鄧夢(mèng)嬌，徐 新，2，馬盈盈，龔 威，金適寬，胡瑞敏

（1. 武漢科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北武漢 430065；2. 武漢科技大學(xué)智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430065；3. 武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430072；4. 武漢大學(xué)計(jì)算機(jī)學(xué)院，湖北武漢 430072）

1 引言

隨著遙感技術(shù)的發(fā)展，衛(wèi)星遙感數(shù)據(jù)在測(cè)繪、環(huán)境、國土、海洋、林業(yè)、農(nóng)業(yè)等領(lǐng)域得到廣泛的應(yīng)用. 遙感衛(wèi)星對(duì)地觀測(cè)時(shí)會(huì)受到云的遮擋，導(dǎo)致遙感影像上的信息造成不同程度的缺失，降低其數(shù)據(jù)質(zhì)量，這會(huì)直接影響到大氣參數(shù)反演、異常檢測(cè)和分類以及農(nóng)作物檢測(cè)等許多傳統(tǒng)的遙感任務(wù)［1～3］. 此外，云層類型的多樣性和地表的復(fù)雜性也阻礙了遙感影像中云的高精度檢測(cè)［4，5］. 因此，準(zhǔn)確地將云和晴空進(jìn)行分離對(duì)遙感數(shù)據(jù)的處理和應(yīng)用有著十分重要的意義.

目前，研究人員提出了大量基于閾值的傳統(tǒng)云檢測(cè)算法. 基于閾值的方法具有精度高、結(jié)果穩(wěn)定等優(yōu)點(diǎn)，其大多利用云具有較高的反射率以及較低的溫度的特性，在不同的波段設(shè)定固定的閾值實(shí)現(xiàn)云檢測(cè). 例如用于AVHRR 的云掩膜算法應(yīng)用5 個(gè)閾值測(cè)試，對(duì)每個(gè)像素而言，只有當(dāng)所有的測(cè)試都證明其為無云像素時(shí)，才將其識(shí)別為無云像素［6，7］. 然而，對(duì)于復(fù)雜地表和云類型，很難從任何波長中確定合適的閾值來準(zhǔn)確檢測(cè)云. 針對(duì)這一問題，研究人員開發(fā)了動(dòng)態(tài)閾值、自適應(yīng)閾值以及多波段組合閾值等云檢測(cè)方法. 例如，Jedlovec 等人［4］提出了一種用于GOES-12 成像儀的雙譜復(fù)合閾值技術(shù)，利用20 天合成的差分圖像來表征時(shí)空變化的晴空閾值. 隨著機(jī)器學(xué)習(xí)在解決二分類問題上的良好發(fā)展，研究人員也開始將其應(yīng)用到云檢測(cè)上. 如Wei 等人［8］提出一種將隨機(jī)森林與超像素提取結(jié)合的云檢測(cè)方法；Li等人［9］提出了一種基于弱監(jiān)督深度學(xué)習(xí)的云檢測(cè)方法. 然而，由于地表的復(fù)雜性以及云層類型的多樣性，如何用正確的數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型變得尤為重要. 為了解決這個(gè)問題，本文通過SBDART 輻射傳輸模型模擬不同地表類型下的反射率，將其作為多層感知機(jī)模型的訓(xùn)練樣本.

風(fēng)云三號(hào)D 星（FY-3D）是我國的第二代極軌氣象衛(wèi)星，于2017年12月發(fā)射，2018年11月交付.FY-3D星上搭載的中分辨率光譜成像儀（advanced Medium Resolution Spectral Imager，MERSI II）是主要的傳感器之一，可以獲得地表、土壤、植被、水體、積雪等光譜范圍內(nèi)的反射率數(shù)據(jù)以及大氣中粒子的吸收和散射輻射信息［10］. 本文以MERSI II 傳感器為例，針對(duì)其覆蓋面積廣、掃描角度寬和像元空間分辨率較低等特點(diǎn)，設(shè)計(jì)了一套結(jié)合輻射傳輸模型和多層感知機(jī)模型的云檢測(cè)方案. 該方案以輻射傳輸模型模擬的衛(wèi)星表觀反射率為訓(xùn)練樣本，將訓(xùn)練好的多層感知機(jī)模型用來檢測(cè)MERSI II影像中的云，最后使用CALIOP/CALIPSO 的同時(shí)觀測(cè)數(shù)據(jù)對(duì)其進(jìn)行驗(yàn)證，并將其云檢測(cè)正確率與MYD35 產(chǎn)品進(jìn)行對(duì)比. 相對(duì)于真實(shí)樣本，本研究使用模擬樣本有以下好處：（1）無人為選擇的影響；（2）可應(yīng)用于任何傳感器；（3）可在傳感器發(fā)射之前測(cè)試其性能. 本文方法所采用的思路為通用思路，可以為其他新的衛(wèi)星或機(jī)載數(shù)據(jù)在試驗(yàn)階段設(shè)定一套處理方案.

