Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 7. С. 26-38

Оценка точности алгоритмов выделения маски облачности по данным Sentinel-2 и PlanetScope

А.В. Тарасов 1 
1 Пермский государственный национальный исследовательский университет, Пермь, Россия
Одобрена к печати: 05.11.2020
DOI: 10.21046/2070-7401-2020-17-7-26-38
В последнее десятилетие были предложены новые методы обработки данных дистанционного зондирования Земли, основанные на машинном обучении, которые успешно применяются в том числе и при маскировании облачности. В настоящей работе на примере территории Пермского края проведена оценка точности маскирования облачности по снимкам Sentinel-2 разных сезонов с применением традиционных алгоритмов Fmask и Sen2Cor, а также алгоритма S2cloudless, основанного на машинном обучении. Для данных Sentinel-2 наилучший результат показал алгоритм S2cloudless (средняя точность 83 %), а худший — Fmask (70 %), при этом сезонное изменение точности маскирования облачности не превышает 6 %. Оценена применимость перечисленных алгоритмов для данных PlanetScope, имеющих только видимые и ближний инфракрасный спектральные каналы. Проведены эксперименты по выделению облачности по снимкам PlanetScope. В результате установлено, что алгоритм S2cloudless может применяться для зимних снимков PlanetScope (качество выделения облачности оказалось выше, чем на основе стандартной маски).
Ключевые слова: маскирование облачности, машинное обучение, PlanetScope, Sentinel-2
Полный текст

Список литературы:

  1. Андреев А. И., Шамилова Ю. А., Холодов Е. И. Применение сверточной нейронной сети для детектирования облачности по данным прибора МСУ-МР спутника «Метеор-М» № 2 // Метеорология и гидрология. 2019. № 7. С. 44−53.
  2. Aas C., Jochemsen A., Mantas V., Lewyckyj N., Jozefiak M., Buchhorn M. Maximizing forest value through using Sentinel-2 in combination with hyperspectral UAVs // Proc. 69th Intern. Astronautical Congress. Bremen, Germany. 2018. P. 4492−4498.
  3. Chuanqi T., Fuchun S., Tao K., Wenchang Z., Chao Y., Chunfang L. A Survey on Deep Transfer Learning. Artificial Neural Networks and Machine Learning // Proc. 27th Intern. Conf. Artificial Neural Networks (ICANN 2018). 4–7 Oct. 2018, Rhodes, Greece. 2018. V. 11141. P. 270–279. DOI: 10.1007/978-3-030-01424-7_27.
  4. Dagobert T., Morel J.-M., de Franchis C., von Gioi R. G. Visibility Detection in Time Series of Planetscope Images // Proc. International Geoscience and Remote Sensing Symposium (IGARSS). Yokohama, 2019. P. 1673−1676. DOI: 10.1109/IGARSS.2019.8898892.
  5. Drönner J., Korfhage N., Egli S., Mühling M., Thies B., Bendix J., Freisleben B., Seeger B. Fast Cloud Segmentation Using Convolutional Neural Networks // Remote Sensing. 2018. V. 10(11). Art. No. 1782. DOI: 10.3390/rs10111782.
  6. Feng Z., Yang J., Yao L. Patch-based fully convolutional neural network with skip connections for retinal blood vessel segmentation // IEEE Intern. Conf. Image Processing. Beijing. 2017. P. 1742–1746. DOI: 10.1109/ICIP.2017.8296580.
  7. Guolin K., Qi M., Finley T., Wang T., Chen W., Weidong M., Qiwei Y., Tie-Yan L. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Proc. 31st Annual Conf. Neural Information Processing Systems (NIPS 2017). California. 2017. P. 3149−3157.
  8. Gursky J. Boosting Showdown: Scikit-Learn vs XGBoost vs LightGBM vs CatBoost in Sentiment Classification // Towards Data Science. 2020. URL: https://towardsdatascience.com/boosting-showdown-scikit-learn-vs-xgboost-vs-lightgbm-vs-catboost-in-sentiment-classification-f7c7f46fd956 (accessed 20.07.2020).
  9. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proc. IEEE Conf. Computer Vision and Pattern Recognition. Las Vegas. 2016. P. 770−778. DOI: 10.1109/CVPR.2016.90.
  10. Hethcoat M. G., Edwards D. P., Carreiras J. M. B., Bryant R. G., França F. M., Quegan S. A machine learning approach to map tropical selective logging // Remote Sensing of Environment. 2019. V. 221. P. 569−582. DOI: 10.1016/j.rse.2018.11.044.
  11. Hoerl E., Kennard W. R. Ridge Regression: Biased Estimation for Nonorthogonal Problems // Technometrics. 1970. V. 12. P. 55−67. DOI: 10.1080/00401706.1970.10488634.
  12. Huang G., Liu Z., Van Der Maaten L., Weinberger K. Q. Densely connected convolutional networks // Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR). Honolulu. 2017. P. 4700−4708.
  13. Li Z., Shen H., Cheng Q., Liu Y., You S., He Z. Deep learning based cloud detection for medium and high resolution remote sensing images of different sensors // ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 150. P. 197–212. DOI: 10.1016/j.isprsjprs.2019.02.017.
  14. Liu C.-C., Zhang Y.-C., Chen P.-Y., Lai C.-C., Chen Y.-H., Cheng J.-H., Ko M.-H. Clouds Classification from Sentinel-2 Imagery with Deep Residual Learning and Semantic Image Segmentation // Remote Sensing. 2019. V. 11(2). Art. No. 119. DOI: 10.3390/rs11020119.
  15. Liu S., Li M., Zhang Z., Xiao B., Cao X. Multimodal Ground-Based Cloud Classification Using Joint Fusion Convolutional Neural Network // Remote Sensing. 2018. V. 10. Art. No. 822. DOI: 10.3390/rs10060822.
  16. Lonjou V., Desjardins C., Hagolle O., Petrucci B., Thierry T., Dejus М., Makarau А., Auer S. MACCS-ATCOR joint algorithm (MAJA) // Proc. Conf. SPIE Remote Sensing. 28–29 Sept. 2016. Edinburgh. 2016. V. 1. P. 119.
  17. Main-Knorn M., Pflug B., Louis J., Debaecker V., Müller-Wilm U., Gascon F. Sen2Cor for Sentinel-2 // Image and Signal Processing for Remote Sensing XXIII: Proc. SPIE. Warsaw. 2017. V. 10427. P. 218.
  18. Planet Imagery Product Specification. Planet Labs Inc., 2020. 97 p. URL: https://assets.planet.com/docs/Planet_Combined_Imagery_Product_Specs_letter_screen.pdf (accessed 20.07.2020).
  19. Powers D. Evaluation: from precision, recall and f-measure to roc, informedness, markedness and correlation // J. Machine Learning Technologies. 2011. V. 2(1). P. 37−63.
  20. Qiu S., Zhu Z., Binbin H. Fmask 4.0: Improved cloud and cloud shadow detection in Landsats 4–8 and Sentinel-2 imagery // Remote Sensing of Environment. 2019. V. 231. P. 83−94. DOI: 10.1016/j.rse.2019.05.024.
  21. S2 MPS. Sen2Cor Configuration and User Manual. Ref.: S2-PDGS-MPC-L2A-SUM-V2.4. Iss. 1. ESA, 2017. 53 p. URL: https://step.esa.int/thirdparties/sen2cor/2.4.0/Sen2Cor_240_Documenation_PDF/S2-PDGS-MPC-L2A-SUM-V2.4.0.pdf (accessed 20.07.2020).
  22. Sentinel-2 Products Specification Document. ESA, 2018. Ref.: S2-PDGS-TAS-DI-PSD. Iss. 14.5. 510 p. URL: https://sentinel.esa.int/documents/247904/685211/Sentinel-2-Products-Specification-Document (accessed 20.07.2020).
  23. Shendryk Y., Rist Y., Ticehurst C., Thorbum P. Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery// ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 157. P. 124–136. DOI: 10.1016/j.isprsjprs.2019.08.018.
  24. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // Proc. 3rd Intern. Conf. Learning Representations. San Diego. 2014. arXiv: 1409.15556.
  25. Syrris V., Hasenohr P., Delipetrev B., Kotsev A., Kempeneers P., Soille P. Evaluation of the potential of convolutional neural networks and random forests for multi-class segmentation of Sentinel-2 imagery // Remote Sensing. 2019. V. 11(8). Art. No. 907. DOI: 10.3390/rs11080976.
  26. Xu K., Guan K., Peng J., Luo Y., Wang S. DeepMask: an algorithm for cloud and cloud shadow detection in optical satellite remote sensing images using deep residual network // arXiv: 1911.03607. 2019. V. 1911. Article No. 3607.
  27. Zhe Z., Curtis E. W. Object-based cloud and cloud shadow detection in Landsat imagery. // Remote Sensing of Environment. 2012. V. 118. P. 83−94. DOI: 10.1016/j.rse.2011.10.028.