結(jié)合輻射傳輸模擬與淺層神經(jīng)網(wǎng)絡(luò)的FY-3D MERSI影像云識別

金適寬，馬盈盈，龔?fù)?，葉志偉，夏小魚

1.武漢大學(xué) 測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室,武漢 430072;

2.武漢大學(xué) 電子信息學(xué)院,武漢 430072;

3.湖北工業(yè)大學(xué) 計算機(jī)學(xué)院,武漢 430068

1 引 言

云檢測是衛(wèi)星遙感影像預(yù)處理的關(guān)鍵步驟之一（周紅妹等，1995；陳曦東等，2019；偉樂斯等，2021）。對光學(xué)遙感影像而言，由于云對短波輻射的顯著影響，將云像元誤認(rèn)為地表或氣溶膠將對許多傳統(tǒng)遙感任務(wù)，如大氣參數(shù)反演，土地利用變化、異常檢測和分類，農(nóng)作物監(jiān)測和海洋生態(tài)調(diào)查等，產(chǎn)生負(fù)面影響（Zhu 和Woodcock，2012；張弛等，2021）。因此，可靠的云檢測對陸地、海洋和冰凍層特性的衛(wèi)星遙感研究至關(guān)重要。

利用云在可見光波段具有高反射的特點(diǎn)，在單一場景或少量的遙感影像中，云像元通?？梢员蝗斯ぷR別和去除（劉成林和吳炳方，2004）。但對于日益增長的海量遙感資料，人工檢測遠(yuǎn)遠(yuǎn)達(dá)不到應(yīng)用需要。因此，針對這一問題，許多基于復(fù)雜閾值和邏輯測試的傳統(tǒng)云識別方法被開發(fā)出來，例如用于陸地資源衛(wèi)星Landsat ETM+傳感器的自動云覆蓋評估（Automated Cloud Cover Assessment）（Irish 等，2006），適用于MODIS 等中分辨率成像儀的MxD35 云檢測算法（Ackerman 等，1998）和應(yīng)用于AVHRR 輻射儀的擴(kuò)展CLAVR?x 算法（Stowe 等，1999）等。這些傳統(tǒng)算法通常依賴于特定波段反射或輻射信號的強(qiáng)度閾值和規(guī)則，通過輻射模擬、云場景統(tǒng)計和專家經(jīng)驗(yàn)等手段，針對不同傳感器精心設(shè)計。但這意味著這些方法在其他不同傳感器中使用時具有較大的限制，并且由于強(qiáng)度閾值和規(guī)則是固定的，對氣溶膠變化、季節(jié)循環(huán)和絕對地表反射率值也較為敏感（Segal?Rozenhaimer 等，2020）。在一些復(fù)雜的場景，例如地表陰影、高反射表面和渾濁水體中，傳統(tǒng)方法會產(chǎn)生較大混淆（Hughes 和Hayes，2014；彭康龍 等，2021）。

為了改善衛(wèi)星影像中復(fù)雜場景下云識別的效果，許多新穎的方法被開發(fā)出來。其中一些使用了動態(tài)閾值法，如Zhu 和Woodcock（2012）和Sun等（2016），前者根據(jù)不同場景自動設(shè)置閾值，并以云對象為單元識別Landsat和Sentinel衛(wèi)星影像中的云；后者則在使用動態(tài)閾值的同時更多地考慮了地物反射特征，建立了一個先驗(yàn)的地表反射率庫。此外，另一些方法充分利用了衛(wèi)星重訪周期之間獲取的時間序列影像的特點(diǎn)，根據(jù)短時間內(nèi)地物反射特性不會發(fā)生顯著變化的假設(shè)，從反射信號中進(jìn)一步分離出云像元（Li 等，2014；Lin等，2015）。近年來，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在分類問題上的優(yōu)異表現(xiàn)越來越被重視，相關(guān)學(xué)者也開始嘗試?yán)盟鼈兘鉀Q云識別問題，例如，Meng 等（2017）使用基于補(bǔ)丁修復(fù)的稀疏字典學(xué)習(xí)方法實(shí)現(xiàn)了厚云的檢測和去除；Li 等（2019）設(shè)計了一種可用于多顆高分辨率傳感器云識別的深度學(xué)習(xí)方法；Wei 等（2020）結(jié)合隨機(jī)森林和超像素提取改善了Landsat 影像的云識別效果；Segal?Rozenhaimer 等（2020）使用卷積神經(jīng)網(wǎng)絡(luò)增強(qiáng)了可見光和短波紅外影像晴空和云像素的區(qū)分程度。以上這些研究都給自動云識別算法和策略帶來了新的解決思路。

