针对NPP VIIRS数据的云检测方法研究

夏 浪,毛克彪*,孙知文,马 莹

(1.中国农业科学院农业资源与农业区划研究所,呼伦贝尔草原生态系统国家野外科学观测研究站,北京 100081；2.广州地理研究所,广东 广州 510070；3.航天恒星科技有限公司,北京100086)

针对NPP VIIRS数据的云检测方法研究

夏 浪1,2,毛克彪1,2*,孙知文3,马 莹2

(1.中国农业科学院农业资源与农业区划研究所,呼伦贝尔草原生态系统国家野外科学观测研究站,北京 100081；2.广州地理研究所,广东 广州 510070；3.航天恒星科技有限公司,北京100086)

为了获得新型红外成像辐射仪套件(Visible Infrared Imager Radiometer Suite, VIIRS)传感器准确的云掩码数据,克服当前VIIRS云检测算法在中国区域存在的部分缺陷.本研究通过分析当前较为成熟的中分辨率光谱成像仪(Moderate Resolution Imaging Spectroradiometer,MODIS)云掩码算法,结合VIIRS传感器的波段特性,提出了适合中国区域的云检测算法.针对1.38µm高(卷)云检测算法在高海拔区域存在的限制,本研究使用亮温进行辅助检测,降低因低水汽含量造成的误报;针对当前 VIIRS M12-M13云检测阈值在我国存在误报的问题,对M12-M13差值云检测在我国适用范围和阈值进行了分析讨论,并使用亮温辅助M12-M13进一步克服地表二项性反射造成的干扰.使用中国区域的两景数据进行应用分析表明：亮温辅助1.38um高(卷)云检测能够较好的抑制地表污染,亮温辅助M12-M13差值云检测比当前 VIIRS M12-M13云检测能更好的抑制误报.通过人工解译,将检测结果和解译结果做了对比分析,实例数据检测精度均高于85%,能够满足当前云检测精度要求.

NPP；VIIRS；云检测

辐射是地球保持自身能量平衡的唯一方式[1],云可以通过遮挡太阳和地表辐射来改变能量传输的过程,因而云在辐射收支平衡研究中扮演着重要的角色[2-3].另一方面,云能够影响天气状况,在短期内主要表现在小范围的天气变化,在较长的时间尺度上影响大区域的气候变化.因此,对覆盖全球超过 70%的云进行相应的监测,对于地球辐射收支平衡、天气预报和全球气候变化的研究具有非常重要的意义.在20世纪前,人们对云进行观测仅仅限于人工目视观测,这种方式受人的主观性影响大、观测范围小的限制,到 20世纪 50年代出现了地基自动观测方法[4],该方法具有观测时间周期短,精度高的特点,但观测范围较小的限制并没有得到完全解决.气象卫星一般具有较大的刈幅、较高的时间分辨率,因此利用卫星数据进行云监测能够弥补前两者观测范围小的缺陷,也便于在大尺度区域上对云进行监测.

1978年随TIROS-N卫星升空的第一代甚高分辨率辐射仪(Advanced Very High Resolution Radiometer, AVHRR)传感器因其具有良好的观测性能,且较上一代扫描辐射计(Scan Radiometer, SR)有更好的空间分辨率,研究者对使用该数据进行云监测做了大量的研究.从第一代 AVHRR传感器的出现到现在,研究者针对 AVHRR提出APOLLO(AVHRR Processing Scheme over Land, Clouds and Ocean)[5],CLAVR (Clouds from AVHRR)[6]等一些比较具有代表性的云检测算法.搭载在Terra和Aqua卫星上的MODIS传感器因其具高光谱分辨率、高空间分辨率的特性,在云检测中受到很大的重视.当前针对 MODIS的各种云检测方案中,以NASA MODIS云检测小组提出的云检测算法[7]最具有代表性.成立于1982年的国际卫星云气候学计划(International Satellite Cloud Climatology Project, ISCCP)针对各种卫星数据提出了ISCCP算法[8],此外,还有针对 CO2的薄片法[9]和其他卫星的云检测方法[10-11],在国内有针对风云卫星[12]、基于纹理[13]、统计特征[14]等的云检测方案.总体上来说,至 1988年Saunders和Kriebel[15]第一次阐述多光谱自动云检测算法之后,针对极轨卫星的云检测逐渐形成了围绕AVHRR和MODIS这两个具有代表性传感器的研究体系.

