元、暗区像元、云影、植被、裸地、水体、低概率云、中概率云、高概率云、卷云、冰雪这11种典型景观进行了分类。本文基于景观分类图产品的低概率云（第7类）、中概率云（第8类）、高概率云（第9类）3个类别对云噪声进行检测。云分割算法如公式（4）：

CloudSCL=SCL7⋃SCL8⋃SCL9

其中：CloudSCL表示SCL产品中的云噪声像元；SCL7表示筛选出SCL产品中值为7的像元，SCL8和 SCL9同理。

2.3.6 MSK_CLDPRB产品云检测算法

MSK_CLDPRB产品具有云概率信息，本文以0作为MSK_CLDPRB产品的云分割阈值，将云概率大于0的像元所在区域视为云噪声区域。

2.4 评价方法

云检测效果评价是验证云检测结果精确性和可靠性的方法，目视判读与定量评价相结合的方法是当前云检测研究中普遍采用的评价方法［49-50］。本文基于各波段/产品云检测的空间格局进行目视判读，并采用查准率（精确率，Precision）、查全率（召回率，Recall）、准确率（Accuracy）和F1分数（F1-score）作为云检测的客观度量标准进行定量评价。各评价指标的计算公式如以下所示：

P=TPTP+FP
R=TPTP+FN
A=TP+TNTP+FP+FN+TN
F1=2×P×RP+R

其中：P表示查准率，R表示查全率，A表示准确率，F1表示F1分数；TP表示将云噪声正确识别为云噪声的像元数目，FP表示将其他地物识别为云噪声的像元数目，FN表示将云噪声识别为其他地物的像元数目，TN表示将其他地物正确识别为其他地物的像元数目；A为正确识别的像元数目与整幅影像中所有像元数目的比值；F1是查准率和查全率的调和平均数，可以通过规避极端情况，得出更均衡的评价结果。

3 结果与讨论

3.1 云检测空间格局

本文基于2019年北方农牧交错带3处典型区域的真彩色影像（图3（a）、4（a）和5（a））和人工目视标注的标签图像（图3（b）、4（b）和5（b）），分别将AOT、B9、QA60、MSK_CLDPRB、SCL、B1波段云检测结果的空间格局进行对比。云检测结果图中白色区域表示正确检测为云噪声的区域，黑色表示正确检测为其他地物的区域，紫红色表示云噪声的误检测区域（将云噪声识别为其他地物），绿色表示云噪声的漏检测区域（将其他地物识别为云噪声）。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   典型区域1云检测空间格局

Fig.3   The spatial patterns of cloud detection in the first typical region


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   典型区域2云检测空间格局

Fig.4   The spatial patterns of cloud detection in the second typical region


在典型区域1的云检测空间格局（图3）中：图3（c）展示了AOT产品的云检测结果，该结果中云噪声像元全部被漏检测，且没有出现云噪声误检测现象，整幅影像被完全识别为其他地物；图3（d）展示了QA60产品的云检测结果，从其空间格局可以看出，部分厚云区域可以得到较好的检测结果，但是部分卷云像元和大部分薄云像元出现了明显的漏检测现象，且存在于厚云中的小面积其他地物被误检测为云噪声；图3（e）展示了B9波段的云检测结果，该结果中大部分云噪声的边缘像元均出现了漏检测现象，而且将真彩色影像（图3（a））中部分山脉的绿色植被误检测为云噪声；图3（f）展示了MSK_CLDPRB产品的云检测结果，其中比较明显的厚云区域出现云噪声漏检测现象；图3（g）展示了SCL产品的云检测结果，该结果的误检测现象不明显，但是云噪声边缘区域存在漏检测现象；图3（h）展示了B1波段的云检测结果，该区域的云检测结果基本符合真彩色影像（图3（a））中云噪声的分布格局，相比于其他波段，该波段的漏检测像元最少，小部分云噪声边缘区域的薄云存在误检测现象。

