.png){kind=icon}
返回
Make more pixels usable: A data-driven framework for customizable cloud and shadow processing in satellite imagery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.isprsjprs.2026.04.039.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大气干扰，特别是云层覆盖，仍然是有效利用光学遥感影像的持续性挑战。现有云处理方法要么定位云的位置，要么去除云干扰，但无法自适应处理含云影像，导致大量有价值的像素信息损失。为解决此限制，本文提出了一种基于数据的卫星影像像素利用优化框架。首先，我们提出了一种可调云强度指数，用于量化云和阴影的干扰，便于对不同云像素进行选择性处理。此外，采用了一种新型云模拟策略应用于Landsat-8数据，生成全球分布的云样本并构建基准CloudL8-LC数据集。该数据集包含超过52亿像素，是现有云数据集中覆盖范围最广的，支持云检测、云去除和可调云处理。基于此数据集，我们开发了一种单影像云强度估计网络（SCIENet），配备相关性感知注意力模块（RAAM）和基于门控的通道-空间特征剪枝器（GCSFP），两者均旨在适应云形成的固有变异性。一旦SCIENet预测出云强度指数，阈值即可灵活调整以满足用户特定需求，从而在单影像内实现可定制的云和阴影处理。此外，我们引入了一套评估指标，从像素数量、质量和实用价值三个方面评估云处理性能。大量实验表明，所提出的云强度指数可作为单影像云处理的动态阈值参数，实现高污染像素的选择性掩模处理，同时重建受影响较小的区域。这为用户提供可调云处理方案，并表现出对不同云类型的鲁棒性。与云检测方法相比，SCIENet显著提高了像素可用性，同时保持可靠的分类精度，确保在各种地表覆盖场景下性能一致。此外，在经典cFmask算法云检测精度低于70%的实际云条件下，所提出的SCIENet模型精度可达90%。另外，相对于人工标注掩模，SCIENet可使清晰像素数量增加超过15%，使更多像素可用。
Keyword:
cloud processing
satellite imagery
cloud intensity index
pixel utilization
data-driven framework
期刊
IF:
12.2
论文数:
4.4K
被引数:
3.2W
机构
查看更多机构
引用论文
暂无论文信息