基于深度学习在Sentinel-1 SAR图像中识别极地低压
计算机视觉与模式识别
2022-09-09 v4
摘要
本文探讨利用深度学习在C波段SAR图像中检测极地低压的可能性。具体而言,我们引入一个由Sentinel-1图像组成的新数据集,分为两类,分别表示存在和不存在海洋中尺度气旋。该数据集以ERA5数据集为基线构建,包含2004张标注图像。据我们所知,这是首个公开发布的此类数据集。该数据集用于训练深度学习模型以对标注图像进行分类。在独立测试集上评估,模型F-1得分为0.95,表明可从SAR图像中稳定检测极地低压。应用于深度学习模型的可解释性技术揭示大气锋和气旋眼是分类的关键特征。此外,实验结果表明即便在以下情况模型仍准确:(i)因SAR有限幅宽导致此类特征被显著裁剪,(ii)特征部分被海冰覆盖,以及(iii)陆地覆盖图像显著部分。通过在多种输入图像分辨率(像素大小500m、1km和2km)上评估模型性能,发现更高分辨率带来最佳性能。这强调了使用如SAR等高分辨率传感器检测极地低压相较于传统使用的如散射计等传感器的潜力。
引用
@article{arxiv.2203.16401,
title = {Recognition of polar lows in Sentinel-1 SAR images with deep learning},
author = {Jakob Grahn and Filippo Maria Bianchi},
journal= {arXiv preprint arXiv:2203.16401},
year = {2022}
}
备注
11 pages (+4 supplementary), 11 figures (+2 supplementary)