基于MODIS的云量检测方法研究

杨 喆,王 昱

1.武汉大学遥感信息工程学院，湖北 武汉，430072；2.西安测绘研究所，陕西 西安，710054；3.地理信息工程国家重点实验室，陕西 西安，710054



基于MODIS的云量检测方法研究

杨 喆1,2,3,王 昱1,2,3

1.武汉大学遥感信息工程学院，湖北 武汉，430072；2.西安测绘研究所，陕西 西安，710054；3.地理信息工程国家重点实验室，陕西 西安，710054

云量对于光学遥感影像质量有着重要影响，在一定程度上制约了光学遥感影像的应用。传统云检测方法通常无法准确检查出冰雪与云的区别，对薄云、碎云和云边缘的识别率不高。针对上述问题，本文研究了基于先验地表反射率数据支持的云检测方法，在云检测动态阈值模型的构建过程中，使用MODIS(moderate-resolution imaging spectroradiometer)地表反射率数据作为先验地表反射率数据，并基于辐射传输模型在多种条件下进行模拟，设置动态云检测阈值识别云像元。通过实验，验证了这种方法能够有效避开混合像元对云检测能力的影响，提高云量检测的准确率。

MODIS；云量检测；遥感影像质量；辐射传输模型；地表反射率

1 引 言

传统云检测方法是利用云与典型地表物体反射率以及亮度温度的差异，使用固定阈值法来实现云与地表的识别。这种方法常常对冰雪覆盖的影像造成云量误判，并且对于薄云、碎云、云边缘而言，像元反射率是云与地表混合作用的结果，固定阈值法通常无法准确识别该类型地表的云覆盖。此外，对陆地观测卫星而言，由于其波段较少，并且集中在可见光及近红外波段，传统的云检测方法也无法有效地对该类型传感器生成的影像进行云量识别。

针对遥感影像在云识别过程中存在的上述问题，本文提出了基于先验地表反射率数据支持的云检测方法，该方法在云检测动态阈值模型的构建过程中，使用MODIS地表反射率数据作为先验地表反射率数据，并基于辐射传输模型在多种条件下进行模拟，设置动态云检测阈值识别云像元。

2 MODIS

MODIS是被动式成像分光辐射计，具有36个离散光谱波段，光谱范围宽，从0.4微米(可见光)到14.4微米(热红外)全光谱覆盖。MODIS的多波段数据可以同时提供反应陆地、云边界、云特性等特征信息[1]。MOD09数据作为目前公认的最为接近地表真实反射率的数据产品，其生成算法与数据精度都得到了同行认可。MODIS09是经过大气校正的陆地表面反射率，产品级别为L1B，由于其仅使用了MODIS的前七个波段，因此MODIS09只能提供白天地表反射率数据。MOD09产品在生产过程中考虑了大气和气溶胶的散射和吸收的情况、土地覆盖类型变化、邻近像元效应以及地表二向反射和卷云的影响[2]。MOD09利用传感器获得的8天连续数据合成8天的地表反射率产品，按最小反射率技术合成一幅影像，最大限度地降低了云及大气的影响。在使用MOD09数据之前需要进行数据的预处理工作，包括几何校正、影像重采样，以及影像拼接等[3～5]。本文选择MOD09为先验数据，将其作为真实的地表反射率数据；以MOD10冰雪产品作为先验数据，对冰雪覆盖区域和云进行判定。

3 6S辐射传输模型

6S辐射传输模型(Second Simulation of the Satellite Signal in the Solar Spectrum)，其前身为法国里尔科技大学大气光学实验室开发的5S(Simulation of the Satellite Signal in the Solar Spectrum)大气辐射传输模型[6]。在遥感观测的“太阳-目标-传感器”模式中，无论使用卫星或飞机，数据获取过程中都不可避免地受到大气的影响。6S模型采用了逐次散射算法(succsessive order of scattering，SOS)计算大气散射和吸收，并引进模型参数输入，具有较高的精度。

假设目标表面为均匀朗伯表面，不考虑气体吸收，在6S模型中卫星观测的表观反射率可用下式表达[6]：

(1)

式中，ρt代表地表反射率；ρ*代表表观反射率；θs、φs、θv和φv分别代表太阳天顶角和方位角、传感器天顶角与方位角；S代表大气球面反照率；T代表大气下行透过率；t′ 代表大气漫射透过率；ρa是大气的路径辐射项等效反射率。

6S辐射传输模型是基于晴空条件下的模拟，考虑到不同地物在大气方式、气溶胶模型、几何参数、气溶胶光学厚度等不同的情况下，其表观反射率会发生变化：

y=xa*(measured radiance)-xb

(2)

rac=y/(1+xc*y)

(3)