2 相關(guān)工作

云和地物在不同的波段具有不同的光譜特征，根據(jù)該特征，研究者們展開了一系列基于閾值的云檢測(cè)工作. 例如，Rossow 等人［11］提出用于國際人造衛(wèi)星云氣候?qū)W計(jì)劃（ISCCP）的云檢測(cè)方法；Irish 等人［12，13］提出了一種用于Landsat 7 的自動(dòng)云覆蓋評(píng)估方法；Ackerman等人［14］提出了用于MODIS的云檢測(cè)方法. 然而，此類方法依賴特定的傳感器，對(duì)于復(fù)雜的地表和云層類型，很難找到合適的閾值來檢測(cè)云［15］，并且當(dāng)高分辨率衛(wèi)星傳感器波段較少且無法提供更多的特征來區(qū)分云和地表時(shí)，算法識(shí)別云的準(zhǔn)確率會(huì)下降. 針對(duì)以上問題，Sun 等人［15］利用6S（Second Simulation of the Satellite Signal in the Solar Spectrum）［16，17］模型，模擬了不同觀測(cè)和大氣條件下的地表反射率和表觀反射率變化的關(guān)系，提出了基于先驗(yàn)地表反射率數(shù)據(jù)庫的通用動(dòng)態(tài)閾值云檢測(cè)算法；Zhu 等人［1］提出一種適合Landsat 影像的云檢測(cè)方法，該方法根據(jù)不同的場(chǎng)景自動(dòng)設(shè)置閾值并且結(jié)合云對(duì)象識(shí)別從影像中識(shí)別出云.

隨著機(jī)器學(xué)習(xí)的發(fā)展，研究人員開始嘗試將機(jī)器學(xué)習(xí)應(yīng)用到大氣遙感領(lǐng)域，開始利用該技術(shù)進(jìn)行云檢測(cè). 例如，Wang 等人［18］使用支持向量機(jī)進(jìn)行云檢測(cè)；Meng 等人［19］為恢復(fù)影像中因云遮擋而造成的信息缺失，以去除影像中的云，提出了一種基于稀疏字典學(xué)習(xí)的圖像修復(fù)方法；Wei 等人［8］為識(shí)別復(fù)雜地表上的碎云和薄云，先使用隨機(jī)森林方法得到初步的分類結(jié)果，考慮云的空間特征，采用SEEDS（Super-pixels Extracted via Energy-Driven Sampling）分割方法對(duì)初步分類結(jié)果進(jìn)行再處理，得到最后的云識(shí)別結(jié)果. 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)算法在計(jì)算機(jī)視覺、自然語言處理等領(lǐng)域得到十分廣泛的應(yīng)用［20～22］. 基于卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的表征學(xué)習(xí)能力，研究人員也將其應(yīng)用到云檢測(cè). 例如，Xie 等人［23］采用簡單線性迭代聚類方法構(gòu)建超像素，再使用卷積神經(jīng)網(wǎng)絡(luò)從而識(shí)別出云；Segal-Rozenhaimer等人［24］針對(duì)World-View-2（WV-2）和Sentinel-2（S-2）衛(wèi)星提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的域自適應(yīng)云檢測(cè)方法. 全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）［25］將傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中的全連接層轉(zhuǎn)化為一個(gè)個(gè)卷積層，通過上采樣恢復(fù)到與輸入圖像相同的尺寸，實(shí)現(xiàn)基于像素級(jí)的分類. 隨著FCN的提出以及圖像分割任務(wù)的發(fā)展，研究人員也將云檢測(cè)當(dāng)作語義分割問題來解決. 例如，Chai 等人［26］將云和云影檢測(cè)作為一種語義分割問題，基于SegNet 提出了一種應(yīng)用于Landsat 系列衛(wèi)星的云和云影檢測(cè)方法；Mateo-García 等人［27］基于FCN 模型并利用兩種域適應(yīng)變換策略分別實(shí)現(xiàn)從Landsat-8 衛(wèi)星遷移到Proba-V衛(wèi)星和從Proba-V遷移到Landsat-8的跨平臺(tái)云檢測(cè)；Li 等人［28］基于編碼-解碼結(jié)構(gòu)提出了一種可用于多種傳感器的多尺度卷積特征融合方法，該方法融合6 種不同尺度的特征，得到基于像素級(jí)的分類結(jié)果；Wielan 等人［29］提出了一種基于經(jīng)典的Unet 結(jié)構(gòu)的云和云影分割方法，并展示了不同的訓(xùn)練策略和光譜波段組合對(duì)分割性能的影響.Yang 等人［30］提出了一種CDnet（Cloud Detection neural network）云檢測(cè)方法，該方法基于ResNet50 網(wǎng)絡(luò)進(jìn)行特征提取，運(yùn)用一個(gè)特征金字塔模塊（Feature Pyramid Module，F(xiàn)PM）提取不同尺度的上下文信息，再通過一個(gè)邊界細(xì)化模塊（Boundary Refinement，BR）來細(xì)化云的邊界，從而實(shí)現(xiàn)云檢測(cè)，然而，由于遙感影像尺寸較大，為降低計(jì)算一般將其裁剪為256×256，512×512 或1024×1024 大小的影像；為了支持更大尺度的空間特征，同時(shí)減少對(duì)大型衛(wèi)星圖像的計(jì)算需求，Luotamo等人［31］提出了一種兩級(jí)聯(lián)CNN模型組件結(jié)構(gòu)依次處理欠采樣和全分辨率圖像，從而實(shí)現(xiàn)云的檢測(cè).