風(fēng)云3D（FY?3D）是中國研發(fā)的第二代極軌氣象衛(wèi)星之一（Yang 等，2019），其上搭載的先進(jìn)中分辨率光譜成像儀MERSI Ⅱ（advanced Medium Resolution Spectral Imager）設(shè)置有與MODIS相似的光譜通道和空間分辨率，能完成對云，氣溶膠，水汽，陸地表面特性和海洋水色的多種觀測（Xu 等，2018）。起初，我們關(guān)注于MERSI Ⅱ?qū)馊苣z的探測能力，然而由于儀器光譜特性的不同，適用于MODIS 氣溶膠反演的云識別技術(shù)在MERSI Ⅱ上會產(chǎn)生大量晴空碎片，降低了衛(wèi)星數(shù)據(jù)的使用率（Jin 等，2021）；對此，我們設(shè)計了一種基于機(jī)器學(xué)習(xí)和反射率模擬的方法——CRMC （Combine Reflectance simulation and Machine Learning for Cloud Detection）。該方法利用輻射傳輸模型模擬云在不同通道的反射率并作為樣本訓(xùn)練機(jī)器學(xué)習(xí)算法。該方法從衛(wèi)星影像中識別云像元，并利用CALIOP/CALIPSO 的同時觀測數(shù)據(jù)進(jìn)行驗(yàn)證。CRMC法最大的優(yōu)點(diǎn)在于使用輻射傳輸模擬結(jié)果作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本：在避免人為主觀意識干預(yù)的同時能得到復(fù)雜下墊面條件下不同情況的云信號，并充分的挖掘了云在可見光和近紅外波段的反射特性。

2 實(shí)驗(yàn)數(shù)據(jù)和方法

2.1 MERSI Ⅱ/FY-3D 數(shù)據(jù)

FY?3D 衛(wèi)星于2017 年11 月發(fā)射升空，其上搭載的MERSI Ⅱ是主要的傳感器之一。該傳感器每天以45°角掃描地球表面并提供約2900 km覆蓋范圍的影像。在發(fā)射前，針對MERSI Ⅱ進(jìn)行了詳細(xì)的輻射校準(zhǔn)以及空間和光譜表征能力測試，以確保數(shù)據(jù)產(chǎn)品的質(zhì)量（Xu 等，2018）；反射率（reflectance）和亮溫（brightness temperature）數(shù)據(jù)的不確定度分別約為3%和0.3 K。本研究使用2018年7—12月的MERSI Ⅱ數(shù)據(jù)，由風(fēng)云賽（www.fysai.com/［2020?09?20］）提供。同時它們也可以從中國國家衛(wèi)星氣象中心的官方網(wǎng)站（http：//satellite.nsmc.org.cn/［2020?09?20］）獲取。研究使用了MERSI Ⅱ傳感器的前7個波段，具體的波段及其基礎(chǔ)參數(shù)如表1所示。

表1 FY-3D MERSI Ⅱ傳感器1—7波段基礎(chǔ)參數(shù)Table 1 Spectral and spatial characteristics of FY-3D MERSI Ⅱ1—7 channels

