Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
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. 2024. Т. 21. № 2. С. 36-50

Нейросетевая сегментация облачности и снежного покрова по мультиспектральным данным гидрометеорологического спутника «Электро-Л» № 2

Н.В. Беляков 1 , А.В. Васильев 2 , С.В. Колпинский 3 
1 Московский государственный университет имени М.В. Ломоносова, Москва, Россия
2 Научно-исследовательский вычислительный центр МГУ имени М.В. Ломоносова, Москва, Россия
3 Национальный исследовательский университет "МЭИ", Москва, Россия
Одобрена к печати: 29.03.2024
DOI: 10.21046/2070-7401-2024-21-2-36-50
Работа посвящена методике детектирования облачности и снежного покрова по мультиспектральным данным с аппаратуры многозонального сканирующего устройства геостационарного (МСУ-ГС) космического аппарата (КА) «Электро-Л» № 2 с применением нейронной сети свёрточного типа. Для разработки нейросетевого алгоритма был создан собственный набор данных, содержащий мультиспектральные снимки с аппаратуры МСУ-ГС, установленной на космическом аппарате «Электро-Л» № 2, с разметкой снега и облачности. Для создания разметки облачного и снежного покрова были использованы репроецированные на точку стояния «Электро-Л» № 2 снимки с космических аппаратов GOES-16 (англ. Geostationary Operational Environmental Satellite) и Meteosat-10. В качестве дополнительных сведений приложена географическая информация: широта, долгота и высота для пикселей снимков. В качестве модели нейросети применяется MANet (англ. Multi-Scale Attention Network). Одной из существенных проблем при разработке алгоритма сегментации снега и облачности становится отсутствие коротковолновых инфракрасных каналов (1300–1600 нм), необходимых для работы классических алгоритмов сегментации на основе тестов по нормированному снежному индексу. При ограничениях на спектральные характеристики аппаратуры МСУ-ГС и низком разрешении снимков в качестве решения задачи выделения снега и облаков на мультиспектральных данных предлагается нейросетевой алгоритм, способный по неявным признакам и закономерностям дифференцировать снег и облака. Для репрезентативности снимки в выборке включают в себя все времена года и разные уровни освещённости (12:00–17:00 UTC (англ. Coordinated Universal Time, всемирное координированное время)). Обученная нейронная сеть для сегментации протестирована в различных сценариях, включая зимний и летний периоды года в дневное время суток при разном уровне освещённости снимков применительно к данным с прибора МСУ-ГС спутника «Электро-Л» № 2. По результатам тестирования получены следующие метрики качества сегментации: F1s = 0,7454, F1c = 0,8773 и IoUs = 0,7398, IoUc = 0,7976 (англ. Intersection over Union index) для классов снега (англ. snow, субскрипт s) и облачности (англ. clouds, субскрипт c) соответственно.
Ключевые слова: «Электро-Л» № 2, МСУ-ГС, свёрточная нейронная сеть, сегментация, облачный покров, снежный покров, географическая информация, карта высот
Полный текст

Список литературы:

  1. Астафуров В. Г., Евсюткин Т. В., Курьянович К. В., Скороходов А. В. Статистическая модель текстурных признаков перистой облачности по спутниковым снимкам MODIS // Оптика атмосферы и океана. 2014. Т. 27. № 7. С. 640–646.
  2. Ackerman S. A., Frey R. MODIS Atmosphere L2 Cloud Mask Product / NASA MODIS Adaptive Processing System. Goddard Space Flight Center. 2015. DOI: 10.5067/MODIS/MOD35_L2.061.
  3. Bloshchinskiy V. D., Kuchma M., Andreev A., Sorokin A. Snow and cloud detection using a convolutional neural network and low-resolution data from the Electro-L No. 2 Satellite // J. Applied Remote Sensing. 2020. V. 14. No. 3. Article 034506. DOI: 10.1117/1.JRS.14.034506.
  4. Cao H., Luo X., Peng Y. et al. MANet: A Network Architecture for Remote Sensing Spatiotemporal Fusion Based on Multiscale and Attention Mechanisms // Remote Sensing. 2022. V. 14. No. 18. P. 4600–4600. https://doi.org/10.3390/rs14184600.
  5. Fan T., Wang G., Li Y. et al. MA-Net: A Multi-Scale Attention Network for Liver and Tumor Segmentation // IEEE Access. 2020. V. 8. P. 179 656–179 665. DOI: 10.1109/ACCESS.2020.3025372.
  6. Heidinger A., Botambekov D., Walthe A. Algorithm theoretical basis document. A Naïve Bayesian Cloud Mask Delivered to NOAA Enterprise. 10 July. 2017. 50 p. https://www.ospo.noaa.gov/Products/Suites/files/atbd/Cloud_Mask_Enterprise_ATBD_v1.1_2016.pdf.
  7. Khlopenkov K., Trishchenko A. SPARC: New cloud, snow, and cloud shadow detection scheme for historical 1-km AVHHR data over Canada // J. Atmospheric and Oceanic Technology. 2007. V. 24. No. 3. P. 322–343. DOI: 10.1175/JTECH1987.1.
  8. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks // arXiv preprint. arXiv:1404.5997. 2012. http://arxiv.org/abs/1404.5997.
  9. Li R., Zheng S., Duan C. et al. Multiattention Network for Semantic Segmentation of Fine Resolution Remote Sensing Images // IEEE Trans. Geoscience and Remote Sensing. 2022. V. 60. Article 5607713. P. 1–13. DOI: 10.1109/TGRS.2021.3093977.
  10. Lin T., Goyal P., Girshick R., HeK., Dollar P. Focal Loss for Dense Object Detection // arXiv preprint. arXiv:1708.02002. 2018. https://arxiv.org/pdf/arXiv.1708.02002.
  11. Loshchilov I., Hutter F. SGDR: Stochastic Gradient Descent with Warm Restarts // arXiv preprint. arXiv:1608.03983v5. 2017. https://doi.org/10.48550/arXiv.1608.03983.
  12. Loshchilov I., Hutter F. Decoupled weight decay regularization // arXiv preprint. arXiv:1711.05101. 2019. https://arxiv.org/pdf/1711.05101.
  13. Miller S., Lee T., Fennimore R. L. Satellite-based imagery techniques for daytime cloud/snow delineation from MODIS // J. Applied Meteorology. 2005. V. 44. No. 7. P. 987–997. DOI: 10.1175/JAM2252.1.
  14. Mohajerani S., Saeedi P. Cloud-Net: An End-To-End Cloud Detection Algorithm for Landsat 8 Imagery // 2019 IEEE Intern. Geoscience and Remote Sensing Symp. (IGARSS 2019). 2019. P. 1029–1032.
  15. Sun S., Cao Z., Zhu H., Zhao J. A Survey of Optimization Methods From a Machine Learning Perspective // arXiv preprint. arXiv:1906.06821. 2019. https://arxiv.org/pdf/arXiv.1906.06821.
  16. Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (Image Classification) // arXiv preprint. arXiv:1905.11946. 2019. https://doi.org/10.48550/arXiv.1905.11946.
  17. Wildt M. D. R. D., Seiz G., Gruen A. Operational snow mapping using multitemporal Meteosat SEVIRI imagery // Remote Sensing of Environment. Elsevier Inc., 2007. V. 109. P. 29–41. DOI: 10.1016/j.rse.2006.12.008.
  18. Wortsman M., Ilharco G., Gadre S. Y. et al. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time // Proc. 39th Intern. Conf. Machine Learning. PMLR. 2022. V. 162. P. 23965–23998. https://doi.org/10.48550/arXiv.2203.05482.
  19. WrightL., Demeure N. Ranger21: a synergistic deep learning optimizer // arXiv preprint. arXiv:2106.13731. 2021. https://doi.org/10.48550/arXiv.2106.13731.
  20. Wu X., Shi Z., Zou Z. A geographic information-driven method and a new large scale dataset for remote sensing cloud/snow detection // ISPRS J. Photogrammetry and Remote Sensing. 2021. V. 174. No. 11. P. 87–104. DOI: 10.1016/j.isprsjprs.2021.01.023.
  21. Wu Y., Liu L., Bae J. et al. Demystifying Learning Rate Policies for High Accuracy Training of Deep Neural Networks // IEEE Intern. Conf. Big Data. 2019. P. 1971–1980. DOI: 10.1109/BigData47090.2019.9006104.
  22. Yin M., Wang P., Ni C. et al. Cloud and snow detection of remote sensing images based on improved Unet3+ // Scientific Reports. 2022. V. 12. No. 1. DOI: 10.1038/s41598-022-18812-6.
  23. Zhang J., Li X., Li L. et al. Lightweight U-Net for cloud detection of visible and thermal infrared remote sensing images // Optical and Quantum Electronics. 2020. V. 52. No. 9. P. 397–397. DOI: 10.1007/s11082-020-02500-8.