Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 14–18 ноября 2022 г.

(http://conf.rse.geosmis.ru)

XX.A.427

Детектирование облачности и теней на монохроматических изображениях приборов серии КМСС с использованием свёрточной нейронной сети U-Net

Колбудаев П.А. (1), Плотников Д.Е. (1), Матвеев А.М. (1)
(1) Институт космических исследований РАН, Москва, Россия
Мультиспектральные изображения приборов серии КМСС, находящихся на борту спутников Метеор-М №2 и Метеор-М №2-2, имеют пространственное разрешение около 60 метров, а интервал повторения наблюдений не превышает 3-5 дней. Таким образом, эти данные представляют значительный интерес при решении задач дистанционной оценки и оперативного мониторинга объектов растительного покрова (Kolbudaev et al., 2021, Денисов и др., 2021, Плотников и др., 2020, Шабанов и др., 2018).
Ранее в ИКИ РАН были разработаны методы и технология географической допривязки данных приборов серии КМСС, детектирования облачности и теней, а также многофакторной коррекции данных, включающей компенсацию атмосферного влияния на измерения с использованием актуализированного эталона, полученного на основе спутниковых данных MODIS (Колбудаев и др., 2020, Колбудаев и др., 2018, Плотников и др, 2022). Созданная технология позволяет обрабатывать как архивные данные КМСС, так и поступающие с приёмных станций в оперативном режиме. Отмечается совместимость результатов автоматической обработки с измерениями КСЯ и индекса NDVI по данным MODIS, обеспечивая возможность их использования в практических задачах (Плотников и др., 2020, Plotnikov et al., 2022).
Необходимо отметить, что ввиду отсутствия каналов коротковолнового видимого и коротковолнового инфракрасного диапазонов длин волн, проблема выявления мешающих факторов на изображениях, полученных с помощью этих приборов, не может быть решена классическими методами, таких как кросс-канальные тесты и использование чувствительных к мешающим факторам индексов типа NDSI и NDVI. Кроме этого, наличие межканального параллакса приводит к разнесению образов объектов облачного покрова после совмещения разнозональных изображений на уровне земной поверхности, что усложняет детектирование границ облачности. По этой причине реализованные ранее автоматические методы выявления мешающих факторов опираются на использование вспомогательных данных.
В настоящей работе исследуется возможность использования сверточных нейронных сетей для выявления мешающих факторов на монохроматических изображениях КМСС-М и КМСС-2. Преимуществом нейросетей является высокая скорость работы, отсутствие необходимости использования вспомогательных (эталонных) данных, необязательность калибровки и географической привязки изображений. Нами исследовались возможности нейронной сети архитектуры U-Net для детектирования облачности и теней в красном и ближнем ИК каналах. Для обучения нейронной сети применялись результаты, полученные на основе описанных выше автоматических методов.
Работа выполнена при поддержке Минобрнауки (тема «Космос-Д», госрегистрация № 122042500019-6) с использованием возможностей центра коллективного пользования «ИКИ-Мониторинг» (Лупян, Прошин и др., 2015)

Ключевые слова: КМСС, МСУ, Метеор-М, U-Net, Нейронные сети
Литература:
  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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
  6. Плотников Д.Е., Колбудаев П.А., Лупян Е.А. Автоматический метод субпиксельной географической привязки спутниковых изображений КМСС-М на основе актуализируемого эталона низкого пространственного разрешения // Компьютерная оптика. 2022. Т. 46, № 5. С. 818-827. DOI: 10.18287/2412-6179-CO-1098.
  7. Plotnikov D.E., Loupian E.A., Kolbudaev P.A., Proshin A.A., Matveev A.M. Daily surface reflectance reconstruction using LOWESS on the example of various satellite systems // IEEE Xplore. VIII International Conference on Information Technology and Nanotechnology. (ITNT). 2022. DOI: 10.1109/ITNT55410.2022.9848630.
  8. Денисов П.В., Середа И.И., Трошко К.А., Лупян Е.А., Плотников Д.Е., Толпин В.А. Возможности и опыт оперативного дистанционного мониторинга состояния озимых культур на территории России // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 2. С. 171-185. DOI: 10.21046/2070-7401-2021-18-2-171-185.
  9. Плотников Д.Е., Ёлкина Е.С., Дунаева Е.А., Хвостиков С.А., Лупян Е.А., Барталев С.А. Развитие метода автоматического распознавания озимых культур на основе спутниковых данных для оценки их состояния на территории Республики Крым // Таврический вестник аграрной науки. 2020. № 1(21). С. 64-83. DOI: 10.33952/2542-0720-2020-1-21-64-83.
  10. Шабанов Н.В., Барталев С.А., Ерошенко Ф.В., Плотников Д.Е. Развитие возможностей дистанционной оценки индекса листовой поверхности по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 166-178. DOI: 10.21046/2070-7401-2018-15-4-166-178.

Презентация доклада



Ссылка для цитирования: Колбудаев П.А., Плотников Д.Е., Матвеев А.М. Детектирование облачности и теней на монохроматических изображениях приборов серии КМСС с использованием свёрточной нейронной сети U-Net // Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2022. C. 40. DOI 10.21046/20DZZconf-2022a

Методы и алгоритмы обработки спутниковых данных

40