對(duì)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，訓(xùn)練數(shù)據(jù)的數(shù)量以及訓(xùn)練樣本的正確性是十分重要的，然而由于城鎮(zhèn)用地、裸土等地表的復(fù)雜性，該地表類型上的云通常難以被檢測(cè)和正確標(biāo)注. 而輻射傳輸模型計(jì)算的樣本能充分考慮到各種復(fù)雜的情況，可以避免人工選擇樣本的主觀性. 因此，本研究采用另一種思路，通過SBDART輻射傳輸模型模擬衛(wèi)星表觀反射率，得到多層感知機(jī)模型的訓(xùn)練樣本，將訓(xùn)練好的多層感知機(jī)檢測(cè)MERSI II影像中的云，用CALIOP/CALIPSO 的同時(shí)觀測(cè)數(shù)據(jù)對(duì)其進(jìn)行驗(yàn)證，并從月份、緯度兩個(gè)方面將其云檢測(cè)正確率與MYD35 產(chǎn)品進(jìn)行對(duì)比. 為了進(jìn)一步驗(yàn)證本文方法的有效性，將模擬得到的訓(xùn)練樣本分別用于k-最近鄰、樸素貝葉斯以及隨機(jī)森林算法，并從總正確率和F1 評(píng)分兩個(gè)指標(biāo)上與本文多層感知機(jī)算法進(jìn)行對(duì)比.

3 方法

3.1 表觀反射率的模擬

SBDART（Santa Barbara DIS ORT Atmospheric Radiative Transfer）是一個(gè)可以用于計(jì)算在晴朗和有云條件下地球大氣和地面間平面平行輻射傳輸?shù)能浖ぞ撸捎糜诜治鲂l(wèi)星遙感和大氣能量收支研究中遇到的各種輻射傳輸問題［32］. 在耦合大氣和地表的系統(tǒng)中，輻射傳播可以通過求解下列輻射傳輸方程得到［33］：

其中，I(τ，μ，Φ)為散射輻射的分布，τ為光學(xué)厚度，ω和Φ分別為單次散射反照率以及散射角，p(cosθ)為散射相函數(shù)，μ和μ'分別為入射光和散射光的方位角，S*(τ，μ'，Φ')為單次散射源項(xiàng). 因此，通過SBDART 來模擬各種復(fù)雜的大氣條件下衛(wèi)星所接收到的表觀反射率.

輸入不同的內(nèi)在光學(xué)特性（Inherent Optical Properties，IOPs）到SBDART模型，關(guān)鍵IOPs參數(shù)的設(shè)置如表1所示. 其中，大氣IOPs參數(shù)的設(shè)置主要考慮不同特性的氣溶膠和云. 對(duì)于云參數(shù)，使用SBDART 模型自帶的球形云滴參數(shù)數(shù)據(jù)庫，主要考慮冰云和水云的高度、云光學(xué)厚度（Cloud Optical Depth，COD）和云滴有效半徑.而表面IOPs 主要考慮陸地類型，陸地地表的反射特性由Ross-Li核驅(qū)動(dòng)的BRDF模型確定. 其中，地表下墊面各向異性反射由聚類方法從MODIS 產(chǎn)品中得到，每一種地物類型聚類得到兩套反射參數(shù)，并在輻射傳輸模型中將其以隨機(jī)的線性比例混合，以模仿不同季節(jié)可能的反射特征.