在典型区域2的云检测空间格局（图4）中：图4（c）展示了AOT产品的云检测结果，与原始真彩色影像对比可以看出，该结果中云噪声像元全部出现漏检测现象，部分区域出现了将其他地物识别为云噪声的误检测现象，整体上完全不符合其对应的真彩色影像（图4（a））中云噪声和其他地物的空间分布格局；图4（d）展示了QA60产品的云检测结果，部分厚云噪声的边缘像元以及大面积的卷云和薄云区域均出现了严重的漏检测现象，没有出现云噪声的误检测现象；图4（e）展示了B9波段的云检测结果，该结果中部分云噪声的边缘像元出现漏检测现象，对应其真彩色影像（图4（a））可以看出，大部分耕地和草地被误检测为云噪声；图4（f）展示了MSK_CLDPRB产品的云检测结果，大部分薄云像元出现了明显的云噪声漏检测现象，误检测现象不明显；图4（g）展示了SCL产品的云检测结果，大部分薄云像元出现了明显的云噪声漏检测现象，小部分草地被误检测为云噪声；图4（h）展示了B1波段的云检测结果，云噪声漏检测现象不明显，由于真彩色影像（图4（a））中不明显的薄云区域没有标注为云噪声，因此这些区域存在云噪声误检测现象。

在典型区域3的云检测空间格局（图5）中：图5（c）展示了AOT产品的云检测结果，该结果中只有小部分白色区域得到了正确的云噪声检测结果，但仍有大面积的云噪声像元出现漏检测现象，部分区域出现了云噪声的误检测现象，在云噪声和其他地物的识别中均出现严重的错误；图5（d）展示了QA60产品的云检测结果，厚云噪声与其他地物的交界处以及大部分卷云和薄云区域出现了严重的漏检测现象，厚云的中部区域存在明显的误检测现象；图5（e）展示了B9波段的云检测结果，该结果中部分云噪声与其他地物的交界处出现漏检测现象，对应其真彩色影像（图5（a））可以看出，部分耕地被误检测为云噪声；图5（f）展示了MSK_CLDPRB产品的云检测结果，该结果出现了较大面积的误检测现象，部分河流、耕地和建设用地被错误地识别为云噪声，个别薄云区域出现漏检测现象；图5（g）展示了SCL产品的云检测结果，对应其真彩色影像（图5（a））可以看出，也出现了较大面积的误检测现象，将大部分的河流和部分耕地错误地识别为云噪声，小部分薄云区域出现漏检测现象；图5（h）展示了B1波段的云检测结果，与其真彩色影像（图5（a））以及人工标注图像（图5（b））相比，小部分薄云区域出现漏检测现象，误检测现象不明显。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   典型区域3云检测空间格局

Fig.5   The spatial patterns of cloud detection in the third typical region


从整体的云检测空间格局来看，本文使用的AOT产品难以正确表征研究区域的云噪声分布，云检测结果存在异常；QA60产品对于比较明显的厚云像元检测效果较好，对于厚云的边缘、卷云以及薄云的检测效果欠佳；B9波段云检测结果中，云噪声边缘处的像元普遍存在漏检测现象，且倾向于将影像中的绿色植被误检测为云噪声；SCL产品与MSK_CLDPRB产品都包含云概率信息，云检测结果大致相似；B1波段云检测结果的空间格局与原始图像契合度最高，云检测结果稳健性最好。

3.2 云检测效果评价

为更加客观地评价云相关波段/产品的云检测效果，本文对3处典型区域进行人工目视标注，将得到的标签图像（图3（b）、4（b）和5（b））作为基准图像（真值图像），然后统计分析各个波段/产品云检测结果图与基准图像的差异，并结合查准率、查全率、准确率和F1分数4项指标对6个云相关波段/产品的云检测效果进行定量评价，如表3所示。

