Том 37, номер 02, статья № 10

Минкин А. С., Николаева О. В. Распознавание облаков на гиперспектральных спутниковых изображениях с использованием объяснимой модели машинного обучения. // Оптика атмосферы и океана. 2024. Т. 37. № 02. С. 149–157. DOI: 10.15372/AOO20240209.
Скопировать ссылку в буфер обмена
Аннотация:

Рассматривается задача построения алгоритма на основе нейронных сетей и машинного обучения для нахождения облаков на гиперспектральных снимках. Требуется, чтобы сеть позволяла провести анализ причин принятия решений и результатов классификации. Предложенная гибридная модель содержит дерево решений, обученное распознавать сплошную облачность (модель 1) на предварительно выбранных производных признаках исходного снимка в сочетании со сверточной нейронной сетью (модель 2). Модель 2 использует результаты работы модели 1 совместно со значениями яркости в выбранном канале снимка. Модель 1 находит ядра облаков, а модель 2 – их границы. Приведены результаты тестирования гибридной модели на данных сенсора HYPERION, полученных над поверхностями трех типов (океан, растительность, урбанизированная территория). Вычислены общая точность, а также ошибки ложного распознавания и ложного пропускания. Показано, что гибридная модель позволяет находить 85% облачных пикселей, только если нейронная сеть (модель 2) обучена на изображениях, для которых контраст достигает наибольшего значения в том же спектральном канале. Результаты настоящей работы могут быть применены для решения общей задачи анализа и обработки многоспектральных спутниковых изображений и в дальнейшем востребованы для изучения окружающей среды и мониторинга растительности, океана и ледников.

Ключевые слова:

многоспектральные спутниковые изображения, обнаружение облаков, спектральные индексы, модели машинного обучения, сверточные нейронные сети, объяснимые модели

Список литературы:

