创建并利用云光学厚度度量合成数据集以进行 MSI 云检测
计算机视觉与模式识别
2024-03-18 v3 机器学习
摘要
云层常遮蔽基于光学卫星的对地观测，从而限制了土地覆盖制图、海洋水色分析与农田监测等地球观测（EO）活动。机器学习（ML）方法在遥感领域的应用显著提升了包括云检测与滤除在内的广泛 EO 任务性能，但仍有很大改进空间。一个关键瓶颈在于，ML 方法通常依赖大量标注数据用于训练，而在 EO 场景中此类数据往往难以获取。在云光学厚度（COT）估计方面尤为如此。相较于实践中常用的预定义云类别，对 COT 的可靠估计可实现更精细且依应用而定的控制。为缓解 COT 数据稀缺问题，本文提出一种用于 COT 估计的新型合成数据集，并随后将其用于真实数据上获取可靠且通用的云掩膜。在我们的数据集中，针对 Sentinel-2 平台 multispectral imagery（MSI）传感器的 12 个光谱波段模拟了大气顶辐射亮度。这些数据点在不同云类型、COT 以及地面与大气剖面条件下模拟得到。通过训练若干 ML 模型由光谱波段测量反射率预测 COT 的广泛实验，证明了我们所提数据集的效用。特别地，通过对 ML 模型的 COT 估计值进行阈值化，我们在两个卫星图像数据集（一个公开，一个由我们收集并标注）上展示了可获得可靠的云掩膜。合成数据、收集的真实数据集、代码与模型已公开于 https://github.com/aleksispi/ml-cloud-opt-thick。
引用
@article{arxiv.2311.14024,
title = {Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI},
author = {Aleksis Pirinen and Nosheen Abid and Nuria Agues Paszkowsky and Thomas Ohlson Timoudas and Ronald Scheirer and Chiara Ceccobello and György Kovács and Anders Persson},
journal= {arXiv preprint arXiv:2311.14024},
year = {2024}
}
备注
Published in the journal Remote Sensing (2024). Code, data and models available at https://github.com/aleksispi/ml-cloud-opt-thick