EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 4: 58 - 67

DOI: https://doi.org/10.6046/zrzyyg.2024151

Optical remote sensing-based cloud detection and extraction method for tropical and subtropical vegetation areas

  • HUANG Fe , 1, 2 ,
  • WANG Xiaoqiong 2 ,
  • NIE Guanrui 1 ,
  • YAN Jun 3 ,
  • LI Xianyi 3 ,
  • TIAN Jia 4 ,
  • ZHU Cuicui 2 ,
  • LI Qianjing 2 ,
  • TIAN Qingjiu , 2
Expand
  • 1. Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen 518034, China
  • 2. International Institute for Earth System Science, Nanjing University, Nanjing 210023, China
  • 3. Zhuhai Orbita Aerospace Science & Technology Co., Ltd., Zhuhai 519000, China
  • 4. School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing 100191, China

Received date: 2024-04-19

  Revised date: 2024-07-01

  Online published: 2026-06-03

Fold

Abstract

Optical satellite remote sensing images of tropical and subtropical vegetation areas are often affected by cloud cover, leading to missing remote sensing information of surface features. Effectively detecting clouds, classifying clouds and objects, and extracting cloud cover information remain hot topics and challenges in remote sensing research. Many optical cameras in domestic satellites lack the short-wave and thermal infrared spectral bands, which are used in prevailing cloud detection algorithms, reducing the image data availability after cloud removal. Hence, this study suggested detecting the spatial distribution of cloud cover by utilizing only several spectral bands in the visible light - near-infrared range (400 nm to 1 000 nm). Based on the hyperspectral remote sensing images from the Zhuhai-1 satellite, this study constructed feature space scatter plots using spectral indices, including normalized difference vegetation index (NDVI) and normalized differential water index (NDWI), for cloud/object classification and detection. Moreover, this study extracted the cloud, water, and vegetation cover information from mixed pixels. The results demonstrate that compared to conventional cloud detection methods using spectral index thresholds, the cloud detection algorithm under the NDWI-NDVI feature space used in this study exhibited a superior cloud-water separation capability and simple operability. It can precisely describe the spatial distribution characteristics of cloud cover by suppressing the shadow effect on cloud cover. Overall, this study offers a novel technical approach for further developing cloud detection, cloud-water separation, and cloud cover information extraction algorithms for domestic optical satellite remote sensing data.

Key words： spectral index; hyperspectral remote sensing; cloud detection; feature space; tropic and subtropic; Zhuhai-1 satellite

Cite this article

HUANG Fe , WANG Xiaoqiong , NIE Guanrui , YAN Jun , LI Xianyi , TIAN Jia , ZHU Cuicui , LI Qianjing , TIAN Qingjiu . Optical remote sensing-based cloud detection and extraction method for tropical and subtropical vegetation areas[J]. Remote Sensing for Natural Resources, 2025 , 37(4) : 58 -67 . DOI: 10.6046/zrzyyg.2024151