式中，xa、xb、xc为大气校正系数；measured radiance为表观辐照度；rac为大气校正后得到的地表反射率。

本文利用6S大气辐射传输模型对其中各个参数进行模拟，并分析在不同情况下地表反射率与表观反射率的变化情况，进行动态阈值的构建。

4 基于MODIS的云量检测方法

4.1 基于MODIS地表反射率数据集

(1)选取覆盖我国的一年间所有8天合成的MODIS地表反射率数据(MOD09A1)，每年共计有46景数据。

(2)对选取的影像进行几何校正和拼接处理。我国作为中纬度国家，为了使全国数据保持等面积特性，不发生面积上的变形，纠正后输出影像均采用“AlbersConicalEqualArea”投影，坐标系为WGS-84，影像空间分辨率为500m。在数据集构建时，只选取和TH-01星相对应的波段，即MODIS红光波段、蓝光波段、绿光波段和近红外波段。

(3)对于拼接出来的全国地区影像，每月至少有4景影像。利用最小值合成法将这4景影像合成为1景月影像。其合成方法如下：以2008年的第1月的MOD09GA数据为例，数据获取的天数为1、9、17、25共4天。利用4景影像的相应位置进行最小值法数据合成；对于合成后仍然有云的数据区域，再利用之后若干年同月份的相应位置的无云区域数据修补，最终形成1景全国大陆区域内的无云标准地表反射率产品。按照时间优先级合成的数据，可以将地表结构变化所引起的误差降至最小。

(4)在不同气溶胶光学厚度下，晴空像元表观反射率随光学厚度的变化关系如图1所示。通过模拟外界不同条件下表观反射率的变化趋势，可以拟合出表观反射率变化最大的那条曲线，构建出云检测随地表反射率变化的一个动态阈值。

图1 云检测阈值模型构建示意图

4.2 基于6S模型的动态阈值设定

在动态阈值模拟时，6S参数具体设置如下：由于我国大部分地区位于中纬度，大气模式使用中纬度夏季与中纬度冬季两个模式，气溶胶模式选择为大陆型、城市型和海洋型三种。太阳天顶角为10°、20°、30°、40°；卫星观测角为10°、25°、40°、55°；气溶胶光学厚度为0.1、0.2、0.4、0.5、0.6、0.7六个条件；地表反射率为0.01、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8九个参数。

应用上述参数，模拟晴空条件下表观反射率的变化情况，从中找出所有可能情况下表观反射率的最大值Rmax。由于表观反射率既受观测天顶角的影响，也受太阳高度角的影响，在使用非线性最小二乘拟合动态阈值的时候，应该考虑Rmax和地表反射率与观测天顶角和太阳高度角之间的关系。拟合的结果作为云检测的动态阈值，高于Rmax值的为云，低于的则为晴空像元。

第一波段云检测阈值为：

0. 79595*(Mod)+0.041421*cos(A)*cos(B)+0.074918;

(4)

第二波段云检测阈值为：

0. 80187*(Mod)+ 0.024166*cos(A)*cos(B)+0.043954;

(5)

第三波段云检测阈值为：

0. 82846*(Mod)+ 0.017796*cos(A)*cos(B)+0.032538;

(6)

第四波段云检测阈值为：

0.83093*(Mod)+ 0.030505*cos(A)*cos(B)+0.042567;

(7)

其中，Mod为MOD09数据地表反射率值；cos(A)为太阳天顶角余弦值；cos(B)为卫星天顶角余弦值。只有当所有的波段都判定为云，最终的判定结果才会认定为云，否则为晴空像元。

在可见光和近红外的光谱波段，冰雪区域和云的光谱较为接近，很难进行直接判定。结合MOD10冰雪产品做为先验知识，对冰雪覆盖区域和云进行判定，能很大程度上提高判定精度。对于MOD10冰雪产品的处理，也与MOD09大致相同。MOD10数据同样选择8天合成产品，首先进行几何校正与拼接处理，获得全国的冰雪覆盖影像。之后进行一个月合成处理，对于每月的4景影像进行并运算，即某一点在同一月的4景影像中全部判定为冰雪覆盖，则在合成影像中认为该区域当月为冰雪区域；只要有1景不为冰雪，则认为该区域为晴空区域。

4.3 云检测的具体流程

图2 天绘多光谱影像云检测流程图

5 试验及结果分析

为了验证基于MODIS云检测方法的合理性和准确性，本文设计了主观试验和客观试验，同时与传统的云量固定阈值检查法进行了对比。

5.1 主观试验

主观试验是由20名参试人员进行人眼目视影像云量主观判读的统计，并将统计结果与本文提出的方法检测结果进行对比，所用数据为随机抽取的172景影像。考虑到主观判断结果在不同个体间可能产生较大的差异，在最终的统计结果中剔除了与总体水平差异较大的数据，即仅对与全体参评人员主观平均值相差在±10之内的数据进行统计，其余数据做为粗差剔除。图3为程序结果与主观结果的对比图。