现阶段针对 VIIRS进行云检测的研究还不多,Hutchison针对VIIRS传感器各通道的参数,结合 MODIS云掩码算法,于 2005年发布了首个VIIRS云检测算法[16];2012年Hutchison通过使用全球合成数据(Global Synthetic Data, GSD)对VIIRS云检测算法进行相应的调整[17].本文通过对MODIS云检测算法和VIIRS数据特性进行分析研究,设计了相应的云检测方案,最后针对中国区域使用了VIIRS数据对本研究结果进行了检测.

1 VIIRS数据和云检测原理

1.1 VIIRS数据介绍

2011年10月28日发射升空的Suomi NPP卫星为美国新一代极轨运行环境卫星系统预备项 目 (National Polar-orbiting Operational Environmental Satellite System Preparatory Project)的首颗卫星,NPP同时也是美国下一代对地观测卫星,用来接替服役超期的 Terra、Aqua等,其携带包含VIIRS在内的五个对地观测仪器,运行在升交点为 13∶30(地方时)的太阳同步轨道上[18].VIIRS传感器共 22个波段,5个分辨率为375m的影像波段,分辨率为750m的DNB波段一个,16个分辨率为750m的可见光和红外通道,总体上与MODIS传感器较为相似.

1.2 云检测原理

在可见光和近红外波段,传感器接收的辐射能可用式(1)表示

式中∶I为传感器入口处的辐射能;Irg、Irc、Is分别代表地物反射、云层反射辐射、大气粒子和云层的散射.云检测以云和地物对不同波长电磁波有不同的反射和发射特性为基础,结合不同的下垫面类型和地理位置,综合运用各种方法对云和地物进行相应的区分识别,下面结合相应的波段分别阐述检测原理.

1.2.1 1.38µm高(卷)云检测 在以往的研究中,高(卷)云的检测一般使用1.38µm、6.7µm、11µm、13.9µm等波段来进行.其中利用1.38µm波段进行云检测的原理如下∶1.38µm处于水汽的强吸收处,当大气中有一定的可降水量时[19]来自地表和中低云的辐射被大气水汽吸收,进入传感器的部分为高云反射的 1.38µm辐射能.但是对于一些高海拔,地表类型为沙漠的区域,大气可降水量较少的情况下,此波段检测高云会出现大量的误报.针对高云的温度一般低于地表的特性,采用通道来减少误报,具体的做法是先利用 1.38µm通道检测高云,对检测结果为高云的区域进行通道亮温检查,如果该区域通道亮温符合高云特性(这里要区分温度较低的冰雪区域),那么认为此象元为高云.

1.2.2 紫光波段云检测 VIIRSM1波段波长0.412µm,处于紫光范围.如图 1所示,云和雪比草地、土壤、沙粒在此波段具有更高的反射率(数据来源ASTER SPECTRAL LIBRARY,图中蓝色波段表示 VIIRSM1～M7各波段的波段宽度).根据该反射特性,MODIS云检测算法将此波段用来检测沙漠地区的云,盛夏[20]等用此波段来辅助海岸线附近云检测.此波段受散射影响较强,当空气分子粒径α<<λ时,根据瑞利散射,此时波长较短的蓝紫光比红光所受的散射强约五倍,但在实际测试中,瑞利散射并不会影响检测结果.大气中气溶胶对可见光产生米氏散射,对于不同粒径的气溶胶粒子,蓝紫光有不同的散射强度,总体上是气溶胶含量越高,散射越强,因此使用M1波段在气溶胶含量高的区域容易造成误报.此外,雪在该波长处反射率和云较为相似,两者不易区分,该波段也不适用于雪覆盖区域的云检测.