0 引言

基于光学卫星遥感影像的云检测是遥感领域的重要研究方向之一,旨在通过对遥感影像进行处理和分析,自动识别和提取云覆盖信息。在光学遥感影像中,云覆盖信息对于气象、环境、军事等领域具有重要意义。因此,如何有效地检测和提取遥感影像中的云覆盖信息,仍然是遥感领域研究的热点和难点。随着卫星多光谱和高光谱遥感技术的不断发展,高光谱数据因其光谱波段多、光谱范围广等优势在许多领域得到广泛应用。在实际应用中,越来越多的国产卫星高光谱数据可用性低是目前亟待解决的问题之一。其中,云是光学影像获取地表有效信息的最大限制性因素之一[1],影响了光学遥感数据的可用性。国际卫星云气候学计划(International Satellite Cloud Climatology Project,ISCCP)数据显示,全球66%的卫星遥感数据被云覆盖,云在地球观测数据中占有较大的比例,尤其是在热带亚热带植被覆盖区域[2]。亟待提高云覆盖地区卫星遥感影像数据的利用率,也促进了云检测与云覆盖度信息提取技术的发展。
针对光学卫星遥感数据,目前虽已有大量云检测和云覆盖提取的研究成果,主要是基于光谱阈值、机器学习和深度学习的方法[3-5]。机器学习和深度学习由于其自动化特点近些年被广为应用,然而,其训练样本数据量大、计算机要求性能高等缺点也不容忽视。对于多光谱遥感影像,张明波[6]将云检测问题分为地物和云的二分类问题,利用支持向量机(support vector machine,SVM)提出针对全色CCD高分辨率影像的云检测算法; 姬森展[7]构建可见光遥感图像轻量化语义分割网络用于云检测,并减少参数量提高了检测速度; 杨彬等[8]提出了训练样本自动提取算法并结合SVM分类方法实现HY-1C CZI遥感影像的非监督遥感影像云检测。胡昌苗等[9]基于GF-1多光谱影像,提出了一种光谱阈值结合云影形态的云检测算法,能够在缺失参数的情况下达到常用算法相近的精度; Li等[10]提出一种云和云影检测的自动多特征组合算法,结合影像光谱特征阈值分割及几何和纹理特征实现GF-1宽视场(wide field view,WFV)影像的云检测; 冯书谊等[11]采用多谱段阈值提出了一种基于光谱反射率特性的星载高光谱影像云检测方法。针对高分辨率全色遥感影像的特点,赵晓等[12]提出了基于云与地物模式分类的遥感影像云检测总体方案,克服了传统多谱段阈值方法的不足。对于高光谱遥感影像,由于光谱波段较多常常采用光谱阈值法作为云区和下垫面的决策判别依据[13]。Sun等[14]结合AVIRIS高光谱样本库,提出了统一样本云检测方法,该方法基于BP神经网络,能够有效地检测云和晴空地表像元,适用于多种传感器的云检测; 隋淞蔓等[15]针对GF-6 WFV数据光谱范围较窄的特性,进一步完善和改进了统一样本云检测技术。另外,目前光学遥感种类丰富,适用于不同卫星遥感数据的云检测和覆盖提取方法也往往不同。
基于机器学习和深度学习的云检测算法大多需要提取图像的特征,获取大量样本,根据模型进行识别判断,其时间成本和计算量较大。而光谱阈值法全面综合地考虑了几种光谱谱段特性,进行阈值检测来判断是否为云,但其具有识别精度不高,很难区分薄云与下垫面的缺点[16-17]。基于单一光谱或光谱指数阈值的云检测方法精度较低,后被自动云覆盖评估方法和掩模函数 (Fmask)方法所取代[18]。Zhu等[19]基于Landsat8卷云波段对Fmask算法进行改进,相较于Landsat4—7,新的卷云波段能够提高Fmask云检测效果,特别是对薄卷云。然而,与Landsat,MODIS,Sentinel-2等广泛应用于云检测的典型卫星数据产品不同,国内光学卫星遥感谱段大多在400~1 000 nm范围内,缺少云影像质量标记的短波红外波段,也缺少云检测常用的热红外波段与水汽/CO2吸收波段。因此,如何利用国产光学卫星遥感影像的有限波段进行云检测和云覆盖提取制图,对于提高国产光学卫星遥感数据质量以及其广泛应用至关重要。
本文仅利用绿光、红光和近红外3个波段构建归一化水体指数(normalized difference water index,NDWI)和归一化植被指数(normalized difference vegetation index,NDVI),通过组合构建散点图特征空间,分析云、水、植被3个主要组分空间分布特征,并考虑到热带亚热带植被覆盖区裸土占比很小的特点,提出基于NDWI-NDVI特征空间的云检测和云覆盖信息精确提取方法。以珠海一号卫星(orbita hyper spectral,OHS)高光谱遥感影像为例,结合特征光谱阈值法, 根据NDVI和NDWI的光谱指数及其组合形式构建NDWI-NDVI特征空间,通过云层和地物光谱特征分类方法划分特征阈值,进行光学卫星遥感影像云检测和云覆盖信息提取制图。

1 研究区概况与数据源

1.1 研究区概况

研究区位于海南省内(图1),主要以五指山市为主,还包含白沙黎族自治县南部、琼中黎族苗族自治县西部、保亭黎族苗族自治县北部和乐东黎族自治县东部,介于109°13'28.69″~109°48'38.54″E,18°34'28.33″~19°8'22.85″N之间。研究区地形整体呈中部高,四周低的趋势,位于中心的五指山是海南岛最高的山峰。研究区属热带季风气候类型,长夏无冬,雨量丰沛,森林资源丰富,植物繁多,五指山等地分布有热带森林等林区。研究区内国外卫星过境影像少、周期长,同时该地常年云层覆盖较多,大大降低了光学卫星遥感影像的可用性。因此,目前亟须提出一个能够适用于国产光学卫星遥感影像的云检测和云覆盖信息提取的新方法来解决这些问题。
图1 研究区位置示意图