表1 關(guān)鍵IOPs參數(shù)設(shè)置

通過SBDART 模型的模擬，得到約560 萬個(gè)帶標(biāo)簽的樣本，每條樣本除有關(guān)鍵IOPs 參數(shù)特征外，還含有MERSI II 傳感器1～7 波段以及19 波段的反射率特征.將該數(shù)據(jù)作為多層感知機(jī)模型的訓(xùn)練數(shù)據(jù).

3.2 多層感知機(jī)

多層感知機(jī)（Multilayer Perceptron，MLP）是一種將一組輸入數(shù)據(jù)映射到一組輸出數(shù)據(jù)的前饋神經(jīng)網(wǎng)絡(luò)［34］，其一重要特點(diǎn)是多層，因此也被稱為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）. 云檢測(cè)可看作一種二分類問題，多層感知機(jī)能夠用來解決復(fù)雜的分類問題，并且具有準(zhǔn)確率高的特點(diǎn).

多層感知機(jī)由3 層組成，分別為輸入層、隱藏層以及輸出層. 輸入層接收數(shù)據(jù)的輸入，隱藏層對(duì)輸入數(shù)據(jù)特征進(jìn)行處理，而輸出層輸出預(yù)測(cè)結(jié)果. 多層感知機(jī)的輸出描述如下［35］：

其中，xi為給定樣本的i個(gè)特征的輸入，wij和wjp分別為輸入層與隱藏層的連接權(quán)重以及隱藏層與輸出層的連接權(quán)重，φH為隱藏層的激活函數(shù)，而φo為輸出層的激活函數(shù).

通過上一步輻射傳輸模型的模擬，得到約560萬條帶標(biāo)簽的樣本，每條樣本含有關(guān)鍵IOPs 參數(shù)特征、MERSI II 傳感器1～7 波段以及19 波段的反射率特征.樣本標(biāo)簽0 表示無云，1 表示有云. 本研究選取其中的13 個(gè)特征作為多層感知機(jī)模型的輸入?yún)?shù)，分別為太陽天頂角、衛(wèi)星天頂角、相對(duì)方位角、8 個(gè)波段的反射率、地表高程以及地表類型. 因此，多層感知機(jī)模型的輸入神經(jīng)元個(gè)數(shù)設(shè)置為13. 將多層感知機(jī)的隱藏層個(gè)數(shù)設(shè)置為2，其每層神經(jīng)元的個(gè)數(shù)分別設(shè)置為10 和8，各層的激活函數(shù)選擇ReLU函數(shù). 將輸出層的神經(jīng)元個(gè)數(shù)設(shè)置為2，輸出層使用sigmoid 函數(shù). 由于在線性回歸問題中，常選用均方誤差（Mean Squared Error，MSE）函數(shù)作為損失函數(shù)，而在分類問題中，常選用交叉熵函數(shù)作為損失函數(shù)［36］，因此，本研究選用交叉熵?fù)p失函數(shù)來計(jì)算傳播誤差.

多層感知機(jī)模型最后一層的輸出結(jié)果按照以下方式來確定：由于輸出層通過sigmoid 函數(shù)將輸出值映射到0 和1 之間，輸出層兩個(gè)神經(jīng)元的值分別代表著無云和有云的概率，而每一層神經(jīng)元從0 開始編號(hào)，即輸出層兩個(gè)神經(jīng)元的編號(hào)分別為0 和1，與樣本標(biāo)簽數(shù)值一致，那么可選取概率大的神經(jīng)元編號(hào)作為整個(gè)模型的輸出結(jié)果，即0表示無云，1表示有云.

將多層感知機(jī)模型訓(xùn)練的學(xué)習(xí)率設(shè)置為0.001，將batch_size 的大小設(shè)置為256，訓(xùn)練次數(shù)設(shè)置為200. 為了防止過擬合，在隱藏層的激活函數(shù)后面加上dropout層，dropout層隨機(jī)丟棄神經(jīng)元的概率分別設(shè)置為0.2 和0.5. 整個(gè)方法的流程圖如圖1所示.

