基于MTSAT卫星数据的云掩膜阈值算法

鞠未了，韩 雷

（中国海洋大学 信息科学与工程学院，山东 青岛 266100）

云掩膜作为云分类与对流临近预报的基础，直接影响了下一步操作的准确率，因此云掩膜算法有着重要的作用。

文中采用了美国国家海洋和大气管理局（NOAA）在2008年发布的 ABI Cloud Mask算法（ACM）[1]，使用 MTSAT的数据进行云掩膜的计算。该方法使用的传感器Advanced Baseline Manager（即ABI）是GOES-R搭载的高分辨率传感器，可用通道为16个，而MTSAT可用通道只有其中5个，文中为了使用MTSAT数据，对ACM算法进行了选择和检验工作，最终选定了9个测试作为算法的组成部分。文中使用了高分辨率的全球基础信息数据，可以直接对全圆盘数据进行处理，程序会自动对不同的地表信息进行分别计算。本方法的阈值一经选定，计算速度快并且不需要人工干预。

1 数 据

1.1 基础数据

陆地海洋掩膜，地球表面分类数据：由The University of Maryland Department of Geography（Hansen et al.1998）采集的地球表面分类数据[2-3]，主要由AVHRR卫星数据得来，将地球表面类型分为14类。数据为等经纬度，分辨率为每像素0.0083°。

晴空红外传输模型：对于波长为3.9μm和11μm的通道计算的大气层顶亮温辐射传输模型。

晴空反射率：对于可见光通道在海面上的预期反射率。

1.2 卫星数据

卫星数据采用日本的MTSAT-1R的卫星数据，接收为全圆盘数据，空间分辨率为5 km，时间分辨率为30 min。

2 算法描述

本算法基于美国国家海洋和大气管理局（NOAA）在2008年提出的ABI Cloud Mask，基于3种已有的云掩膜算法：NESDIS 的 AVHRR Extended 云掩膜[4-5，7]，UW CIMSS 的 MOD/MYD35 MODIS云掩膜[8]，以及 NASA Langley Research Center的CERESMODIS云掩膜[9]。本算法是阈值法，对于每个测试有自己的阈值，有些阈值基于基础信息数据库，以及辐射传输模型[6]，每次运行算法时都要即时计算。本算法结合可见光和红外数据，最终计算得到4级的云掩膜：

晴空（Clear），似晴空（Probably Clear），似云（Probably Cloudy），云（cloudy）

2.1 算法流程

MTSAT云掩膜算法流程如图1所示。

图1 MTSAT云掩膜算法流程图Fig.1 Flow chart for MTSAT cloud mask

2.2 通道和测试的选择

ABI通道，波长和MTSAT通道的对应情况如下，根据MTSAT卫星可用通道，可以对于最终进行云掩膜计算的测试作出选择。

最终可以选择的红外云测试为：显著热量对比测试，相对热量对比测试，IR1对流层顶发射率测试，热量均匀性测试。

表1 ABI/MTSAT通道与波长对照表Tab.1 Channel numbers/wavelength for ABI/MTSAT

可见光测试有：显著反射率对比测试，相对可见光对比测试，反射率均匀性测试。

2.3 红外云测试

显著热量对比测试：这个测试是基于假设在11μm通道上云比晴空的亮温值更低的基础上的。这个测试对比观测到的亮温值与预期晴空亮温值，其差值高于阈值时代表该像素通过了这个测试，下同。本测试阈值为：水域上2k，陆地上10k。

相对热量对比测试：这个测试假设，在11μm波段上，云像素比周围的晴空像素亮温低。这个测试对比像素值与其周围3×3像素范围内11亮温的最大值。阈值为：水域上0.5 k，陆地上2 k。

IR1对流层顶发射率测试：这个测试使用11μm通道的数据计算该通道的对流层顶发射率，计算公式如下：ε=（II_clear）/（Ibb-I_clear），其中 I_clear是计算出的预期晴空辐射，是对流层顶黑体云的预期辐射，I是观测到的实际辐射。阈值为：水域上 0.05 k，陆地上 0.1 k。

热量均匀性测试：本测试基于11μm亮温通道，在每像素周围3×3大小的窗口内计算亮温值标准差，本测试超出阈值后，标记为非晴空像素。阈值为：水域上0.25 k，陆地上1 k。

2.4 可见光云测试

显著反射率对比测试：这个测试假设，在可见光波段云的反射率要高于晴空像素。因此本测试不适用于被冰雪覆盖的地表使用。本测试水域上的阈值由辐射传输模型逐像素计算而成，对于每个像素的太阳角和卫星角，程序将在事先计算好的查找表找出当前像素晴空预期的最大值。陆地上的普通阈值为44%，沙漠地区使用50%。

相对可见光对比测试：本测试基于的假设为，在一个小区域上，云像素在可见光波段应该有最大的反射率。这个测试同样不适用于冰雪覆盖的地表。本测试的阈值是完全动态的，阈值基于本像素周围3×3窗口内反射率最小值，阈值为该值的1.05倍，若在太阳的耀斑区域或者是海岸，则阈值为该值的1.1倍。

反射率均匀性测试：本测试基于0.6μm通道3x3像素内的反射率的标准差。阈值基于显著反射率对比测试中的0.6μm通道预期反射率，水域上的阈值为预期反射率的1.05倍，陆地上的阈值为预期反射率的1.2倍。本测试超出阈值后，同样标记为非晴空像素。

