CLOSDI：一种基于NDVI和EVI2的Sentinel-2影像中云影检测的新光谱指数

《Remote Sensing Applications: Society and Environment》：CLOSDI: A Novel Spectral Index for Cloud Shadow Detection in Sentinel-2 Imagery Using NDVI and EVI2

云阴影检测是光学遥感的重要挑战，Sentinel-2 SCL层存在云阴影漏检率高、误判多等问题。本研究提出CLOSDI指数，通过NDVI与EVI2的谱间差异直接计算，无需模型训练且计算高效。实验表明，CLOSDI在IoU（45.0 vs 16.7）、F1-score（62.1 vs 19.6）等指标上显著优于SCL，尤其在农业和草地监测中表现优异，支持Google Earth Engine等平台的大规模应用。

　　

阿德里安·卡尔

乌拉圭卡内洛内斯市林孔德尔科罗拉多，48号公路10公里处，INIA拉斯布鲁哈斯实验站，国家农业与畜牧业研究所（INIA）信息系统与数字转型领域（GRAS）

摘要

云影是光学遥感中重要的不确定性来源，从而影响了从Sentinel-2影像中得到的光谱指数、土地覆盖分类和时间序列分析的准确性。尽管Sentinel-2 Level-2A场景分类层（SCL）提供了关于云影的信息，但其效果常常受到高遗漏率和检测不一致性的限制。本研究提出了一种新的光谱指数——云影检测指数（CLOSDI），专门用于增强农业和草地景观中的云影检测。

CLOSDI基于归一化差异植被指数（NDVI）和双波段增强植被指数（EVI2）对阴影条件的差异敏感性，并可以通过封闭形式的公式直接从红光（RED）和近红外（NIR）反射率计算得出。该指数使用CloudSEN12数据集中的1,231个高质量图像块进行了评估，这些图像块仅限于温带和热带草地生物群落。通过80/20的训练-测试分割方法，通过最大化交并比（IoU）确定了最优阈值34.0。

在测试集上，CLOSDI的性能显著优于基于Sentinel-2 SCL的阴影掩膜。中位性能指标分别为：CLOSDI的召回率为76.8%，SCL为19.6%；F1分数为62.1%，SCL为19.6%；IoU为45.0%，SCL为16.7%；平衡总体准确率为80.1%，SCL为57.6%。Wilcoxon符号秩检验确认IoU的改善具有统计学意义（p = 1.402 × 10^-19）。尽管仅使用了两个光谱波段，CLOSDI的性能仍可与最先进的云影检测算法相媲美，同时计算复杂度大幅降低，且无需模型训练。

这些发现表明，CLOSDI为植被主导的景观中的云影检测提供了一种直接、物理上可解释且计算效率高的方法。其易于实现和稳健的性能使其特别适用于大规模农业监测、植被时间序列分析和操作遥感工作流程。

引言

2015年6月Sentinel-2A卫星的发射，以及2017年的Sentinel-2B卫星和2024年的Sentinel-2C卫星的发射，显著提升了地球观测能力。

截至2026年2月，这项任务产生了超过20万篇在Google Scholar上索引的科学出版物。Sentinel-2的应用范围广泛，包括对冰川、海洋、河流和湖泊、土壤和植被、空气质量、洪水以及野火的研究（欧洲航天局，无日期）。

该任务的成功特点包括全球范围内的全面覆盖、可见光和近红外（NIR）波段的空间分辨率为10米，红边和短波红外（SWIR）波段的空间分辨率为20米、五天的重访频率、能够计算数百个光谱指数（如Awesome Earth Engine光谱指数库中记录的指数），以及其开放和免费访问的特性。此外，它还可以与其他光学传感器（如Landsat 8）集成（Claverie等人，2018年）。

尽管Sentinel-2具有众多优势，但它也存在光学传感器普遍存在的问题：其大部分影像包含受云层或云影影响的像素，从而影响了其在各种分析中的适用性。为了解决这个问题，Level-2A产品除了光谱波段外，还包含一个场景分类层（SCL）。该层为每个像素分配一个土地覆盖分类（例如，植被、水域、裸土、云影、雪），由Sen2Cor算法生成（Main-Knorn等人，2017年）。

SCL波段有助于过滤掉不可靠的像素，如云层、阴影、饱和像素和无数据像素，仅保留适合分析的像素。然而，许多评估SCL用于云影检测的研究指出了几个显著的限制。主要问题包括：实际阴影的频繁遗漏（假阴性），尤其是在水体或密集植被等暗表面上；将阴影误认为是水体或其他暗区域的假阳性；在云层稀薄或光照不足的复杂场景中表现不佳；以及云检测质量的显著依赖性，因为云识别的不准确性会直接影响阴影的位置（Domnich等人，2021年；Layton等人，2023年；Li等人，2022年；Liang等人，2024年；Raiyani等人，2021年；Tarrio等人，2020年；Wright等人，2024年；Zekoll等人，2022年）。

阴影的存在显著影响了所有光谱波段的反射率，影响了SAVI或EVI等指数的计算，可能导致模型或分类中的误解或错误结果。鉴于阴影在各种区域和应用中的影响，开发有效的检测和消除方法至关重要。