圖1 算法流程圖

4 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果

4.1 數(shù)據(jù)介紹

4.1.1 MERSI II/FY-3D 數(shù)據(jù)和MODIS 產(chǎn)品

MERSI II共配備25個(gè)通道，包括16個(gè)可見光-近紅外通道、3個(gè)短波紅外通道和6個(gè)中長波紅外通道［37］，其掃描寬幅約為2900 km，并能每天完成一次對(duì)全球的覆蓋. 本研究使用了MERSI II 傳感器的前7個(gè)通道以及第19號(hào)通道，具體的波段及其基礎(chǔ)參數(shù)如表2所示.

表2 MERSI II 傳感器1-7及19波段基礎(chǔ)參數(shù)

中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）是搭載在TERRA 和AQUA衛(wèi)星上的主要傳感器之一，兩顆衛(wèi)星相互配合每1～2天可以重復(fù)觀測(cè)整個(gè)地球表面［38］，其觀測(cè)到的數(shù)據(jù)可幫助我們理解全球陸地、海洋等的動(dòng)態(tài)變化過程. 由于MODIS 和MERSI II 兩種傳感器的設(shè)計(jì)相似，因此本文主要使用MODIS 發(fā)布的MYD35，MCD43C1 以及MCD12C1 三種產(chǎn)品數(shù)據(jù)，分別作為云掩膜對(duì)比以及輻射傳輸模型的輸入數(shù)據(jù). 由于FY-3D 為下午星，因此選用同為下午星的AQUA 衛(wèi)星上的MODIS 云掩膜產(chǎn)品MYD35，用于與本文方法所得結(jié)果進(jìn)行對(duì)比. 其中，MYD35 為MODIS 二級(jí)產(chǎn)品，該產(chǎn)品算法采用一系列閾值測(cè)試來檢測(cè)1 km 像素內(nèi)是否存在云.MCD43C1 產(chǎn)品提供了光譜散射、體散射和幾何光學(xué)散射三個(gè)權(quán)重參數(shù)，用于BRDF 模型以確定陸地地表的反射特性，本研究根據(jù)每一個(gè)地表類型從該產(chǎn)品中聚類出了兩種地物反射參數(shù)，在模擬時(shí)隨機(jī)線性混合這兩種地表參數(shù). 而MCD12C1 產(chǎn)品是Terra 和Aqua 衛(wèi)星遙感獲得的地表覆蓋類型數(shù)據(jù)，用于確定不同經(jīng)緯度下的土地覆蓋類型，該參數(shù)作為輻射傳輸模型的輸入數(shù)據(jù)之一.

4.1.2 CALIOP/CALIPSO 產(chǎn)品

CALIPSO（The Cloud-Aerosol LIDAR Infrared Pathfinder Satellite Observations）衛(wèi) 星 是 由 美 國NASA 于2006年4月成功發(fā)射的太陽同步軌道衛(wèi)星，分別于當(dāng)?shù)貢r(shí)間01∶30 和13∶30 過境，16 天可覆蓋全球. CALIPSO由3 個(gè)部分構(gòu)成，分別為雙波長偏振激光雷達(dá)（Cloud-Aerosol Lidar with Orthogonal Polarization，CALIOP）、紅外成像輻射計(jì)（Imaging Infrared Radiometer，IIR）和寬幅照相機(jī)（Wide Field Camera，WFC）. CALIOP 每24 h發(fā)射170 萬次激光. 垂直特性掩膜（Vertical Feature Mask，VFM）產(chǎn)品數(shù)據(jù)由CALIOP 獲得，采用一系列算法確定云和氣溶膠的空間位置信息. 本研究使用4.0 版本、空間分辨率約為5 km 的VFM產(chǎn)品，最終得到近400萬個(gè)樣本，用作本文云檢測(cè)算法和MODIS 云掩膜產(chǎn)品的驗(yàn)證數(shù)據(jù).

4.1.3 實(shí)驗(yàn)數(shù)據(jù)

在輻射傳輸模型模擬階段，利用MODIS 發(fā)布的MCD43C1和MCD12C1兩種產(chǎn)品數(shù)據(jù)，得到輻射傳輸模型的輸入數(shù)據(jù). 在多層感知機(jī)模型訓(xùn)練階段，使用輻射傳輸模型模擬得到的約560 萬條帶標(biāo)簽的樣本數(shù)據(jù).而在多層感知機(jī)模型的測(cè)試階段，使用MERSI II 傳感器獲取的真實(shí)數(shù)據(jù). 該數(shù)據(jù)的真實(shí)標(biāo)簽來源于CALIOP 的VFM 產(chǎn)品數(shù)據(jù).CALIOP 是一種主動(dòng)探測(cè)設(shè)備，發(fā)射激光脈沖來進(jìn)行大氣探測(cè)，主動(dòng)信號(hào)對(duì)云滴顆粒很敏感，因此它的VFM 數(shù)據(jù)可以看作真實(shí)值，故可作為測(cè)試集的標(biāo)簽. 最終得到近400 萬個(gè)樣本作為測(cè)試數(shù)據(jù).

