摘要

光学遥感影像在众多地球观测活动中占据核心地位。卫星数据具有规律性、一致性以及全球覆盖的特性，广泛应用于农田监测、气候变化评估、土地覆盖与土地利用分类以及灾害评估等多个领域。然而，一个严重影响地表观测时空可用性的主要问题便是云层覆盖。长期以来，如何从光学影像中去除云层一直是研究热点。随着卫星遥感进入大数据时代，基于强大数据驱动的深度学习方法为解决该问题提供了新的可能性。本文提出一种深度残差神经网络架构，用于去除多光谱Sentinel-2影像中的云层。通过融合合成孔径雷达（SAR）与光学数据，充分利用两种成像系统之间的协同特性，指导图像重建过程。此外，本文还提出一种新型的云自适应损失函数，以最大限度地保留原始影像信息。网络在覆盖全球的实测云图与无云图像数据集上进行训练与测试，实验结果表明，该方法能够有效重建被光学厚云遮挡区域的地表结构，实现对复杂云层的高效去除。