统一样本云检测技术在GF-6 WFV上的改进与应用

统一样本云检测技术在GF-6 WFV上的改进与应用 Improvement of unified sample cloud detection technology and its application in GF-6 WFV cloud detection first-author 隋淞蔓，研究方向为大气定量遥感。E-mail： 1035016908@qq.com 隋淞蔓，研究方向为大气定量遥感。E-mail： 1035016908@qq.com 1035016908@qq.com corresp 夹尚丰，研究方向为大气定量遥感。E-mail： 571176273@qq.com 夹尚丰，研究方向为大气定量遥感。E-mail： 571176273@qq.com 571176273@qq.com 山东科技大学 测绘与空间信息学院, 青岛 266590 山东科技大学 测绘与空间信息学院, 青岛 266590 College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China 目前基于深度学习的云检测方法，受训练样本限制，算法难以推广及应用。为了快速实现针对多种传感器的高精度的云检测，Sun等（2020）提出统一样本云检测方法。基于AVIRIS高光谱样本库模拟出待检测传感器的云和晴空地表像元，将模拟得到的多光谱样本数据输入到BP神经网络中进行逐像元分类，生成云检测模型，实现Landsat 8 OLI等宽光谱传感器较高精度的云检测。该方法基于统一样本模拟出不同传感器的样本像元库，适用于多种传感器的云检测。由于Landsat 8 OLI波段较多，波谱范围覆盖宽，容易实现云的高精度识别。为了进一步提高其在光谱范围较窄的GF-6 WFV数据上的云检测应用精度，在模拟出的样本库中加入GF-6 WFV数据典型高亮地表像元。通过目视解译对云检测结果进行精度验证，结果表明，该算法利用可见光和近红外通道的遥感数据可以高精度的识别出植被、水体、建筑、裸地等地表类型上空的厚云、碎云和薄云。改进后的云检测算法，云像元平均正确率达到88.40%，在高亮地表上空云像元正确率达到87.40%，在不同地表类型上空的云像元平均正确率为92.60%。结果表明，加入高反射率地物的算法可以利用有限波段实现云和地表的高精度分离。 The unified sample cloud detection method proposed by Sun et al. based on the AVIRIS hyperspectral sample database simulates the cloud and clear sky surface pixels of the sensor to be detected. The method also inputs the simulated multi-spectral sample data into BP neural network for pixel-by-pixel classification to generate cloud detection models. This method can realize high-precision cloud detection of Landsat 8 OLI and other wide spectrum sensors. This method, which simulates the sample pixel libraries, is suitable for cloud detection of various sensors. Given that the Landsat 8 OLI sensor has more bands, the spectrum covers a wide range, easily facilitating high-precision cloud identification. In this paper, an improved cloud detection algorithm is proposed. Owing to the narrow spectral range of GF-6 WFV data and the lack of cloud-sensitive bands such as 1.38 μm, 1.65 μm, and thermal infrared bands, cloud identification accuracy in high reflectivity areas is low. The cloud and clear sky image metadata simulated based on the unified sample pixel database have a weak ability to identify clouds and bright surfaces, and realizing stable and high-precision cloud identification of this type of satellite is impossible. To further improve the application precision of cloud detection on GF-6 WFV data with a narrow spectral range, GF-6 WFV data typical highlighted surface pixels were added into the simulated sample base to realize cloud detection of GF-6 WFV data with high precision. The main content of the improved unified sample cloud detection algorithm is as follows. (1) GF-6 WFV multi-spectral data simulation. This paper simulates the apparent reflectance of the corresponding band of GF-6 WFV data by the weighted synthesis of the band of AVIRIS hyperspectral data. (2) BP deep learning cloud detection model. In the simulated GF-6 WFV data sample base, typical highlighted surface samples, such as bare land, buildings, and snow, in the GF-6 WFV data are added. The apparent reflectance of each band of the improved data pixel in the sample base is taken as the input vector. The inductive ability of the neural network is used to learn cloud detection rules, generate a cloud detection model, and conduct cloud detection experiments. The accuracy of cloud detection results was verified by visual interpretation. The artificial labeled cloud area was taken as the reference truth value, and the cloud detection results of the algorithm were compared with the reference truth value on a per-pixel basis. By constructing an error matrix, the precision of cloud inspection results of the proposed algorithm is calculated and verified. With the improved cloud detection algorithm, the average correct rate of cloud pixels reaches 0.884 and 0.874 for cloud pixels over the highlighted land surface and 0.926 for cloud pixels over different land surface types. The results show that the algorithm can accurately identify the thick clouds, broken clouds, and thin clouds over vegetation, water, buildings, and bare land with high precision by using the remote sensing data of visible and near-infrared channels. The algorithm of adding high-reflectivity ground objects can use limited bands to achieve high-precision separation of clouds and ground. 