用于甲烷卫星与航空成像光谱中云及云阴影分割的深度学习
计算机视觉与模式识别
2026-03-12 v3 机器学习
摘要
有效的云和云阴影检测是准确反演高光谱遥感中大气甲烷（CH4）或其他痕量气体浓度的关键前提。这一挑战对于MethaneSAT（于2024年3月发射的卫星任务，旨在填补粗分辨率全球测绘仪与精细尺度点源甲烷成像仪之间在分辨率、精度和幅宽方面的显著数据空白）及其航空伴飞任务MethaneAIR尤为突出。MethaneSAT提供中等空间分辨率（约100 x 400米）的高光谱数据，而MethaneAIR则提供更精细的分辨率（约25米），从而能够生成高度详细的浓度图，实现对排放源和排放速率的量化。在本研究中，我们使用机器学习方法来解决这些高空间分辨率传感器的云和云阴影检测问题。遥感数据中的云和云阴影需要被有效屏蔽，因为它们会使遥感影像中的甲烷反演产生偏差，并影响排放的量化。我们部署并评估了传统技术——包括迭代逻辑回归（ILR）和多层感知器（MLP）——与先进的深度学习架构，即U-Net和光谱通道注意力网络（SCAN）方法。我们的结果表明，传统方法在空间一致性和边界定义方面存在困难，影响了云和云阴影的检测。深度学习模型显著提高了检测质量：U-Net在保留空间结构方面表现最佳，而SCAN在捕获精细边界细节方面表现出色……我们的数据和代码已公开：https://doi.org/10.7910/DVN/IKLZOJ
关键词
引用
@article{arxiv.2509.19665,
title = {Deep Learning for Clouds and Cloud Shadow Segmentation in Methane Satellite and Airborne Imaging Spectroscopy},
author = {Manuel Perez-Carrasco and Maya Nasr and Sebastien Roche and Chris Chan Miller and Zhan Zhang and Core Francisco Park and Eleanor Walker and Cecilia Garraffo and Douglas Finkbeiner and Sasha Ayvazov and Jonathan Franklin and Bingkun Luo and Xiong Liu and Ritesh Gautam and Steven Wofsy},
journal= {arXiv preprint arXiv:2509.19665},
year = {2026}
}