2.2 MODIS產(chǎn)品

本研究主要使用MODIS 發(fā)布的3 種產(chǎn)品數(shù)據(jù)：MCD43C1、MCD12C1和MYD35。其中MCD43CI是由搭載在Terra和Aqua兩顆衛(wèi)星上MODIS傳感器聯(lián)合確定的地表二項(xiàng)反射函數(shù)BRDF（Bidirectional Reflectance Distribution Function）；MCD12C1 是基于國際地圈—生物圈計劃（IGBP）的地表覆蓋類型，用于模擬不同下墊面情況的反射率；而MYD35則是來自Aqua衛(wèi)星上MODIS云掩膜的標(biāo)準(zhǔn)產(chǎn)品，用于對比驗(yàn)證。由于FY?3D 和Aqua 同為下午星，因此這里不再考慮來自上午星Terra 的云掩膜產(chǎn)品。

2.3 CALIOP/CALIPSO 產(chǎn)品

歸功于主動遙感的優(yōu)勢，CALIOP 獲得的廓線信息通常能更為準(zhǔn)確的從不同大氣環(huán)境中區(qū)分出云、氣溶膠和潔凈空氣。這里使用4.0 版本、空間分辨率約為5 km 的垂直特性掩膜VFM（Vertical Feature Mask）產(chǎn)品作為云檢測算法的驗(yàn)證數(shù)據(jù)。由于CALIPSO和Aqua同屬于A?Train（The Afternoon Train）計劃，因此它們的軌道相似，兩顆衛(wèi)星接近同步觀測；而FY?3D和CALIPSO軌道區(qū)別較大，因此我們限制過境時間在30 min 之內(nèi)的數(shù)據(jù)為同步觀測數(shù)據(jù)。最終我們分別得到了約500萬條樣本用于對MODIS云掩膜產(chǎn)品和CRMC算法進(jìn)行驗(yàn)證。

2.4 表面反射特性的確定

陸地地表反射特征由Ross?Li 核驅(qū)動的半經(jīng)驗(yàn)BRDF模型確定（Roujean 等，1992），如式（1）：

式中，θi，θv，φ和λ分別表示太陽天頂角、衛(wèi)星天頂角、相對方位角和波長；Kvol和Kgeo為體散射核和幾何光學(xué)散射核；fiso，fvol和fgeo分別代表光譜散射、體散射和幾何光學(xué)散射的權(quán)重，而最終地表反射率以ρs表示。為了確定不同下墊面條件下各種散射的權(quán)重參數(shù)，我們首先對2018 年全年的MODIS地表反射參數(shù)產(chǎn)品（MCD43C1）進(jìn)行了系統(tǒng)抽樣，以獲取全球范圍內(nèi)時間和空間均勻分布的樣本；其次，對這些權(quán)重參數(shù)進(jìn)行了歸一化處理，以突出光譜散射、體散射和幾何光學(xué)散射的特征（焦子銻等，2011）；最后，我們對這些歸一化之后的權(quán)重參數(shù)進(jìn)行了聚類分析，獲得了11 種不同類型下墊面的地表BRDF 反射權(quán)重參數(shù)，如圖1 所示。其中，類型1—4 主要由稠密的植被構(gòu)成，例如常綠闊葉林、常綠針葉林、熱帶雨林和熱帶稀樹草原；類型5 和6 則是以開放的灌木和草地為主；而類型7 和8 的植被覆蓋度則更低，主要是灌木、草地和裸土的混合；類型9 則全為裸土構(gòu)成；此外，類型10 和11 分別表示陳雪和新雪，用于表示有雪覆蓋時的下墊面反射特征。

圖1 利用MODIS地表參數(shù)產(chǎn)品聚類得到的11種不同下墊面類型中Ross?Li核BRDF權(quán)重Fig.1 Ross?Li core BRDF weight parameters in 11 different underlying surface types calculated from MODIS product by using clustering method