云检测 GF-6 WFV数据 高光谱像元库 亮地表 深度学习算法 cloud detection GF-6 WFV data hyperspectral pixel library bright surface deep learning algorithm 1　引言 1 高分六号卫星是国家高分辨率重大专项卫星，其上搭载了2 m全色/8 m多光谱高分辨率相机（PMS）和16 m多光谱中分辨率宽幅相机（WFV）（ 黄建文 等，2021 黄建文 等，2021 ）。高分六号卫星相比之前高分系列卫星增加了紫谱段（0.40—0.45 μm）、黄谱段（0.59—0.63 μm）、红边谱段1（0.69—0.73 μm）和红边谱段2（0.73—0.77 μm）4个特殊波段（ 张磊 等，2019 张磊 等，2019 ），具有高分辨率和宽覆盖相结合的特点（ 郑利娟，2017 郑利娟，2017 ）。 云遮挡是光学遥感影像中的常见现象，云层的存在使得工作者获得的地物信息减少，降低影像的质量（ 李彬 等，2017 李彬 等，2017 ），已经成为制约光学遥感对地观测能力的主要影响因素（ Carslaw，2002 Carslaw，2002 ； Goodwin等，2013 Goodwin等，2013 ； Hagolle等， 2010 Hagolle等， 2010 ； Kazantzidis等，2011 Kazantzidis等，2011 ， 2012 2012 ； Li等，2011 Li等，2011 ）。因此，准确快速地实现GF-6 WFV卫星数据云检测对其图像的高效应用具有重要的意义。 卫星传感器的数量逐渐增多，卫星影像的数量也随之增加，大量的数据需要自动化的方法来对图像进行预处理。神经网络（ 刘成林和吴炳方，2004 刘成林和吴炳方，2004 ； Dan和Morrow，1998 Dan和Morrow，1998 ；Karlsso，1989； Clark，1999 Clark，1999 ； Walder和Maclaren，2000 Walder和Maclaren，2000 ）具有从示例中学习并概括新数据的能力，由于其固有的高并行性，非常适合执行实时决策和处理任务。学习算法、网络架构、输入和训练集的选择对于神经网络模型的准确性和可靠性起主导作用。以往的深度学习云检测算法（ Ball等，2017 Ball等，2017 ； 陈洋 等，2018 陈洋 等，2018 ； 邱梦 等，2018 邱梦 等，2018 ； 裴亮 等，2019 裴亮 等，2019 ； 么嘉棋 等，2019 么嘉棋 等，2019 ）通常受样本选择精度、样本数量和样本的代表性等多个因素的限制，其推广应用面临较大困难。为了提高神经网络方法在云检测中的利用效率， Sun等（2020） Sun等（2020） 提出了统一样本支持的深度学习云检测算法，基于光谱像元库模拟出不同传感器的表观反射率数据，对模拟的数据进行深度学习，实现了Landsat 8 OLI 、NPP VIIRS和Terra MODIS等传感器较高精度的云检测。由于Landsat 8 OLI等传感器波谱范围宽，易获取详细的地物信息（ Woodcock和Strahler，1987 Woodcock和Strahler，1987 ； Chander等，2009 Chander等，2009 ； Lee等，2004 Lee等，2004 ），从而实现较高精度的云识别。然而，GF-6 WFV的波长范围集中在0.4—0.89 μm，在有限的波长范围内，现有的高光谱数据库模拟的多光谱云和晴空像元（ 陈震霆 等，2018 陈震霆 等，2018 ），难以体现云和晴空像元的光谱差异（ 吕明明 等，2016 吕明明 等，2016 ），出现亮地表（ 陈曦东 等，2019 陈曦东 等，2019 ； Braaten等，2015 Braaten等，2015 ）误判现象。本文根据GF-6 WFV卫星数据特点，在原有模拟数据的基础上增加了GF-6 WFV数据的典型亮地表像元，弥补地物特征提取的不足。实验结果表明，该方法能有效提高原算法在GF-6 WFV数据上的云检测精度。 2　统一样本云检测算法介绍 1 统一样本数据支持的深度学习云检测算法基于AVIRIS像元库模拟出待测传感器云和晴空像元的表观反射率，用于不同传感器的云检测。其主要的工作内容包括以下4部分。 （1）建立统一样本像元库。通过目视解译的方法在AVIRIS高光谱数据上采集云和晴空像元样本。为了使选取的样本具有代表性，在多幅不同地区、不同时段的AVIRIS图像上进行样本采集。选取足够数量不同类型的云像元样本：厚云、碎云、薄云、云边缘。同时还考虑了不同地表类型对云像元反射率的影响，选取了5类晴空像元样本：植被、水体、城镇、云阴影以及其他。为了使所选样本尽可能的全面，像元库建立时，不仅云和下垫面的类型要考虑全面，像元数量也要足够多。经统计，最终共选取了398块区域的305485个云像元和370块区域的461829个晴空像元样本（ Sun等，2020 Sun等，2020 ）。 （2）多光谱数据模拟。多光谱数据模拟是基于高光谱AVIRIS数据来模拟的。AVIRIS数据共有224个波段，波长范围为0.2—2.4 um（ 范潇，2011 范潇，2011 ），光谱间隔为10 nm，具有作为数据模拟数据源的高光谱特性。数据模拟的本质是对高光谱数据波段加权合成进而模拟出相对应波段的多光谱数据的表观反射率。数据模拟多光谱数据的原理见 式（1） 式（1） （ Sun等，2020 Sun等，2020 ）： <math display="block" id="M1"><msubsup xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi>L</mi></mrow><mrow><mi>i</mi></mrow><mrow><mi mathvariant="normal">M</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msubsup><mo xmlns:ms="urn:schemas-microsoft-com:xslt">=</mo><mfrac xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><msub><mrow><mi>N</mi></mrow><mrow><msub><mrow/><mrow><mi mathvariant="normal">H</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msub></mrow></msub></mrow></munderover></mstyle><mrow><mi>ρ</mi><mfenced separators="|"><mrow><msub><mrow><mi>λ</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub></mrow></mfenced><msub><mrow><mi mathvariant="normal">Δ</mi></mrow><mrow><mi>j</mi></mrow></msub><msubsup><mrow><mi>L</mi></mrow><mrow><mi>j</mi></mrow><mrow><mi mathvariant="normal">H</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msubsup></mrow></mrow><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><msub><mrow><mi>N</mi></mrow><mrow><msub><mrow/><mrow><mi mathvariant="normal">H</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msub></mrow></msub></mrow></munderover></mstyle><mrow><mi>ρ</mi><mfenced separators="|"><mrow><msub><mrow><mi>λ</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub></mrow></mfenced><msub><mrow><mi mathvariant="normal">Δ</mi></mrow><mrow><mi>j</mi></mrow></msub></mrow></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318122&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318120&type= 33.10466385 21.16666603 <math display="block" id="M2"><mtext> </mtext><mo xmlns:ms="urn:schemas-microsoft-com:xslt">,</mo><mtext> </mtext><mi xmlns:ms="urn:schemas-microsoft-com:xslt">i</mi><mo xmlns:ms="urn:schemas-microsoft-com:xslt">=</mo><mn xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">1</mn><mo xmlns:ms="urn:schemas-microsoft-com:xslt">,</mo><mo xmlns:ms="urn:schemas-microsoft-com:xslt">…</mo><mo xmlns:ms="urn:schemas-microsoft-com:xslt">,</mo><msub xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi>N</mi></mrow><mrow><mi mathvariant="normal">M</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318125&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318124&type= 21.25133324 4.31799984 式中，待模拟的多光谱数据波谱范围内高光谱传感器的通道数为 <math id="M3"><msub xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi>N</mi></mrow><mrow><mi mathvariant="normal">H</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318129&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318127&type= 5.75733376 3.72533321 ，待模拟的多光谱传感器的通道数目为 <math id="M4"><msub xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi>N</mi></mrow><mrow><mi mathvariant="normal">M</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318133&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318131&type= 5.84200001 3.72533321 ，多光谱数据对应波段的表观反射率为 <math id="M5"><msubsup xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi>L</mi></mrow><mrow><mi>i</mi></mrow><mrow><mi mathvariant="normal">M</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msubsup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318138&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318136&type= 5.24933338 4.06400013 ，AVIRIS数据对应波段的表观反射率为 <math id="M6"><msubsup xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi>L</mi></mrow><mrow><mi>i</mi></mrow><mrow><mi mathvariant="normal">H</mi><mi mathvariant="normal">S</mi><mi mathvariant="normal">I</mi></mrow></msubsup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318142&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318140&type= 5.16466665 4.06400013 ， <math id="M7"><mi xmlns:ms="urn:schemas-microsoft-com:xslt">ρ</mi><mfenced xmlns:ms="urn:schemas-microsoft-com:xslt" separators="|"><mrow><msub><mrow><mi>λ</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318145&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318143&type= 10.07533360 5.33400011 是AVIRIS一个波段的中心波长处对应的多光谱传感器的波谱响应值，AVIRIS数据单波段宽度为 <math id="M8"><msub xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi mathvariant="normal">Δ</mi></mrow><mrow><mi>j</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318149&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318147&type= 3.13266683 3.80999994 。 （3）BP深度学习云检测模型。该算法在keras的基础上，以theano为计算背景，构造了一个用于云检测的三层BP神经网络。高军 等‍（2018）表明，一个三层的神经网络可以逼近从 n 维到 m 维的任意连续函数。将模拟的多光谱数据像元各波段的表观反射率作为输入向量，利用神经网络的归纳能力学习云检测规则。随机选取了输入样本数据中的20%作为验证数据，进行交叉验证，从而选取最佳的神经元数量。在训练神经网络过程中，momentum设置为0.9，dropout值设置为0.5，batch值设置为128，当迭代次数大于1000或训练误差低于0.01时，则停止训练（ Sun等，2020 Sun等，2020 ）。 本文在 Sun等（2020） Sun等（2020） 基于AVIRIS高光谱数据选取的样本的基础上，结合GF-6 WFV数据波谱范围较窄的特点，在GF-6 WFV数据上选取了裸地、建筑、雪等，共392469个高亮地表样本。 图1 图1 是提取的部分高亮地表样本， 图1 图1 （a）是GF-6 WFV标准假彩色（通道组合为RGB432）影像， 图1 图1 （b）是从 图1 图1 （a）样本影像中选取的典型样本像元的表观反射率曲线。 （4）精度验证。为了定量验证算法的精度，通过遥感目视解译的方法对云检测结果进行精度验证。以人工标注的云区作为参考真值，将算法的云检测结果与参考真值进行逐像素的比较。通过构建误差矩阵的方式，计算并验证所提算法云检结果的精度。同时引入总体精度（ H OA ）、云像元正确率（CRA）、云像元漏判率（CRM）、晴空像元漏判率（SRM）和晴空像元正确率（SRA）5个指标来评价该算法的准确性和不确定性。其中，TP是验证影像中为云，算法也识别为云的像元；FP是验证影像中是晴空，算法识别为云的像元；FN是验证影像中为云，算法识别为晴空的像元；TN是验证影像中是晴空，算法也识别为晴空的像元。 上述5个精度计算指标的公式如下： <math display="block" id="M9"><msub xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi>H</mi></mrow><mrow><mi mathvariant="normal">O</mi><mi mathvariant="normal">A</mi></mrow></msub><mo xmlns:ms="urn:schemas-microsoft-com:xslt">=</mo><mfrac xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi mathvariant="normal">T</mi><mi mathvariant="normal">P</mi><mo>+</mo><mi mathvariant="normal">T</mi><mi mathvariant="normal">N</mi></mrow><mrow><mi mathvariant="normal">T</mi><mi mathvariant="normal">P</mi><mo>+</mo><mi mathvariant="normal">T</mi><mi mathvariant="normal">N</mi><mo>+</mo><mi mathvariant="normal">F</mi><mi mathvariant="normal">P</mi><mo>+</mo><mi mathvariant="normal">F</mi><mi mathvariant="normal">N</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318160&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318158&type= 41.31733322 7.36600018 <math