Detekce mraků v družicových snímcích pomocí algoritmů strojového učení

Abstract

Sentinel 2 je družicová mise vedená Evropskou kosmickou agenturou pod programem Evropské unie Copernicus a poskytuje multi-spektrální snímky Země s vysokým rozlišením. Přesná detekce mraků ze satelitních snímků je důležitý krok před jakoukoliv vědeckou analýzou těchto snímků či automatizovaným zpracováním dat ze Sentinelu-2. Detekce oblačnosti na snímcích z družice Sentinel-2 je netriviální úkol. V naší práci popisujeme specifikaci družice Sentinel-2 a studujeme vliv oblačnosti na jednotlivé spektrální kanály. Pomocí metod strojového učení se snažíme vyvinout algoritmus, který bude mraky detekovat z jednoho družicového snímku srovnatelně nebo lépe než v současnosti používané algoritmy. Klíčem k tomu je tvorba dobré tréninkové množiny. Tuto množinu tvoříme odečtením dvou snímků stejné lokace v různých časových okamžicích, kdy jeden obsahuje oblačnost a druhý nikoliv. Díky tomu vytvoříme masku na které trénujeme algoritmy strojového učení, kterým dodáváme kombinaci informací o spektrálních pásmech a porovnáváme jejich schopnost detekce mraků.

Sentinel 2 is a satellite mission led by the European Space Agency under the European Union's Copernicus programme and provides high-resolution multi-spectral images of the Earth. Accurate cloud detection from satellite images is an important step before any scientific analysis of these images or automated processing of Sentinel-2 data. Detecting clouds in Sentinel-2 satellite images is a non-trivial task. In this paper, we describe the specification of the Sentinel-2 satellite and study the effect of clouds on the different spectral channels. Using machine learning methods, we are trying to develop an algorithm that will detect clouds from a single satellite image equally good or better than currently used algorithms. The key to this is the creation of a good training set. We form this set by subtracting two images of the same location at different points in time, where one contains clouds and the other does not. This allows us to create a mask on which we train machine learning algorithms that are equipped with combination of spectral band information and compare their ability to detect clouds.