云作为气候变化的重要因素,能改变太阳辐射的能量传输过程,进而影响着地表-大气之间的辐射收支,在辐射能量平衡中扮演重要的角色。此外,目前卫星遥感技术成为地球监测的重要手段之一,然而云的存在会使遥感影像变得模糊甚至阻挡了地物信息,使地物信息无法正确表达,大气、地表参数无法准确反演。因此,云检测成为遥感影像处理的必要环节,对提高遥感数据的利用率有重要意义。传统阈值法使用统一的经验阈值实现图像上所有像元的云识别,或基于图像统计得出阈值,而由于地表结构以及云状态的复杂性和基于图像统计得到阈值的不稳定性,此类方法通常难以有效实现图像高精度的云识别,特别是对于薄碎云以及高亮度区域上空的云识别。针对此类问题,本文提出一种基于地表类型支持的云检测(Land Cover-based Cloud Detection,LCCD)及云阴影检测(Land Cover-based Cloud Shadow Detection,LCCSD)方法,所用地表类型数据为 GlobeLand30(The 30-meter Global Land Cover Dataset)地表类型数据集。本文的主要内容如下:(1)地表类型支持的云检测算法。该算法是以地表类型产品为支持,将地表分为恒定属性地表和变化属性地表。对于湿地、水体、人造地表、裸土以及海洋五种地物,其反射率随季节和纬度变化的差异较小,视为恒定属性地表,根据其单波段特征以及指示波段特征的指数,对地物利用各自最佳波段赋予相应的固定阈值;而对于耕地、森林、草地以及灌木,其反射率因不同纬度、不同季节以及植被类型会出现较大差异,因此在利用波段特征的同时需要对此类地表需综合考虑时空变化的影响,赋予不同季节不同纬度相应的裸土、植被占比,进而确定合理的阈值。(2)地表类型支持的云阴影检测算法。云阴影检测算法是以从Landsat 8 OLI遥感数据上人工选取的各地表类型晴空像元库和云阴影像元库数据同样作为先验数据库,然后基于云阴影和晴空地表的反射波谱差异通过统计分析、最优波段选取以及云阴影概率计算等过程生成云阴影检测算法。算法生成过程中将阈值以一定的步长变化,统计随阈值变化数据像元库的阴影正确率和误判率,如存在阴影正确率高于0.95且误判率低于0.1的波段,则将该波段定为最优波段之一。之后计算每一波长处像元库中的云阴影概率,拟合单波段云阴影概率函数,并利用拟合标准误差赋予不同波段权重,加权合成最终云阴影概率结果,同时以概率高于0.85为界限得到云阴影二值结果。(3)算法精度评价。最后本文用Landsat 8数据对云及云阴影算法进行验证。首先将云和云阴影检测结果与假彩色合成图像进行目视解译验证,结果表明该方法能够有效识别影像中的云和云阴影,尤其是对于薄碎云和虚阴影有较高的检测精度,然后本文在全球选取60个样本区域对实验结果进行定量验证,结果表明,云和云阴影检测结果在不同地表类型上空的识别精度较好,总体精度均达到0.95以上;云检测的云像元正确率和总体正确率分别为0.8903及0.9685,精度最高的地表类型为海洋、森林和湿地;云阴影像元正确率和总体正确率分别为0.8672及0.9519,精度最高的地表类型为人造地表、裸地和灌木地。