激光雷达数据辅助的FY-3D影像阈值自适应云检测方法
Threshold Adaptive Cloud Detection for FY-3D Images Using CALIPSO Data as Reference
通讯作者:
收稿日期: 2021-12-28 修回日期: 2022-06-28
基金资助: |
|
Received: 2021-12-28 Revised: 2022-06-28
作者简介 About authors
张宇卓(1995-),女,河北石家庄人,硕士研究生,主要从事遥感图像处理方面的研究E⁃mail:
关键词:
Keywords:
本文引用格式
张宇卓, 李志伟, 沈焕锋, 彭小元.
Zhang Yuzhuo, Li Zhiwei, Shen Huanfeng, Peng Xiaoyuan.
1 引 言
现有的云检测方法可大致分为阈值法、机器学习法和多时相法三类。阈值法基于云的物理与光谱特性而构建,如云具有高反射率和低温的辐射特性,云与晴空地表在特定波长处具有显著的光谱特性差异以及云与地表的纹理特征差异[5-8]。该类方法根据云与晴空地表的光谱差异设计阈值测试,以达到区分云与非云地表的目的。经典云检测算法ISCCP(International Satellite Cloud Climatology Project)算法[9-12]和APOLLO(The AVHRR Processing scheme Over cloud Land and Ocean)[13-15]算法基于AVHRR数据反射率和发射率波段信息实现阈值法云检测;MODIS团队[16-19]充分利用MODIS数据丰富的光谱信息,在多种先验数据的辅助下,设置阈值测试,生成较高精度的云掩膜产品;Zhu等[20-21]在自动云覆盖评估(ACCA)方法的基础上,提出了Fmask(Function of mask)方法用于Landsat系类影像的云与云阴影检测。Li等[22]针对仅有可见光与近红外波段的高分一号影像,提出了多特征联合的云与云阴影检测方法,通过充分挖掘影像中的多种光谱和空间特征,实现了波段信息有限情况下的高精度云检测。
多时相云检测方法通过检测影像中像元的反射率在时域上的陡增来实现云像元的判别。Zhu等[34]针对多时相Landsat影像提出了Tmask算法,通过比对影像中像元原始反射率与拟合的反射率结果,实现了Landsat影像云与云阴影的自动提取;Liu等[35]基于云会导致影像中像元反射率在时序上的拐点的假设,发展了MOD09数据的多时相云检测算法;Chen等[36]提出一种不依赖热红外波段的增强型多时相云检测算法,实现Landsat-8影像高精度云检测;Zhang等[37]提出一种青藏高原地区多时相多通道阈值组合的云检测方法,用于FY-4A影像的云检测。尽管多时相方法通常能比基于单时相的方法获得更高的云检测精度,但其对输入影像在时序上具有更高的要求,并在地表覆盖发生显著变化区域可能存在较大误差。
综上所述,尽管基于机器学习和多时相的云检测方法可以获得相对较高的精度,但其各自存在局限性,而阈值法目前仍然是业务应用最多的云检测方法。然而,由于不同传感器的波段设置和光谱响应存在差异,且固定阈值与全局阈值难以适应不同场景之间的差异,传统阈值法受传感器和场景差异影响较大,导致最优的阈值参数难以确定。考虑到激光雷达主动探测器可精确探测云层与气溶胶的垂直结构,与影像匹配后可作为其高精度真实云覆盖标记,应用于云检测算法和结果定量评估。因此,以FY3D MERSI-II卫星影像为例,提出了一种阈值自适应的云检测方法,充分利用风云三号影像的多波段光谱信息,结合激光雷达数据,通过分场景确定多通道测试的最优阈值,生成高精度的云掩膜。
2 多通道阈值自适应云检测算法
实验提出的多通道阈值自适应云检测算法(Threshold Adaptive Cloud Detection, TACD)主要包括3个步骤,首先构建光学-LiDAR云检测数据集;其次基于云的物理和光谱特性,通过多类型特征提取和多通道阈值测试,其中,本文选取 FY-3D MERSI-II红、绿、蓝3个可见光波段,1.03 μm 近红外波段,1.38 μm、1.64 μm短波红外波段,3.8 μm、7.2 μm、8.55 μm和10.8 μm热红外波段单波段或组合波段作为输入数据提取不同类型特征;最后,以激光雷达数据为真实云标记进行阈值的自适应优化,最终用于生成影像的云掩膜,流程图如图1所示。
图1
图1
多通道阈值自适应云检测算法流程图
Fig.1
Flowchart of the Threshold Adaptive Cloud Detection (TACD) algorithm
2.1 光学-LiDAR配对数据集构建
配对数据集由原始影像经预处理后的全部波段数据和对应像元点参考云标记组成。考虑到人工标记云像元不仅存在主观性,同时费时费力难以满足大量标记样本需求。实验将在时间和空间上与原始影像匹配的CALIPSO激光雷达云层数据中的云层数量数据集作为真实云标记,用于阈值优化和精度对比验证。
图2
图2
CALIPSO数据与FY-3D MERSI-II影像空间匹配
Fig.2
Collocation of CALIPSO data and FY-3D MERSI-II image