display="block" id="M10"><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">C</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">R</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">A</mi><mo xmlns:ms="urn:schemas-microsoft-com:xslt">=</mo><mfrac xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi mathvariant="normal">T</mi><mi mathvariant="normal">P</mi></mrow><mrow><mi mathvariant="normal">T</mi><mi mathvariant="normal">P</mi><mo>+</mo><mi mathvariant="normal">F</mi><mi mathvariant="normal">N</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318163&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318162&type= 25.56933212 7.36600018 <math display="block" id="M11"><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">S</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">R</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">M</mi><mo xmlns:ms="urn:schemas-microsoft-com:xslt">=</mo><mfrac xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi mathvariant="normal">F</mi><mi mathvariant="normal">P</mi></mrow><mrow><mi mathvariant="normal">F</mi><mi mathvariant="normal">P</mi><mo>+</mo><mi mathvariant="normal">T</mi><mi mathvariant="normal">N</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318167&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318166&type= 25.56933212 7.36600018 <math display="block" id="M12"><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">S</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">R</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">A</mi><mo xmlns:ms="urn:schemas-microsoft-com:xslt">=</mo><mfrac xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi mathvariant="normal">T</mi><mi mathvariant="normal">N</mi></mrow><mrow><mi mathvariant="normal">F</mi><mi mathvariant="normal">P</mi><mo>+</mo><mi mathvariant="normal">T</mi><mi mathvariant="normal">N</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318174&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318170&type= 25.23066711 7.36600018 <math display="block" id="M13"><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">C</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">R</mi><mi xmlns:ms="urn:schemas-microsoft-com:xslt" mathvariant="normal">M</mi><mo xmlns:ms="urn:schemas-microsoft-com:xslt">=</mo><mfrac xmlns:ms="urn:schemas-microsoft-com:xslt"><mrow><mi mathvariant="normal">F</mi><mi mathvariant="normal">N</mi></mrow><mrow><mi mathvariant="normal">T</mi><mi mathvariant="normal">P</mi><mo>+</mo><mi mathvariant="normal">F</mi><mi mathvariant="normal">N</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318179&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318177&type= 25.99266624 7.36600018 3　统一样本云检测算法改进及在GF-6 WFV数据上的应用 1 基于统一样本的深度学习云检测算法能快速地获取高质量样本，用于不同卫星数据的云检测。由于GF-6 WFV数据光谱范围较窄，缺少1.38 µm、1.65 µm以及热红外波段等云敏感波段，在高反射率地区的云识别精度较低。基于统一样本像元库模拟出的云及晴空像元数据对云与亮地表识别能力较弱，无法实现该类型卫星稳定、高精度的云识别。针对这一问题，本文选取了GF-6 WFV数据典型亮地表结合模拟出的多光谱数据生成云检测模型，进行云检测实验。 3.1　选取典型亮地表样本 2 基于统一样本像元库模拟的多光谱像元库是深度学习重要的输入数据，本文在原有模拟像元库的基础上，增加了GF-6 WFV数据上的高亮地表样本。GF-6 WFV数据的波段覆盖范围小，不同地物在不同波段的辐射能量有差别，受波段范围限制，无法获取地物充足的波段特征信息，会造成较明显的漏分和误分现象。为了提高亮地表类型区域云检测精度，通过目视解译的方法，将从GF-6 WFV影像中提取了裸地、建筑、雪等高反射率样本像元加入到像元库中，共选取了392469个高亮地表样本。 表1 表1 是提取的部分高亮地表样本，示例一列是GF-6 WFV标准假彩色影像，总像元数一列是该类型样本选取的总数量。 类型 示例 总像元数 裸地 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318615&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318619&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318617&type= 30.01433182 18.79599953 114761 人工建筑 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318622&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318627&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318624&type= 30.01433182 25.86566544 114724 雪 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318630&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318637&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318633&type= 30.01433182 28.40566635 101250 山地 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318641&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318644&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=36318643&type= 30.01433182 21.63233376 61725 3.2　多光谱数据云和晴空像元库的模拟 2 多光谱数据的红、绿、蓝、近红外波段覆盖了AVIRIS数据多个连续窄波段，因此可以用AVIRIS数据来模拟GF-6 WFV多光谱数据。 