云覆盖了地球将近50%的区域，是天气现象的重要组成部分，影响着地球水循环、地气系统能量平衡和辐射传输，云层不仅覆盖了地表信息，还给影像的配准、融合等处理造成了诸多影响。云也是最为常见的气象现象，云还直接影响着天气的阴晴风雨。预知天气的变化，对人类的日常生活和工农业都有着重要的意义，因此云检测是必不可少的。此外，云检测精度会影响后续云及地表等相关定量参数的反演精度，因而提高云检测精度能极大地促进遥感影像的实际应用。

国内外学者针对云检测做了不少研究，也取得了较大的成功，早在1983年就将云检测技术作为世界气候研究计划的重要组成部分^[1]。云检测大多是针对波谱特征采用阈值法进行的。可见光云检测的实质就是利用云在不同波段具有不同的反射特性，即云在可见光波段的反射率较高，然后采用阈值法进行判断，将云与非云分开，实现云检测。该方法简单有效，在云检测中得到了广泛应用。例如，文韬等人^[2]针对日本的GMS-5气象卫星资料采用相似离度法、空间一致性检测以及可见光云检测结合的方法进行云检测，结果表明该方法能够很好地判断云与非云。但是采用单个可见光波段实现云检测时，只能检测到厚云和部分的薄云，会存在一些漏判，精度不够。此外，可见光云检测方法还可能将一些反射率较高的地物误判为云，正确率较低。

随后，一些针对阈值法的改进方法相继提出。例如，王权等人^[3]提出动态阈值算法，采用预先获取的地表反射率来提高云检测精度；邓松等人^[4]在阈值法的基础上提出两种新的阈值客观判定方法。这些基于光谱特征的阈值法在一定程度上提高了云检测的精度，但往往会带来云检测的遗漏或者错判，而且多组综合阈值的设定会使检测速度变慢。为此，一些基于纹理特征和统计特征的方法也被运用到云检测中。例如杨羚等人^[5]采用双通道阈值法和Gabor纹理特征相结合实现高分影像的自动云检测。

此外，云指数法云检测是从不同波段云的反射特性出发，将不同波段按照比值的形式构造成适应于不同卫星的云指数来实现云检测。由于其在比值的过程中抵消了其他因素的影响，能够有效减少下垫面对于云检测的影响，从而被广泛使用。文雄飞等人^[6]针对FY-2C卫星的特点，定义FY-2C的云指数为红外1通道和红外3通道的亮温差与近红外通道的反射率之比，通过构造的云指数实现适用于FY-2C的云检测方法，也证明了云指数法在大尺度区域云检测方面能够获得较好的结果。

支持向量机(SVM)属于人工神经网络的一种，其主要思想就是建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，为分类问题提供良好的泛化解决方法。SVM法由于其样本数量较少、结构风险较小和非线性的优点得到了广泛的应用。Ishida等人^[7]以MODIS数据为基础，实现基于支持向量机的二次开发，完成不同下垫面的云检测。SVM应用于云检测能抓住关键样本，有效剔除冗余样本，不过需要人工选择训练样本，会受主观因素的影响。

深空气候观测台(DSCOVR)卫星于2015年2月11日发射，并绕日地拉格朗日L1点运动^[8]。在该点上，DSCOVR卫星由于受到太阳和地球的引力作用，保持相对静止。地球彩色成像相机(EPIC)是搭载在DSCOVR卫星上的相机，由于DSCOVR所在的特殊位置，使得EPIC能够看到整个太阳照射的地球半球面，所以EPIC影像数据是面向半球尺度的数据。面向半球尺度的数据能够最大可能地观察地球表面，有助于对全球云分布的预测和动态监测。

本文基于EPIC数据的特点和波谱反射特性，以云指数为基础，结合云在不同波段的反射特性，设计最优波段组合进行云检测，统计云量和云的分布，然后与可见光云检测法和SVM云检测法进行对比。最后利用EPIC L2相关产品完成精度评定。实验结果表明，本文提出的云检测方法能够有效地检测到薄云和残云，即使在冬季也能够有效区分云与雪，准确率较高。