Fig.1 Study area location diagram

1.2 数据源

本文所用卫星高光谱影像来自珠海欧比特宇航科技股份有限公司资助支持。OHS高光谱影像空间分辨率为10 m,“品”字形3幅影像幅宽为150 km,光谱分辨率为2.5~5 nm,谱段数为32个,波谱范围为400~1 000 nm,有7颗在轨卫星,平均每5 d就可以覆盖一遍全球。OHS高光谱数据获取日期为2018年11月3日。利用ENVI5.6对影像进行辐射定标、大气校正、正射校正等数据预处理,预处理后真假彩色合成效果见图2。其中真彩色合成波段为R: 670 nm(B14),G: 566 nm(B7),B: 480 nm(B2); 假彩色合成波段为R: 880 nm(B28),G: 670 nm(B14),B: 566 nm(B7)。
图2 研究区珠海一号卫星高光谱假彩色和真彩色影像

Fig.2 OHS false-color and true-color images in the study area

2 云检测与云覆盖信息提取方法

2.1 云物光谱特征分析与光谱指数构建

如图3所示,不同的地物在可见光-近红外波段光谱反射率差异比较显著。云在可见光-近红外谱段的反射光谱与积雪、水体、植被、土壤等地物有着明显的差异。由此,在可见光-近红外范围,通过谱段组合构建光谱指数增强不同地物光谱差异性信息,再利用阈值分割方法进行云层和不同地物(即云/物)光谱分离。
图3 云/物反射光谱曲线

Fig.3 Spectral curves of cloud and ground objects

云在绿、红和近红外3个波段的反射率数值较为接近(图3),且在绿波段的光谱反射率有别于其他地物。水体在红光波段和绿光波段的反射率均小于近红外波段,与其他地物有明显不同; 植被在绿光波段有明显的反射峰,在红光波段有一个吸收峰,在近红外波段反射率快速上升,形成陡坡。利用云和不同类型地物的绿光波段、红光波段及近红外波段的特性差异,通过构建的NDWI和NDVI光谱指数可用于不同地物的光谱分离。
NDVI是利用红和近红外波段构建得到的[20],具有广泛应用价值的植被指数,可作为土地覆盖变化的可靠指标[21-23],计算公式为:
N D V I = ρ N I R - ρ R ρ N I R + ρ R
式中: ρ N I R为近红外波段的反射率; ρ R为红色波段的反射率。
NDWI是利用绿和近红外波段构建得到的[24],能很好地消除山体阴影、建筑等非水体信息,计算公式为:
N D W I = ρ G - ρ N I R ρ G + ρ N I R
式中: ρ N I R为近红外波段的反射率; ρ G为绿色波段的反射率。

2.2 基于单一光谱指数阈值的云检测方法

常用的光谱阈值分割法有基于直方图阈值法、基于经验法、迭代阈值算法等[25-27]。如图4所示,OHS相机高光谱影像的NDVI和NDWI这2个光谱的直方图曲线及其微分后曲线,包含丰富的遥感影像光谱信息。通过分析NDVI和NDWI直方图曲线特征及其斜率变化,可以确定不同地物类型特征点作为潜在阈值。再基于经验进行阈值修正[28],从而获得NDVI和NDWI的不同地物分类阈值表(表1)。因NDVI和NDWI均是归一化差值光谱指数,也具有抑制阴影影响的能力,在阈值分割和地物分类过程中,将会一定程度抑制对地物分类的影响。
图4 基于NDVI和NDWI直方图阈值及其分割图像

Fig.4 Histogram threshold and Image segmentation of NDVI and NDWI

表1 NDVI和NDWI光谱指数分割阈值特征点

Tab.1 Segmentation featwe points of threshold of NDVI and NDWI

阈值特征分割 水体 厚云 薄云 裸土 植被
NDVI阈值 [-0.7, 0.08) [0.08, 0.3) [0.3, 0.6) [0.6, 0.7) [0.7, 1]
NDWI阈值 [-0.08, 0.1) [-0.17, -0.08) [-0.34, -0.17) [-0.43, -0.34) [-1, -0.43]