图1 几种物质的反射波谱Fig.1 Reflectance spectrum of some materials

1.2.3 M12-M13云检测 3.7µm和4.0µm位于中红外区段,白天传感器接收到的辐射较为复杂,既包含地物和云的发射辐射也包含反射的太阳辐射.在3.7µm处,由于反射的二向性存在以及反射辐射随太阳方位角变化而变化,单一的使用3.7µm 通道进行云检测较为困难[21].VIIRSM12和M13波段中心波长分别为3.74µm和4.05µm,其波段间隔较短,同一地物的反射和发射特性较为相似,如果将两者进行相减,则能降低因太阳方位角变化而造成的阈值确定困难这一困扰. Hutchison等[15]通过对VIIRS进行GSD模拟后,给出了 M12-M13云检测阈值,但在实际中发现,按照其给定的阈值进行云检测会出现较大的漏检和误报,因此本研究对实际数据进行相应分析处理,统计了不同地类的M12-M13差值数据.表1是中国区域 2013年 1～3月份不同地表类型M12-M13波段的差值,其中方差表示采样区域的均一性.对比分析可知∶ M12-M13差值在高原区域、冰雪、湖泊的差值较云的差值小,并且差距明显,因此适合该区域的云检测;在沙漠、植被覆盖率低的平原区域, M12-M13差值与云相比并不大,因此在这些区域使用此差值进行云检测可能会出现较大误报.

表1 不同下垫面M12-M13差值Table 1 The difference between M12 and M13under different underlying surface

1.2.4 反射率比值 云检测云在 0.86µm 和0.67µm 处的反射特性差别不大(图 1),因此M7/M5比值大约为1.在水面区域,由于分子散射和气溶胶散射使得短波的后向散射增强,M7/M5约为0.5左右[22];在海岸线附近,由于水中泥沙含量增加,0.86µm反射增强使得M7/M5上升,有可能达到 0.9,而海岸线上空的云,由于地表在0.86µm反射增加,M7/M5比值下降,最终导致M7/M5在海岸线附近检测云容易出现漏检,此外M7/M5也不适用于沙漠、冰雪等区域.

2 算法流程

表2 云检测算法使用的波段Table 2 Bands used in the study

根据 1中云检测原理,本研究所使用的云检测波段如表 2,算法处理流程如下∶首先进行地表分类,得到沙漠、冰雪区域(高原)、高原、平原和海洋共五类地区.第二步通过 1.38µm 进行高云检测,对检测结果按不同的下垫面分别选取不同的阈值进行误判检测,排除因高海拔、沙漠区域的可降水量少而导致的地表辐射进入传感器造成的误判.第三步利用M12-M13对高原地区、冰雪覆盖区域进行云检测,为减少高原冰雪区域中沙漠和二向性反射造成的误判,对检测结果与通道亮温进行比对,减少干扰;使用M1波段和进行沙漠地区的云检测,通过 M12-M13排除沙漠地区河流、云阴影等亮温较低区域的干扰.第四步综合使用M1波段、M7/M5、M12-M13对平原地区进行云检测,在海岸线区域使用 M1波段辅助M7/M5进行检测,去除海岸线对比值检测的影响.第五步,使用M12-M13波段对海洋区域进行云检测,最后输出云检测结果.检测中使用的阈值根据不同地类区域通过人工目视解译结合自动分类得到动态阈值.