2.5 表觀反射率模擬

SBDART （Santa Barbara DISORT Atmospheric Radiative Transfer）是由美國加州大學(xué)圣巴巴拉分校發(fā)開的一種輻射傳輸模擬軟件，可以計算在晴朗和多云條件下地球大氣層和地表的平行輻射，主要用于分析衛(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（Ricchiazzi 等，1998）。在耦合大氣和地表的系統(tǒng)中，輻射的傳播可以通過求解輻射傳輸方程得到（Stamnes 等，2011）：

式中，I(τ，μ，?)為散射輻射的分布，ω為單次散射反照率，p（cosΘ）為散射相函數(shù)，Θ 為散射角，μ和μ'分別為入射光和散射光極坐標(biāo)角的余弦，?和?'分別為入射光和散射光的方位角，τ為光學(xué)厚度，而S*(τ，μ'，?')則為單次散射源項(xiàng)。在本研究中，根據(jù)輸入的不同內(nèi)在光學(xué)特性IOPs（Inherent Optical Properties），利用SBDART 模型計算出各種復(fù)雜情況下衛(wèi)星接收到的理論表觀反射率，進(jìn)而作為機(jī)器學(xué)習(xí)算法的訓(xùn)練樣本。

大氣IOPs 參數(shù)的設(shè)置主要考慮不同特性的痕量氣體、氣溶膠和云。其中，痕量氣體的設(shè)置考慮了3 種6S（Second Simulation of the Satellite Signal in the Solar Spectrum）大氣輻射代碼種定義的標(biāo)準(zhǔn)大氣模式：熱帶、中緯度冬季和中緯度夏季。這些大氣模式已廣泛應(yīng)用于各種大氣研究中（Kotchenova 等，2008），并提供了氣壓、溫度、水蒸氣和臭氧密度的標(biāo)準(zhǔn)垂直廓線（McClatchey 等，1971）；而氣溶膠模型則選用了城市型、農(nóng)村型、大陸型和海洋型（Vermote 等，1997）。每一種模型都定義了一種典型的氣溶膠光學(xué)特性，用于模擬不同情況下氣溶膠對衛(wèi)星信號的影響，其中，海洋型氣溶膠被認(rèn)為只在海面上出現(xiàn)；對于云參數(shù)，利用SBDART 模型自帶的球形云滴參數(shù)數(shù)據(jù)庫，考慮水云和冰云的高度、光學(xué)厚度COD（Cloud Optical Depth）和云滴有效半徑，其中，水云高度被設(shè)置為地面以上2 km 以上的高空，而冰云高度則被設(shè)置為恒定的8 km。

表面IOPs 考慮陸地地表和海面兩種類型。陸地地表反射特性由Ross?Li 核驅(qū)動的BRDF 模型決定，如2.4節(jié)中所述，根據(jù)MODIS地表參數(shù)產(chǎn)品劃分出了不同植被覆蓋程度下的9種地表和不同冰雪覆蓋情況下的2種地表；其光譜散射、體散射和幾何光學(xué)散射的權(quán)重用于直接輸入SBDART 模型計算地表反射率，海面的二項(xiàng)反射則通過3個參數(shù)確定：海洋色素濃度，海面風(fēng)速和海洋鹽度（Vermote 等，1997），其中，色素濃度可以反映海洋富營養(yǎng)化程度，海面風(fēng)速影響海洋泡沫和反輝區(qū)對反射率的貢獻(xiàn)，而海洋鹽度則影響菲涅爾系數(shù)。7個關(guān)鍵IOPs參數(shù)的具體范圍如表2所示。

表2 關(guān)鍵IOPs參數(shù)設(shè)置Table 2 IOPs and their setting range

最后，將上述IOPs 輸入SBDART 模型，并隨機(jī)進(jìn)行外部混合，得到了1000 萬個帶標(biāo)簽的理論樣本。這些樣本將作為訓(xùn)練數(shù)據(jù)集在下一步中對淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.6 淺層神經(jīng)網(wǎng)絡(luò)

