Метод выявления облачности и теней на изображениях КМСС на основе обучения глубоких сверточных нейронных сетей

Авторы
Колбудаев П.А. (1), Плотников Д.Е. (2)
Организации
(1) Институт Космических Исследований РАН
Сессия
Дистанционное зондирование Земли
Форма представления
Устный
Текст тезисов
Данные приборов КМСС, находящихся на борту спутников Метеор-М-2 и Метеор-М-2.2 и снимающих в зеленом, красном и ближнем ИК диапазонах длин волн, имеют пространственное разрешение 60-100 метров, частоту повторения снимков 3-5 дней и ввиду уникального в своем роде соотношения пространственного и временного разрешений представляют значительный интерес при решении многих задач, в том числе при дистанционной оценке характеристик земной поверхности, мониторинге и оценке растительного покрова. Однако задача автоматического выявления мешающих факторов на изображениях полученных с данных приборов представляется нетривиальной и не может быть решена классическими методами, в которых к примеру используются значения индексов NDVI, NDSI и других.
Характерные особенности приборов, затрудняющие классическое детектирование облачности и теней, включают наличие всего-лишь трёх спектральных каналов, значительные различия в геометрии наблюдений между зеленым, красным и ближнем ИК каналами (параллакс около 9° по данным прибора КМСС-М) и возникающую в результате разницу во времени наблюдения одного и того же участка поверхности (20 секунд между соседними каналами) [1]. После орторектификации и совмещения разнозональных изображений на уровне земной поверхности образы объектов находящихся на разной высоте в том числе облачного покрова оказываются разнесенными на мультиканальном изображении. В результате использование таких мультиспектральных индексов для выделения облачности как к примеру NDVI по аналогии с методом Fmask оказывается затруднено.
В ИКИ РАН были разработаны методы и технология географической допривязки данных КМСС [2], детектирования облачности и теней [3], а также многофакторной коррекции включающей атмосферную коррекцию на основе данных MODIS [4]. Созданная технология позволяет в оперативном режиме обрабатывать данные, которые загружаются в интерфейсы системы семейства ВЕГА. При этом совместимость обработанных данных с данными MODIS и получаемые значения КСЯ на уровне земной поверхности, а также индекса NDVI дают возможность их использовать во многих практических задачах [5].
В настоящей работе исследуется возможность использования сверточных нейронных сетей в задаче детектирования мешающих факторов по данным КМСС. Тестировались возможности популярной сети U-Net, модификации ResNet50 и другие. При этом для обучения нейронных сетей применяются полученные на основе разработанных методов маски облачности и теней. Преимуществом использования нейросетей является высокая скорость обработки данных (порядка нескольких секунд), отсутствие необходимости использования каких-либо эталонных данных, в том числе данных MODIS, необязательность калибровки и географической привязки данных.
Исследования выполнялась с использованием инфраструктуры Центра коллективного пользования системами архивации, обработки и анализа спутниковых данных ЦКП "ИКИ-Мониторинг" для решения задач изучения и мониторинга окружающей среды [6].


Литература:

1. B. Zhukov, T. Kondratieva, I. Polyanskiy, Interannual sensitivity trend of the cameras
of the multispectral satellite imaging system KMSS-M on Meteor-M No. 2 spacecraft
based on the in-flight calibration in 2015–2020, Sovremennye problemy
distantsionnogo zondirovaniya Zemli iz kosmosa, Vol. 18, No. 1, pp. 53-60 (2021)

2. Колбудаев П.А., Плотников Д.Е., Матвеев А.М., Барталев С.А. Метод географической допривязки данных и выявления облачности на изображениях МСУ на основе пространственного анализа и градиента яркости объектов земной поверхности // XVII Конференция молодых учёных «Фундаментальные и прикладные космические исследования». ИКИ РАН. Москва. 30 сентября–2 октября 2020 г.Сборник тезисов/под ред. А.М.Садовского, 2020. С. 165-166.

3. Колбудаев П.А., Плотников Д.Е., Барталев С.А. Метод выявления облачности по данным прибора МСУ-100М (Метеор-М №2) на основе пространственного анализа монохромных изображений и границ объектов земной поверхности // "Информационные технологии в дистанционном зондировании Земли - RORSE 2018". ИКИ РАН, 2019. С. 139-144. DOI: doi.org/10.21046/rorse2018.139.

4. Kolbudaev P.A., Plotnikov D.E., Loupian E.A., Proshin A.A., Matveev A.M. The methods and automatic technology aimed at imagery georeferencing, cloud screening, atmospheric and radiometric correction of KMSS-M satellite data // E3S Web of Conferences, 2021. 333. P. 01006. DOI: doi.org/10.1051/e3sconf/202133301006.

5. Плотников Д.Е., Колбудаев П.А., Жуков Б.С., Матвеев А.М., Барталев С.А., Егоров В.А., Кашницкий А.В., Прошин А.А. Публикация коллекции мультиспектральных измерений прибором КМСС-М (КА «Метеор-М» No2) для количественной оценки характеристик земной поверхности // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 7. С. 276–282. DOI: 10.21046/2070-7401-2020-17-7-276–282.

6. Лупян Е.А., Прошин А.А., Бурцев М.А., Балашов И.В., Барталев С.А., Ефремов В.Ю., Кашницкий А.В., Мазуров А.А., Матвеев А.М., Суднева О.А., Сычугов И.Г., Толпин В.А., Уваров И.А. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды. // Современные проблемы дистанционного зондирования Земли из космоса, 2015. Т.12. № 5. С. 247-267