2.3 NDWI-NDVI特征空间构建与分析

遥感影像分析中,“同谱异物”和“同物异谱”现象普遍存在。基于单一光谱指数将遥感影像的光谱信息压缩至一维,在该尺度上不同地物有可能表现为相同的值,极大地浪费影像的可利用光谱信息。因此,本文联合NDVI与NDWI组合的光谱指数特征空间,用于提高地物分类精度,更准确提取云覆盖信息。
基于OHS高光谱影像的NDWI-NDVI光谱指数,构建特征空间散点分布图(图5)。其中横坐标代表NDVI,范围在[-1, 1],纵坐标代表NDWI,范围在[-1, 1],散点分布图呈现出三角形特征空间结构形态。考虑到研究区植被和水体占比较高,而裸土占比较少,且裸土和阴影像元聚集在云和植被像元之间,因此在NDVI和NDWI组成的三角特征空间中,设定水体、云、植被3种组分,分别占据特征空间三角形3个顶点,尽管云像元与水、裸土像元部分可能有所混合。此外,三角形特征空间散点分布呈现一定宽度的条状特征,表明NDVI与NDWI有良好的负线性关系, 相关性分析结果显示相关系数(R2)为0.904,表明二者存在显著的负相关关系。
图5 NDWI-NDVI特征空间散点图

Fig.5 Feature space scatter plot of NDWI-NDVI

2.4 基于NDWI-NDVI特征空间的云检测方法

在单一光谱指数阈值分类中,代表不同地物类别的像元可能有相同的NDWI或NDVI,利用单一的光谱指数阈值往往导致地物类型的错分。基于NDWI-NDVI特征空间散点图的云覆盖提取方法,可以提高云和下垫面地物的分类精度。
依据像元间光谱信息的相似性可以很好地进行地物分类,相同的地物类别在光谱指数空间中有着相似的特征。在聚类算法中,常用光谱指数特征空间中的距离作为分类依据。同样,在(NDVI,NDWI)二维散点空间,可利用聚类算法结合经验阈值进行水体、裸土、云层、植被以及阴影地物分类(图6)。结合特征空间散点图分类大致有3个步骤,首先是基于NDVI或NDWI阈值初步确定各类地物矩形区域; 其次基于真彩色图像分类效果调整散点聚类; 最后调整像元点至最优聚类并完成分类。
图6 NDVI-NDWI特征空间阈值分类过程

Fig.6 Process of feature space threshold classification of NDVI-NDWI

2.5 基于NDWI-NDVI三角特征空间的云覆盖信息提取方法

三角形空间法是假设每个像素在线性尺度上由3个分量组成,从而可以同时估计不同分量的占比[29]。整幅遥感影像需满足三角特征空间的2个前提条件,一是混合像元的反射率值源于云、水、植被3种组分; 二是云、水、植被的光谱端元对应特征空间三角形3个顶点。三角特征空间法的核心价值是用于混合像元分解。线性光谱解混是一种分析含有混合光谱信息的像素中各种目标端元的覆盖度的技术[30-31]。通过线性光谱像元分解的方法,以估计每个像元云、水、植被端元的覆盖度。
热带亚热带植被覆盖区中裸土占比很少,可忽略。从光谱阈值分割的角度理解,阴影通常可合并归类到水体,云、水体、植被成为混合像元的3个主要组分。基于NDWI-NDVI散点图三角形特征空间,仍可精确提取云层覆盖信息,这是由于阴影通常会使植被覆盖度降低,水体覆盖度增高,而云的覆盖度受到云阴影影响却很小。在NDVI-NDWI组成的特征空间中,散点聚集成三角形形状(图5)。其中,水体散点位于三角形左上顶点簇,植被散点位于三角形的右下顶点簇,云散点位于三角形的左下顶点簇。
依照钝角三角形形状手动选择端元(图5(b))。云、水、植被端元代表每个地物类型的典型光谱,需要遵循2个原则: 一是端元之间的连接线能够勾画出散点的轮廓; 二是构建的三角形特征空间包含最多的散点。各地物端元代表每个地物目标的典型光谱[32],混合像元各组分覆盖度计算公式为:
f c + f w + f v = 1
N D V I M = f c · N D V I c + f w · N D V I w + 　 　 　 　 　 　 f v · N D V I v
N D W I M = f c · N D W I c + f w · N D W I w + 　 　 　 　 　 　 f v · N D W I v
式中: f c, f w和 f v分别为混合像元中云、水、植被的覆盖度,是待解值; N D V I c, N D V I w, N D V I v和 N D V I M分别为混合像元4个端元对应的NDVI值; N D W I c, N D W I w, N D W I v和 N D W I M分别为混合像元4个端元对应的NDWI值。