2.5 像素恢复测试

像素恢复测试是在计算出的云掩膜上，找出可能被错误判断的像素，然后将它们修正到正确标记上的测试，因此这两个测试进行时，是在4级的云掩膜初步计算出来之后的。

晴空恢复测试：本测试是用来将似晴空像素再判断是否可以归入“晴空”之中，本测试假设，在没有云检测算法可以检测到云的区域，“似晴空”像素事实上应该被归入“晴空”之中。这个测试以每像素为中心的5×5窗口为范围判断。

似云恢复测试：这个测试的目的是将云边缘分类为“似云”。本测试将与“晴空”或“似晴空”像素相邻的云像素，重新分类为“似云”。

2.6 云掩膜的生成

云掩膜在程序一开始初始化为“似云”，文中测试通过一般是指参考值超过阈值。红外/可见光云测试中只要有一项通过云测试即认为通过测试，均匀性测试也是如此，流程图如图2所示。

图2 云掩膜计算流程Fig.2 MTSAT cloud mask calculation flowchart

3 例子及结果分析

文中此次作为例子的数据是2007年7月7日6：30AM的MTSAT-1R数据，掩膜结果如图3所示。

图像是从圆盘图像中截取的中国东部部分，投影未作变换。左上角的图像是该部分的可见光原图像，左下角的图像是云掩膜的结果，右上角图像将云掩膜中标记为“晴空”的图像替换为了可见光通道数据，右下角图像是卫星中心的云分类结果。云掩膜图中纯黑色像素为“晴空”，纯白色像素为“似晴空”，云外侧深灰色像素为“似云”，灰色像素为“云”。

图3 云掩膜结果Fig.3 Results of cloud mask

由图3结果可见，已经比较好地做出了云掩膜，主要的云也都划分为了“云”，在可见光视图上亮度弱一些的像素被划分为了“似云”，这说明红外/可见光云测试和似云恢复测试进行了比较好的运作。但同时依然发现一些亮度低的云划分的不够准确，云的边缘也不太清晰，只有很少的部分被划分为了 “似晴空”，而被划为晴空的部分也还有少量云像素存在。这是因为算法中对辐射传输模型有依赖的有几个关键算法，而辐射传输模型的需求至本文完成时还未能很好的提供准确数据。

图4是文中算法程序产生的圆盘数据处理结果，同样，标记为晴空的区域使用了可见光通道的反射率数据代替。

图4 全圆盘数据处理结果北京时间2007.7.7 6:30AMFig.4 Full-disk MTSAT-1Rdata cloud mask result at BTC2007.7.7 6:30AM

4 结 论

文中经过对基础数据的处理，将全圆盘的MTSAT卫星数据经过云掩膜算法，最终可以给出4级的云掩膜。计算出的云掩膜大体正确，但细节处尤其是云的边缘等有待改善。如果卫星设备更新，可以方便的添加更多测试来计算更准确的云掩膜。

下一步可以首先将结果改善，使之尽量贴近人为分类的结果；减少对辐射传输模型的依赖，或者寻找更可靠的替代方法。其次，可以使用该掩膜进行下一步的研究，进行云分类及对流初生的识别等等。

[1]HEIDINGER A K，Calvert C.ABI cloud mask algorithm theoretical basis document[R].NOAA/NESDIS/Center for Satellite Applications and Research，2010.

[2]Hansen M，DeFries R，Townsh J R G，et al.UMD Global Land Cover Classification， 1 Kilometer[EB/OL].（1998） http://glcf.umd.edu/data/landcover/.

[3]郏琳.卫星影像数据在城市配电网GIS建设中的应用探讨[J].陕西电力，2011（3）：51-54.JIA Lin.Application of satellite imagery data in GISconstruction of urban distribution network[J].Shaanxi Electric Power，2011（3）：51-54.

[4]Dybbroe A，Karlsson K G，Thoss A.NWCSAF AVHRR Cloud Detection and Analysis Using Dynamic Thresholds and Radiative Transfer Modeling.Part I:Algorithm Description[J].J.Appl.Meteor.，2005（44）： 39-54.

[5]Dybbroe A，Karlsson K G，Thoss A.NWCSAF AVHRR Cloud Detection and Analysis Using Dynamic Thresholds and Radiative Transfer Modeling.Part II:Tuning and Validation[J].J.Appl.Meteor.，2005（44）： 55-71.

[6]Seemann SW，Borbas EE，Knuteson R O，et al.Development of a global infrared land surface emissivity database for application to clear sky sounding retrievals from multispectral satellite radiance measurements[J].J.Appl.Meteor.，2008（47）： 108-123.

[7]Stowe，L L，Davis P A，McClain E P.Scientific Basis and Initial Evaluation of the CLAVR-1 Global Clear/Cloud classification algorithm for the advanced very high resolution radiometer[J].J.Atmos.Oceanic Technol.，1999（16）： 656-681.

[8]Remer，L A.The MODIS aerosol algorithm，products，and validation[J].J.Atmos.Sci.，2005（62）： 947-973.

[9]Trepte Q Z，Sun-Mack S，CHEN Yan，et al.Cloud detection in nonpolar regions for CERESusing TRMM VIRSand terra and aqua MODIS data[J].Geoscience and Remote Sensing，2008：3857-3884.