Нейросетевая сегментация облачности и снежного покрова по мультиспектральным данным спутника "Электро-Л № 2"

Работа посвящена методике семантической сегментации облачности и снежного покрова по мультиспектральным данным с аппаратуры МСУ-ГС геостационарного космического аппарата «Электро-Л № 2» с применением нейронной сети сверточного типа. В качестве дополнительной информации используется географическая информация: широта, долгота и высота для пикселей снимков. Результатами работы является набор данных с метеорологических космических аппаратов «GOES-16», «Meteosat-10», «Электро-Л № 2» и миссии Terra/MODIS с масками облачного и снежного покрова, а также обученная модель сегментации Multi-Scale Attention Network (MANet) на этих наборах данных. L2-продукты с «GOES-16», «Meteosat-10» использовались для создания разметки облачных покровов для данных с МСУ-ГС путем их репроецирования на точку стояния «Электро-Л № 2». Таким же образом были получены маски снега, взятые с продуктов системы Terra/MODIS. Главная проблема поставленной задачи - разработка алгоритма выделения снежного и облачного покровов в условиях отсутствия узких коротковолновых инфракрасных (ИК) каналов (1300-1600 нм), необходимых для реализации алгоритмов сегментации и разделения снега от облачности. При данных ограничениях на характеристики съемочной аппаратуры единственным возможным решением задачи выделения снега и облаков на мультиспектральных снимках является разработка нейросетевого алгоритма, способного дифференцировать снег от облаков. Для максимальной репрезентативности снимки в выборке включают в себя все времена года и разные уровни освещенности (12.00-17.00 UTC). Обученная нейронная сеть для сегментации облачности и снега протестирована по метрикам F_1 и IoU.
Тестовые снимки с «Электро-Л № 2» включают все сезоны года в дневное время суток при разном уровне освещенности.
Разработанный алгоритм позволяет создавать маски облачности и снежного покрова для области, ограниченной значениями зенитного угла Солнца в диапазоне от 0 до 80 градусов для дневного времени суток. Однако возможны некоторые ошибки в мисклассификации снега во время облачности из-за ошибок на краях изображений в следствии геометрических искажений и дисторсий. Описываемый в работе метод может быть адаптирован для сегментации снежного покрова и облачности на данных, полученных с других спутников дистанционного зондирования Земли и метеорологических КА.