3 结果与分析

3.1 云检测结果分析

3.1.1 基于单一光谱指数阈值的云物分类结果

根据直方图特征分割阈值(表1),将2018年11月3日 OHS卫星高光谱影像分成水体、植被、裸土、薄云和厚云5类地物(图7)。结果表明,单一光谱指数阈值分类方法能够大致区分厚云和薄云,但水体、厚云、薄云3者之间区分能力有限。
图7 基于单一光谱指数阈值的云物分类图

Fig.7 Result of single index threshold classification

3.1.2 基于光谱指数特征空间散点图的云物分类结果

基于光谱指数特征空间散点图分布结果,根据NDWI-NDVI特征,将OHS高光谱影像分为云和水体、植被、裸土等地物类型,该云/物分类方法可以进一步区分出薄云和厚云以及阴影。分类结果见图8。
图8 NDWI-NDVI散点分类结果

Fig.8 Result of scatter classification NDWI-NDVI

3.1.3 基于光谱指数三角特征空间的云检测和覆盖信息提取结果

通过计算各像元云、植被和水体三组分覆盖度( f c, f v, f w),将各组分覆盖度图像进行彩色合成(Red: f c; Green: f v; Blue: f w),得到云、水体和植被分布特征图像(图9)。由于阴影的影响,计算的植被覆盖度通常会略低,而水体的覆盖度通常会增高,但云的覆盖度受到云阴影影响很小。
图9 基于光谱指数三角特征空间的云物覆盖度分布图

Fig.9 Cloud coverage distribution map based on triangular space method

3.2 云检测方法对比分析

目视解译是最直观的云物分类结果效果的对比方法。以真彩色合成光学遥感影像作为基础,可分析不同云物分类方法的差异(图10)。图10(c)、图10(d)、图10(e)和图10(f)对应的4种云检测方法都能有效地提取云层覆盖信息。基于NDVI或NDWI单一光谱指数阈值方法,虽然能提取大部分云层分布信息,但是对于水和云的区分能力较差,云/物分类结果中,均出现了云层被误分为水体的现象(图10(c)、图10(d)); 相比之下,基于NDWI-NDVI三角特征空间法,不仅表现出了很好的云、水分离能力,还能进一步区别薄云和厚云分布(图10(e)、图10(f)),而且还能借助归一化光谱指数抑制云阴影对地物分类的影响。
图10 云检测和云提取方法效果对比图

Fig.10 Comparison of different cloud detection methods

4 结论与讨论

1)以OHS高光谱影像为例,根据云/物的光谱特性,利用可见光-近红外(400~1 000 nm)谱段中的绿光、红光和近红外3个谱段的NDWI和NDVI,提出了基于NDWI-NDVI散点图特征空间的云/物分类的云检测方法,解决了单一光谱指数阈值分类的局限性,提高了云/物分类的精度,进一步抑制了阴影影响。同时在光谱指数三角形特征空间散点图基础上,考虑热带和亚热带植被覆盖区地物类型特点,以云、水体、植被为三角形顶点端元,精确计算云层覆盖度,实现云覆盖空间分布特征制图。
2)国产光学卫星遥感大多在可见光-近红外(400~1 000 nm)范围内设多个谱段,缺少类似Landsat8/9 OLI和Sentinel-2A/B MSI在短波红外和热红外的云检测谱段。本文基于NDWI-NDVI三角特征空间进行云/物分类和云检测方法简便易行,不仅可检测云层覆盖度的分布,提取出植被、水体等地物覆盖度信息,同时可用于进一步区分出厚云和薄云。由此可大大提高了国产多光谱卫星数据可用性。
3)云、水、雪属于不同形态的水,在可见光-近红外范围内,水与云、雪的光谱特性有很大差异。本文利用这一光谱特性差异,将云、水分离。然而,雪与云在这一谱段的光谱特性较为相近,NDWI-NDVI散点图中容易相混,很难将二者分离。但对热带亚热带植被覆盖度区而言,积雪也很少,仍然可以将云、水和植被作为混合像元的主要组分,借助三角形特征空间技术和混合像元分解模型,实现云覆盖度精确估算与空间分布制图。
4)上述方法既可适用于多光谱影像和高光谱影像云检测与云覆盖度提取要求,还能够用于区分厚云和薄云。但未考虑不同形态的云,例如积云、层云、卷云、高云、中云、低云和直展云等。因为不同形态的云有不同的光谱和空间特征,未来可进一步系统探究多种类型的云层光谱分类。
5)单景遥感影像的云通过不同传感器类型、成像时间及角度表现出不同的形状、大小,云检测精度的验证通常是从定性的角度,通过对比原始影像和提取出的云信息来进行评估,对于定量分析,常用的评价方式是通过与人工解译的云掩模图像进行对比分析。本文基于OHS高光谱遥感影像的云检测结果,采用目视解译的定性方式能更直观地反映提取精度。在后续的研究中,若能结合静止卫星高分辨率遥感多景影像,通过提取连续云掩模覆盖信息,应能更好地实现云覆盖定量分析。