本研究將輻射傳輸模型模擬得到的約560 萬條數(shù)據(jù)作為訓(xùn)練集，將MERSI II傳感器獲取的近400萬條數(shù)據(jù)作為測(cè)試集. 數(shù)據(jù)下載鏈接如表3所示.

表3 所用數(shù)據(jù)

4.2 云光譜特征

圖2 是輻射傳輸模型在不同太陽天頂角范圍內(nèi)模擬得到的水云和冰云的反射光譜特征，每個(gè)圖均為模擬的在不同的云光學(xué)厚度下表1 所列出的波段處的反射特征. 其中，圖2（a）是太陽天頂角取值為0°～30°，圖2（b）是太陽天頂角取值為30°～60°，圖2（c）是太陽天頂角取值為60°～90°. 衛(wèi)星天頂角和相對(duì)方位角分別為30°和60°. 由圖2可知：第一，當(dāng)云光學(xué)厚度和波長一定時(shí)，在不同的太陽天頂角范圍下，云的反射率有所不同，并且隨著太陽天頂角的增大，反射率先增大后減小，這可能是因?yàn)樘柼祉斀沁^大，傾斜路徑的散射會(huì)更強(qiáng)；第二，對(duì)于不同波長而言，有云和無云的反射率有明顯的差異，在1.38 μm 波段處，由于該波段處于一個(gè)極強(qiáng)水汽吸收帶［39］，水汽的強(qiáng)烈吸收導(dǎo)致地面和低空水云的輻射難以到達(dá)傳感器，進(jìn)而導(dǎo)致水云的反射信號(hào)非常微弱，而無云的反射率幾乎為0；第三，隨著云光學(xué)厚度的增大，反射率也隨著增大，這是由于云越來越密實(shí)，云體反射率逐漸增大而造成的.

圖2 不同角度下水云和冰云的反射光譜特征.由于1.38微米波段處主要受水汽吸收的影響，故將該波段單獨(dú)列出放置最右側(cè)

基于此，通過多層感知機(jī)來學(xué)習(xí)這些特征差異，進(jìn)而檢測(cè)出MERSI II影像中的云.

4.3 MERSI II光學(xué)影像云檢測(cè)

本研究選取了不同的地區(qū)進(jìn)行實(shí)驗(yàn)，其中包含了植被、冰雪、裸土等多種下墊面. 本研究選取了4 個(gè)案例，用訓(xùn)練好的多層感知機(jī)檢測(cè)FY-3D 的MERSI II 影像中的云，識(shí)別結(jié)果如圖3 所示. 其中，第1 列到第3 列分別為真彩色影像、云檢測(cè)結(jié)果以及CALIOP 觀測(cè)的VFM 產(chǎn)品. 真彩色影像中紅色線為CALIPSO 過境軌道線. 圖3（a）為我國西南部及印度北部地區(qū)的影像，該區(qū)域地貌復(fù)雜，橫跨青藏高原；圖3（b）是包含我國西部及土庫曼斯坦鄰近幾個(gè)國家的影像，其植被較少，以溫帶荒漠和溫帶草原為主. 從這兩幅影像的云檢測(cè)結(jié)果可以看出，影像中的云幾乎均被多層感知機(jī)檢測(cè)出來. 圖3（c）為蒙古東部地區(qū)及黑龍江省的影像，植被類型以森林為主，從其云檢測(cè)結(jié)果可以看出，有部分地物被誤判成了云. 圖3（d）為我國中西部地區(qū)，其主要植被類型為草原和荒漠，從其云檢測(cè)結(jié)果可以發(fā)現(xiàn)，部分云沒有被檢測(cè)出來. 從圖3 可以看到，本研究方法能夠較好地從影像中識(shí)別出云，尤其對(duì)于復(fù)雜的陸地表面，這可能是因?yàn)樵摰乇眍愋吞卣饕子诒欢鄬痈兄獧C(jī)捕捉.

圖3 云檢測(cè)結(jié)果圖

4.4 基于CALIOP數(shù)據(jù)的對(duì)比實(shí)驗(yàn)

本研究利用CALIPSO 的VFM 產(chǎn)品對(duì)其進(jìn)行驗(yàn)證，將VFM 產(chǎn)品得出的結(jié)果作為云檢測(cè)結(jié)果，也就是說，如果VFM 產(chǎn)品劃分其為云像元，則認(rèn)為其為云像元，進(jìn)而來計(jì)算本研究云檢測(cè)方法的正確率.