淺層神經(jīng)網(wǎng)絡(luò)SNN（Shallow Neural Network）是指層數(shù)較少的人工神經(jīng)網(wǎng)絡(luò)，它具有計算速度較快的特點(diǎn)，能有效解決大部分復(fù)雜程度較低的分類問題（駱劍承等，2001）。本研究以一個具有一個隱含層和一個輸出層的兩層神經(jīng)網(wǎng)絡(luò)為例，訓(xùn)練輻射傳輸模型模擬得到的樣本。該網(wǎng)絡(luò)隱含層包含3個節(jié)點(diǎn)，激勵函數(shù)使用正切函數(shù)；輸出層包含一個節(jié)點(diǎn)，激勵函數(shù)使用線性函數(shù)。對于需要學(xué)習(xí)大量數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)而言，簡單的結(jié)構(gòu)通常能在保證可靠性的同時增加運(yùn)算速度。CRMC方法的詳細(xì)流程圖如圖2所示。

圖2 CRMC算法流程圖Fig.2 Flow chart of CRMC algorithm

3 實(shí)驗(yàn)結(jié)果與討論

3.1 云光譜特征

圖3 顯示了4 種典型下墊面條件下輻射傳輸模型模擬得到水云和冰云的光譜特征，其中，太陽天頂角和衛(wèi)星天頂角為30°，相對方位角為60°。從圖3可見，水云在可見光和近紅外波段都會產(chǎn)生一個較高的反射，使得影像看起來更“白”；而冰云僅在可見光有強(qiáng)反射，且隨著波長增加反射強(qiáng)度呈下降趨勢。對于裸土或沙漠地表而言（圖3（b）），冰云在近紅外的吸收可能會降低光譜反射強(qiáng)度，但除此之外，冰云信號的強(qiáng)度和水云一樣，都是遠(yuǎn)遠(yuǎn)大于地表的。相比利用經(jīng)驗(yàn)判斷，更希望機(jī)器學(xué)習(xí)算法能學(xué)習(xí)這些云特征。除此之外，在不同波段的光譜反射中，1.38 μm 處的反射對高層冰云具有較好的識別效，有助于將其與地表積雪區(qū)分開來。除了冰云外，水云和地表的信號在這個波段幾乎十分微弱。這是因?yàn)樵摬ǘ翁幱谝粋€極強(qiáng)水汽吸收帶（Gao 等，1993），導(dǎo)致來自地表和低空水云的反射信號被水汽吸收而無法到達(dá)衛(wèi)星；相反，冰云通常處于較高的海拔高度，高海拔水汽含量低，水汽吸收作用低，在衛(wèi)星影響上會產(chǎn)生一個強(qiáng)烈的反射。因此，我們利用輻射傳輸模型模擬的結(jié)果生成訓(xùn)練樣本，訓(xùn)練構(gòu)建的SNN，并嘗試進(jìn)行云識別。

圖3 不同下墊面條件下的水云和冰云的反射光譜特征Fig.3 Spectral reflectance of water and ice clouds under different underlying surface type

3.2 MERSI II光學(xué)影像云識別

利用訓(xùn)練完的SNN 識別MERSI Ⅱ光學(xué)影像的云的結(jié)果如圖4所示。其中，SNN 的輸入?yún)?shù)分別為MERSI Ⅱ傳感器前7 個波段表觀反射率、太陽和觀測幾何、地表高程以及海陸掩膜。我們選擇了4個案例來表明CRMC 方法在不同下墊面條件下的云識別能力，見圖4。圖4 中，從上至下第一個例子（20180428_0655）為蒙古國西部地區(qū)，海拔高度在1—2 km 之間，地表植被覆蓋較為稀疏，裸土為主；第二個例子（20180610_0815）為印度半島南部及印度洋，海拔高度在500 m 以下，植被覆蓋茂密；最后兩個例子（20180829_0455 和20181031_0455）為中國東部沿海地區(qū)和朝鮮半島，陸地主要平原地區(qū)海拔在200 m 以下，植被覆蓋較為茂密，海洋包括渤海灣，黃海和東海。受人類活動影響，渤海海水富營養(yǎng)化日益嚴(yán)重（于春艷等，2013），在光譜上顯得更綠。