由于原始数据质量问题,数据集构建后需对数据集像元点进行筛选,剔除异常点与突变点。光学卫星影像存在数据缺失及数据异常等情况,体现为辐射定标后反射率为负值或亮度温度过低。CALIPSO数据为沿廓线分布的探测足迹点,数据点在空间上连续分布,观测足迹连续,连续数据中存在连续标记为晴空的点突变为云像元的点与连续标记为云像元点突变为晴空的点。上述情况均影响数据集质量从而干扰后续算法步骤,因此需剔除掉异常点与突变点,以确保数据集质量。
2.2 多通道阈值测试
云相对于所覆盖下垫面,具有高反射率以及低温的特性,阈值测试以此为依据设置。如图3所示,所提出方法的多通道阈值测试主要包括反射率测试、波段组合测试、亮度温度测试、薄卷云测试和亮度温度差异值测试。此外,考虑到海洋表面均匀稳定,云和海洋的光谱差异易分离云和下垫面,而陆地表面地表覆盖类型丰富,地表反射率受下垫面类型的影响而变化多样,因而,TACD通过FY-3D GEO地理信息数据中的海陆掩膜将影像分为海陆两个场景,根据场景特性分别设置不同测试,通过特定波段和波段的组合实现云与非云地表的区分。
图3
(1)HOT指数。HOT(Haze Optimized Transfor-mation)指数依据云在红波段与蓝波段之间光谱响应差异区分云与非云地物[41]。由于在晴空条件下,地表的可见光波段高度相关,但对云和雾的光谱响应在蓝和红波段之间存在不同,因此可以通过HOT指数提取云雾,简化后的HOT指数计算公式为:
(2)VBR指数。VBR(Visible Band Ratio)指数为红、绿、蓝波段的最小和最大反射率的比值,可剔除具有显著色彩特性的非云地物像元,当VBR指数接近于1时,灰度越高,像元点为云的概率越大[22]。VBR指数计算公式如下:
反射率阈值测试为以上测试结果的综合结果,并加入对白色像元敏感的红波段测试,红波段反射率越大,是云的可能性越高,增加红波段反射率测试,提高云的检出率,反射率阈值测试的结果
(4)亮度温度测试。海水表面较为稳定,具有均一性。云在11 μm波段和所覆盖海洋下垫面温度差异明显。当11 μm波段亮度温度BT11低于270 K,该像元点可判定为潜在云像元[19]。11 μm波段对低温厚云有较好的检测效果,但无法准确检测海面高空薄卷云,因此需要其他阈值测试检测薄卷云,海洋测试的结果
(5)薄卷云测试。1.38 μm波段靠近强水汽吸收带,对日间卷云十分敏感,常作为薄云检测的条件之一。除此之外,根据传感器的不同,检测卷云的方法可根据传感器波段设置而作调整,如FY-3D MERSI-II传感器的1.03 μm波段为MERSI-II特有的卷云波段,卷云检测结果
(6)亮度温度差异值BTD测试。云和晴空的亮度温度差异值是由普朗克函数的非线性和云的单一散射特性的光谱变化引起的,因此可以通过亮度温度差异值区分云和晴空像元,计算公式如下:
其中:
中云由微小水滴、过冷水滴或者冰晶、雪晶混合而组成。晴空条件下,7.3 μm对大气层中层的温度和湿度很敏感,而11 μm对温暖表面较为敏感,云层会减少这一差异的绝对值,因此可以利用7.3 μm和11 μm亮度温度差异值BTD7.3-11检测中高层云[19]。
低云水滴、过冷水滴、冰晶混合组成。日间3.9 μm波段反射太阳能量,在低空水云处3.9 μm和11 μm波段的亮度温度差异值BTD3.9-11很大且为负值,有较好的检测表现,因此也常用来检测对于空间高度较低的低云像元[44]。
存在水汽吸收带的波段对云像元也有较好的检测效果。8.6 μm和11 μm波段亮度温度差异值BTD8.6-11,也作为检测云像元的一个判断条件,陆地表面8.6 μm波段辐射变化较大,具有不确定性,因此8.6 μm和11 μm波段亮度温度差异值只应用于海洋表面,亮度温度差异值阈值测试结果
由于FY-3D MERSI-II数据无3.9 μm、7.3 μm、8.6 μm和11 μm波段,由近似波段,即3.8 μm、7.2 μm、8.55 μm和10.8 μm波段代替。
海洋场景下云像元判定计算公式如下:
在分别获得陆地和海洋场景下的云检测结果后,可将其合并为最终的云掩膜CM,公式如下:
2.3 迭代阈值优化
在TACD算法阈值优化过程中,参考不同测试的经验阈值来设定一定阈值范围,针对不同测试的阈值设置适当的迭代变化间隔,针对海洋和陆地场景分别进行多通道阈值测试,基于所构建的云检测数据集,评估每次阈值测试的精度,经多次循环迭代,确定总精度最高时的阈值参数为各场景的最优阈值。
3 实验结果与分析
3.1 实验数据
实验以CALIPSO激光雷达数据作为辅助,以空间分辨率1 km的FY-3D MERSI-II遥感影像为为例,构建全球范围的云检测数据集。所使用的真实云标记为CALIPSO荷载的云-气溶胶正交极化激光雷达(CALIOP)的云层数据(Cloud Layer)。其中,云层数量数据集(Number_Layers_Found)可作为真实的云和晴空标记,数据集仅记录探测廓线云层个数,本文参考相关研究[18,38,40,45],将探测结果为无云层的像元点标记为晴空,一层及多层云标记为有云。此外,本文所用FY-3D MERSI-II与FY-3系列A、B、C 3颗卫星的第一代MERSI传感器相比,D星MERSI-II传感器更为稳定,波段信息更为丰富且数据质量明显提高[46]。