EPIC相机使用了电荷耦合器件(CCD)探测器, 表 1为相关的CCD参数，表 2为EPIC相机参数。从拉格朗日L1点这个独特的有利位置获取地球整个阳光照射面的高质量图像。EPIC影像跨越了紫光区域、可见光区域和近红外区域共10个窄带光谱波段。影像分辨率为20 km^[9-12]。美国国家航空航天局兰利大气科学数据中心(ASDC)提供了EPIC的L1级数据。L1级数据包括L1A和L1B数据两种，其中L1A数据就是EPIC相机拍摄到的原始数据，L1B数据是将L1A数据进行旋转和校正，使得10个波段的经纬度是相同的^[13]。本文采用L1B数据作为实验数据。表 3为EPIC传感器获得的10个波段的具体名称、波段类型、波段波长以及相关用途的介绍。

总结EPIC数据或者EPIC传感器用于云检测的优点：

1) 云在不同的波段具有不同的反射特性，EPIC数据的波段范围较广，涵盖了紫光波段、可见光波段和红外波段，有利于云检测；

2) 时间分辨率为1~2 h, 一天之中能够获得至少12景影像，这些影像几乎覆盖了整个地球, 而且EPIC传感器拍照曝光时间很短，大约在60 ~100 ms之间，使得拍摄的影像更加清晰；

3) DSCOVR卫星位于拉格朗日L1点，在地球和太阳的作用下DSCOVR卫星处于一种相对稳定的状态，相对太阳和地球静止；

4) DSCOVR的EPIC影像的覆盖区域为整个太阳照射的地球表面，能够更好地展现半球范围内云的分布和变化趋势，有助于对全球的云进行动态研究和预测。

云、雪、水、植被和陆地在不同波段的反射率都是不同的，因为反射率是由各种地物的物理特性所决定的。采用云指数法来检测云就是基于不同地物在不同波段的反射特性不同来实现的。图 1是常见地物在不同波段的反射率，可以看到不同波段的不同地物的反射率都是不同的，且云在10个波段中反射率较其他地物都高，这一特性可以作为判断云的主要依据。另外不同类型的云在各个波段的反射率也存在明显差异，由图 2可以看出，厚云的反射率在各个波段都是最高的，其次是薄云，而残云在各个波段的反射率是最低的。

EPIC影像具有独特的紫外线范围波段，即317 nm、325 nm、340 nm和388 nm波段，紫外线可以用来区分云、雪和其他地物特征。其中317 nm和325 nm波段通常用于研究大气中的臭氧，340 nm和388 nm波段可用于云的研究，所以在紫外线范围内选择340 nm和388 nm波段进行研究。

当影像中存在云、雪和水时，可见光波段(680 nm、551 nm、443 nm)也会表现出较强的反射率，其中443 nm常用于气溶胶的研究，551 nm常用于气溶胶和植被的研究，680 nm波段可用于云的研究，所以680 nm波段作为研究波段。

氧吸收波段(688 nm、764 nm)是EPIC所特有的波段，常用于反演云高，所以688 nm、764 nm波段不作为波段研究对象。

近红外波段(780 nm)在波段分析中，常用来区分云、雪。在近红外波段中，云的反射率较高，而雪的反射率较低，所以作为本文的研究对象。

除可见光波段外，其他波段不能够单独用于云的检测，因此需要将两个波段或者两个以上波段进行波段组合用于云检测，例如沙尘指数^[14]用于区分云与沙尘，归一化雪指数或雪指数^[15]用于区分云和雪。

传统的阈值云检测方法能够检测出大部分的厚云，对薄云和残云的检测却不敏感，存在漏判现象。由于雪在各个波段的反射率也较高，采用传统的阈值云检测方法(包含可见光云检测法)可能将雪或其他反射率较高的地物判定为云，这就造成了云检测过程的误判。另一方面，由图 2可知薄云和残云的反射率与厚云的反射率差异较大。而采用云指数法以波段组合的形式进行云检测可以有效减少其他地物对于云检测的影响，提高薄云和残云的检测率。所以本文采用云指数的形式对所研究的340 nm、388 nm、680 nm和780 nm波段进行最优波段组合，从而实现云的检测。

归一化云指数(${\rm{NDCI}} $ )是基于归一化植被指数(${\rm{NDCI}} $)的定义提出的。归一化植被指数${\rm{NDVI}} $定义为

$ f_{\mathrm{NDVI}}=\frac{\rho_{\mathrm{NIR}}-\rho_{\mathrm{RED}}}{\rho_{\mathrm{NIR}}+\rho_{\mathrm{RED}}} $

(1)