表3   云检测效果评价

Table 3  Evaluation of cloud detection effects

研究区

云检测波

段/产品

查准率查全率准确率F1分数
典型区域1AOT-0.000.49-
QA601.000.800.900.89
B90.900.900.900.90
MSK_CLDPRB0.990.890.940.94
SCL0.980.920.950.95*
B10.960.970.970.97*
典型区域2AOT0.000.000.73-
QA600.990.560.880.72
B90.630.880.830.73
MSK_CLDPRB0.970.810.940.88
SCL0.950.820.940.88
B10.900.950.960.92
典型区域3AOT0.030.010.480.01
QA600.970.840.910.90
B90.930.900.920.91
MSK_CLDPRB0.790.990.880.88
SCL0.840.980.900.90
B10.990.910.950.95*

注：*表示F1分数达到了0.05的显著性水平，即95%的置信度

新窗口打开| 下载CSV


典型区域1中，AOT产品查准率不存在，查全率为0，由查准率和查全率公式可以得出，TP和FP均为0，表明没有将任何像元识别为云噪声，将整幅影像全都识别为其他地物，云检测效果差；QA60产品查准率为1，查全率为0.8，表明基本不存在云噪声误检测现象，但是部分区域将云噪声识别为其他地物，存在明显的云噪声漏检测现象；B9波段查准率和查全率均为0.9，表明云检测结果中少部分区域存在云噪声的误检测和漏检测现象；MSK_CLDPRB产品查准率为0.99，查全率为0.8，表明基本不存在云噪声误检测现象，但是部分区域存在云噪声漏检测现象；SCL产品查准率为0.98，查全率为0.92，与MSK_CLDPRB产品相比，云噪声漏检测的程度较低；B1波段的查准率为0.96，查全率（0.97）远高于MSK_CLDPRB产品（0.8），表明云噪声的误检测和漏检测现象都不明显。

典型区域2中，AOT产品查准率和查全率均为0，表明没有将云噪声正确地识别为云噪声；QA60产品查准率为0.99，查全率为0.56，表明基本不存在云噪声误检测现象，但是接近一半的云噪声被识别为其他地物，存在严重的云噪声漏检测现象；B9波段查准率为0.63，查全率为0.88，表明云检测结果中较大面积的区域存在明显的云噪声误检测现象，少部分区域存在漏检测现象；MSK_CLDPRB产品查准率为0.97，查全率为0.81，表明云噪声的误检测现象不明显，但是部分区域存在明显的云噪声漏检测现象；SCL产品查准率（0.95）和查全率（0.82）与MSK_CLDPRB产品大致相等，也表明云噪声误检测现象不明显，存在漏检测现象；B1波段的查准率为0.90，查全率为0.95，表明存在轻微的云噪声误检测和漏检测现象。

典型区域3中，AOT产品查准率为0.03，查全率为0.01，表明只有极少部分的云噪声被正确识别，基本上所有的云噪声都出现了误检测和漏检测现象；QA60产品查准率为0.97，查全率为0.84，表明云噪声误检测现象不明显，但是存在明显的云噪声漏检测现象；B9波段查准率为0.93，查全率为0.90，表明云检测结果中较大面积的区域存在明显的云噪声误检测现象，少部分区域存在漏检测现象；MSK_CLDPRB产品查准率为0.79，查全率为0.99，表明部分区域存在明显的云噪声误检测现象，但是基本不存在云噪声的漏检测现象；SCL产品查准率为0.84，查全率为0.98，表明部分区域存在云噪声误检测现象，云噪声的漏检测现象不明显；B1波段的查准率为0.99，查全率为0.91，表明云噪声误检测现象不明显，存在轻微的云噪声漏检测现象。

从3个典型区域总体来看，AOT产品查准率和查全率几乎为0，表明无法正确识别云噪声；QA60产品查准率（>0.97）普遍较高，但查全率（>0.56）普遍偏低，且F1分数（>0.72）偏低，说明普遍存在比较明显的云噪声漏检测现象，且查全率和查准率的均衡性较差；B9波段最低的F1分数（0.73）和最高的F1分数（0.91）差距较大，表明B9波段稳健性较差；MSK_CLDPRB产品、SCL产品和B1波段的精确度和F1分数相对较高，可以获得较好的云检测效果；尤其是B1波段，查准率（>0.90）、查全率（>0.91）、准确率（>0.90）和F1分数（>0.92）始终保持在较高数值，且查全率和查准率的均衡性较好，在云检测任务上表现出较高的精确性和良好的稳健性，云检测效果最佳，云检测潜力最大。结果表明，本文提出的基于气溶胶波段的动态阈值分割算法，可以在哨兵2号遥感影像上取得令人满意的云检测效果。理论上，该方法同样可以推广应用于含有气溶胶波段的其他多光谱遥感影像，但检验效果仍有待验证。