图3 程序结果与主观结果对比图

主观试验中，172景影像主观判读云量结果与本文提出的检测方法结果相比，两者误差超过15%的影像共37景，占整个试验影像的22%。该影像除去因冰雪因素造成目视误判的影像10景，剩余27景，占总影像的16%。对剩余27景影像进行分析，大多影像都存在大量的薄云以及碎云，造成判读人员主观上云量的夸大或减小。

5.2 人工勾绘试验

人工勾绘试验是利用ERDAS软件进行云量勾绘，将勾绘结果与本文提出的方法的检测结果进行对比，试验所用数据为地物类型是沙漠、冰雪、山地、平原和海洋五类共24景影像。图4为程序判断结果与人工勾绘云量结果对比图。

图4 程序结果与人工勾绘结果对比图

由图4可以看到人工勾绘云量与程序结果云量两者相差较小，大部分都在5%以内，其中差值最大的为8%。

5.3 与传统固定阈值检测方法的对比试验

固定阈值法的中心思想是根据图像灰度、亮温、反射率或者归一化指数等特征来选取最佳阈值，并逐个将图像像素的特征值与阈值进行比较，最后根据初始设定的阈值将像素划分到相应类别中去，以此来检测云区域及其下垫面。由于天绘一号卫星为陆地观测卫星， 其传感器波段设置仅为可见光与近红外波段，因此，对于此类卫星一般使用表观反射率为固定阈值来进行云检测。表观反射率的计算过程如下：

(8)

(9)

其中，L为影像的表观辐射亮度；DN(DigitalNumber)是遥感影像像元亮度值；K为定标系数中的增益；B为偏移；p为表观反射率；θ为影像的太阳天顶角；Esun为大气顶层太阳辐照度；d为平均日地距离。

下面为不同云检测方法的对比结果图，所展示图片依次为假彩色合成图、人工勾绘结果图、基于MODIS的云检测结果图，最后为传统固定阈值云检测结果图。

假彩色合成影像人工勾绘程序检测固定阈值42%34%33%

假彩色合成影像人工勾绘程序检测固定阈值9%4%20%

假彩色合成影像人工勾绘程序检测固定阈值8%8%70%

假彩色合成影像人工勾绘程序检测固定阈值13%17%52%

6 结 论

由试验结果可以看到，本文提出的基于MODIS的云量检测方法通过主、客观试验和相对于传统的固定阈值法的验证，能够有效避开混合像元对云检测能力的影响，提高云量检测的准确率，可为遥感影像的质量控制和应用带来积极的影响。

本文提出的方法对于地表反射率库的数据更新、卫星载荷的定标精度和传感器的稳定性有一定的要求，通过后续更新数据可以减少云量的误判、错判，进一步提升云量检测的精度。

[1]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,2011.

[2]包书新.基于MODIS数据的云识别研究[D].长春：吉林大学,2008.

[3]王永亮.MODIS图像的薄云透明云检测[J].气象科学,2007,27(1):76-81.

[4]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.

[5]马芳，张强，郭妮等.多通道卫星云图云检测方法的研究[J].大气科学，2007,31(1)：119-128.

[6]Vermote E F，Tanre D，Deuze J L，et al.Second Simulation of the Satellite Signal in the Solar Spectrum，6S：An Overview[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(3):675-686.

Cloud Cover Detection Based on MODIS

Yang Zhe1,2,3,Wang Yu1,2,3

1. Institute of Geodesy and Geomatics,Wuhan University , Wuhan 430072,China 2. Xi’an Research Institute of Surveying and Mapping, Xi’an 710054,China 3. State Key Laboratory of Geo-information Engineering, Xi’an 710054,China

Cloud cover has an important effect on the quality of optical remote sensing images, and it restricts the application of optical images to a certain extent. Traditional cloud detection methods can hardly distinguish between snow and cloud, neither identify the thin cloud, fractus and the cloud edge with high precision. In order to solve these problems, the cloud detection method based on the prior surface reflectivity data is studied in this paper. The MODIS surface reflectivity is used as prior surface reflectivity data in stimulating the dynamic threshold model of cloud detection, and the dynamic detection threshold is set to identify the cloud pixel. The experiment result proves that the method can effectively avoid the effect of mixed pixel on cloud detection capability and improve the accuracy of cloud cover detection.

MODIS; cloud cover detection；remote sensing image quality; radiative transfer model; surface reflectance

2014-12-06。

杨喆(1982—)，男，助理研究员，主要从事航天摄影测量与遥感影像处理方面的研究。

P228

A