3 应用分析和精度评价

针对以上检测方案,选取了中国区域两景VIIRS数据进行检测验证.第 1个数据成像于2013年2月1日,北京时间14∶00,地理坐标范围30.946854°N～50.734489°N,80.311111°E～121.326874°E,大致位置包括∶蒙古高原、青藏高原、华北平原部分和塔里木盆地,如图2所示.第2个测试数据成像于2013年3月3日,北京时间12∶55,地理坐标范围为 22°2'50.25''N～46°21'35.77"N, 98°55'24.02"E～138°4'53.06"E,包含我国东部区域、东海、朝鲜半岛、日本海等,如图3所示.图2、3中的左图是M5M4M3波段真彩色合成图像,右图是检测后的结果,图中黄色部分为高云,白色区域为非高云,绿色代表陆地,蓝色代表海洋.通过目视对比观察图 2可知检测方案能够较好的识别青藏高原区域的高云,对被冰雪覆盖的蒙古高原,检测方案也具有较好的区分能力,成功的检测出了下垫面类型为冰雪的云.在图 3中,M12-M13波段在海洋区域取得了较好的检测效果,南方丘陵和上海、天津等海陆边界区域的云也具有较好的检测效果,没有出现因海陆交界处水中泥沙含量增加导致的误检.

图4截取于测试数据1,该区域位于青海湖附近(未进行几何校正),海拔为 3000～4500m,左图是红绿蓝三波段真彩色合成图像,通过观察该图纹理和阴影可知图像的上部区域有部分朵状云,中下部区域的白色则为高山积雪.右图中红色区域是1.38µm的M9波段在判识高云时不进行亮温检测得出的误检结果,黄色为通过亮温检查检测出的云,很明显,由于该区域海拔较高,空气中水汽含量少,来自冰雪覆盖区域的反射辐射直接进入传感器造成了误检.位于青海湖右上角一朵状云的边缘区域为部分红色所包围,该红色区域代表漏检.由于云层边缘区域亮温受周围地物影响较大,或者边缘区域的云层较薄而导致边缘区域的亮温高于云层中心区域亮温,因而使用通道进行亮温检测会存在一定的漏检,但相对于图中出现的误报,漏检的比例很小,因此使用辅助检测是有效的.

图5是本文检测方案和NPP官方云检测结果的部分对比,该区域位于内蒙古河套灌区,左图是VIIRS M5M4M3真彩色合成,图中灰白色区域为结冰的黄河河面,上部区域是河套平原,中间和右图分别是NPP官方和本研究算法检测结果.从图5中对比可以看出,NPP官方检测结果存在一定的误报,将结冰的黄河面误报为云,而本文通过采用辅助M12-M13来抑制冰雪覆盖区域由二项性反射造成的误报,取得了较好的检测结果.

图2 测试数据1云检测结果,真彩色(左)和检测结果(右)Fig.2 Original image of the test data one for the study(left), the result of cloud detection (right)

图3 测试数据2云检测结果,真彩色(左)和检测结果(右)Fig.3 Original Image of the test data two for the study (left), the result of cloud detection (right)

图4 辅助1.38µm检测结果比较,真彩色(左)和检测结果(右)Fig.4 Comparison of the result of the auxiliary 1.38µm, original image of the study (left), the result of cloud detection (right)

图5 本文检测结果与VIIRS官方检测结果比较,真彩色(左)、官方结果(中)、检测结果(右)Fig.5 Comparison of the result between this study and the NPP official, original image of the study (left), the result of the NPP official (middle), the result of this study (right)

在认定人工解译结果为实际云量情况下,表3是本检测方案的检测精度分析,其中表 3中检测精度的计算公式如式2

式中P代表检测精度,Nd和Nr分别代表检测出的有云像元数量和实际像元数量,如 Nd>Nr,则检测结果为误报,否则是漏检.需要指出的是表中最后一列的精度并不代表整体检测精度,其受每地类像元比例以及漏检和误报比例的影响,在此列出仅供参考.从表中可知高原冰雪区域漏检较多,原因在于在高海拔地区云层边缘区域或较薄的云层其亮温和高云中心区域亮温差别较大造成的漏检;沙漠地区误报率较高;海洋地区整体检测效果较好.从总体精度和各个地类检测精度上来看,本云检测方案精度较高.