图2 图2 为GF-6 WFV数据与AVIRIS数据在部分波段上的光谱响应函数对比。 图2 图2 中的（a）、（b）、（c）、（d）分别是GF-6 WFV Band1（450—520 nm）、Band2（520—590 nm）、Band3（630—690 nm）、Band4（770—890 nm）与AVIRIS数据波谱响应函数对比图。 图3 图3 为基于AVIRIS数据模拟出的 GF-6 WFV部分云和晴空样本，子图分别为厚云、薄云、碎云及植被、水体和人工地表的标准假彩色图像。 1,2;3,4; 1,2,3;4,5,6; 本文的数据模拟是在AVIRIS数据云和晴空像元库的基础上，辅以AVIRIS数据的波段宽度以及待模拟光学传感器的波谱响应函数数据，利用 式（1） 式（1） 进行数据模拟运算，进而模拟出GF-6 WFV数据的云像元和晴空像元每个波段的表观反射率数据。最后，将增加了GF-6 WFV亮地表的样本库输入到BP神经网络中，用训练出的云检测模型对GF-6 WFV数据进行云检测。结果表明，加入亮地表后的算法能实现GF-6 WFV数据较高精度的云检测。 4　结果与讨论 1 本文选取2018-07—2018-12不同地区不同时相含有不同地表类型的GF-6 WFV影像，其中夏季10幅，秋季6幅，冬季8幅，共24幅GF-6 WFV遥感影像进行云检测实验，以验证改进后统一样本像元库支持的云检测算法的适用性。用于实验数据的下垫面包括水体、城镇、裸地、植被、雪等典型地表，云识别的类型有厚云、薄云和碎云等。不同季节地表反射率存在差异，说明本文算法在不同时相影像上也有较好的适用性。 图4 图4 所示为不同类型云的检测结果。每一组图从左至右依次为GF-6 WFV数据标准假彩色合成影像，原统一样本数据支持的云检测算法和加入亮地表样本算法的云检测结果。其中， 图4（a） 图4（a） 、（b）分别为植被和裸地上空的厚云检测结果， 图4（c） 图4（c） 、（d）分别为植被和裸地上空的薄云检测结果， 图4（e） 图4（e） 、（f）分别为裸地和植被上空的碎云检测结果。从 图4 图4 中可以看出，改进后统一样本数据支持的云检测算法在GF-6 WFV数据上的应用，对比原算法在GF-6 WFV数据上的应用效果明显。云边缘清晰，在植被和裸地上空的厚云、薄云和碎云都有较好的识别效果，有效减少了高亮地表的误判提高了云检测精度。 1,2;3,4;5; 通过目视解译，从高分辨率AVIRIS遥感影像中人工选取了32景不同时相、不同地表类型上空的厚云、薄云、碎云及云边缘区域不同类型的云像元和晴空像元。尤其是薄云的选择，要考虑不同的下垫面对云的反射率的影响，对植被、水体、城镇、裸地上空的云都有选取。针对GF-6 WFV数据特点，再手动从GF-6 WFV影像中选取难识别的薄云和亮地表样本。加入到样本库中，将样本的表观反射率值作为特征向量，输入到BP网络中，云样本标签值设为1，非云样本标签值设为0，利用BP神经网络的自学能力、自我纠错能力及泛化能力，使其自行调整各层网络之间的权重，去除输入数据中错误部分，发掘云和非云像元各波段表观反射率数据的隐藏关系，生成更加合理的云检测结果。最后，将GF-6 WFV影像输入到神经网络中进行逐像素分类。 对于厚云和碎云地区，传感器接收到的能量主要来自于云层对太阳波谱的反射，散射和吸收较少，因此，不同的下垫面对厚云和碎云反射率的影响较小。本文算法通过BP神经网络对厚云、碎云和薄云以及不同地表类型样本的深度学习，对影像进行逐像素分类，厚云和碎云的识别效果较好。传感器接收的薄云区域的能量主要来自云层和地表两部分的贡献，不同类型下垫面对薄云反射率影响较大，尤其是高亮地表区域。 图5（a） 图5（a） 为 图4（c） 图4（c） 中薄云和地物表观反射率曲线，薄云的表观反射率高于裸地和植被； 图5（b） 图5（b） 为 图4（d） 图4（d） 中薄云和地物表观反射率曲线，薄云的表观反射率总体高于裸地、山地和植被。因此，对于裸地、山地、植被和较低反射率人工建筑区域上空的薄云，本文的算法可以识别出来。如 图6 图6 所示，这种极薄的云，可以清楚地看到下垫面，它所反映的信息大部分来自于下垫面的表观反射率，模型会将其识别为非云，出现漏识别现象。 1,2;3; 1,2; 图7 图7 所示是在建筑、裸地和植被为背景地物上空的云检测结果。左侧是GF-6 WFV数据标准假彩色影像，中间是统一样本数据支持的云检测算法在GF-6 WFV数据上的云检测结果，右侧是加入GF-6 WFV影像中亮地表像元后的云检测结果。可以看出，在以亮地表为背景上空的云，仅依靠模拟得到的云和晴空像云数据，很难将云与亮地表区分，使云边界模糊。加入了亮地表像元样本后生成的云检测模型，能较好的识别云与高亮地表，减少误判，从而提高了云检测的准确性。 1;2;3; 图8 图8 是该算法在不同影像上的云检测结果。左侧是GF-6 WFV标准假彩色图像，中间是统一样本数据支持的云检测算法在GF-6 WFV数据上的云检测结果，右侧是加入GF-6 WFV影像中亮地表像元后的云检测结果。从 图8 图8 中可以看出，加入了亮地表像元的算法，在植被、建筑、水体和裸地等不同地表上空云的整体识别效果较好，且云边界清晰。尤其是在亮地表上空的云，检测结果有明显的改善。 1,2;3,4;5,6; 图9 图9 是该算法在有雪的影像中的检测结果。 图9（a） 图9（a） 是GF-6 WFV标准假彩色图像， 图9（b） 图9（b） 是统一样本数据支持的云检测算法在GF-6 WFV数据上的检测结果， 图9 图9 （c）是加入GF-6 WFV影像中亮地表像元后的检测结果。可以看出加入亮地表样本的算法明显减少亮地表区域的误判，但由于雪跟云的反射率接近，未结合形状和纹理等特征，难以将二者区分开。 1,2,3; 由于GF-6 WFV数据图幅过大，从选择的影像中抽取了有代表性的800×800的子区域影像进行云像元人工标注。 表2 表2 为 图4 图4 中不同类型云的云检测结果精度评价： 传感器 图 子图 下垫面类型 云类型 CRA SRA SRM CRM H OA 6 GF-6 WFV 6 图4 图4 （a） 植被，裸地 厚云，碎云 0.998 0.995 0.005 0.019 0.991 （b） 植被，水体，亮地表 厚云，碎云，薄云 0.812 0.984 0.016 0.188 0.956 （c） 植被，裸地 厚云，薄云 0.848 0.950 0.050 0.152 0.921 （d） 植被，裸地 厚云，碎云 0.887 0.996 0.004 0.113 0.985 （e） 植被，裸地 厚云，薄云 0.922 0.954 0.046 0.078 0.947 （f） 植被，水体 厚云，碎云 0.839 0.998 0.002 0.161 0.969 2 平均值 0.884 0.979 0.021 0.119 0.962 从 表2 表2 可以看出，加入了亮地表像元生成的云检测模型，对GF-6 WFV数据进行云检测，云检测结果整体精度较高。对厚云和碎云整体识别效果较好，对于高反射率地表上空的薄云存在误判的情况。云像元平均正确率达到0.884，云像元的漏判率在0.188以下，云像元平均漏判率为0.119，平均总体精度为0.962。 除了上述像素精度验证之外，还分别计算原算法与本文算法在植被、水体和亮地表上空的云像元正确率（CRA）、云像元漏判率（CRM）、晴空像元漏判率（SRM）和晴空像元正确率（SRA）4个指标。 表3 表3 显示了不同土地类型下两种算法的评估指标。定量分析表明，本文云检测方法比原统一样本算法在不同地表类型上空的云检测结果更准确。对于高亮地表区域，原统一样本算法在不同地表类型上空的云像元平均正确率为0.718，误判现象比较明显，云像元漏判率为0.282；而加入高亮地表样本的云检测算法能较准确地识别出高亮区域上空的云，高亮地区云像元正确率为0.874。与高亮地区的评价结果类似，在植被和水体上空，本文算法的云像元总体精度都比原统一样本云检测算法要高。综上，本文改进的统一样本云检测算法在检测不同下垫面的云时表现出令人满意的结果。该方法具有较低的误判率和较高的准确性。 下垫面类型 算法 CRA CRM SRM SRA 2 植被 原算法 0.883 0.117 0.035 0.965 改进后 0.945 0.055 0.223 0.977 2 水体 原算法 0.943 0.056 0.061 0.939 改进后 0.960 0.039 0.022 0.977 2 亮地表 原算法 0.328 0.672 0.007 0.993 改进后 0.874 0.126 0.018 0.982 2 平均 原算法 0.718 0.282 0.034 0.966 改进后 0.926 0.073 0.088 0.987 5　结论 1 传统的云检测方法大多是基于光谱成分的分析，只能用于特定的传感器。基于统一样本数据的深度学习云检测算法充分利用了传感器的光谱特性和像素间的空间关系。基于BP神经网络，利用云与晴空像素的光谱反射差异，实现了基于统一样本像元库数据的多传感器云检测。为了提高统一样本支持的云检测算法的适用性，本文将该算法应用到高分辨率窄波段的GF-6 WFV数据上，由于其波谱范围较窄，模拟出的云和晴空像元库对光谱差异信息的挖掘能力有限，因此加入了GF-6 WFV数据的典型亮地表样本像元，利用BP神经网络较强的自主学习能力对云和非云进行逐像素的分类，弥补了GF-6 WFV云敏感波段的缺失。 结果表明，加入了亮地表的算法在GF-6 WFV数据的云识别中能取得较好的识别效果。与原统一样本数据支持的云检测算法相比，能明显改善在植被、裸地和城镇等高亮地表上空的误判现象，在植被、水体、裸地及建筑等多种地表类型上空，厚云、碎云和薄云的识别效果整体较好，尤其是提高了GF-6 WFV数据在高亮地表上空的云检测精度。