本文获得珠海欧比特宇航科技股份有限公司资助支持,在此表示衷心的感谢!

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈津乐, 张锦水, 段雅鸣, 等. 中分辨率遥感影像云检测与厚云去除研究综述[J]. 遥感技术与应用, 2023, 38(1):143-155.

Chen J L, Zhang J S, Duan Y M, et al. A review of cloud detection and thick cloud removal in medium resolution remote sensing images[J]. Remote Sensing Technology and Application, 2023, 38(1):143-155.

[2]
Saunders R W. An automated scheme for the removal of cloud contamination from AVHRR radiances over western Europe[J]. International Journal of Remote Sensing, 1986, 7(7):867-886.

[3]
朱照荣, 张锡越, 曾艳艳, 等. TBC 4.0软件下的长基线数据处理精度分析[J]. 测绘通报, 2018(4):146-149.

DOI

Zhu Z R, Zhang X Y, Zeng Y Y, et al. Accuracy analysis of data processing for long baseline based on TBC 4.0 software[J]. Bulletin of Surveying and Mapping, 2018(4):146-149.

DOI

[4]
钟磊, 崔文刚, 敖德春, 等. 三种GPS基线处理软件的解算精度分析[J]. 测绘与空间地理信息, 2018, 41(2):90-93.

Zhong L, Cui W G, Ao D C, et al. Three kinds of GPS baselines processing software solution precision analysis[J]. Geomatics and Spatial Information Technology, 2018, 41(2):90-93.

[5]
胡玉祥, 王智, 张洪德, 等. TBC和LGO在GNSS数据处理中的对比和应用研究[J]. 城市勘测, 2018(2):115-118.

Hu Y X, Wang Z, Zhang H D, et al. Comparison and application research of TBC and LGO in GNSS data processing[J]. Urban Geotechnical Investigation & Surveying, 2018(2):115-118.

[6]
张明波. 高分辨率遥感图像云检测方法研究[D]. 大连: 大连海事大学, 2018.

Zhang M B. Research on cloud detection method of high resolution remote sensing image[D]. Dalian: Dalian Maritime University, 2018.

[7]
姬森展. 基于卷积神经网络的实时遥感图像云检测方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2021.

Ji S Z. Research on cloud detection method of real-time remote sensing image based on convolutional neural network[D]. Harbin: Harbin Institute of Technology, 2021.

[8]
杨彬, 郭金源, 何鹏, 等. 面向HY-1C卫星CZI陆地遥感图像的云检测方法研究[J]. 遥感学报, 2023, 27(1):55-67.

Yang B, Guo J Y, He P, et al. Research on cloud detection for HY-1C CZI remote sensing images collected over lands[J]. National Remote Sensing Bulletin, 2023, 27(1):55-67.

[9]
胡昌苗, 张正, 唐娉. 国产卫星多光谱数据云与云影检测算法研究[J]. 遥感学报, 2023, 27(3):623-634.

Hu C M, Zhang Z, Tang P. Research on multispectral satellite image cloud and cloud shadow detection algorithm of domestic sate-llite[J]. National Remote Sensing Bulletin, 2023, 27(3):623-634.

[10]
Li Z W, Shen H F, Li H F, 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):342-58.

[11]
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.

Feng S Y, Zhang N, Shen J, et al. Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics[J]. Chinese Optics, 2015, 8(2):198-204.

[12]
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.

Zhao X, Hou Q Y, Liang B B, 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.

[13]
徐冬宇, 厉小润, 赵辽英, 等. 基于光谱分析和动态分形维数的高光谱遥感图像云检测[J]. 激光与光电子学进展, 2019, 56(10):101003.