總體而言，CRMC 法展現(xiàn)了較好的對FY?3D MERSI Ⅱ影像的云識別能力。能識別包括高亮裸露地表在內(nèi)的大部分云；然而，相對于在陸地的云識別能力，CRMC 在海面上效果較差。如圖4 第3 個例子（20180829_0455） 所示，由于較高的反射率，圖像左側(cè)的海面反輝區(qū)（Sunglint）被CRMC 算法誤分為云像元；另外，在長江入?？冢?2°N，122°E），由于渾濁的河水匯入了近海，海水混合大量泥沙導(dǎo)致光譜特征發(fā)生了較大的變化；而海陸掩膜數(shù)據(jù)判斷該區(qū)域依舊是海面，因此，這種泥沙導(dǎo)致的光譜變化也容易使海水像元被誤分為云像元。此外，我們發(fā)現(xiàn)CRMC 方法具有一定抵擋灰霾干擾的能力，如圖4 中最后一個例子（20181031_0455），黃色虛線框內(nèi)顯示出現(xiàn)了明顯的區(qū)域灰霾，但它被認(rèn)為是云的概率僅接近0.1。

圖4 利用CRMC識別FY?3D衛(wèi)星MERSI Ⅱ光學(xué)影像中云的4個案例（圖（b）真彩色影像中直線代表CALIPSO過境線，紅色為CALIPSO識別的云區(qū)域，綠色為非云區(qū)域；最后一個例子中，黃色虛線框表示可能的灰霾區(qū)域）Fig.4 Four cases of cloud recognition in FY?3D satellite MERSI Ⅱoptical image by using CRMC method（（b）The straight line in the true color image represents the CALIPSO transit line，the red is the cloud area identified by CALIPSO，and the green is the cloud?free area.In the last example，the yellow dashed box indicates the possible haze area）

3.3 結(jié)合MODIS和CALIOP數(shù)據(jù)的對比驗(yàn)證

為了定量的研究CRMC 方法的準(zhǔn)確性，我們將其和CALIPSO 的VFM 產(chǎn)品進(jìn)行了對比。以VFM產(chǎn)品劃分的結(jié)果作為真值，并且只要VFM 產(chǎn)品中標(biāo)記了任意一層為云，本研究即認(rèn)為該像元為云像元。然而，由于CALIPSO 分辨率較粗，并且過境時間和FY?3D 略有不同，導(dǎo)致數(shù)據(jù)匹配上會出現(xiàn)一定的系統(tǒng)誤差。為了最小化誤差帶來的影響，我們還利用VFM 產(chǎn)品驗(yàn)證了MODIS 傳感器MYD35的云掩膜產(chǎn)品，作為對比。實(shí)驗(yàn)范圍包括亞洲中東部及臨海區(qū)域。

為了找到一個合適的閾值去劃分不同云概率條件下CRMC 方法的準(zhǔn)確性，我們繪制了云識別正確率和閾值選擇的關(guān)系，并認(rèn)為某像元云概率小于閾值時為無云像元，而大于時為云像元。正確率由正確識別的像元數(shù)量占總像元數(shù)量的比值計算。從圖5中可以看出，隨著閾值不斷增大，無云像元的正確率上升，而有云像元的正確率下降。利用選擇不同的閾值，可以控制云像元篩選的嚴(yán)格程度，以適用不同的研究之中。

圖5 云識別正確率隨云概率閾值劃分的變化關(guān)系Fig.5 Relationship between hit rate of CRMC method and threshold selection