式中，$ \rho_{\mathrm{NIR}}$、$\rho_{\mathrm{RED}} $分别表示近红外波段和红波段的反射率。

近似地，归一化云指数(${\rm{NDCI}} $)定义为近红外波段与可见光波段的反射率差与二者反射率和的比值^[16]。

总体来说，云指数法的定义就是根据所研究卫星的波段采用对云敏感的波段，以反射率的形式做比值进行波段组合。以1.2节确定的研究340 nm、388 nm、680 nm和780 nm为基础，每3个波段进行波段组合，由于340 nm和388 nm波段之间的波段长度差距不大，其云反射特性基本一致，所以本文将设计两个波段组合，一个是利用340 nm、680 nm和780 nm进行波段组合，另一个是388 nm、680 nm和780 nm进行波段组合。即云指数(${\rm{CI}} $)

$ \begin{aligned} f_{\mathrm{CI}_{340}} &=\frac{\rho_{680}-\rho_{340}}{\rho_{780}} \\ f_{\mathrm{CI}_{388}} &=\frac{\rho_{680}-\rho_{388}}{\rho_{780}} \end{aligned} $

(2)

特别注意的是EPIC L1B数据(校准因子见表 4)为原始影像数据经地球旋转和航天器的位置偏移校正而获得的数据，而进行波段组合需要的是各个波段对应的反射率值，需要乘以表 4中提供的校准因子，将1级数据转换为每个波段的反射率，校准因子的准确度约为1%~3%^[17]。

选择正确的阈值有利于云检测，而阈值的选取与直方图的形状有关。本文对EPIC影像的4个波段及云指数做了直方图显示，如图 3所示，可以看到单波段的直方图呈多峰和单峰的形式，表明各地物的像素值较接近，很难将其区分开。而云指数直方图呈双峰状，阈值为双峰之间的谷值。选择合适的阈值能够将云与非云区分，很好地实现云检测。

由于雪的反射率较高，所以冬季云检测过程中主要是由于雪的干扰，使得云检测可能存在较大差异。另外夏季的残云和薄云较多，所以为验证本文定义的云指数法检测云的有效性、检测薄云与残云的能力以及区分云雪的能力，选择具有代表性的冬季(2017年1月3日)和夏季(2017年7月3日)数据作为实验数据，同时以对应的RGB真彩色合成影像作为视觉参考标准。

为进一步比较本文云检测方法的效果，采用可见光云检测法、SVM法、归一化云指数法进行比较。实验主要从云分布图和云量两个方面进行比较和结果分析。在云分布图中，将云像元标记为1，显示为白色，非云像元标记为0，显示为黑色。

可见光云检测法采用红波段(680 nm)进行云检测。对于SVM云检测法，李微等人^[18]表明将RGB影像转换为HSV(hue-saturation-value)影像用于云检测可提高云检测效果，所以本文SVM云检测法先将RGB影像转换为HSV影像，然后在HSV影像基础上再进行SVM云检测。

归一化云指数NDCI云检测时，利用近红外波段和可见光波段做归一化云指数，本文中可见光波段采用的是443 nm波段，因为与可见光的551 nm和680 nm波段相比，443 nm波段与近红外波段构成NDCI进行云检测时，减少了陆地区域被误认为云的情况。不过该方法获得的云分布图中，依然会将陆地等反射率高的区域检测为云，存在误判和错判，与RGB影像差距较大，因此，在之后的云量统计中不作为统计对象。

本文的云指数法CI云检测时，按式(2)中定义的云指数CI(340)和CI(388)完成波段组合。

图 4和图 5分别为夏季和冬季云检测结果对比图，也是云的分布图。云量是云的定量化表示，本文对云量也进行统计比较，如表 5和表 6所示。

从视觉云分布图的契合度和云量值两个方面进行结果分析。以原始RGB真彩色合成的EPIC影像为视觉参考，根据主观的视觉云分布图(见图 4、图 5)，可见光云检测、SVM法云检测和本文云指数法云检测的结果与RGB影像上云的分布图的分布情况基本一致，尤其是本文提出的云指数法云检测获得的结果最接近实际。可见光云检测法对薄云和残云不敏感，使得云检测时出现漏检的情况，没有检测出RGB影像中红色框内的陆地上的薄云和残云。本文提出的云指数法，通过波段之间的运算，能够有效减少各波段间和下垫面的影响，在图 4和图 5的云指数CI(340)和CI(388)结果中，将可见光云检测法未检测出的薄云和残云检测了出来。在RGB影像中薄云和残云呈现的颜色较浅，而本文提出的云指数法获得的云分布图中，这些区域对应的颜色都为白色。SVM云检测法由于样本的选择具有随机性，检测精度不稳定，在图 4(c)中检测出部分的薄云和残云，而在图 5(c)中却未检测出RGB影像红框中的薄云和残云，精度较低。采用传统归一化云指数法进行云检测时，陆地由于较高的反射率呈白色，存在错判。所以采用本文云指数(CI)进行云检测，云分布的视觉效果较好。