在CALIPSO云层数据与FY-3D MERSI-II影像的匹配过程中,云层探测廓线足迹点与影像像元间需满足时间差在25 min内,经度和纬度差异小于0.02°。最后筛选掉云层探测廓线足迹中的异常点和突变点,以确保配对数据集的数据质量和可信度。
为保证实验结果和验证的可靠性,考虑时间与季节特征,选取了2019至2021年期间分布在全球范围并覆盖包括海洋、植被、裸土、极地和沙漠多类型地表场景的215景FY-3D MERSI-II影像作为实验数据,包括经过辐射定标的FY-3D MERSI-II一级全波段数据、FY-3D MERSI-II地理数据中的时空信息数据、角度数据和海陆掩膜。此外,还包括FY-3D官方云掩膜产品数据。将FY-3D MERSI-II影像与CALIPSO云层数据进行匹配,构成成对的云检测样本点。选取其中181景影像共127 264个样本点,分海洋和陆地两种场景分别进行阈值优化;另外34景影像中的35 255个样本点作为验证数据。
3.2 实验结果
基于所构建验证数据的云检测样本点,对FY-3D云掩膜产品和TACD算法云检测结果进行精度评价。采用总体精度(Overall Accuracy)、召回率(Recall)、准确率(Precision)、平均交并比(mIoU)、F1分数(F1 score)5个指标进行精度统计。5个指标的值越大,表明精度越高,其中召回率和准确率可分别反映漏检和错检情况。通过对不同阈值设置情况下云检测结果的精度测试,综合考虑以上精度指标,将取得最高精度时对应的阈值作为TACD算法的最优阈值。最终,在全场景取得最高总体精度84.94%的情况下,确定的海洋和陆地场景的最优阈值如表1所示。
表1 阈值优化所确定的最优阈值
Table 1
海洋场景 | 陆地场景 | |
---|---|---|
HOT | >0.11 | >0.11 |
VBR | >0.45 | >0.40 |
NDSI | N/A | >-0.3 & <0.59 |
Rred | >0.06 | >0.06 |
R1.38μm | >0.001 | N/A |
R1.03μm | >0.05 | N/A |
BT11 | <290 K | N/A |
BT7.2-BT11 | >-29 K | N/A |
BT3.8-BT11 | >6.5 K | N/A |
BT8.6-BT11 | >-1 K | N/A |
将最优阈值作为TACD算法中最终的阈值参数,生成验证数据的云掩膜,并与FY-3D官方云掩膜产品对比。结果示例如图4所示。其中,FY-3D官方云掩膜产品结果分为云、可能有云、可能无云以及晴空4种类别,为便于进行定量的精度评价,将官方云掩膜划分为两种结果:FY-3D CLM1将可能有云的情况划分至云类别,可能无云划分至晴空类别;FY-3D CLM2将可能有云和可能无云均划分至晴空类别。
图4
目视对比结果表明,与TACD云检测结果相比,官方云掩膜产品受影像质量(条带噪声等)影响较大,存在较多晴空像元被错误分类为云像元。TACD算法生成的云掩膜云边界清晰,受原始影像质量影响较小,在海洋和陆地场景下的云检测结果均优于官方产品,对于容易漏检的海面薄云、碎云也有较好的检测效果。
此外,基于34景影像中35 255个样本点,对TACD算法和FY-3D官方云掩膜产品进行定量的精度评价,结果如表2所示。
表2 结果精度验证 (%)
Table 2
总体精度 | 召回率 | 准确率 | 平均交并比 | F1分数 | |
---|---|---|---|---|---|
FY-3D CLM1 | 84.91 | 91.31 | 89.28 | 82.29 | 90.28 |
FY-3D CLM2 | 83.62 | 87.24 | 91.05 | 80.35 | 89.10 |
TACD算法 | 86.54 | 92.67 | 90.08 | 84.09 | 91.35 |
TACD(海洋) | 86.53 | 92.64 | 90.11 | 84.09 | 91.36 |
TACD(陆地) | 87.28 | 95.56 | 86.69 | 83.33 | 90.91 |
定量评价结果表明,与官方方法相比,TACD算法在总体指标上均优于官方方法,其中总体精度可达86.54%,高于官方结果的83.62%和84.91%。TACD算法云检测召回率可达92.67%,优于官方云掩膜产品的91.31%和87.24%。根据准确率指标结果,TACD算法的云掩膜中错检高于FY-3D CLM2,与FY-3D CLM1接近。此外,在海洋和陆地的分场景精度评估结果表明,TACD算法在陆地场景的云检测总体精度与海洋场景接近,但在陆地场景的查全率为95.56%,显著高于海洋区域的92.64%。
3.3 误差分析
云的漏检通常出现在薄云和碎云区域,特别是在地表反射率变化较大的非均质地区。云的错检通常受下垫面类型影响,对于具有高地表反射率的沙漠、极地等区域,云像元易与下垫面混淆而出现误检。TACD方法在一些区域也存在误差,图5展示了更多场景下的云检测对比结果。在图5(a)和5(b)所示的海岸线和高亮的陆地区域,官方云掩膜存在较大面积的错检,TACD算法云掩膜具有较好的目视效果,但存在少量的薄云漏检;在图5(c)所示的沙漠区域,TACD云掩膜与官方云掩膜都存在错检和漏检问题,这可能由于受限于匹配到数据集的空间局限性,在沙漠区域样本点少于其他场景,导致所得到的阈值参数对于该区域并不是最优;在极地区域的云检测具有较大的挑战性,图5(d)中影像为假彩色合成图,其中白色为云,蓝色为冰雪,目视上TACD算法结果优于官方云掩膜,但仍有提升空间。