Xu D Y, Li X R, Zhao L Y, et al. Hyperspectral remote sensing image cloud detection based on spectral analysis and dynamic fractal dimension[J]. Laser and Optoelectronics Progress, 2019, 56(10):101003.

[14]
Sun L, Yang X, Jia S, et al. Satellite data cloud detection using deep learning supported by hyperspectral data[J]. International Journal of Remote Sensing, 2020, 41(4):1349-1371.

[15]
隋淞蔓, 夹尚丰, 胡学谦. 统一样本云检测技术在GF-6 WFV上的改进与应用[J]. 遥感学报, 2022, 26(4):646-56.

Sui S M, Jia S F, Hu X Q. Improvement of unified sample cloud detection technology and its application in GF-6 WFV cloud detection[J]. National Remote Sensing Bulletin, 2022, 26(4):646-656.

[16]
吴金亮. 国产高分多光谱数据的自动云检测[J]. 计算机与网络, 2015, 41(14):45-47.

Wu J L. Cloud detection algorithm for domestic high-resolution multispectral image data[J]. Computer and Network, 2015, 41(14):45-47.

[17]
高贤君, 万幼川, 郑顺义, 等. 航空摄影过程中云的实时自动检测[J]. 光谱学与光谱分析, 2014, 34(7):1909.

Gao X J, Wan Y C, Zheng S Y, et al. Real-time automatic cloud detection during the process of taking aerial photographs[J]. Spectroscopy and Spectral Analysis, 2014, 34(7):1909.

[18]
Irish R R, Barker J L, Goward S N, et al. Characterization of the Landsat7 ETM+ automated cloud-cover assessment (ACCA) algorithm[J]. Photogrammetric Engineering and Remote Sensing, 2006, 72(10):1179-1188.

[19]
Zhu Z, Wang S, Woodcock C E. Improvement and expansion of the Fmask algorithm:Cloud,cloud shadow,and snow detection for Landsats4-7,8,and Sentinel 2 images[J]. Remote Sensing of Environment, 2015, 159:269-277.

[20]
Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2):127-150.

[21]
Usman M, Liedl R, Shahid M A, et al. Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data[J]. Journal of Geographical Sciences, 2015, 25(12):1479-1506.

DOI

[22]
Baeza S, Paruelo J M. Land use/land cover change (2000-2014) in the Rio de la plata grasslands:An analysis based on MODIS NDVI time series[J]. Remote Sensing, 2020, 12(3):381.

[23]
Kodl G, Streeter R, Cutler N, et al. Arctic tundra shrubification can obscure increasing levels of soil erosion in NDVI assessments of land cover derived from satellite imagery[J]. Remote Sensing of Environment, 2024, 301:113935.

[24]
Gao B C. NDWI—a normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3):257-266.

[25]
Huang D Y, Wang C H. Optimal multi-level thresholding using a two-stage Otsu optimization approach[J]. Pattern Recognition Letters, 2009, 30(3):275-284.

[26]
Rosin P L. Unimodal thresholding[J]. Pattern Recognition, 2001, 34(11):2083-2096.

[27]
Xu X, Xu S, Jin L, et al. Characteristic analysis of Otsu threshold and its applications[J]. Pattern Recognition Letters, 2011, 32(7):956-961.

[28]
Sobrino J A, Raissouni N, Li Z L. A comparative study of land surface emissivity retrieval from NOAA data[J]. Remote Sensing of Environment, 2001, 75(2):256-266.

[29]
Tian J, Su S, Tian Q, et al. A novel spectral index for estimating fractional cover of non-photosynthetic vegetation using near-infrared bands of Sentinel satellite[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 101:102361.

[30]
Goodwin N, Coops N C, Stone C. Assessing plantation canopy condition from airborne imagery using spectral mixture analysis and fractional abundances[J]. International Journal of Applied Earth Observation and Geoinformation, 2005, 7(1):11-28.

[31]
Tian J, Zhang Z, Philpot W D, et al. Simultaneous estimation of fractional cover of photosynthetic and non-photosynthetic vegetation using visible-near infrared satellite imagery[J]. Remote Sensing of Environment, 2023, 290:113549.

[32]
Garcı'a-Haro F J, Gilabert M A, Meliá J. Extraction of endmembers from spectral mixtures[J]. Remote Sensing of Environment, 1999, 68(3):237-253.

Options
Outlines

/

〈 〉