许多研究通过应用基于张量分解和深度学习技术的多时相重建技术来研究云层和云影的影响（Lin等人，2022年；Zhang等人，2021年，2020年）。这些技术利用时间冗余来重建无云影像并减少大气障碍的影响。尽管这些技术表现稳健，但通常需要多时相数据集并涉及较高的计算复杂度。

除了上述应用外，Sentinel-2影像还广泛用于食品安全研究，包括农业生产力和大规模放牧畜牧业系统的研究，这两者是全球农业食品系统的两大支柱。

在作物生产中，Sentinel-2影像广泛用于作物类型分类和制图、地块级别的土地利用识别以及通过时间序列分析、光谱指数和先进的机器学习及深度学习算法进行产量预测。这些应用使Sentinel-2成为农业监测和高分辨率产品开发的重要数据资源（Feng等人，2019年；Gumma等人，2022年；Maponya等人，2020年；Perich等人，2023年；Singh等人，2022年）。

在畜牧业管理领域，许多研究展示了Sentinel-2影像结合机器学习技术和植被指数分析在牧草资源定量和定性监测中的适用性。这些应用包括牧草生物量估计、通过粗蛋白和纤维含量评估牧草质量、分析草地生产力以及检测过度放牧（Dusseux等人，2022年；Harmse等人，2022年；?leri和Ko?，2022年；Irisarri等人，2025年）。

本研究旨在开发和评估一种用于以农业和草地为主的景观中云影过滤的新光谱指数。为此，提出了一种新的归一化光谱指数——云影检测指数（CLOSDI），该指数基于NDVI和EVI2之间的关系，以增强这些生产导向环境中受云影影响像素的识别。

该指数的应用有助于生成更精确和一致的阴影掩膜，从而最小化SCL算法产生的假阴性和假阳性。这种改进提高了Sentinel-2产品的质量，如植被时间序列、土地覆盖图、物候模型和农业生产力评估。

此外，其在Google Earth Engine等平台上的简单实现使其能够集成到自动化处理流程中，从而支持环境监测、精准农业和气候变化研究等广泛应用。此外，它依赖于光谱指数方法，可以适应类似的传感器，包括Landsat 8和MODIS，从而扩展了其适用范围，超出了Copernicus计划的限制。

在这方面，所提出的指数是一种多功能、可复制且计算效率高的工具，用于解决光学遥感中的一个主要挑战：云层阴影造成的干扰。

章节片段

CloudSEN12

数据科学和机器学习解决方案的发展从根本上依赖于高质量数据的获取，这是模型训练的重要输入。然而，所需数据并非公开可用，或者在许多情况下根本不存在。本研究的目的是提高Sentinel-2影像中云影区域的检测能力。

为此，使用了公开可用的CloudSEN12数据集（CS12），其中包含带有标签的Sentinel-2影像

结果与讨论

在训练识别OCT之后，生成了一个图表，展示了CLOSDI阈值与中位IoU之间的关系，如图12所示。该图表显示了每次迭代的中位IoU作为CLOSDI阈值的函数。此外，还基于观察到的中位IoU拟合了一条曲线。从这条曲线中确定，使IoU最大化的最优OCT值为34.0，对应的IoU值为50.1。如图所示，IoU有显著增加

结论

本研究提出并评估了CLOSDI，这是一种新的光谱指数，旨在提高Sentinel-2影像中农业和草地主导景观中云影的检测能力。该指数从NDVI和EVI2对阴影条件的差异敏感性概念出发，并重新制定了仅基于红光（RED）和近红外（NIR）反射率的封闭形式表达式，确保了数值稳定性和计算效率。

结果表明，CLOSDI显著

未引用的参考文献

Copernicus SentiWiki，无日期；da Fontoura Costa，2021年；ESA WorldCereal Consortium，2021年；欧洲航天局，无日期；欧洲航天局，2021a；欧洲航天局，2021b；WEI和HU，2024年。

出版伦理声明

本研究准确描述了所进行的工作；所有数据均准确无误，方法论足够详细，他人可以复制这些工作。

本手稿是完全原创的作品，如果使用了他人的工作和/或文字，均已适当引用或标注。

该材料尚未在其他地方全部或部分发表。

该手稿尚未考虑在其他期刊上发表。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

数据可用性

本研究使用的所有数据均来自公开可用且正确归属的来源。Sentinel-2影像通过Google Earth Engine平台获取（earthengine.google.com），并使用CloudSEN12基准数据集进行验证。该数据集在cloudsen12.github.io上公开可用。

写作过程中生成式AI和AI辅助技术的声明

作者使用ChatGPT来提高写作的清晰度，包括语法、句法和风格的修正，以及确保文本符合美国英语标准。使用ChatGPT后，作者根据需要审查和编辑了内容，并对最终发表的文章承担全部责任。

资金支持

本研究未获得公共、商业或非营利部门的任何特定资助。这项工作是作者在乌拉圭国家农业与畜牧业研究所（INIA）的常规活动的一部分。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

作者衷心感谢国家农业与畜牧业研究所（INIA，乌拉圭）的机构支持，以及开放访问资源的提供，如Google Earth Engine平台和CloudSEN12数据集，这些资源使这项研究成为可能。作者还感谢遥感研究社区为促进开放和可复现的科学所做的持续努力。