图5
FY-3D影像与CALIPSO数据时空匹配的误差不可避免,导致参考的云标签存在偏差而对总精度产生影响。此外,由于FY-3D与CALIPSO轨迹和过境时间差异,导致两者仅能匹配到较少数据,海岸线区域因面积相对较小难以匹配到样本点,沙漠和高原区域受匹配限制样本点少导致训练不够充分,极地区域云检测难度较大,因而仍有改进与提升的空间。本文为匹配到更多样本点并涵盖多类型场景,适当增大了两者匹配允许的空间误差与时间误差。然而,这也可能导致在风速较大云速较快的情况下,由于云位置的偏移而产生匹配误差,给TACD算法的阈值优化和精度评价带来不利影响。
3.4 云掩膜后处理
图6
图6
基于引导滤波的云掩膜后处理示例
Fig 6
Example results of cloud mask postprocessing based on guided filtering
云掩膜经引导滤波后处理,可有效减少厚云边缘薄云的漏检,然而可能会增加对厚云周围非云高亮地表的错检。根据基于34景影像中35 255个样本点的定量精度评价结果,经过引导滤波精细化处理的云掩膜总精度略微下降,但召回率提升明显,从92.67%提高至97.07%,表明漏检情况得到较大改善。然而,准确率由90.08%下降至85.95%,这部分归因于极地区域冰雪的错检。因此,在实际应用中,基于引导滤波的云掩膜后处理适合于对云掩膜中漏检具有较低容忍度的应用,尽管其在一定程上会造成总体精度略微下降。
4 讨 论
尽管实验所提出的TACD算法具有业务化应用的潜力,但在实际应用中可能仍面临以下问题。一方面,由于FY-3D影像自身的质量问题和低分辨率影像的局限性,在一定程度上限制了TACD算法的性能。FY-3D影像存在的数据质量问题包括部分数据缺失、反射率或亮度温度差异值异常、条带噪声等,使得能成功匹配的样本点数量减少,导致云检测结果产生误差,并影响精度评估。此外,由于低分辨率影像中混合像元问题,单一像元包含多于一种地类的情况较为普遍,尤其是在云边缘处和薄云覆盖区域,云的光谱特征不够显著,而容易出现漏检与错检问题;另一方面,雾、霾、沙尘与云具有较为类似的特征,对于类似空间分辨率较低的光学卫星影像,难以实现其与云的准确区分,一定程度上影响最终检测结果的准确性[48]。因此在进行云检测前可通过去噪等预处理提高影像质量,针对混合像元和雾、霾、沙尘等可借助先验数据等辅助信息排除干扰,从而改善最终的云检测结果。
5 结 论
本文提出了一种激光雷达数据辅助的阈值自适应云检测方法,以FY-3D影像为例,基于在全球范围内不同区域选取的215景影像,构建了光学-LiDAR云检测数据集,进行算法的阈值自适应优化和精度验证。所提出的TACD算法充分利用低分辨率影像的多波段光谱信息,针对不同场景设计了多种阈值测试,通过迭代测试获取了全局最优阈值,最终实现了FY-3D影像的高精度云检测。定量评价结果表明TACD算法生成的云掩膜精度明显优于官方云掩膜产品,其总体精度从官方云掩膜的84.91%和83.62%提升至86.54%。在海洋、植被和裸土区域,TACD算法经大量样本训练具有较好的表现,表现出业务化应用的潜力。在将来,TACD算法可从更精细的影像场景划分等方面改进,充分挖掘其应用潜力。除FY-3D影像外,TACD云检测算法因简单高效,未来还将拓展应用至其他低分辨率卫星影像的云检测,如MODIS、Himawari-8等。
参考文献
Lightning activity in the Pre-TC squall line of Typhoon Lekima(2019) observed by FY-4A LMI and its relationship with convective evolution
[J]. ,
FY-4A LMI观测的利奇马(2019)台前飑线闪电活动及其与对流演变的关系
[J]. ,
Analysis on the applicability of Fengyun-3 satellite microwave remote sensing soil moisture products in Shandong
[J]. ,
风云三号卫星微波遥感土壤水分产品在山东地区的适用性分析
[J].,
Retrieval of cloud liquid water content over global oceans using FY-3C/3D microwave imager
[J]. ,
风云三号卫星被动微波反演海洋上空云液态水含量
[J].,
Spatial and temporal distribution of clouds observed by MODIS onboard the Terra and Aqua satellites
[J]. ,
Fractal dimension and GGCM based meteorology cloud pictures recognition-description of texture complexity and roughness by fractal dimension(I)
[J]. ,
