Landsat 8卫星上携带的两个主要载荷,OLI和TIRS,相比前期的Landsat系列卫星数据,在波段设置和空间分辨率设计方面有了明显的改进,因而得到了更加广泛的应用。但云和云阴影的存在严重制约了该数据的使用。云和云阴影降低了地表变化检测的精度及遥感影像定量参数提取的精度。有效的识别云和云阴影对Landsat 8卫星数据的应用至关重要。为提高Landsat 8卫星数据云检测的精度,前人开发了 CDAG(A Cloud Detection Algorithm-Generating Method for Remote Sensing Data at Visible to Short Wave Infrared Wavelengths)算法和 Fmask(Function of Mask)算法。CDAG 算法基于 AVIRIS 高光谱数据,充分挖掘Landsat 8卫星数据可见光到短波红外波段的云和典型地表的光谱差异信息;Fmask算法基于对云和典型地表的光谱差异和亮度温度分析,综合利用了 Landsat 8卫星数据在可见光到短波红外波段的反射信息以及热红外波段的亮度温度信息。这两种方法在云检测中均有优势与不足,为充分发挥两类云以及云阴影检测算法的优势,本文针对两种云和云阴影检测算法中存在的问题,提出两种方法相结合并加以改进的云以及云阴影检测算法。主要的工作包括以下几个方面的内容:(1)CDAG算法和Fmask算法结合的云检测算法(COMCF)CDAG算法充分挖掘了 Landsat 8卫星数据在可见光到短波红外波段的光谱信息,因此,在可见光到近红外波段,云检测算法以CDAG自动生成的云检测算法为基础,通过分析模拟数据与真实数据之间的关系,在Landsat 8影像中随机选择样本计算云像元正确率以对每个算法阈值进行测试,并根据云像元正确率赋予其合理的权重值,得到可见光到短波红外波段的归一化云概率,并通过分析不同下垫面对云检测结果的影响,设定合理阈值实现云像元的初步检测。Fmask算法中热红外波段的检测方法被引入用于识别云以及云阴影像元,分析热红外波段特性,计算影像中的云概率,实现云像元的第二步检测,将两次检测结果相结合,得到高精度的云检测结果。(2)云阴影检测算法的改进本文在实现CDAG算法和Fmask算法结合的云检测的基础上,改进了云阴影识别的算法。传统云阴影检测算法利用热红外波段的辐射特性确定云高,从而确定云阴影,由于云高估算方面存在较大偏差,导致云阴影检测的精度较低。为了实现高精度的云阴影检测,本文提出一种几何-光谱百分率相结合的云阴影检测算法(GSPM),将云检测结果按八连通区域划分成独立的云块,将每个云块当成平面云模型,并以两个像元为步长将平面云模型从假设的最低云高开始进行高度迭代,根据太阳和传感器的相关参数,结合云和云阴影的几何关系计算云模型的云阴影位置。在每个云阴影的投影区域中设定合理阈值,并根据满足条件的像元所占百分率实现云阴影像元位置初判。然后设定基于影像的动态阈值,得到最后的云阴影。(3)云以及云阴影检测的精度验证。选择USGS开发的全球生物群落半自动采样的Landsat 8数据集进行目视解译和定量分析,结果显示针对不同区域的不同云型,本文提出的算法能较完整的检测出云和云阴影,整体精度均高于90%,而且能有效减少地表环境的影响;将算法的结果与CDAG算法结果和Fmask(Function of Mask)算法结果进行对比分析,发现本文提出云和云阴影检测算法具有更高的正确率以及更低的误判率和漏判率。