4 结 论

影像云检测可服务于后续的影像去云处理，进而提高影像反演精度和可靠性。本文选取北方农牧交错带上3个海拔梯度差异较大的典型区为研究区，基于GEE平台和Sentinel-2卫星产品，对比了6个云相关波段/产品（B1、B9、QA60、AOT、MSK_CLDPRB和SCL产品）云检测的潜力，探讨了气溶胶波段对云噪声识别的贡献，提出了基于气溶胶波段的云检测方法。结果显示，AOT产品云检测结果难以正确表征云分布状况，QA60产品云噪声漏检测现象严重，B9波段云检测稳健性较差，B1、SCL、MSK_CLDPRB波段/产品云检测效果良好，尤其是B1波段云检测结果与原始影像和标签图像在空间格局上契合度高，表现出最佳的云噪声检测潜力，查准率、查全率、准确率和F1分数均大于0.90，云检测稳健性最好。本研究有望为含有气溶胶波段的影像（如Sentinel-2）云检测方法提供新参考。

本文旨在对比6个单一波段/产品的云噪声识别潜力，没有结合多波段进行算法优化。对于效果最佳的气溶胶波段，云检测结果中仍存在轻微的误检测和漏检测现象。未来的研究将协同多波段、多特征等方法改进本算法，进一步提高云噪声检测精度。

参考文献

Yan Qing，Liang Dong，Zhang Jingjing.

Improved Algorithm for Removing Thin Cloud in Single Remote Sensing Image

［J］.Journal of Computer Applications， 2011， 31（5）： 1227-1229.

[本文引用: 1]

阎庆，梁栋，张晶晶.

单幅遥感图像去除薄云算法的改进

［J］.计算机应用， 2011，31（5）：1227-1229.

[本文引用: 1]

Zhang Bing.

A Survey of Developments on Optical Remote Sensing Information Technology and Applications

［J］.Journal of Nanjing University of Information Science & Technology，2018， 10（1）：1-5.

[本文引用: 1]

张兵.

光学遥感信息技术与应用研究综述

［J］.南京信息工程大学学报（自然科学版），2018， 10（1）：1-5.

[本文引用: 1]

Lu Yajun，Chen Gangyi，Gong Kejian，et al.

Overview of Researches on Cloud Sounding Methods

［J］.Meteorological Science and Technology，2012，40（5）：689-697.

[本文引用: 1]

陆雅君，陈刚毅，龚克坚，等.

测云方法研究进展

［J］.气象科技，2012，40（5）：689-697.

[本文引用: 1]

Wang Zhongting，Chen Liangfu，Zhang Ying，et al.

Urban Surface Aerosol Monitoring Using DDV Method from MODIS Data

［J］.Remote Sensing Technology And Application，2008， 23（3）：284-288.

[本文引用: 1]

王中挺，陈良富，张莹，等.

利用MODIS数据监测北京地区气溶胶

［J］.遥感技术与应用，2008，23（3）：284-288.

[本文引用: 1]

Fang Li，Yu Tao，Gu Xingfa，et al.

Aerosol Retrieval and Atmospheric Correction of HJ-1 CCD Data over Beijing

［J］.Journal of Remote Sensing，2013， 17（1）：151-164.

[本文引用: 1]

方莉，余涛，顾行发，等.

北京地区HJ-1卫星CCD数据的气溶胶反演及在大气校正中的应用

［J］.遥感学报，2013， 17（1）：151-164.

