چکیده Cloud formations often obscure optical satellite-based monitoring of the Earth’s surface, thus limiting Earth observation (EO) activities such as land cover mapping, ocean color analysis, and cropland monitoring. The integration of machine learning (ML) methods within the remote sensing domain has significantly improved performance on a wide range of EO tasks, including cloud detection and filtering, but there is still much room for improvement. A key bottleneck is that ML methods typically depend on large amounts of annotated data for training, which is often difficult to come by in EO contexts. This is especially true for the task of cloud optical thickness (COT) estimation. A reliable estimation of COT enables more fine-grained and application-dependent control compared to using pre-specified cloud categories, as is commonly done in practice. To alleviate the COT data scarcity problem, in this work we propose a novel synthetic dataset for COT estimation, where top-of-atmosphere radiances have been simulated for 12 of the spectral bands of the Multi-Spectral Instrument (MSI) sensor onboard Sentinel-2 platforms. These data points have been simulated under consideration of different cloud types, COTs, and ground surface and atmospheric profiles. Extensive experimentation of training several ML models to predict COT from the measured reflectivity of the spectral bands demonstrates the usefulness of our proposed dataset. Generalization to real data is also demonstrated on two satellite image datasets — one that is publicly available, and one which we have collected and annotated. The synthetic data, the newly collected real dataset, code and models have been made publicly available at https://github.com/aleksispi/ml-cloud-opt-thick.

چکیده به فارسی (ترجمه ماشینی) سازندهای ابری غالباً نظارت مبتنی بر ماهواره نوری از سطح زمین را مبهم می کنند ، بنابراین فعالیت های مشاهده زمین (EO) مانند نقشه برداری از پوشش زمین ، تجزیه و تحلیل رنگ اقیانوس و نظارت بر زمین را محدود می کنند.ادغام روشهای یادگیری ماشین (ML) در حوزه سنجش از راه دور عملکرد قابل توجهی را در طیف گسترده ای از کارهای EO از جمله تشخیص ابر و فیلتر بهبود بخشیده است ، اما هنوز فضای زیادی برای بهبود وجود دارد.یک تنگنا مهم این است که روشهای ML به طور معمول به مقادیر زیادی از داده های حاشیه نویسی برای آموزش بستگی دارند ، که در متن EO اغلب دشوار است.این امر به ویژه در مورد کار برآورد ضخامت نوری ابر (COT) صادق است.یک تخمین قابل اعتماد از COT ، کنترل ریز دانه و وابسته به کاربرد را در مقایسه با استفاده از دسته های ابری از پیش تعیین شده امکان پذیر می کند ، همانطور که معمولاً در عمل انجام می شود.برای کاهش مشکل کمبود داده های COT ، در این کار ما یک مجموعه داده مصنوعی جدید برای تخمین COT پیشنهاد می کنیم ، جایی که تابش های بالای جو برای 12 باند طیفی از سنسور چند فواید (MSI) شبیه سازی شده است-2 سیستم عامل.این نقاط داده تحت توجه انواع مختلف ابر ، COT ها ، سطح زمین و پروفایل های جوی شبیه سازی شده اند.آزمایش گسترده آموزش چندین مدل ML برای پیش بینی COT از بازتاب اندازه گیری شده باندهای طیفی ، سودمندی مجموعه داده پیشنهادی ما را نشان می دهد.تعمیم داده های واقعی نیز در دو مجموعه داده تصویر ماهواره ای نشان داده شده است – یکی که در دسترس عموم است ، و دیگری که ما جمع آوری و حاشیه نویسی کرده ایم.داده های مصنوعی ، مجموعه داده های تازه جمع آوری شده ، کد و مدل ها به صورت عمومی در https://github.com/aleksispi/ml-cloud-opt-thick در دسترس عموم قرار گرفته اند.

دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی ، یادگیری ماشین ،

عنوان مقاله به انگلیسی Creating and Benchmarking a Synthetic Dataset for Cloud Optical Thickness Estimation

عنوان مقاله به فارسی ایجاد و محک زنی یک مجموعه داده مصنوعی برای برآورد ضخامت نوری ابر

لینک دانلود مقاله دانلود مقاله

نویسندگان Aleksis Pirinen, Nosheen Abid, Nuria Agues Paszkowsky, Thomas Ohlson Timoudas, Ronald Scheirer, Chiara Ceccobello, György Kovács, Anders Persson

مشاهده بیشتر