但由于GF-6 WFV数据缺少1.38 um附近的卷云识别通道，对高亮地表上空薄卷云识别，会出现遗漏识别的现象。此外，由于没有结合云的纹理特征和形状特征，致使云和雪的识别受到一定的限制，影响云检测精度。 参考文献（References） Ball J E , Anderson D T and Chan C S . 2017 . Comprehensive survey of deep learning in remote sensing: theories, tools, and challenges for the community . Journal of Applied Remote Sensing , 11 ( 4 ): 042609 [ DOI: 10.1117/1.JRS.11.042609 http://dx.doi.org/10.1117/1.JRS.11.042609 ] Comprehensive survey of deep learning in remote sensing: theories, tools, and challenges for the community Braaten J D , Cohen W B and Yang Z Q . 2015 . Automated cloud and cloud shadow identification in Landsat MSS imagery for temperate ecosystems . Remote Sensing of Environment , 169 : 128 - 138 [ DOI: 10.1016/j.rse.2015.08.006 http://dx.doi.org/10.1016/j.rse.2015.08.006 ] Automated cloud and cloud shadow identification in Landsat MSS imagery for temperate ecosystems Carslaw K S , Harrison R G and Kirkby J . 2002 . Cosmic rays, clouds, and climate . Science , 298 ( 5599 ): 1732 - 1737 [ DOI: 10.1126/science.1076964 http://dx.doi.org/10.1126/science.1076964 ] Cosmic rays, clouds, and climate Chander G , Markham B L and Helder D L . 2009 . Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors . Remote Sensing of Environment , 113 ( 5 ): 893 - 903 [ DOI: 10.1016/j.rse.2009.01.007 http://dx.doi.org/10.1016/j.rse.2009.01.007 ] Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors Chen X D , Zhang X , Liu L Y and Wang X F . 2019 . Enhanced multi-temporal cloud detection algorithm for optical remote sensing images . National Remote Sensing Bulletin , 23 ( 2 ): 280 - 290 Enhanced multi-temporal cloud detection algorithm for optical remote sensing images 陈曦东 , 张肖 , 刘良云 , 汪晓帆 . 2019 . 增强型多时相云检测 . 遥感学报 , 23 ( 2 ): 280 - 290 [ DOI: 10.11834/jrs.20198017 http://dx.doi.org/10.11834/jrs.20198017 ] 增强型多时相云检测 Chen Y , Fan R S , Wang J X , Lu W Y , Zhu H and Chu Q Y . 2018 . Cloud detection of ZY-3 satellite remote sensing images based on deep learning . Acta Optica Sinica , 38 ( 1 ): 0128005 Cloud detection of ZY-3 satellite remote sensing images based on deep learning 陈洋 , 范荣双 , 王竞雪 , 陆婉芸 , 朱红 , 楚清源 . 2018 . 基于深度学习的资源三号卫星遥感影像云检测方法 . 光学学报 , 38 ( 1 ): 0128005 [ DOI: 10.3788/AOS201838.0128005 http://dx.doi.org/10.3788/AOS201838.0128005 ] 基于深度学习的资源三号卫星遥感影像云检测方法 Chen Z T , Sun X B and Qiao Y L , 2018 . Cloud detection over ocean from PARASOL/POLDER3 satellite data . National Remote Sensing Bulletin , 22 ( 6 ): 996 - 1004 Cloud detection over ocean from PARASOL/POLDER3 satellite data 陈震霆 , 孙晓兵 , 乔延利 . 2018 . PARASOL/POLDER3卫星数据的海洋上空云检测 . 遥感学报 , 22 ( 6 ): 996 - 1004 [ DOI: 10.11834/jrs.20187366 http://dx.doi.org/10.11834/jrs.20187366 ] PARASOL/POLDER3卫星数据的海洋上空云检测 Clark C . 1999 . The detection of ship trail clouds by artificial neural network . International Journal of Remote Sensing , 20 ( 4 ): 711 - 726 [ DOI: 10.1080/014311699213154 http://dx.doi.org/10.1080/014311699213154 ] The detection of ship trail clouds by artificial neural network Dan L B and Morrow E . 1998 . Evaluation of an AVHRR cloud detection and classification method over the central arctic ocean . Journal of Applied Meteorology and Climatology , 37 ( 2 ): 166 - 183 [ DOI: 10.1175/1520-0450(1998)037<0166:EOAACD>2.0.CO;2 http://dx.doi.org/10.1175/1520-0450(1998)037<0166:EOAACD>2.0.CO;2 ] Evaluation of an AVHRR cloud detection and classification method over the central arctic ocean Fan X . 2011 . Research on coastal area analysis and application based on interpretation of hyperspectral data . Harbin : Harbin Institute of Technology : 4 - 5 Research on coastal area analysis and application based on interpretation of hyperspectral data 范潇 . 2011 . 基于高光谱数据解译的近海岸要素分析及应用分析 . 哈尔滨 : 哈尔滨工业大学 : 4 - 5 基于高光谱数据解译的近海岸要素分析及应用分析 Gao J , Wang K , Tian X Y and Chen J . 2018 . A BP-NN based cloud detection method for FY-4 remote sensing images . Journal of Infrared and Millimeter Waves , 37 ( 4 ): 477 - 485 A BP-NN based cloud detection method for FY-4 remote sensing images 高军 , 王恺 , 田晓宇 , 陈建 . 2018 . 基于BP神经网络的风云四号遥感图像云检测算法 . 红外与毫米波学报 , 37 ( 4 ): 477 - 485 [ DOI: 10.11972/j.issn.1001-9014.2018.04.016 http://dx.doi.org/10.11972/j.issn.1001-9014.2018.04.016 ] 基于BP神经网络的风云四号遥感图像云检测算法 Goodwin N R , Collett L J , Denham R J , Flood N and Tindall D . 