[本文引用: 1]

Kang Yifei，Pan Li，Sun Mingwei，et al.

Gaussian Mixture Model based Cloud Detection for Chinese High Resolution Satellite Imagery

［J］.Geomatics and Information Science of Wuhan University，2017，42（6）：782-788.

[本文引用: 1]

康一飞，潘励，孙明伟，等.

基于高斯混合模型法的国产高分辨率卫星影像云检测

［J］.武汉大学学报（信息科学版），2017，42（6）：782-788.

[本文引用: 1]

Li Wei，Fang Shenghui，Yuanyong Dian ，et al.

Cloud Detection in MODIS Data based on Spectrum Analysis

［J］.Geomatics and Information Science of Wuhan University，2005， 30（5）：435-438.

[本文引用: 1]

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）：435-438.

[本文引用: 1]

Hughes M，Hayes D.

Automated Detection of Cloud and Cloud Shadow in Single-date Landsat Imagery Using Neural Networks and Spatial Post-Processing

［J］.Remote Sensing，2014，6（6）：4907-4926.

Wang M，Liu Z，Baig M H A，et al.

Mapping Sugarcane in Complex Landscapes by Integrating Multi-temporal Sentinel-2 Images and Machine Learning Algorithms

［J］.Land Use Policy，2019，88：104190. doi：10.1016/j.landusepol.2019. 104190.

[本文引用: 1]

Richard R.

Landsat 7 Automatic Cloud Cover Assessment

［J］.Proceedings of SPIE - The International Society for Optical Engineering，2000，4049：348-355. doi： 10.1117/12.410358.

[本文引用: 1]

Fang Wei，Qiao Yanli，Zhang Dongying，et al.

Threshold Optimization in Cloud Detection by Polarized Multichannel Remote Sensing

［J］.Acta Optica Sinica，2019， 38（12）：386-393.

[本文引用: 1]

方薇，乔延利，张冬英，等.

偏振多通道遥感云检测的阈值优化

［J］.光学学报，2019， 38（12）：386-393.

[本文引用: 1]

Feng Shuyi，Zhang Ning，Shen Ji，et al.

Method of Cloud Detection with Hyperspectral Remote Sensing Image based on the Reflective Characteristics

［J］.Chinese Journal of Optics，2015，8（2）：198-204.

[本文引用: 1]

冯书谊，张宁，沈霁，等.

基于反射率特性的高光谱遥感图像云检测方法研究

［J］.中国光学，2015，8（2）：198-204.

[本文引用: 1]

Shan Na，Zheng Tianyao，Wang Zhensong.

High-speed and High-accuracy Algorithm for Cloud Detection and Its Application

［J］.Journal of Remote Sensing，2009，13（6）：1138-1155.

[本文引用: 1]

单娜，郑天垚，王贞松.

快速高准确度云检测算法及其应用

［J］.遥感学报，2009，13（6）：1138-1155.

[本文引用: 1]

Yu Wenxia，Cao Xiaoguang，Xu Lin，et al.

Automatic Cloud Detection for Remote Sensing Image

［J］.Chinese Journal of Scientific Instrument，2006，27（z3）：2184-2186.

郁文霞，曹晓光，徐琳，等.

遥感图像云自动检测

［J］.仪器仪表学报，2006，27（z3）：2184-2186.

Chen Zhenwei，Zhang Guo，Ning Jinsheng，et al.

An Automatic Cloud Detection Method for ZY-3 Satellite

［J］.Acta Geodaetica et Cartographica Sinica，2015，44（3）：292-300.

[本文引用: 1]

陈振炜，张过，宁津生，等.

资源三号测绘卫星自动云检测

［J］.测绘学报，2015，44（3）：292-300.

[本文引用: 1]

Li Z，Shen H，Li H，et al.

Multi-feature Combined Cloud and Cloud Shadow Detection in Gaofen-1 Wide Field of View Imagery

［J］.Remote Sensing of Environment，2017，191：342-358.doi： 10.1016/j.rse.2017.01.026.