1. Li Z., Shen H., Li H., Xid G., Gamba P., Zhang L. Multi-feature combined cloud and cloud-shadow detection in Gaofen-1 widefield of view imagery // Remote Sens. Environ. 2017. V. 191. P. 342–358. DOI: 10.1016/j.rse.2017.01.026.
2. Bo P., Fenzhen S., Yunshan M. A cloud and cloud shadow detection methods based on fuzzy c-Means algorithm // IEEE J. Sel. Top. Appl. Earth. Obs. Remote Sens. 2020. V. 13. P. 1714–1727. DOI: 10.1109/JSTARS.2020.2987844.
3. Sun L., Mi X., Wei J., Wang J., Tian X., Yu H., Gan P. A cloud detection algorithm generating method for remote sensing data at visible to short-wave infrared wavelengths // ISPRS J. Photogramm. 2017. V. 125, N D24. P. 70–88. DOI: 10.1016/j.isprsjprs.2016.12.005.
4. Sun L., Wei J., Wang J., Mi X., Guo Y., Lv Y., Yang Y., Gan P., Zhou X., Jio C., Jiawei C., Tian X. A universal dynamic threshold cloud detection algorithm (UNSADA) supported by a prior surface // J. Geophys. Res.: Atmos. 2016. V. 121, N. 12. P. 7172–7196. DOI: 10.1002/2015JD024722.
5. Mateo-Garcia G., Gomez-Chova L., Amoros-Lopez J., Munoz-Mari J., Camps-Valls G. Multitemporal cloud masking in the Google Earth Engine // Remote Sens. 2018. V. 10, N 7. P.1079. DOI: 10.3390/rs10071079.
6. Lyapustin A., Wang Y., Frey R. An automatic cloud mask algorithm based on time series of MODIS measurements // J. Geophys. Res. 2008. V. 113. P. D16207. DOI: 10.1029/2007JD009641.
7. Bian J., Li A., Liu Q., Huang C. Cloud and snow discrimination for CCD images of HJ-1A/B constellation based on spectral signature and spatio-temporal context // Remote Sens. 2016. V. 8, N 31. DOI: 10.3390/rs8010031.
8. Белов А.М., Денисова А.Ю. Алгоритм выявления случайных искажений в составе сцены на серии разновременных изображений ДЗЗ одной и той же территории // Компьютерная оптика. 2019. Т. 43, № 5. С. 869–885. DOI: 10.18287/2412-6179-2019-43-5-869-885.
9. Hagolle O., Huo M., Villa Pascual D., Dedieu G. A multi-temporal method for cloud detection, applied to Formosat-2, VeNmS, Landsat, and Sentinel-2 images // Remote Sens. Environ. 2010. V. 114, N 8. P. 1747–1755. DOI: 10.1016/j.rse.2010.03.002.
10. Zhu X., Helmer E.H. An automatic method for screening clouds and cloud shadows in optical satellite image time series in cloudy region // RSE. 2018. V. 214. P. 135–153. DOI: 10.1016/j.rse.2018.05.024.
11. Визильтер Ю.В., Горбацевич В.С., Желтов С.Ю. Структурно-функциональный анализ и синтез глубоких конволюционных нейронных сетей // Компьютерная оптика. 2019. Т. 43, № 5. С. 886–900. DOI: 10.18287/2412-6179-2019-43-5-886-900.
12. Shendryk Y., Rist Y., Ticehurst C., Thorburn P. Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery // ISPRS J. Photogramm. 2019. V. 157. P. 124–136. DOI: 10.1016/j.isprsjprs.2019.08.018.
13. Андреев А.И., Шамилова Ю.А. Детектирование облачности по данным КА HIMAWARI-8 с применением сверточной нейронной сети // Исслед. Земли из космоса. 2021. № 2. С. 42–52. DOI: 10.31857/S0205961421010036.
14. Zheng M, Tang W., Zhao X. Hyperparameter optimization of neural network-driven spatial models accelerated using cyber-enabled high-performance computing // Int. J. Geogr. Inf. Sci. 2019. V. 33. P. 314–345. DOI: 10.1080/13658816.2018.1530355.
15. Fu H., Shen Y., Liu J, He G., Chen J., Liu P., Qian J., Li J. Cloud detection for FY meteorology satellite based on ensemble thresholds and random forests approach // Remote Sens. 2019. V. 11, N 1. P. 44. DOI: 10.3390/rs11010044.
16. Ghasemian N., Akhoondzadeh M. Integration of VIR and thermal bands for cloud, snow/ice and thin cirrus detection in MODIS satellite images // Proc. of the Third International Conference on Intelligent Decision Science, Tehran, Iran, May 16–18. 2018. Р. 1–37.
17. Liu H., Zeng D., Tian Q. Super-pixel cloud detection using hierarchical fusion CNN // Proc. of the 2018 IEEE Fourth International Conference on Multimedia Big Data. 2018. P. 1–6. DOI: 10.1109/BigMM.2018.8499091.
18. Wang L., Chen Y., Tang L., Fan R., Yao Y. Object-based convolutional neural networks for cloud and snow detection in high-resolution multispectral imagers // Water. 2018. V. 10, N 11. P. 1666. DOI: 10.3390/w10111666.
19. Gilpin L., Bau D., Yuan B., Bajwa A., Specter M., Kagal L. Explaining explanations: An overview of interpretability of machine learning // IEEE 5th International Conference on Data Science and Advanced Analytics (DSAA) 2018, Turin, Italy. P. 80–89. DOI: 10.1109/DSAA.2018.00018.
20. Štrumbelj E., Kononenko I. Explaining prediction models and individual predictions with feature contributions // Knowl. Inf. Syst. 2014. V. 41. P. 647–665.
21. Goodwin N.R., Collet L.J., Denham R.J., Flood N., Tindall D. Cloud and cloud shadow screening across Queensland, Australia: An automated method for LandsatTM/ETA + time-series // Remote Sens. Environ. 2013. V. 134. P. 50–65. DOI: 10.1016/j.rse.2013.02.019.
22. Мишра П. Объяснимые модели искусственного интеллекта на Python. М.: ДМК-Пресс, 2022. 298 с.
23. Hastie T., Tibshirani R., Friedman J. Additive models, trees, and related methods // The Elements of Statistical Learning. Springer, 2009. P. 295–336.
24. Chollet F. Xception: Deep learning with depthwise separable convolutions // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), USA, 2017. P. 1800–1807. DOI: 10.1109/CVPR.2017.195.