遥感图像数据在地表覆被变化、森林扰动及环境监测等研究中起着至关重要的作用。现有的多种卫星数据, 如MODIS数据、TM/ETM⁺数据以及SPOT5卫星数据等, 为揭示人类生存环境与气候变化之间的关系提供了可能。但是, 由于卫星数据在获取过程中不可避免地会受到大气和云的干扰, 许多卫星影像数据中存在部分云覆盖及云阴影现象, 这为准确提取地表信息带来困难, 直接影响了遥感数据的实际应用。

针对卫星遥感图像数据中存在云覆盖及其阴影的现象, 国内外学者都进行了相关研究, 并提供了部分解决方法。例如Catalin^[1]介绍了在其设计的软件中构造云-阴影掩模的一种方法, 其原理是把多光谱图像利用参数向量转换为灰度图像, 通过对比灰度值与给定的阈值将云及其阴影的掩模构建出来。事实上, 由于云对太阳光线具有较强的反射率, 其在多个波段图像上都表现为白色, 明显区别于其他地物, 因此云的掩模可以通过分析云的反射率和其他地物的反射率来建立。但是, 构造云阴影的掩模就比较困难, 主要因为云阴影受到云厚度、地表覆盖物和太阳入射角等多种因素的影响, 其在遥感图像中表现为云阴影与其他地表物体重叠的阴影区。苏惠敏等^[2]提出利用主成分变换对云和阴影分别去除的方法, 取得了较好的目视效果; 李炳燮等^[3]提出利用多期TM图像数据对厚云及其阴影去除的方法, 首先通过分类识别出被厚云及其阴影覆盖的像元, 然后利用其他时相的、同一位置的、未被云和阴影覆盖的像元进行替换; 郑文武等^[4]提出基于动态端元选择的线性光谱分解算法, 通过选择云、绿色植被、云阴影和不透水表面4种端元达到去除TM图像数据中的云和阴影的目的; 梁栋等^[5]则利用支持向量机检测遥感图像中的云, 并结合太阳入射角判定云阴影区域, 在完成云及云阴影的初步去除后, 对未能去除的云及云阴影通过补偿的方法进行修复。

相关研究和所提出的算法在一定程度上实现了遥感图像中云和云阴影的检测与去除, 在目视效果上有了改善^{[6, 7, 8, 9]}; 但对于遥感图像数据在地球环境变化监测方面, 更重要的是要看去除云和阴影后的数据是否可以继续使用(例如能否提供一致的归一化植被指数、能否用来反应森林扰动现象)。因此, 建立云和阴影的掩模, 以便在后续的遥感数据应用中把云和阴影去除, 也是非常关键的。本文针对TM/ETM⁺图像中存在的云-云阴影-水体, 进行掩模构建分析。在相关的研究过程中发现, 当遥感数据中存在少量的云或覆盖面积不大的云团时, 这样的数据还是可以用于进一步信息提取的(如植被指数提取、地表温度分析及城市不透水层分析等); 但是, 当遥感数据中包含有大量的云团覆盖时, 这样的数据基本上是不能使用的。本文研究的方法只针对前一种情况。

以遥感图像的DN值为输入数据, 分别应用RF和DT算法进行了云-云阴影-水体掩模的提取。云、云阴影、水体和其他地物等4类样本的总数量为681个像元。

首先, 从681个像元中随机选取300个像元作为训练样本, 其余381个像元作为检验样本。在对RF和DT这2种分类器进行训练后, 分别对检验样本进行分类。分类结果的混淆矩阵见表1和表2。

表1

Tab.1

表1(Tab.1)

表1 RF分类结果混淆矩阵 Tab.1 Confusion matrix derived from random forest classifier 类别 云 其他地物 水体 云阴影 总计 用户精度/% 云 61 61 100 其他地物 96 2 98 98 水体 77 77 100 云阴影 1 144 145 99 总计 61 97 77 146 381 制图精度/% 100 99 100 99 总体精度/% 99.21 Kappa=98.90

表1 RF分类结果混淆矩阵 Tab.1 Confusion matrix derived from random forest classifier

表2

Tab.2

表2(Tab.2)

表2 DT分类结果混淆矩阵 Tab.2 Confusion matrix derived from decision tree classifier 类别 云 其他地物 水体 云阴影 总计 用户精度/% 云 61 61 100 其他地物 96 4 100 96 水体 77 77 100 云阴影 1 142 143 99 总计 61 97 77 146 381 制图精度/% 100 99 100 97 总体精度/% 98.6 Kappa=98.18

表2 DT分类结果混淆矩阵 Tab.2 Confusion matrix derived from decision tree classifier

从表1和表2可以看出, RF分类的总体精度略高于DT分类的总体精度, 二者的Kappa系数差别不大。由于云和水体都具有明显区别于其他地物及云阴影的光谱特征, 这使得DT分类器和RF分类器都能比较容易地把云和水体区分出来。但对于云阴影, 有2个像元被RF分类器误判为其他地物, 有4个像元被DT分类器误判为其他地物, 这一细微差别显示了2种算法在处理光谱特征极为相似的不同地物类型时效果也有所差别。

