云与阴影筛选是带遗漏和误判的质量判定

光学卫星看到的云会遮挡地表，云影会降低地表辐射，薄云和邻近散射还会在不完全遮挡时改变光谱。若把这些像元当作真实地表，指数、分类和变化检测都会产生系统误差。

云掩膜不是简单阈值，也不是绝对真值。算法综合光谱、温度、场景统计和几何关系输出标签或置信度，仍会在雪、沙地、建筑、盐湖和薄云条件下出错。

云候选来自多种观测线索

厚云在可见光通常明亮，在部分短波红外和热红外具有不同响应；卷云可借助特定波段识别。单个亮度阈值会把雪、裸地和屋顶误判为云，因此算法组合多个测试并参考场景分布。

温度信息可以帮助区分高冷云和明亮地表，但低云可能不够冷，热数据也可能缺失或分辨率不同。USGS 的 CFMask 文档明确说明，无热输入会改变检测流程和结果。

水体和沙漠场景的统计分布与植被区不同。全场景阈值若被大面积异常目标主导，候选概率会偏移。算法版本、传感器波段和地表背景都应随掩膜记录。

阴影位置由太阳方位、高度、云高和地形共同决定。算法先寻找暗像元，再估计云高并沿太阳几何投影云对象，与候选阴影匹配。

云高估计误差会让影子位置偏移，山地还会改变投影面。高而薄的卷云、多个云层和复杂地形尤其困难。不同地图投影中的几何处理也可能造成云影位置差异。

暗水体、烧毁地、山影和深色建筑容易与云影混淆。只有暗并不足以证明是云影，需要结合云对象、太阳方向、距离和时间信息。

Landsat 等产品把云、云影、雪、卷云和置信度编码在位字段中。使用者应按对应集合和产品级别文档解码，不能把十进制数值直接当类别，也不能把不同版本的位位置混用。

置信度允许按任务调整筛选强度。保守掩膜减少残留云，却会删除更多清晰像元；宽松掩膜保留覆盖，但增加污染。水体监测、农情时序和视觉制图可以采用不同门槛。

场景级云量只概括整景或陆地区域比例，不能替代逐像元掩膜。研究区可能正好位于云团下，即使全景云量很低；反之，全景多云但局部研究区清晰仍可能可用。

自动边界常漏掉半透明云缘和邻近散射。许多流程对云掩膜做适度缓冲，但固定像元缓冲在不同分辨率和云高下代表不同地面距离。

缓冲过大将切掉大量有效地表，并在小样区造成选择偏差。应通过人工参考或高分数据评价不同缓冲距离，记录有效观测率随门槛变化的曲线。

云影边缘同样不确定，且太阳高度低时影子很长。只在云周围做对称缓冲不能替代方向性几何投影。

掩膜后时间序列出现空洞。若某季节更常多云，剩余清晰观测并非随机样本，年度均值和物候日期可能偏向晴朗条件。简单插值会隐藏长期云期的不确定性。

合成时应保存有效观测数、距目标日期的时间和质量分布。没有有效像元时应保持缺失，而不是填零；用其他日期或传感器补齐时，要记录来源和光谱差异。

变化检测可要求变化前后均有多个清晰观测，并检查突变是否与掩膜边界移动一致。单期异常尤其应回看原始影像和 QA。

云检测要分别统计遗漏和误判，云、云影、雪和清晰地表不能只汇总成一个总准确率。晴空像元占多数时，总准确率很高仍可能漏掉大量薄云。

验证样本应覆盖明亮城市、雪地、沙漠、水体、山地和不同季节。人工真值也有边界不确定性，薄云可以设置模糊区或多位标注者复核。

生产流程应保存算法与产品版本、掩膜位、置信门槛、缓冲方法和有效像元比例。云与阴影筛选的目标是把受污染观测显式标识并量化不确定性，而不是制造一幅看似无云、却无法追溯删选过程的影像。

大范围批处理依赖自动掩膜，关键事件和小区域成果仍适合抽样目视复核。复核界面应同时显示原始波段、假彩色、热信息、云候选和前后日期，避免标注者只看增强后的单幅 RGB 图。

人工修改不能覆盖原始 QA。应保存附加修订层、修改者、理由和时间，使算法升级后可以重新比较。多人分歧大的薄云边界可保留“不确定”类别，而不是强迫生成确定真值。

当应用对遗漏与误判代价不同，可以保留多套门槛或概率层。业务端据此选择严格、标准或宽松筛选，并在结果中传播有效观测数。把唯一二值掩膜复制到所有任务，会隐藏本来可以管理的风险偏好。