Abstract Cloud detection in optical remote sensing imagery is crucial because undetected clouds can produce misleading results in analyses. Almost all optical remote sensing data access portals rely to some degree on a cloud cover filter. Here we show that cirrus as well as opaque cloud cover in Sentinel-2 Level-1C (L1C) and Level-2A (L2A) imagery is systematically and significantly overestimated in very high altitude areas (e.g. Himalayas, Andes). We argue that this systematic bias is created by applying simple thresholds to single bands instead of using a multi-band spectral signature in the cloud detection process. This results in a lot of “hidden” data for very high altitude areas when each image's estimated cloud cover is used as an automated selection criterion for analysis (e.g. global analyses, cloud-free mosaic production). We show geographic locations exemplifying this overestimation, and compare the L1C and L2A cloud masks produced by ESA to cloud masks generated by an expert system that uses comprehensive spectral signatures, showing that reliable cloud estimations are possible in very high altitudes. Based on this comparison, we argue for changes to L1C and L2A cloud detection algorithms in order to improve initial querying and selection of big EO data, where reliable yet automated quality indicators are necessary to handle an overwhelming data volume and velocity. Our contribution raises awareness of potential bias when pre-selecting images based on reported cloud cover in very high altitude areas for researchers and users of Sentinel-2 imagery in the environmental domain.

中文翻译：

---

调查 ESA Sentinel-2 产品在极高海拔地区系统性的云量高估

摘要 光学遥感影像中的云检测至关重要，因为未检测到的云会在分析中产生误导性结果。几乎所有光学遥感数据访问门户都在某种程度上依赖于云层过滤器。在这里，我们展示了 Sentinel-2 Level-1C (L1C) 和 Level-2A (L2A) 图像中的卷云和不透明云层在极高海拔地区（例如喜马拉雅山、安第斯山脉）被系统地显着高估。我们认为，这种系统偏差是通过对单波段应用简单阈值而不是在云检测过程中使用多波段光谱特征而产生的。当每个图像的估计云量被用作分析的自动选择标准（例如全球分析、无云马赛克制作）时，这会导致非常高海拔地区的大量“隐藏”数据。我们展示了体现这种高估的地理位置，并将 ESA 生成的 L1C 和 L2A 云掩模与使用综合光谱特征的专家系统生成的云掩模进行了比较，表明在非常高的高度可以进行可靠的云估计。基于这种比较，我们主张对 L1C 和 L2A 云检测算法进行更改，以改进对大 EO 数据的初始查询和选择，其中可靠且自动化的质量指标对于处理压倒性的数据量和速度是必要的。我们的贡献提高了对环境领域 Sentinel-2 图像的研究人员和用户根据极高海拔地区报告的云量预选图像时潜在偏差的认识。并将 ESA 生成的 L1C 和 L2A 云掩模与使用综合光谱特征的专家系统生成的云掩模进行比较，表明在非常高的高度可以进行可靠的云估计。基于这种比较，我们主张对 L1C 和 L2A 云检测算法进行更改，以改进大 EO 数据的初始查询和选择，其中可靠且自动化的质量指标对于处理大量数据和速度是必不可少的。我们的贡献提高了对环境领域 Sentinel-2 图像的研究人员和用户根据极高海拔地区报告的云量预选图像时潜在偏差的认识。并将 ESA 生成的 L1C 和 L2A 云掩模与使用综合光谱特征的专家系统生成的云掩模进行比较，表明在非常高的高度可以进行可靠的云估计。基于这种比较，我们主张对 L1C 和 L2A 云检测算法进行更改，以改进大 EO 数据的初始查询和选择，其中可靠且自动化的质量指标对于处理大量数据和速度是必不可少的。我们的贡献提高了对环境领域 Sentinel-2 图像的研究人员和用户根据极高海拔地区报告的云量预选图像时潜在偏差的认识。表明在非常高的高度可以进行可靠的云估计。基于这种比较，我们主张对 L1C 和 L2A 云检测算法进行更改，以改进大 EO 数据的初始查询和选择，其中可靠且自动化的质量指标对于处理大量数据和速度是必不可少的。我们的贡献提高了对环境领域 Sentinel-2 图像的研究人员和用户根据极高海拔地区报告的云量预选图像时潜在偏差的认识。表明在非常高的高度可以进行可靠的云估计。基于这种比较，我们主张对 L1C 和 L2A 云检测算法进行更改，以改进对大 EO 数据的初始查询和选择，其中可靠且自动化的质量指标对于处理压倒性的数据量和速度是必要的。我们的贡献提高了对环境领域 Sentinel-2 图像的研究人员和用户根据极高海拔地区报告的云量预选图像时潜在偏差的认识。