Detekce oblačnosti z družicových dat pomocí neuronových sítí

Abstract

Přítomnost oblačnosti patří mezi nejvýznamnější překážky při zpracování optických družicových dat. Tradiční metody detekce, které tvoří součást oficiálních produktů u misí jako Sentinel-2, jsou založeny na spektrálních prahových hodnotách a fyzikálních pravidlech. Tato pevná pravidla ale selhávají v oblastech, kde oblačnost spektrálně splývá s jinými povrchy – například sněhem, světlými půdami nebo vodními plochami. Tato práce se zaměřuje na využití hlubokého učení pro detekci oblačnosti v datech Sentinel-2. Byly natrénovány čtyři segmentační modely kombinující architektury U-Net a DeepLabV3+ s páteřními sítěmi ResNet34 a MobileNetV2 na datové sadě CloudSEN12+ (8 490 trénovacích, 535 validačních a 975 testovacích výřezů). Modely byly hodnoceny na testovací části CloudSEN12+, na 75 vlastních snímcích z družice Sentinel-2 a pro ověření přenositelnosti také na datech Landsat 8 SPARCS. Na datech Sentinel-2 dosáhly modely hodnot F1-skóre v rozmezí 82-95 % v závislosti na lokalitě a konfiguraci modelu, přičemž ve většině případů překonaly tradiční algoritmy. V celkovém srovnání si nejlépe vedl model OmniCloudMask s F1-skóre 90-98 % podle lokality, nejslabší výsledky vykazovala maska QA60 s hodnotami F1-skóre mezi 11,2 a 67 %. I když byly během tréninku modelů využity augmentační techniky pro simulaci různého prostorového rozlišení, došlo při testování na datech SPARCS (30 m rozlišení) k poklesu F1-skóre. Varianty s ResNet34 dosáhly F1-skóre okolo 50 %, zatímco varianty s MobileNetV2 se pohybovaly kolem 40 %. Nejlepší výsledky ze všech testovaných metod poskytoval model OmniCloudMask s F1-skóre 88 %.

The presence of cloud cover is one of the most significant obstacles in processing optical satellite data. Traditional detection methods, forming part of official products in missions such as Sentinel-2, are based on spectral threshold values and physical rules. However, these fixed rules fail in areas where clouds spectrally overlap with other surfaces – for example snow, bright soils, or water bodies. This work focuses on the use of deep learning for cloud detection in Sentinel-2 data. Four segmentation models were trained, combining U-Net and DeepLabV3+ architectures with ResNet34 and MobileNetV2 backbone networks, on the CloudSEN12+ dataset (8,490 training, 535 validation, and 975 test patches). The models were evaluated on the test portion of CloudSEN12+, on 75 custom Sentinel-2 images, and – to verify transferability – on Landsat 8 SPARCS data. On Sentinel-2 data, the models achieved F1 scores ranging from 82-95% depending on the location and model configuration, outperforming traditional algorithms in most cases. In the overall comparison, the OmniCloudMask model performed best with an F1-score of 90-98% depending on location, while the QA60 mask showed the weakest results with F1-scores between 11.2 and 67%. Although augmentation techniques were used during model training to simulate varying spatial resolutions, a drop in F1-score was observed when testing on SPARCS data (30 m resolution). The ResNet34 variants achieved F1-scores of around 50%, while the MobileNetV2 variants performed at approximately 40%. The best results among all tested methods were provided by the OmniCloudMask model, with an F1-score of 88%.