由云量对比表 5和表 6可以看出，在7月份可见光云检测、云指数云检测(CI(340)、CI(388))和SVM云检测3种方法检测到的云量依次为21.07%、26.90%、31.40%和32.49%，3种方法中可见光云检测法所检测到的云量最少，为21.07%。除可见光云检测法外，其他方法之间的最大差异为5.59%，说明在云检测的过程中，可见光云检测法会造成大量的薄云和残云漏检。在1月份，可见光云检测、云指数云检测(CI(340)、CI(388))和SVM云检测3种云检测的方法检测到的云量依次为30.60%、35.34%、38.50%和31.34%，最大差异为7.16%，而两种采用云指数法检测的云量之间差异较少，其他方法与二者差异较大。再者，1月为冬季，7月为夏季，造成该情况的产生是由于雪对于云检测的影响，该影响对于可见光云检测法影响最大。由此可见，采用云指数的形式能够有效减少云检测中对雪的误判，提高检测精度。

实验的验证采用EPIC L2反射率(reflectivity)、CF340(cloud fraction)和CF388产品进行验证。不同的物体由于本身的性质(表面状况)不同，其反射率也不同，反射率的范围总是小于等于1, 利用反射率可以判断物体的性质。云由于其反射率较高，所以在反射率产品影像中呈白色，与其他地物形成明显对比。CF反映的是云覆盖与整体天空的百分比，Lee等人^[19]认为CF与云量类似，是一种云的定量表示参数，证明了CF产品可直接反映云量。CF相关产品中1/100 000的云分数可能会出现错误，其平均精度为0.005%^[20]。所以这3种产品能够用以验证云检测方法的正确性。

图 6和图 7中，白色为云，黑色为非云，对应的云量统计表见表 7和表 8，其中产品均值是由产品reflectivity、产品CF340和产品CF388的云量求均值获得。

采用EPIC L2反射率和CF产品，与可见光云检测、SVM云检测和云指数云检测获得的云分布图作比较。夏季7月份时各种方法云分布图与产品的云分布图基本一致，但由于各方法本身的差异导致云量存在一些差异，可见光云检测法、云指数云检测法(CI(340)、CI(388))和SVM云检测法与产品均值的差异依次为11.26%、5.43%、0.93%和0.16%。SVM云检测法与产品云量均值最小，CI(388)次之。但是在冬季SVM云检测法的差异较大，为6%，性能不稳定，这是由于SVM云检测法易受选取样本等主观因素影响。

冬季3种产品之间的云分布图在影像右侧有明显差异，reflectivity产品显示右侧区域反射率都较高，判断为云，但是CF340和CF388产品却认为是非云区域，由于雪的反射率较高且季节为冬季，所以该区域存在差异的原因可能是雪造成的。因此，冬季产品云量均值的计算方式不再同于夏季产品云量均值的计算，只是由产品CF340和产品CF388取均值。产品均值云量与CI(388)对应的云指数组合获得的云量差异最小，为1.16%。可见本文的云指数云检测中CI(388)对应的波段组合所检测的云最接近产品中的云量。

云检测的精度评定，采用实验获得的云量与EPIC的相关产品通过正确率、漏检率、误检率和Kappa系数进行验证，完成精度评定。针对产品影像和实验获得的影像，将云的像素值赋值为1，非云的像素值赋值为0。影像的总像元数为$n $，产品影像中为1的像元数为$a_{1} $，为0的像元数为$a_{0} $；实验得到结果影像中为1的像元数为$ b_{1}$，为0的像元数为$ b_{0}$。产品中为1但实验结果为0的像元数为$ b$，产品中为0但实验结果为1的像元数为$ c$，两个影像对应像元值相等的像元数为$ s$。则相应的正确率为$ s / n$，错检率为$ c / n$，漏检率为$b / n $。Kappa系数是一种计算分类精度的方法，可直接反映本文云检测方法获得的云分布图与EPIC L2产品的接近程度。Kappa系数计算为