表3 云检测精度评价Table 3 Results of accuracy assessment for the study

4 结语

通过使用中国区域的实际数据对检测方案进行验证表明∶利用辅助高云检测能够抑制低水汽含量对 1.38µm高云检测造成的误报,尽管存在一定漏检,但总体上能取得较好的检测效果;M12-M13波段差值在一定程度上能够削弱二向性反射的影响,从而使得阈值的确定简单化,辅助该差值在高原区域进行云检测能够进一步的抑制二项性反射造成的影响;从各个地类检测精度上看,本研究方案在沙漠地区误报较高,高原区域存在一定漏检,其它地区检测精度较高,总体检测精度均高于 85%,满足美国极轨运行环境卫星 系 统 (National Polar-orbitingOperational Environmental Satellite System, NPOESS)对检测精度不低于85%的要求.

本研究仅针对中国区域数据进行了验证,其他区域并未进行相应的分析和真实数据检测验证,因此下一步将对本研究在其他区域的检测效果进行相应的研究,使得本算法能够更好的为气候变化和辐射收支平衡研究提供更为精准的云掩码数据.

[1] Randall D A, Corsetti T G. Earth radiation budget and cloudiness simulations with a general circulation model [J]. Journal of the Atmospheric Sciences, 1989,46(13)：1922-1922.

[2] Kazantzidis A, Eleftheratos K, Zerefos C S. Effects of cirrus cloudiness on solar irradiance in four spectral bands [J]. Atmospheric Research, 2011,102(4)：452-459.

[3] 陈勇航,白鸿涛,黄建平,等.西北典型地域云对地气系统的辐射强迫研究 [J] 中国环境科学, 2008,28(2)：97-101.

[4] Guffie K Mc, Henderson-Sellerst A. Almost a century of couds cover the whole-sky Dome [J]. BulletinAmerican Meteorological Society, 1989,70(10)：1243-1253.

[5] Kriebel K T, Gesell G , Kaestner M, et al. The cloud analysis tool APOLLO： Improvements and validations [J]. Journal of Remote Sensing, 2003,24(12)：2389—2408.

[6] Stowe, Davis P A, Mcclain E P. Scientific basis and initial evaluation of the CLAVR-1global clear cloud classification algorithm for the advanced very high resolution radiometer [J]. Journal of Atmospheric and Oceanic Technology, 1999,16(6)：656—681.

[7] Frey R A, Ackerman S A, Liu Y, et al. Cloud detection with MODIS. Part I： Improvements in the MODIS cloud mask for collection 5 [J]. Journal of Atmospheric and Oceanic Technology, 2008,25(7)：1057-1072.

[8] Rossow W B, Garder L C. Cloud detection using satellite measurements of infrared and visible radiances for ISCCP [J]. Journal of Climate, 1993,6(12)：2341-2369.

[9] Saunders R W, Kriebel K T. An improved method for detecting clear sky andcloudy radiances from AVHRR data [J]. International Journal of Remote Sensing, 1988,9(1)：123-150.

[10] Knudby A, Latifovic R, Pouliot D. A cloud detection algorithm for AATSR data, optimized for daytime observations in Canada [J]. Remote Sensing of Environment, 2011,115(12)：3153-3164.

[11] Derrien M, Le Gleau H. Improvement of cloud detection near sunrise and sunset by temporal-differencing and region-growing techniques with real-time SEVIRI [J]. International Journal of Remote Sensing, 2010,31(7)：1765-1780.

[12] He Q J. A daytime cloud detection algorithm for FY-3A/VIRR data [J]. International Journal of Remote Sensing, 2011,32(21)：6811—6822.

[13] 郁文霞,曹晓光,徐 琳,等.遥感图像云自动检测 [J]. 仪器仪表学报, 2006,27(6)：2184-2186.

[14] 刘向培,王 毅,石汉青,等.基于统计特征的中国东南沿海区域云检测 [J]. 中国图象图形学报, 2010,15(12)：1783-1789.