[本文引用: 1]

Zhao Xiao，Hou Qingyu，Liang Bingbing，et al.

A Method For Cloud Detection in High-resolution Remote Sensing Image based on Multi-attribute Fusion

［J］.Optical Technique，2014，40（2）：145-150.

赵晓，侯晴宇，梁冰冰，等.

基于多属性融合的高分辨率遥感图像云检测方法

［J］.光学技术，2014，40（2）：145-150.

Xia Yu，Cui Shengcheng，Yang Shizhi.

Cloud Detection Method for High Resolution Satellite Image based on Multi-dimensional Features

［J］.Journal of Atmospheric and Environmental Optics，2017，12（6）：465-473.

[本文引用: 1]

夏雨，崔生成，杨世植.

综合高分卫星图像多维特征的云检测方法

［J］.大气与环境光学学报，2017，12（6）：465-473.

[本文引用: 1]

Hu Gensheng，Chen Changchun，Zhang Xuemin，et al.

Cloud Detection for Remote Sensing Multi-spectral Image based on Least Squares Wavelet Twin Support Vector Machines

［J］.Journal of Anhui University（Natural Sciences Edition），2014，38（1）：48-55.

[本文引用: 1]

胡根生，陈长春，张学敏，等.

LS-WTSVM的遥感多光谱影像云检测

［J］.安徽大学学报（自科版），2014，38（1）：48-55.

[本文引用: 1]

Yuan Y，Hu X.

Bag-of-Words and Object-based Classification for Cloud Extraction from Satellite Imagery

［J］.IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing，2015，8（8）：4197-4205.

Sun Ruxing，Fan Rongshuang.

Multi-feature Fusion Image Cloud Detection based on SVM

［J］.Geomatics & Spatial Information Technology，2018，41（6）：153-156，160.

[本文引用: 1]

孙汝星，范荣双.

基于支持向量机的多特征融合影像云检测

［J］.测绘与空间地理信息，2018，41（6）：153-156，160.

[本文引用: 1]

Chen Yang，Fan Rongshuang，Wang Jingxue，et al.

Cloud Detection of ZY-3 Satellite Remote Sensing Images based on Deep Learning

［J］.Acta Optica Sinica，2018，38（1）：354-359.

[本文引用: 1]

陈洋，范荣双，王竞雪，等.

基于深度学习的资源三号卫星遥感影像云检测方法

［J］.光学学报，2018，38（1）：354-359.

[本文引用: 1]

Pei Liang，Liu Yang，Tan Hai，et al.

Cloud Detection of ZY-3 Satellite Remote Sensing Images based on Improved Fully Convolutional Neural Networks

［J］.Laser & Optoelectronics Progress，2019，56（5）：218-225.

[本文引用: 1]

裴亮，刘阳，谭海，等.

基于改进的全卷积神经网络的资源三号遥感影像云检测

［J］.激光与光电子学进展，2019，56（5）：218-225.

[本文引用: 1]

Zhu Z，Woodcock C E.

Object-based Cloud and Cloud Shadow Detection in Landsat Imagery

［J］.Remote Sensing of Environment，2012，118：83-94.doi：10.1016/j.rse.2011.10.028.

[本文引用: 1]

Zhu Z，Wang S，Woodcock C E.

Improvement and Expansion of the Fmask Algorithm： Cloud， Cloud Shadow， and Snow Detection for Landsats 4-7， 8， and Sentinel 2 Images

［J］.Remote Sensing of Environment，2015，159：269-277.doi：10.1016/j.rse.2014.12.014.

[本文引用: 1]

Frantz D，Haß E，Uhl A，et al.

Improvement of the Fmask Algorithm for Sentinel-2 Images： Separating Clouds from Bright Surfaces based on Parallax Effects

［J］.Remote Sensing of Environment，2018：S0034425718302037.doi：10.1016/j.rse.2018. 04.046.

[本文引用: 1]

Berger M，Moreno J，Johannessen J A，et al.

ESA's Sentinel Missions in Support of Earth System Science

［J］.Remote Sensing of Environment，2012，120：84-90. doi：10.1016/j.rse.2011.07.023.