基于CALIPSO VFM 數(shù)據(jù)集，我們分別計算了CRMC 方法在總體樣本、陸地樣本和海面樣本中，云識別正確率和閾值變化的關(guān)系（圖5）。隨著閾值的變化，最大正確率在總體、陸地和海面樣本中分別為79.6%、78.5%和81.2%；而當(dāng)對云和非云像元的區(qū)分效果相同時，CRMC方法對云和非云像元的識別精度分別為78.3%和78.5%。由于地表覆蓋和云的變化通常和氣候有關(guān)，為了進(jìn)一步驗(yàn)證實(shí)驗(yàn)效果，我們計算了不同月份和緯度條件下，利用CRMC 法對FY?3D MERSI Ⅱ影像云識別的正確率（閾值為0.2）和Aqua MODIS 云掩膜產(chǎn)品的正確率。從圖6 中可以看到，CRMC 算法對陸地表面的云識別較為準(zhǔn)確，在7 月達(dá)到最高85.9%；并且，除在1 月、2 月和4 月正確率略低于MODIS 產(chǎn)品外，其余月份正確率均較高。從緯度上來看，CRMC算法在中低緯度云識別精度較高，最高在赤道附近達(dá)到約91.5%；相反，在高緯度地區(qū)它的精度則較MODIS 產(chǎn)品低。這是因?yàn)橄募竞偷途暥鹊貐^(qū)植被生長通常更為茂密，而茂密的植被具有鮮明的光譜反射特性，更容易從中區(qū)分出云。然而，在海面上，CRMC 算法云識別精度在70%—80%之間，小于MODIS 產(chǎn)品，這可能是因?yàn)楹Ｃ娣瓷涓右?guī)則，固定的閾值法有利于識別反射特征不明顯的薄云，并且MODIS 產(chǎn)品使用了多個亮溫波段的劈窗測試（Split Window）。海面的亮溫同樣相對于地表而言更加有規(guī)律，例如冰凍閾值測試以270 K 為閾值，根據(jù)11 μm 波段的亮溫識別熱帶海面的高層厚云（Ackerman 等，1998）。MERSI Ⅱ作為與MODIS 設(shè)計相似的傳感器也具有6 個亮溫波段，因此，在未來的研究中我們可以同樣增加亮溫通道的劈窗測試以提高云識別的正確率。

最后根據(jù)MODIS 地表類型氣候?qū)W數(shù)據(jù)（MCD12C1），我們研究了當(dāng)閾值設(shè)定為0.2 時CRMC 算法在不同下墊面條件下對云識別的正確率，并與MODIS 云掩膜（MYD35）進(jìn)行了對比，如表3所示。其中，CRMC 算法優(yōu)于MODIS云掩膜產(chǎn)品的地方用加粗字體表示。在當(dāng)前閾值下，CRMC 在陸地上的云識別正確率為78.07%，略高于MODIS 官方云掩膜產(chǎn)品的77.88%；而在海面效果較差，正確率僅為78.75%，小于MODIS 官方產(chǎn)品82.93%的正確率。這里海面和陸地的劃分使用的是MCD12C1 產(chǎn)品中定義的標(biāo)準(zhǔn)，和CALIPSO 的定義不完全一致，因此在結(jié)果上和圖6顯示出了一定的差距。此外，我們發(fā)現(xiàn)在農(nóng)田、城鎮(zhèn)用地和裸土等地表復(fù)雜的地區(qū)，CRMC算法的正確率高于MODIS 官方云產(chǎn)品。這一結(jié)果可能歸功于我們利用地表二項(xiàng)分布產(chǎn)品較為準(zhǔn)確的估算了這些復(fù)雜下墊面條件下的地表各向異性反射。根據(jù)以上研究，CRMC方法顯示出了較好的云識別效果，并在未來有如下改進(jìn)方向。

