Том 37, номер 02, статья № 3

Аннотация:

Обнаружение облачности на спутниковых изображениях – одна из важнейших задач спутниковой метеорологии. От точности детектирования облачного покрова во многом зависит качество других гидрометеорологических продуктов. Представлен алгоритм детектирования облачности, основанный на сверточной нейронной сети с модифицированной архитектурой U-Net. В качестве входных данных используются многоспектральные спутниковые изображения, получаемые с прибора МСУ-ГС, установленного на космическом аппарате «Арктика-М» № 1. Точность работы алгоритма оценена с помощью метрик машинного обучения и сравнения полученных результатов с эталонными масками, составленными путем визуального дешифрирования спутникового изображения опытным специалистом-дешифровщиком. Проведено сравнение с аналогичными продуктами по данным приборов SEVIRI и VIIRS. Для областей, освещенных солнцем, маска облачности, полученная предлагаемым алгоритмом, имеет точность 92% по сравнению с эталонной, а для не освещенных – 89%.

Ключевые слова:

МСУ-ГС, «Арктика-М», маска облачности, детектирование облачности, нейросетевой классификатор, U-Net

Список литературы:

1. Miller S., Lee T., Fennimore R. Satellite-based imagery techniques for daytime cloud/snow delineation from MODIS // J. Appl. Meteorol. 2005. V. 44. P. 987–997.
2. Hawotte F., Radoux J., Chomé G., Defourny P. Assessment of automated snow cover detection at high solar zenith angles with PROBA-V // Remote Sens. 2016. V. 8, N 9. P. 699.
3. Zhu Z., Woodcock C.E. Object-based cloud and cloud shadow detection in Landsat imagery // Remote Sens. Environ. 2012. V. 118. P. 83–94.
4. Jedlovec G. Automated detection of clouds in satellite imagery // Adv. Geosci. Remote Sens. 2009. P. 303–316.
5. Mahajan S., Fataniya B. Cloud detection methodologies: Variants and development – a review // Complex Intelligent Syst. 2020. V. 6. P. 251–261.
6. Chen Y., Fan R., Bilal M., Yang X., Wang J., Li W. Multilevel cloud detection for high-resolution remote sensing imagery using multiple convolutional neural networks // ISPRS Int. J. Geo-Inf. 2018. V. 7, N 5. P. 181.
7. Wen-Jia C., Jiang-Yong D., Juan M. Cloud detection via convolutional neural network in visible light remote sensing image // 2nd International Conference on Artificial Intelligence: Techniques and Applications (AITA_2017). China: DEStech Publications, 2017. P. 38–43.
8. Zhaoxiang Z., Iwasaki A., Xu G., Song J. Cloud detection on small satellites based on lightweight U-net and image compression // J. Appl. Remote Sens. 2019. V. 13, N 2. P. 026502.
9. Bloshchinskiy V.D., Kuchma M.O., Andreev A.I., Sorokin A.A. Snow and cloud detection using a convolutional neural network and low-resolution data from the Electro-L No. 2 Satellite // J. Appl. Remote Sens. 2020. V. 14, N 3. P. 034506.
10. Cao K., Zhang X. An Improved Res-UNet model for tree species classification using airborne high-resolution images // Remote Sens. 2020. V. 12. P. 1128.
11. Soni A., Koner R., Villuri V.G.K. M-UNet: Modified U-Net segmentation framework with satellite imagery / J. Mandal, S. Mukhopadhyay (eds.) // Proc. of the Global AI Congress 2019. Advances in Intelligent Systems and Computing. Singapore: Springer, 2020. V. 1112. P. 47–59.
12. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation / N. Navab, J. Hornegger, W. Wells, A. Frangi (eds.). Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science. Cham: Springer, 2015. V. 9351.
13. Guo Y., Cao X., Liu B., Gao M. Cloud detection for satellite imagery using attention-based U-Net convolutional neural network // Symmetry. 2020. V. 12, N 6. P. 1056.
14. Филей А.А. Восстановление оптической толщины и эффективного радиуса частиц облачности по данным дневных измерений спутникового радиометра МСУ-МР // Оптика атмосф. и океана. 2019. Т. 32, № 8. С. 650–656.