[本文引用: 1]

Drusch M，Del Bello U，Carlier S，et al.

Sentinel-2： ESA's Optical High-resolution Mission for GMES Operational Services

［J］.Remote Sensing of Environment，2012，120：25-36. doi：10.1016/j.rse.2011.11.026.

[本文引用: 1]

Twomey S.

Aerosols， Clouds and Radiation

［J］.Atmospheric Environment.Part A.General Topics，1991，25（11）：2435-2442.

[本文引用: 1]

Novakov T，Penner J E.

Large Contribution of Organic Aerosols to Cloud-condensation-nuclei Concentrations

［J］.Nature，1993，365（6449）：823-826.

[本文引用: 1]

Zhang Zhe，Ding Jianli，Wang Jinjie.

Spatio-temporal Variations and Potential Diffusion Characteristics of Dust Aerosol Originating from Central Asia

［J］.Acta Geographica Sinica，2017，72（3）：507-520.

[本文引用: 1]

张喆，丁建丽，王瑾杰.

中亚沙尘气溶胶时空分布特征及潜在扩散特性分析

［J］.地理学报，2017，72（3）：507-520.

[本文引用: 1]

Guo Hong，Gu Xingfa，Xie Donghai，et al.

A Review of Atmospheric Aerosol Research by Using Polarization Remote Sensing

［J］.Spectroscopy and Spectral Analysis，2014，34（7）：1873-1880.

[本文引用: 1]

郭红，顾行发，谢东海，等.

大气气溶胶偏振遥感研究进展

［J］.光谱学与光谱分析，2014，34（7）：1873-1880.

[本文引用: 1]

Ulrich P S.

Atmospheric Aerosols： Composition， Transformation， Climate and Health Effects

［J］.Angewandte Chemie International Edition，2006，44（46）：7520-7540.

[本文引用: 1]

Albrecht B A.

Aerosols， Cloud Microphysics， and Fractional Cloudiness

［J］.Science，1989，245（4923）：1227-1230.

[本文引用: 1]

Hess M，Koepke P，Schult I.

Optical Properties of Aerosols and Clouds： The Software Package OPAC

［J］.Bulletin of the American Meteorological Society，1998，79（5）：831-844.

[本文引用: 1]

Chen Hao，Gu Xingfa，Cheng Tianhai，et al.

Characteristics of Aerosol Types over China

［J］.Journal of Remote Sensing，2013，17（6）：1559-1571.

[本文引用: 1]

陈好，顾行发，程天海，等.

中国地区气溶胶类型特性分析

［J］.遥感学报，2013，17（6）：1559-1571.

[本文引用: 1]

King M D，Kaufman Y J，Tanré D，et al.

Remote Sensing of Tropospheric Aerosols from Space： Past， Present， and Future

［J］.Bulletin of the American Meteorological Society，1999，80（11）：2229-2260.

[本文引用: 1]

Moosmüller H，Chakrabarty R K，Arnott W P.

Aerosol Light Absorption and Its Measurement： A Review

［J］.Journal of Quantitative Spectroscopy & Radiative Transfer，2009，110（11）：844-878.

[本文引用: 1]

Ye Jing，Li Wanbiao，Liu Huizhi，et al.

The Study on the Improvement of Cloud Mask Product of MODIS based on the Detection of Dust Aerosols in Northern China

［J］.Journal of Tropical Meteorology，2010，26（5）：563-570.

[本文引用: 1]

叶晶，李万彪，刘辉志，等.

基于沙尘气溶胶识别的中国北方地区MODIS云检测产品的改进研究

［J］.热带气象学报，2010，26（5）：563-570.

[本文引用: 1]

Han Jie，Yang Leiku，Xie Yujuan，et al.

Cloud Detection on HJ-1B Data based on Multispectral Analysis

［J］.Science of Surveying and Mapping，2013， 38（1）：150-152.

[本文引用: 1]

韩杰，杨磊库，谢玉娟，等.