圖6 CRMC法云識別正確率（閾值為0.2）和MYD35正確率隨月份和緯度的變化Fig.6 Hit rates of CRMC（threshold of 0.2）and MYD35 change with variations of month and latitude

表3 不同下墊面下CRMC（閾值為0.2）與MYD35云識別正確率比較Table 3 Comparison of the hit rate of cloud recognition between CRMC（threshold of 0.2）and MYD35 under different underlying surfaces based on MCD12C1

（1）對于類似于FY?3D MERSI Ⅱ等具有亮溫通道的傳感器而言，嘗試?yán)昧翜匦畔⒉⒔Y(jié)合亮溫通道劈窗法。

（2）在利用輻射傳輸模型模擬訓(xùn)練樣本時，選用更精確的IOPs參數(shù)。

（3）選用深度學(xué)習(xí)方法代替本文使用的淺層神經(jīng)網(wǎng)絡(luò)，增加網(wǎng)絡(luò)對云像元反射特征的學(xué)習(xí)并提高泛化能力。并且，由于云識別的準(zhǔn)確性與下墊面類型相關(guān)，在訓(xùn)練樣本和云識別時可以將下墊面類型作為一個額外的特征加入。

4 結(jié) 論

本文提出了一種從遙感衛(wèi)星的光學(xué)影像中識別云的新方法CRMC。該方法結(jié)合了輻射傳輸模型和機(jī)器學(xué)習(xí)算法的優(yōu)勢，通過輻射傳輸模型模擬不同條件下的云和氣溶膠理論表觀反射率，并將其作為標(biāo)記好的樣本對淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以解決遙感影像中云識別這種分類問題。輻射傳輸模型計算的樣本能充分考慮不同下墊面條件下、不同云類型和光學(xué)厚度的情況，避免人工選擇樣本的主觀性。而利用機(jī)器學(xué)習(xí)算法能充分利用可見光和近紅外波段的反射率特征，并根據(jù)后續(xù)實(shí)驗(yàn)選擇合適的閾值，從而達(dá)到有效地從陸地地表識別云像元的目的。

通過與CALIPSO 衛(wèi)星VFM 數(shù)據(jù)集的對比驗(yàn)證顯示，CRMC方法的最大正確率在總體、陸地和海面樣本中分別為79.6%、78.5%和81.2%。通過調(diào)整云閾值，它也能控制對云剔除的嚴(yán)格程度，生成適合于后續(xù)實(shí)驗(yàn)的云掩膜產(chǎn)品。當(dāng)閾值選擇為0.2 時，對于云和無云像元的總識別精度都達(dá)到約78.4%。通過進(jìn)一步與MODIS云掩膜產(chǎn)品的橫向?qū)Ρ劝l(fā)現(xiàn)，CRMC 方法對于海面的平均正確率比MODIS 云掩膜產(chǎn)品略低。這可能是因?yàn)槲覀儍H考慮了可見光和近紅外波段的反射率信息，而忽略了亮溫的變化。對于表面特性較為均勻的海面，亮溫信息對于云的識別尤為重要。而對于陸地云的識別正確率在春、夏、秋季和中低緯度地區(qū)較好，均高于MODIS 云掩膜產(chǎn)品。最高的正確率出現(xiàn)在赤道附近，為91.5%。此外在闊葉林、農(nóng)田、城市地標(biāo)和裸土等下墊面條件下，CRMC算法正確率均優(yōu)于MODIS云產(chǎn)品，顯示出了的較大潛力。

志 謝感謝MODIS 和CALIPSO 團(tuán)隊(duì)免費(fèi)提供的用于本研究的地表特性、云掩膜和VFM 產(chǎn)品；感謝國家衛(wèi)星氣象中心和風(fēng)云賽（http：//www.fysai.com/［2020-09-20］） 提供的本研究使用的FY-3D MERSI Ⅱ傳感器數(shù)據(jù)；最后，感謝所有匿名評論人和編輯對本文提出的建設(shè)性意見。