4.4.1 多層感知機(jī)方法與MYD35產(chǎn)品的對(duì)比

利用訓(xùn)練好的多層感知機(jī)對(duì)MERSI II 影像進(jìn)行云檢測(cè)，計(jì)算了在不同月份和緯度下的正確率，并與MYD35 產(chǎn)品的正確率進(jìn)行對(duì)比. 圖4（a）為云檢測(cè)正確率隨月份變化的關(guān)系圖，圖4（b）為云檢測(cè)正確率隨緯度變化的關(guān)系圖. 從圖4（a）中可以看到，本文算法云檢測(cè)結(jié)果有很明顯的季節(jié)特征，除1 月、2 月、4 月和12 月之外，本文方法在其他月份下的云檢測(cè)正確率均高于MODIS 產(chǎn)品，尤其是夏季.7 月份的云檢測(cè)正確率能達(dá)到86.8%，而在冬季時(shí)的云檢測(cè)效果最差. 這可能是因?yàn)槎镜乇肀槐└采w，而冰雪與云的光譜特征非常相似，導(dǎo)致容易出現(xiàn)誤判和漏判的情況. 增加亮溫測(cè)試可能可以緩解冬季識(shí)別效果差的狀況，但亮溫信息很大程度上受下墊面而不是太陽光影響，復(fù)雜的地表類型使得亮溫模擬更加困難. 此外，從圖4（b）中可以看到，本文云檢測(cè)方法在低緯度的云檢測(cè)正確率較MODIS 產(chǎn)品高，在赤道附近的精度可達(dá)到91.7%. 這可能是因?yàn)榈途暥鹊貐^(qū)，植被較為復(fù)雜，多層感知機(jī)能夠較好地檢測(cè)出復(fù)雜地表的云.

圖4 正確率隨月份和緯度變化的關(guān)系圖

為了更好地驗(yàn)證本文的方法，計(jì)算了在不同地表類型下云檢測(cè)的正確率. 同樣地，將其與MYD35 產(chǎn)品正確率進(jìn)行對(duì)比，結(jié)果如表4 所示. 表中加粗字體表示本文算法云檢測(cè)正確率高于MYD35產(chǎn)品的地方.

從表4中可以看到，多層感知機(jī)在常綠闊葉林地表類型下的云檢測(cè)正確率最高，而常綠闊葉林主要分布于低緯度地區(qū)，這正好與上文結(jié)論相符. 而地表類型為草地時(shí)，云檢測(cè)正確率最低，這可能是因?yàn)樵摰乇眍愋拖碌臉颖緮?shù)較多，涵蓋了可出現(xiàn)的多種情況，而多層感知機(jī)在訓(xùn)練階段并沒有學(xué)習(xí)到這些特征. 多層感知機(jī)在城鎮(zhèn)用地、農(nóng)田等復(fù)雜地表類型的正確率相差不大，并且均高于MYD35 產(chǎn)品的正確率，這可能歸功于我們利用MODIS 產(chǎn)品MCD43C1 較為準(zhǔn)確地計(jì)算了這些復(fù)雜地表類型下的地表各向異性反射. 然而，地表類型為濃密灌木叢時(shí)，本文方法云檢測(cè)的正確率明顯低于MYD35 產(chǎn)品，這可能是因?yàn)楸疚牡玫降脑擃愋蜆颖緮?shù)較少，多層感知機(jī)沒有完全學(xué)習(xí)或者過度學(xué)習(xí)了該類型下的特征.

表4 不同地表類型下的云檢測(cè)正確率比較

4.4.2 多層感知機(jī)算法與k-最近鄰、樸素貝葉斯、隨機(jī)森林算法的對(duì)比

k-最近鄰（K-Nearest Neighbours，KNN）［40］、樸素貝葉斯（Naive Bayesian，NB）［41］、隨機(jī)森林（Random Forest，RF）［42～44］均為機(jī)器學(xué)習(xí)中高效的分類方法. 本文用該3種算法與本文多層感知機(jī)方法進(jìn)行對(duì)比. 這3種算法所用的數(shù)據(jù)與多層感知機(jī)所用數(shù)據(jù)一致，即訓(xùn)練數(shù)據(jù)均為輻射傳輸模型模擬得到的模擬數(shù)據(jù).