$ k=\left(P_{0}-P_{c}\right) /\left(1-P_{c}\right) $

(3)

式中，$P_{0}=\frac{s}{n}, P_{c}=\frac{a_{1} b_{1}+a_{0} b_{0}}{n^{2}} $。

正确率越高、漏检率和错检率越低说明该方法云检测效果越好。Kappa计算结果的范围为[-1, 1]，但通常Kappa落在0~1之间，所以Kappa系数的值越接近1，说明云检测方法的结果与实际相关产品的值越接近，检测效果越好。根据云图和云量的统计，与相应的反射率产品、云分数产品比较，获得了可见光法、本文云指数法和SVM法云检测的精度评定表(表 9和表 10)。从表中可以得出结论：

1) 由表 9和表 10可以看出，无论是冬季还是夏季，可见光云检测法、云指数法云检测和SVM法云检测时，正确率为80%以上，检测效果较好。冬季时，可见光云检测、本文云指数法和SVM法云检测的检测正确率相对于夏季时都有所降低。

2) 本文云指数法的波段组合中，夏季CI(388)正确率最高(94.34%)，漏检率最小(2.87%)，误检率为2.79%；CI(340)的正确率为93.24%，误检率最小(1.93%)，漏检率为4.83%。冬季CI(388)正确率高达92.96%，漏检率和误检率也较小，依次为4.07%和2.97%。夏季CI(388)的Kappa系数最大，为0.94；冬季时，CI(388)的Kappa系数为0.92，不论在冬季还是夏季，CI(388)波段组合获得云分布图与EPIC L2产品云分布图几乎一致。所以不论是在冬季还是夏季，本文的CI(388)云指数检测法都能最优地检测云。

3) 单波段可见光云检测时，会存在较多的错判和漏判，使得其判断精度较低。夏季和冬季Kappa系数分别为0.84和0.79，都是4种方法中最低的，正确率也都是最低的，分别为84.40%和80.07%。4种方法中，可见光云检测法的漏检率和误检率却是最高的。另外夏季的Kappa系数、正确率都相应大于冬季的值，所以可见光云检测法易受季节变化的影响。季节变化会直接导致检测结果产生明显差异。

4) SVM云检测，其总体精度最高达88.26%，最低为86.01%。夏季和冬季对应的Kappa系数分别为0.88和0.86。SVM云检测法比可见光云检测法的云分布图更接近EPIC产品云分布图。但是SVM云检测中，云与非云的样本选择完全是由实验人员主观定义，因此会存在不确定性和随机性，而且选取样本的不同会直接影响获得的云图和云量。

5) 比较以上3种方法，可以看出，本文提出的云指数法是最可靠的，且其正确率较高，漏检率和误检率较小，相应的Kappa系数也较高，所以该方法获得的云分布图与实际云分布最为接近。

针对DSCOVR卫星和EPIC影像的特点，分析云在不同波段的反射特性，本文提出适用于EPIC影像的云指数法来进行云检测。云分布图方面，采用云指数法云检测获得的云分布图与RGB真彩色合成原始EPIC影像中云的分布基本保持一致，本文提出的波段组合云指数CI(388)与实际RGB影像和相关产品的契合度是最高的。云量方面，388 nm、680 nm和780 nm的波段组合的云指数CI(388)无论对于冬季还是夏季都是最优云检测的波段组合。由于可见光云检测法仅采用可见光波段实现云检测，会造成大量云的误判和错检，而本文方法采用波段组合的形式，能够有效减少下垫面对云检测的影响，提高检测正确率；同时本文方法不需要选取样本，减少了SVM云检测法由于样本选取造成的误差。归一化云指数云检测法进行云检测时，将大部分陆地误判为云。总体来说，本文云指数云检测的方法不论在云分布图还是在云量统计上都优于现有的可见光云检测法、SVM云检测法和归一化云指数云检测法。

另外，EPIC影像是属于半球尺度的数据，采用云指数云检测的方法可以快速获得半球范围内的云分布情况，为全球云分布的研究提供基础，有助于全球云的动态分布和预测。

本文方法也存在一些不足，其基于DSCOVR卫星的EPIC影像提出，不能够直接应用于其他卫星影像。将来的工作可以考虑加入参数系数使得该方法云检测的精度更高；另外可以采用更多相近的卫星影像进行云检测，以实现方法的广泛可靠验证。