基于分数维与灰度梯度共生矩阵的气象云图识别(I)—分数维对纹理复杂度和粗糙度的描述
[J]. ,
Fractal dimension and GGCM based meteorology cloud pictures recognition-description of texture statistical characteristics by gray level-gradient co-occurrence Matrix(II)
[J].,
基于分数维与灰度梯度共生矩阵的气象云图识别(Ⅱ)—灰度梯度共生矩阵对纹理统计特征的描述
[J]. ,
Study of texture images extraction based on gray level co-occurrence matrix
[J]. ,
基于灰度共生矩阵提取纹理特征图像的研究
[J]. ,
A cloud detection algorithm-generating method for remote sensing data at visible to short-wave infrared wavelengths
[J]. ,
Measuring cloud properties from space: A review
[J]. ,
Global, seasonal cloud variations from satellite radiance measurements. Part I: Sensitivity of analysis
[J]. ,
Time-cumulated visible and infrared radiance histograms used as descriptors of surface and cloud variations
[J]. ,
Cloud detection using satellite measurements of infrared and visible radiances for ISCCP
[J]. ,
An improved method for detecting clear sky and cloudy radiances from AVHRR data
[J]. ,
Optical properties of clouds derived from fully cloudy AVHRR pixels
[J]. ,
An algorithm for snow and ice detection using AVHRR data an extension to the APOLLO software package
[J]. ,
Discriminating clear sky from clouds with MODIS
[J]. ,
Cloud detection with MODIS. Part I: Improvements in the MODIS cloud mask for collection 5
[J]. ,
Cloud detection with MODIS. Part II: validation
[J]. ,
Discriminating clear-sky from cloud with MODIS algorithm theoretical basis document (MOD35
[C]∥ MODIS Cloud Mask Team, Cooperative Institute for Meteorological Satellite Studies,
Object-based cloud and cloud shadow detection in Landsat imagery
[J]. ,
Improvement and expansion of the Fmask algorithm: Cloud, cloud shadow, and snow detection for Landsats 4-7,8, and Sentinel 2 images
[J]. ,
Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery
[J]. ,
Development of a support vec-tor machine based cloud detection method for MODIS with the adjustability to various conditions
[J].,
Cloud detection for high-resolution satellite imagery using machine learning and multi-feature fusion
[J]. ,
Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches
[J]. ,
Cloud detection based on decision tree over tibetan plateau with MODIS data
[J]. ,
Automated detection of cloud and cloud shadow in single-date Landsat imagery using neural networks and spatial post-processing