[15] Wylie, D P, Menzel W P, et al. Four years of global cirrus cloud statistics using HIRS [J]. J. Climate, 1994,7(12)：1972-1986.

[16] Hutchison K D, Roskovensky J K, Jackson J M, et al. Automated cloud detection and classification of data collected by the Visible Infrared Imager Radiometer Suite (VIIRS) [J]. International Journal of Remote Sensing, 2005,26(21)：4685.

[17] Hutchison Keith D, Iisager B D, Hauss B. The use of global synthetic data for pre-launch tuning of the VIIRS cloud mask algorithm [J]. International Journal of Remote Sensing, 2012, 33(5)：1400-1423.

[18] Schueler C F, Lee T F, Miller S D. VIIRS constant spatial-resolution advantages [J]. International Journal of Remote Sensing, 2013,34(16)：5761-5777.

[19] Gao B C, Goetz A F H. Cirrus cloud detection from Airborne imaging spectrometer data using the 1.38Water Vapor Band [J]. Journal of Geophysical Re-search Letter, 1993,20(4)：301-304.

[20] 盛 夏,孙龙祥,郑庆梅.利用MODIS数据进行云检测 [J]. 解放军理工大学学报：自然科学版, 2004,5(4)：98-102.

[21] Xiong X, Storvold R, Stamnes K, et al. Derivation of a threshold function for the Advanced Very High Resolution Radiometer 3.75mm channel and its application in automatic cloud discrimination over snow/ice surfaces [J]. International Journal of Remote Sensing, 2004,25(15)：2995—3017.

[22] 王家成,杨世植,麻金继,等.东南沿海MODIS图像自动云检测的实现 [J]. 武汉大学学报(信息科学版), 2006,31(3)：270-273.

Cloud detection application on NPP VIIRS.

XIA Lang1,2, MAO Ke-biao1,2*, SUN Zhi-wen3, MA Ying2
(1.National Hulunber Grassland Ecosystem Observation and Research Station, Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China；2.Guangzhou Institute of Geography, Guangzhou 510070, China；3.Space Star Technology Company Limited, Beijing 100086, China). China Environmental Science, 2014,34(3)：574～580

Cloud is an important factor that affects global climate change, so the research of cloud monitoring is very important. In order to identify pixel as cloudy or clear from the Visible Infrared Imager Radiometer Suite (VIIRS) sensor and overcome the shortage of current VIIRS cloud mask algorithm in China, this paper made an introduction for the basic theory of current cloud detection algorithm, and then the cloud detection method was presented.The brightness temperature of was used to detect high cloud to overcome the limit of using 1.38 µm in elevated surface, and the appropriatethreshold of M12-M13 cloud detection was determined by some analysis. Application analysis showed that the method presents in this paper could be used to accurately detect the cloud, and the brightness temperature auxiliary M12-M13and 1.38 µm could inhibition the surface reflection. With the artificial interpret of the remote sensing image, the results showed the estimation accuracy was higher than 85% which can satisfy the requirements of the cloud detection accuracy for the National Polar-orbiting Operational Environmental Satellite System (NPOESS) program.

NPP；VIIRS；cloud detection

X82

：A

：1000-6923(2014)03-0574-07

夏 浪(1989-),男,湖北仙桃人,中国农业科学院硕士研究生,主要从环境遥感研究.发表论文5篇.

《中国环境科学》2011年度引证指标

《中国环境科学》编辑部

2013-06-25

国家“973”项目(2010CB951503);国家科技支撑计划(2013BAC03B00)

* 责任作者, 副研究员, kebiao67@126.com

根据《2012年版中国科技期刊引证报告(核心版)》,《中国环境科学》2011年度引证指标继续位居环境科学技术、安全科学技术类科技期刊前列,核心影响因子1.523,学科排名第1,综合评价总分79.2,学科排名第2;在被统计的1998种核心期刊中影响因子列第18位,综合评价总分列第52位.《中国科技期刊引证报告》每年由中国科学技术信息研究所编制,统计结果被科技管理部门和学术界广泛采用.