基于多光谱分析的HJ-1B数据云检测算法

［J］.测绘科学，2013， 38（1）：150-152.

[本文引用: 1]

Song Xiaoning，Zhao Yingshi.

Cloud Detection and Analysis of MODIS Image

［J］.Journal of Image and Graphics，2003，8（9）：1079-1083.

[本文引用: 1]

宋小宁，赵英时.

MODIS图象的云检测及分析

［J］.中国图象图形学报，2003，8（9）：1079-1083.

[本文引用: 1]

Takahito I，Ryo Y.

Algorithm Theoretical Basis for Himawari-8 Cloud Mask Product

［J］. Meteorological Satellite Center Technical Note，2016，61：1-17.

[本文引用: 1]

Iwabuchi H，Putri N S，Saito M，et al.

Cloud Property Retrieval from Multiband Infrared Measurements by Himawari-8

［J］. Journal of the Meteorological Society of Japan.Ser.II， 2017， 96：27-42.doi：10.2151/jmsj.2018-001.

[本文引用: 1]

Brennan J I，Kaufman Y J，Koren I，et al.

Aerosol-cloud Interaction-misclassification of MODIS Clouds in Heavy Aerosol

［J］.IEEE Transactions on Geoscience & Remote Sensing，2005，43（4）：911. doi：10.1109/TGRS.2005.844662.

[本文引用: 1]

Lv Mingming，Han Lijian，Tian Shufang，et al.

Cloud Detection Under Varied Surfaces and Atmospheric Conditions with MODIS Imagery

［J］.Journal of Remote Sensing，2016，20（6）：1371-1380.

[本文引用: 1]

吕明明，韩立建，田淑芳，等.

多样地表和大气状况下的 MODIS 数据云检测

［J］.遥感学报，2016，20（6）：1371-1380.

[本文引用: 1]

Zhao Halin，Zhao Xueyong，Zhang Tonghui，et al.

Boundary Line on Agro-pasture Zigzag Zone in North China and Its Problems on Eco-Environment

［J］.Advances in Earth Science，2002，17（5）：739-747.

[本文引用: 1]

赵哈林，赵学勇，张铜会，等.

北方农牧交错带的地理界定及其生态问题

［J］.地球科学进展，2002，17（5）：739-747.

[本文引用: 1]

Liu Z，Liu Y，Li Y.

Anthropogenic Contributions Dominate Trends of Vegetation Cover Change over the Farming-pastoral Ecotone of Northern China

［J］.Ecological Indicators，2018，95：370-378.doi： 10.1016/j.ecolind.2018.07.063.

Luo Chengping，Xue Jiyu.

Ecologically Vulnerable Characteristics of The Farming-pastoral Zigzag Zone in Northern China

［J］.Journal of Arid Land Resources and Environment，1995，9（1）：1-7.

[本文引用: 1]

罗承平， 薛纪瑜.

中国北方农牧交错带生态环境脆弱性及其成因分析

［J］.干旱区资源与环境，1995，9（1）：1-7.

[本文引用: 1]

Tan Kai，Zhang Yongjun，Tong Xin，et al.

Automatic Cloud Detection for Chinese High Resolution Remote Sensing Satellite Imagery

［J］.Acta Geodaetica et Cartographica Sinica，2016，45（5）：581-591.

[本文引用: 1]

谭凯，张永军，童心，等.

国产高分辨率遥感卫星影像自动云检测

［J］.测绘学报，2016，45（5）：581-591.

[本文引用: 1]

Dong Zhipeng，Wang Mi，Li Deren，et al.

A Cloud Detection Method for High Resolution Remote Sensing Imagery based on the Spectrum and Texture of Objects

［J］.Acta Geodaetica et Cartographica Sinica，2018，47（7）：108-118.

[本文引用: 1]

董志鹏，王密，李德仁，等.

利用对象光谱与纹理实现高分辨率遥感影像云检测方法

［J］.测绘学报，2018，47（7）：108-118.

[本文引用: 1]

/

〈 〉