為了定量的評(píng)價(jià)這幾種方法，本文采用正確率（Accuracy）和F1 評(píng)分這兩種評(píng)價(jià)指標(biāo). 正確率表示的是正確識(shí)別的云和晴空像素的數(shù)量占總像素?cái)?shù)量的比例.F1 評(píng)分為查準(zhǔn)率（Precision）和查全率（Recall）的綜合評(píng)價(jià)，用于綜合反映整體的指標(biāo). 其中，查準(zhǔn)率表示的是識(shí)別為云的像素中實(shí)際為云像素的比例，查全率表示的是識(shí)別為云的像素占真實(shí)云像素總數(shù)的比例.這兩種評(píng)價(jià)指標(biāo)的值越大，則算法的性能越好. 其計(jì)算公式如下：

其中，TP 為正確識(shí)別的云像素?cái)?shù)量；FP 為誤判為云的晴空像素?cái)?shù)量；TN 為正確識(shí)別的晴空像素的數(shù)量；FN為漏判的云像素?cái)?shù)量.

表5為多層感知機(jī)與KNN，NB，RF的對(duì)比結(jié)果. 表中在各評(píng)價(jià)指標(biāo)上的最高值用加粗字體表示. 由表5可見，本文的多層感知機(jī)方法在正確率和F1評(píng)分這兩個(gè)評(píng)價(jià)指標(biāo)上是比較的方法中最高的，分別達(dá)到了76.25%和82.32%. 多層感知機(jī)的F1 評(píng)分值略高于KNN，NB，RF 3種算法，而這3種算法的F1評(píng)分值相差不大，這表明多層感知機(jī)算法對(duì)云像素具有更好的識(shí)別能力. RF算法云識(shí)別正確率僅69.51%，多層感知機(jī)正確率遠(yuǎn)高于隨機(jī)森林算法，而隨機(jī)森林算法F1評(píng)分卻與其他對(duì)比算法相差不大，這表明隨機(jī)森林算法不能較好地識(shí)別云像素，間接表明多層感知機(jī)更適合我們的方法.

表5 4種方法的對(duì)比

5 結(jié)語

本文結(jié)合多層感知機(jī)和輻射傳輸模型提出了一種云檢測(cè)方法，該方法通過輻射傳輸模型模擬，得到了各種復(fù)雜陸地表面的反射率數(shù)據(jù)，以此作為多層感知機(jī)的訓(xùn)練樣本，待訓(xùn)練完成后用以檢測(cè)MERSI II 光學(xué)影像中的云像元，并用CALIPSO 的VFM 產(chǎn)品以及MODIS云掩膜產(chǎn)品對(duì)其進(jìn)行對(duì)比驗(yàn)證. 本方法具有一定的通用性，并且云檢測(cè)的結(jié)果較為理想，其總的正確率達(dá)到76.25%. 在不同的季節(jié)以及不同緯度下云檢測(cè)正確率也有所不同. 通過與MYD35 產(chǎn)品對(duì)比發(fā)現(xiàn)，從季節(jié)上看，本文所提出的云檢測(cè)方法在6月、7月和8月的效果最好，其中，7 月份的云檢測(cè)正確率能達(dá)到86.8%. 從緯度上看，本文方法在低緯度地區(qū)的效果最好，其中，在赤道附近地表的準(zhǔn)確率能達(dá)到91.7%. 本文計(jì)算了不同地表類型下的云檢測(cè)正確率，與MYD35產(chǎn)品對(duì)比發(fā)現(xiàn)，本文方法在城市、農(nóng)田和裸地等復(fù)雜下墊面條件下的云檢測(cè)效果更好. 為了進(jìn)一步驗(yàn)證本文方法的有效性，將同樣的樣本分別用于k-最近鄰、樸素貝葉斯以及隨機(jī)森林算法的訓(xùn)練，待訓(xùn)練完成后，將此3 種算法用于檢測(cè)MERSI II影像中的云像元，并從總正確率和F1評(píng)分兩個(gè)指標(biāo)上與本文多層感知機(jī)算法進(jìn)行對(duì)比. 結(jié)果表明，多層感知機(jī)結(jié)合輻射傳輸模型模擬具有更好的效果.

利用多層感知機(jī)可以捕捉到不同特征之間更深層次的聯(lián)系，更為準(zhǔn)確地檢測(cè)出云. 在今后的研究中，可以考慮先將地表進(jìn)行分類，確定不同地表類型下足夠的樣本數(shù)量，分別對(duì)不同地表類型進(jìn)行訓(xùn)練，以進(jìn)一步提高云檢測(cè)的正確率.