2013 . Cloud and cloud shadow screening across Queensland, Australia: an automated method for Landsat TM/ETM+ time series . Remote Sensing of Environment , 134 : 50 - 65 [ DOI: 10.1016/j.rse.2013.02.019 http://dx.doi.org/10.1016/j.rse.2013.02.019 ] Cloud and cloud shadow screening across Queensland, Australia: an automated method for Landsat TM/ETM+ time series Hagolle O , Huc M , Pascual D V and Dedieu G . 2010 . A multi-temporal method for cloud detection, applied to FORMOSAT-2, VENµS, LANDSAT and SENTINEL-2 images . Remote Sensing of Environment , 114 ( 8 ): 1747 - 1755 [ DOI: 10.1016/j.rse.2010.03.002 http://dx.doi.org/10.1016/j.rse.2010.03.002 ] A multi-temporal method for cloud detection, applied to FORMOSAT-2, VENµS, LANDSAT and SENTINEL-2 images Huang J W , Li Z Y , Chen E X , Zhao L and Mo B P . 2021 . Classification of plantation types based on WFV multispectral imagery of the GF-6 satellite . National Remote Sensing Bulletin , 25 ( 2 ): 539 - 548 Classification of plantation types based on WFV multispectral imagery of the GF-6 satellite 黄建文 , 李增元 , 陈尔学 , 赵磊 , 莫冰萍 . 2021 . 高分六号宽幅多光谱数据人工林类型分类 . 遥感学报 , 25 ( 2 ): 539 - 548 [ DOI: 10.11834/jrs.20219090 http://dx.doi.org/10.11834/jrs.20219090 ] 高分六号宽幅多光谱数据人工林类型分类 Karlsson K G . 1989 . Development of an operational cloud classification model . International Journal of Remote Sensing , 10 ( 4/5 ): 687 - 693 [ DOI: 10.1080/01431168908903910 http://dx.doi.org/10.1080/01431168908903910 ] Development of an operational cloud classification model Kazantzidis A , Eleftheratos K and Zerefos C S . 2011 . Effects of cirrus cloudiness on solar irradiance in four spectral bands . Atmospheric Research , 102 ( 4 ): 452 - 459 [ DOI: 10.1016/j.atmosres.2011.09.015 http://dx.doi.org/10.1016/j.atmosres.2011.09.015 ] Effects of cirrus cloudiness on solar irradiance in four spectral bands Kazantzidis A , Tzoumanikas P , Bais A F , Fotopoulos S and Economou G . 2012 . Cloud detection and classification with the use of whole-sky ground-based images . Atmospheric Research , 113 : 80 - 88 [ DOI: 10.1016/j.atmosres.2012.05.005 http://dx.doi.org/10.1016/j.atmosres.2012.05.005 ] Cloud detection and classification with the use of whole-sky ground-based images Lee D S , Storey J C , Choate M J and Hayes R W . 2004 . Four years of Landsat-7 on-orbit geometric calibration and performance . IEEE Transactions on Geoscience and Remote Sensing , 42 ( 12 ): 2786 - 2795 [ DOI: 10.1109/TGRS.2004.836769 http://dx.doi.org/10.1109/TGRS.2004.836769 ] Four years of Landsat-7 on-orbit geometric calibration and performance Li B , Xin X Z , Zhang H L and Hu J C . 2017 . Algorithm for cloud shadow identification on complex terrains . National Remote Sensing Bulletin , 21 ( 2 ): 263 - 272 Algorithm for cloud shadow identification on complex terrains 李彬 , 辛晓洲 , 张海龙 , 胡继超 . 2017 . 复杂地形云阴影识别 . 遥感学报 , 21 ( 2 ): 263 - 272 [ DOI: 10.11834/jrs.20176079 http://dx.doi.org/10.11834/jrs.20176079 ] 复杂地形云阴影识别 Li Q Y , Lu W T and Yang J . 2011 . A hybrid thresholding algorithm for cloud detection on ground-based color images . Journal of Atmospheric and Oceanic Technology , 28 ( 10 ): 1286 - 1296 [ DOI: 10.1175/JTECH-D-11-00009.1 http://dx.doi.org/10.1175/JTECH-D-11-00009.1 ] A hybrid thresholding algorithm for cloud detection on ground-based color images Liu C L and Wu B F . 2004 . Application of cloud detection algorithm for the AVHRR data . National Remote Sensing Bulletin , 8 ( 6 ): 677 - 687 Application of cloud detection algorithm for the AVHRR data 刘成林 , 吴炳方 . 2004 . NOAA AVHRR云标识技术的应用分析 . 遥感学报 , 8 ( 6 ): 677 - 687 [ DOI: 10.11834/jrs.20040619 http://dx.doi.org/10.11834/jrs.20040619 ] NOAA AVHRR云标识技术的应用分析 Lv M M , Han L J , Tian S F , Zhou W Q , Li W F and Qian Y G . 2016 . Cloud detection under varied surfaces and atmospheric conditions with MODIS imagery . National Remote Sensing Bulletin , 20 ( 6 ): 1371 - 1380 Cloud detection under varied surfaces and atmospheric conditions with MODIS imagery 吕明明 , 韩立建 , 田淑芳 , 周伟奇 , 李伟峰 , 钱雨果 . 2016 . 多样地表和大气状况下的MODIS数据云检测 . 遥感学报 , 20 ( 6 ): 1371 - 1380 [ DOI: 10.11834/jrs.20165281 http://dx.doi.org/10.11834/jrs.20165281 ] 多样地表和大气状况下的MODIS数据云检测 Pei L , Liu Y , Tan H and Gao L . 