[J]. ,
Satellite data cloud detection using deep learning supported by hyperspectral data
[J]. ,
Multilevel cloud detection in remote sensing images based on deep learning
[J]. ,
Deep learning based cloud detection for medium and high resolution remote sensing images of different sensors
[J]. ,
Pragmatic augmentation algorithms for deep learning-based cloud and cloud shadow detection in remote sensing imagery
[J]. ,
Generative adversarial training for weakly supervised cloud matting
[C]∥
Automatic cloud detection method based on generative adversarial networks in remote sensing images
[J]. ,
Automated cloud, cloud shadow, and snow detection in multitemporal Landsat data: An algorithm designed specifically for monitoring land cover change
[J]. ,
Generation of new cloud masks from MODIS land surface reflectance products
[J]. ,
Enhanced multi-temporal cloud detection algorithm for optical remote sensing images
[J]. ,
增强型多时相云检测
[J].,
Multi-temporal cloud detection method for Qinghai-Tibet Plateau based with FY-4A Data
[J]. ,
基于FY-4A数据的青藏高原多时相云检测方法
[J]. ,
Intercomparison of column aerosol optical depths from CALIPSO and MODIS-Aqua
[J].,
Detecting multilayer clouds from the geostationary advanced himawari imager using machine learning techniques
[J]. ,
Using the NASA EOS A-Train to probe the performance of the NOAA PATMOS-x cloud fraction CDR
[J]. ,
An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images
[J]. ,
Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data
[J]. ,
Developing clear-sky, cloud and cloud shadow mask for producing clear-sky composites at 250-meter spatial resolution for the seven MODIS land bands over Canada and North America
[J]. ,
Development of a daytime cloud and haze detection algorithm for Himawari-8 satellite measurements over central and Eastern China
[J]. ,
Fully automated analysis of space-based LiDAR data: An overview of the CALIPSO retrieval algorithms and data products
[C]∥
Cloud detection algorithm using advanced fully convolutional neural networks in FY3D-MERSI imagery
[C]∥
Guided image filtering
[J]. ,
Cloud and cloud shadow detection for optical satellite imagery: Features, algorithms, validation, and prospects
[J]. ,
/
〈 | 〉 |