张雨昕，邱 波，石超君，李梦慈，相冠杰

(河北工业大学，天津 300401)

全天相机[1]拍摄的云图是判断地球大气条件的重要依据，对天文选址工作至关重要，而云量是全天相机云图的重要信息之一。云量是指特定类型的云(部分云量)或全部类型的云(总云量)覆盖天空的估计比例。目前对于云量计算的研究大部分基于云检测实现，一类是根据云点与总像元点之间的比值计算云量，比如国际卫星测云气候学计划(International Satellite Cloud Climatology Project, ISCCP)根据像元辐射值与晴空辐射之间的关系，判断像元是云点还是非云点[2]。阈值法根据天空与云的红蓝波段比值的不同，利用固定阈值[3]、全局自适应阈值[4]、局部阈值[5]对云点进行判断。超高分辨率辐射仪第一阶段云量算法(Clouds from Advanced Very High Resolution Radiometer phase 1 algorithm, CLAVR-1)[6]将像元分为无云、混合和有云3类。中等分辨率成像光谱仪云量算法(Moderate Resolution Imaging Spectroradiometer, MODIS)[2]将像元分为确定云、可能云、可能晴空、晴空4类。此外还有超高分辨率辐射仪拓展云量算法(Clouds from Advanced Very High Resolution Radiometer Extended algorithm, CLAVR-X)[6]、高分辨率红外测深仪云量算法(High-resolution Infrared Radiation Sounder, HIRS)[7]等。但是它们都是将像元分为有限的几个类别做定性分析，这无疑是很粗糙的。此外还有基于特征的云检测分类算法如随机森林、支持向量机、贝叶斯分类器[8]、K-means++[9]、神经网络[10]等，主要基于颜色[11-14]或纹理特征[12]进行云区域分割。近年来深度学习在云检测领域得到了广泛应用，比如基于深度残差全卷积网络[14]的云检测方法实现了对遥感影像云层目标像素级别的分割，像素精度达到93.33%；还有基于带权重的多尺度融合分割网络的遥感云图云检测方法[15]，像素精度可达95.39%；……