2019 . Cloud detection of ZY-3 satellite remote sensing images based on improved fully convolutional neural networks . Laser and Optoelectronics Progress , 56 ( 5 ): 052801 Cloud detection of ZY-3 satellite remote sensing images based on improved fully convolutional neural networks 裴亮 , 刘阳 , 谭海 , 高琳 . 2019 . 基于改进的全卷积神经网络的资源三号遥感影像云检测 . 激光与光电子学进展 , 56 ( 5 ): 052801 [ DOI: 10.3788/LOP56.052801 http://dx.doi.org/10.3788/LOP56.052801 ] 基于改进的全卷积神经网络的资源三号遥感影像云检测 Qiu M , Yin H Y , Chen Q and Liu Y J . 2018 . Automatic cloud detection algorithm based on deep belief network-Otsu hybrid model . Journal of Computer Applications , 38 ( 11 ): 3175 - 3179 Automatic cloud detection algorithm based on deep belief network-Otsu hybrid model 邱梦 , 尹浩宇 , 陈强 , 刘颖健 . 2018 . 基于深度置信网络Otsu混合模型的自动云检测算法 . 计算机应用 , 38 ( 11 ): 3175 - 3179 [ DOI: 10.11772/j.issn.1001-9081.2018041350 http://dx.doi.org/10.11772/j.issn.1001-9081.2018041350 ] 基于深度置信网络Otsu混合模型的自动云检测算法 Sun L , Yang X , Jia S F , Jia C , Wang Q , Liu X Y , Wei J and Zhou X Y . 2020 . Satellite data cloud detection using deep learning supported by hyperspectral data . International Journal of Remote Sensing , 41 ( 4 ): 1349 - 1371 [ DOI: 10.1080/01431161.2019.1667548 http://dx.doi.org/10.1080/01431161.2019.1667548 ] Satellite data cloud detection using deep learning supported by hyperspectral data Walder P and Maclaren I . 2000 . Neural network based methods for cloud classification on AVHRR images . International Journal of Remote Sensing , 21 ( 8 ): 1693 - 1708 [ DOI: 10.1080/014311600209977 http://dx.doi.org/10.1080/014311600209977 ] Neural network based methods for cloud classification on AVHRR images Woodcock C E and Strahler A H . 1987 . The factor of scale in remote sensing . Remote Sensing of Environment , 21 ( 3 ): 311 - 332 [ DOI: 10.1016/0034-4257(87)90015-0 http://dx.doi.org/10.1016/0034-4257(87)90015-0 ] The factor of scale in remote sensing Yao J Q , Chen J Y , Chen Y , Liu C Z and Li G Y . 2019 . Cloud detection of remote sensing images based on deep learning and condition random field . Science of Surveying and Mapping , 44 ( 12 ): 121 - 127 Cloud detection of remote sensing images based on deep learning and condition random field 么嘉棋 , 陈继溢 , 陈赟 , 刘超镇 , 李国元 . 2019 . 联合深度学习和条件随机场的遥感影像云检测 . 测绘科学 , 44 ( 12 ): 121 - 127 [ DOI: 10.16251/j.cnki.1009-2307.2019.12.018 http://dx.doi.org/10.16251/j.cnki.1009-2307.2019.12.018 ] 联合深度学习和条件随机场的遥感影像云检测 Zhang L , Gong Z N , Wang Q W , Jin D D and Wang X . 2019 . Wetlandmapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images . National Remote Sensing Bulletin , 23 ( 2 ): 313 - 326 Wetlandmapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images 张磊 , 宫兆宁 , 王启为 , 金点点 , 汪星 . 2019 . Sentinel-2影像多特征优选的黄河三角洲湿地信息提取 . 遥感学报 , 23 ( 2 ): 313 - 326 [ DOI: 10.11834/jrs.20198083 http://dx.doi.org/10.11834/jrs.20198083 ] Sentinel-2影像多特征优选的黄河三角洲湿地信息提取 Zheng L J . 2017 . Crop Classification Using Multi-features of Chinese Gaofen-1/6 Satellite Remote Sensing Images . Beijing : Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences : 2 - 3 Crop Classification Using Multi-features of Chinese Gaofen-1/6 Satellite Remote Sensing Images 郑利娟 . 2017 . 基于高分一/六号卫星影像特征的农作物分类研究 . 北京 : 中国科学院大学(中国科学院遥感与数字地球研究所) : 2 - 3 基于高分一/六号卫星影像特征的农作物分类研究 10.11834/jrs.20220352 1007-4619（2022）04-0646-11 隋淞蔓，夹尚丰，胡学谦.2022.统一样本云检测技术在GF-6 WFV上的改进与应用.遥感学报，26（4）： 646-656 隋淞蔓，夹尚丰，胡学谦.2022.统一样本云检测技术在GF-6 WFV上的改进与应用.遥感学报，26（4）： 646-656 Sui S M，Jia S F and Hu X Q. 2022. Improvement of unified sample cloud detection technology and its application in GF-6 WFV cloud detection. National Remote Sensing Bulletin， 26（4）：646-656 Sui S M，Jia S F and Hu X Q. 2022. Improvement of unified sample cloud detection technology and its application in GF-6 WFV cloud detection. National Remote Sensing Bulletin， 26（4）：646-656 山东省自然科学基金（编号：ZR201702210379）；山东省重大科技创新工程项目（编号：2019JZZY020103） Supported by Natural Science Foundation of Shandong Province, China(No.ZR201702210379); Shandong Province Major Scientific and Technological Innovation Projects, China(No.2019JZZY020103) 2020-09-07 2022-04-07 2022-11-01 2021-04-08 遥感学报 4 26