EnMAP热带地区云与云阴影掩膜评估及改进——以肯尼亚西部为例的EnICCS工具开发与应用

《International Journal of Applied Earth Observation and Geoinformation》：Evaluation and improvement of EnMAP’s cloud and cloud-shadow masks – An application in tropical western Kenya

　　本研究针对EnMAP（Environmental Mapping and Analysis Program）热带地区光学遥感中云与云阴影（CCS）检测精度不足的问题，开发了开源工具EnICCS（EnMAP’s Improved Cloud and Cloud Shadows）。该工具通过波段指数、阈值分割、偏最小二乘判别分析（PLS-DA）及后处理流程，显著提升了CCS掩膜精度（云F1分数从0.80提升至0.93，阴影从0.58提升至0.79），为热带地区高光谱数据预处理提供了轻量级解决方案。

　　

在光学遥感领域，云和云阴影（Cloud and Cloud Shadows, CCS）一直是困扰数据质量的“顽疾”。尤其是对于新兴的高光谱卫星任务如德国的环境制图与分析计划（Environmental Mapping and Analysis Program, EnMAP），其丰富的 spectral information（光谱信息）为精细化的地表监测带来了前所未有的机遇，但CCS的污染问题也显得尤为突出。在热带地区，频繁的云覆盖使得这一问题更加严峻，严重影响了土地利用/土地覆盖分类、植被动态监测等下游应用的准确性。

传统的CCS检测算法，如EnMAP操作处理器所采用的基于波段指数和阈值的方法，虽然在处理效率上有优势，但在面对热带地区复杂的地表特征和云系结构时，往往力不从心。研究人员发现，在肯尼亚西部的小农农业区，EnMAP的操作CCS掩膜存在明显的系统误差：小云体漏检、云体轮廓勾勒不清、云阴影检测不足，以及水体-陆地边界像素的误分类等问题屡见不鲜。这些残留的CCS污染会扭曲地表反射率光谱，导致基于这些数据训练的机器学习模型性能下降，甚至完全失效。这对于依赖高光谱数据进行农作物分类、以提升区域粮食安全和经济稳定性的应用而言，是一个亟待解决的关键瓶颈。

为了解决这一挑战，来自德国马尔堡大学气候学与遥感实验室的Leander Leist、Boris Thies和J?rg Bendix在《International Journal of Applied Earth Observation and Geoinformation》上发表了他们的研究成果。他们系统地评估了EnMAP操作CCS掩膜在热带肯尼亚西部的性能，并提出了一个名为EnICCS（EnMAP’s Improved Cloud and Cloud Shadows）的改进框架。该研究不仅揭示了操作掩膜的局限性，更重要的是提供了一个轻量级、开源且可定制的解决方案，旨在终端用户的普通计算机上即可高效运行，显著提升热带地区EnMAP数据的可用性。

为了开展这项研究，研究人员主要运用了几个关键技术方法。研究以肯尼亚西部小农农业区为研究区，使用了超过100景EnMAP L2A（地表反射率）数据。核心方法包括：首先，利用改进的波段指数（如云指数CI和差异指数DI）和阈值法对操作CCS掩膜进行初步 refinement（ refinement ，精炼），以解决小云体漏检和轮廓不清问题。其次，采用偏最小二乘判别分析（Partial Least Squares Discriminant Analysis, PLS-DA）这一监督式降维和分类方法，利用精炼后的掩膜作为响应变量进行模型训练，以充分利用高光谱数据的光谱信息实现自适应分类。最后，通过一套后处理流程，包括基于连通分量分析（connected component analysis）的对象化处理、简化的云-影空间位置关系匹配（利用质心距离和cKDTree快速近邻搜索）以及形态学操作（如膨胀、开闭运算），来强制实施云与其阴影之间的物理关联性，并去除可能的误分类。

研究结果

3.1. EnMAP CCS掩膜观察到的缺陷

视觉评估揭示了操作CCS掩膜的五个主要缺陷：小型孤立云经常未被检测到；云体边界描绘不充分，尤其在结构复杂的云系中；云阴影实例经常被遗漏；特别暗的云阴影有时被误分类为水体；水体-陆地交界处的像素经常被误判为云阴影。这些缺陷直接影响了数据的可靠性。

3.2. 在精炼掩膜上的性能评估

对50景EnMAP影像的模型内部测试表明，PLS-DA模型在默认配置下能够很好地适应不同的采集条件。对于云和云阴影类别，模型取得了较高的F1分数（中位数分别为0.89和0.92），表明模型拟合过程是成功的。不过，云阴影的精确度（Precision）显示出更大的变异性，暗示可能存在一定的过预测。

3.3. 相对于手绘参考掩膜的性能评估

与五景影像的手绘“金标准”掩膜对比显示，EnICCS相比操作掩膜有显著提升。对于云类别，EnICCS的F1分数从0.80提升至0.93，交并比（IOU）从0.67提升至0.86。对于云阴影类别，F1分数从0.58提升至0.79，IOU从0.41提升至0.71。尽管云阴影的精确度有所下降（从0.95降至0.84），但其召回率（Recall）大幅提高（从0.43升至0.82），并且分割指标（IOU和Dice系数）的显著改善表明EnICCS在云阴影的检测和轮廓勾勒方面取得了实质性进步。差异图空间分析进一步证实了这些改进，显示EnICCS有效减少了小云体的漏检（假阴性）和云体边界的误判（假阳性）。

3.4. 操作与改进CCS掩膜的视觉比较

对50景影像的视觉评估表明，EnICCS在各种情况下均能带来显著改善。系统性错误，如小云漏检、云阴影检测不足和水体混淆等，得到了有效缓解。尽管在非常暗的地表（如湿地）和复杂云影交互的场景中仍存在一些过预测或残留错误，但就识别晴朗天空像素（CCS掩膜的反向）这一核心目标而言，所有测试影像均表现出净改善。

结论与意义

本研究成功实现了既定目标：系统评估了EnMAP操作CCS掩膜在热带地区的性能，并开发了有效的改进工具EnICCS。该工具巧妙地将基于物理的波段指数阈值法与数据驱动的PLS-DA机器学习模型相结合，并通过简化的物理规则后处理来保证结果的合理性。EnICCS在肯尼亚西部热带农业景观的应用证明，它能显著提高CCS检测的准确性和掩膜对象的 delineation（ delineation ，描绘）质量。

这项研究的重要意义在于：首先，它明确指出了全球性CCS掩膜产品在特定生态区（如热带）可能存在显著局限性，强调了本地化调整的必要性。其次，它警示在自动化预处理流程中不加批判地依赖操作质量层（Quality Layers, QL）可能带来的风险。第三，它为广大EnMAP数据用户，特别是关注热带地区的用户，提供了一个易于使用、计算效率高的开源工具，直接提升了高光谱数据的可用性。第四，它展示了PLS-DA这类监督式降维方法在处理高光谱数据、平衡计算效率与分类性能方面的潜力。最后，该研究为将预测性多元统计和机器学习方法集成到光学遥感CCS掩膜生成中提供了一个范例，同时强调了在集成过程中保持物理框架约束的重要性。

EnICCS的模块化设计也为适应不同地表特性（如沙漠、雪冰）提供了便利，其代码已开源，有助于推动更广泛的社区应用和后续发展。随着EnMAP等高分高光谱卫星数据的不断积累，像EnICCS这样专注于提升基础数据质量的工作，对于释放高光谱遥感在环境监测、精准农业等领域的全部潜力至关重要。