【研究动态】顾及众源地理信息的深度学习云检测方法
1. 研究背景
光学高分辨率遥感影像在成像过程中易受云层遮挡的影响，导致许多影像存在云层遮挡问题，极大制约了遥感影像的信息提取，也给地表动态监测、影像目标识别、遥感制图等带来了巨大困难。资料表明，地球上空60%以上区域经常被云覆盖，在遥感大数据背景下，云检测不仅是利用遥感影像进行后续识别、分类和解译的首要关键科学问题，也是生产时空无缝遥感产品的基础和核心。为此，研究一种智能化、高精度、快速的云检测方法具有明显的科学意义和重要的应用价值。
2. 研究方法
针对目前云检测方法面临的高亮地表要素存在误检和云检测性能受光谱信息不足限制的问题，提出了顾及众源地理信息的深度学习云检测方法。该方法由众源地理信息编码器、多尺度卷积的空-谱和众源地理信息联合提取模型以及空-谱和众源地理信息的多尺度融合模型组成，方法主要步骤如图1所示。
图1 顾及众源地理信息的深度学习云检测方法流程
3. 实验结果
图2 展示了仅具有可见光与近红外波段的GF-1 WFV 影像云检测结果，白色表示云层，黑色表示为晴空地表要素，红色表示晴空地表要素误检测为云层。由图2 可知，所提出的云检测方法能实现较好的目视云检测结果，并不受光谱信息不足的限制，能有效抑制雪、冰对云检测的干扰。然而，在有云、雪/冰共存的场景下，所对比的MFC方法和传统CNN方法存在将大面积雪/冰误检测为云的问题。此外，U-Net方法和M-ResNet方法在一定程度上存在雪/冰误检测为云层，特别是在当有大面积雪存在的情况下，U-Net方法面临严重的将雪误检测为云层的问题。
图2 不同云检测方法检测结果. (a1-a5) GF-1 WFV影像; (b1-b5)提出云检测方法；(c1-c5) MFC方法; (d1-d5) CNN方法; (e1-e5) FCNN方法; (f1-f5) M-ResNet方法
作者简介
陈洋，华南师范大学特聘研究员，主要研究兴趣：人工智能、光学遥感数据智能处理、城市遥感的理论和方法。
翁齐浩，欧洲科学院外籍院士、 美国科学促进会（AAAS）会士、电气与电子工程师协会（IEEE）会士、美国地理学会（AAG）会士、美国摄影测量与遥感学会（ASPRS）会士、亚太人工智能学会（AAIA）会士，现任香港理工大学地理信息学和人工智能讲座教授、曾任美国印第安纳州立大学城市与环境变化中心主任和教授和美国航天局高级研究员。现为地球观测组织的全球城市观测和信息系统项目负责人并任《国际摄影测量与遥感学会期刊》（ISPRS J P&RS）主编。翁教授的研究侧重于遥感科学和技术在城市环境与生态系统中的应用、土地利用和土地覆盖的变化和城市化的环境效应等。
唐炉亮，武汉大学教授，博士生导师，珞珈学者特聘教授，湖南省芙蓉学者，中国高校GIS创新人物，中国光谷创新人才，华为地图科技顾问，测绘遥感信息工程国家重点实验室3S室副主任，时空数据智能获取与应用教育部工程中心副主任。担任中国GIS理论与方法委员会委员、中国激光雷达专业委员会、中国城市空间信息委员会委员、时空数据智能获取与应用教育部工程中心学术委员会委员、广东省科技特派员、《地理与地理信息科学》编委。研究方向为时空大数据、人工智能的理论和应用。
引文格式
Chen, Y., Weng, Q., Tang, L., Liu, Q., Fan, R., 2022. An Automatic Cloud Detection Neural Network for High-Resolution Remote Sensing Imagery with Cloud-Snow Coexistence. IEEE Geoscience and Remote Sensing Letters 19, 1–5.
荐读
《慧天地》敬告
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，发现企业核心竞争力，传播测绘地理信息文化，为时空信息类相关专业学子提供日常学习、考研就业一站式服务，打造政产学研金服用精准对接的平台。
《慧天地》借鉴《读者》办刊理念，把时空信息领域的精华内容汇聚到平台上。我们高度重视版权，对于精选的每一篇推文，都会在文章开头显著注明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！
——《慧天地》运营团队
投稿、转载、商务等合作请联系
微信号：huitiandi321
邮箱：geomaticshtd@163.com