山东科技大学测绘与空间信息学院,山东 青岛 266590
云的存在影响卫星数据的使用,因此准确高效的云检测在遥感图像目标识别和参数定量反演中具有重要作用。针对亮地表、薄碎云及云边界等难以识别、不同尺度特征的云检测精度不稳定等问题,对短期时序数据进行线性回归计算,将前后时序数据的表观反射率斜率变化趋势作为输入特征。为充分挖掘不同尺度的信息,采用具有密集跳跃结构和深监督结构的UNet++模型进行云检测研究。与单时相数据集的U-Net、SegNet和UNet++相比,所提方法可以更有效地突出多尺度特征,增加对亮地表、云边缘和薄云信息的敏感度。结果表明,所提方法在云检测方面得到较高的精度,总体精度达98.21%,误检率降低至1.07%,漏检率降低至3.12%。所提方法能有效降低裸地、道路、建筑物、冰雪等亮地表对云识别的干扰,提升了对薄云的识别精度,且适用于不同下垫面的遥感影像。
云检测;深度学习;时序数据;线性回归分析;语义分割 激光与光电子学进展
2024, 61(4): 0428013