其次, 为了进一步分析2种算法对不同大小训练样本分类性能差别, 分别建立了样本容量为50, 100, 150, 200, 250, 300, 350和400像元的训练样本集合, 剩余的样本作为检验样本。以总体分类精度和Kappa系数作为评价指标, 对DT和RF这2种算法的分类结果进行了对比。不同容量下的样本集合都是利用随机生成的随机数从样本总体中随机选取的, 分类结果见表3。

表3

Tab.3

表3(Tab.3)

表3 不同大小样本分类精度比较 Tab.3 Comparison of accuracy of classification using different sizes of samples 训练样本大小/ 像元数 DT RF 总体精度/% Kappa 总体精度/% Kappa 50 97 0.965 98 0.982 100 97 0.959 99 0.995 150 98 0.982 99 0.990 200 98 0.977 99 0.988 250 99 0.990 99 0.997 300 99 0.989 99 0.989 350 99 0.992 99 0.987 400 99 0.990 99 0.995

表3 不同大小样本分类精度比较 Tab.3 Comparison of accuracy of classification using different sizes of samples

从表3可以看出, 在处理较小的训练样本时, RF算法给出了精度更高的分类结果。2种算法在面对不同样本容量时具有比较明显的区别: 当训练样本容量少于100个像元时, RF算法的总体精度和Kappa系数均明显高于DT算法的总体精度和Kappa系数; 当样本容量小于200个像元时, DT算法的分类精度接近于RF算法的分类精度; 当样本容量大于200个像元时, 2种算法的分类精度几乎没有差别。

在训练样本容量为300时, 对2种算法进行训练后应用于整景图像, 得到云-云阴影-水体掩模(图6)。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 由2种分类器得到的云-云阴影-水体掩模Fig.6 Cloud-shadow-water mask derived from two kinds of classifiers

对比图6和图1可以看出, 2种算法均可将云和云阴影分离出来, 范围较大的水体也能被区分出, 总体上有3个特点: ①2种算法把部分水体的边缘误分为云阴影, 这是由于水体边缘部分是含有水草且颜色较浅的水体, 其光谱特征与云阴影的光谱特征极为相似的缘故; ②在图6(b)的左侧和下侧, DT分类器把部分其他地物误分为云; 与图1对比可以看出, RF算法将其正确地分类为其他地物; ③DT分类结果中被分类为云阴影的像元分布比较密集, 这表明该方法把一部分非云阴影像元误分为云阴影; 而这种现象在RF分类结果中相对较少。这表明了单一的DT及决策规则在处理光谱特征极为相似的像元时面临困难; 而在RF分类器所得到的分类结果中, 上述误分现象得到了明显改善。

从上述分析可以看出, 训练样本的选择对算法的精度评价和掩模的提取有着重要影响。这种影响是由人为主观因素造成的, 如对类别数的判断、不同类别典型光谱的提取、地物特征的增减等。但在同样容量的训练样本情况下, 2种算法还是具有较明显区别的, RF算法要优于DT算法, 这种优越性正是RF算法在理论上比DT算法先进的表现。RF是多棵DT的综合, 是在训练样本随机抽取和DT随机训练的基础上对分类结果的综合, 这种理论和机制决定了RF方法的优越性。

1)遥感影像中云及云阴影的存在为数据的应用带来了较多的问题。如何更加有效地建立云及云阴影掩模, 以便在遥感数据应用时把无用的像元排除在外是需要解决的一个重要问题。由于水体与云阴影具有极为相似的光谱曲线, 利用DT分类器不能较好地区分云阴影与水体, 故本文研究了利用RF算法构建云-云阴影-水体掩模。RF分类器是多个DT分类器结果的集成, 可以较好地避免单一DT分类器带来的误分类现象。

2)相对于DT分类器, RF分类器能够更加有效地把云-云阴影-水体区分出来, 建立相应的掩模。但是, 由于浅水体与云阴影具有相似的光谱特征, 部分深度不大的水体容易被误分为云阴影, 这会给进一步应用带来一定问题, 是今后需要深入研究的内容之一。

3)RF算法作为一种特征提取和分类方法已经在多个研究领域中得到成功应用。本文将RF算法用来建立云-云阴影-水体掩模, 所得结果优于DT方法, 但仍存在一些值得探讨的问题: ①RF算法的鲁棒性, RF算法针对不同类型的云及其阴影建立掩模, 其适用性和稳定性需要继续研究; ②将遥感图像的DN值经定标及大气辐射校正后转换为反射率数据进行分析, 其结果是否会优于本文结果; ③本文算法是否可以推广到TM影像之外的其他类型遥感数据的掩模构建中。这些问题都有待今后进一步深入研究。