view in publisher's site

Cloud and cloud shadow detection in Landsat imagery based on deep convolutional neural networks

Highlights•Application of Deep CNNs to cloud and cloud shadow detection in Landsat imagery•High-level spatial and spectral features are utilized for semantic segmentation.•The deep CNN-based method significantly outperforms the CFMask algorithm.AbstractThis paper formulates cloud and cloud shadow detection as a semantic segmentation problem and proposes a deep convolutional neural network (CNN) based method to detect them in Landsat imagery. Different from traditional machine learning methods, deep CNN-based methods convolve the entire input image to extract multi-level spatial and spectral features, and then deconvolve these features to produce the detailed segmentation. In this way, multi-level features from the whole image and all the bands are utilized to label each pixel as cloud, thin cloud, cloud shadow or clear. An adaption of SegNet with 13 convolutional layers and 13 deconvolution layers is proposed in this study. The method is applied to 38 Landsat 7 images and 32 Landsat 8 images which are globally distributed and have pixel-wise cloud and cloud shadow reference masks provided by the U.S. Geological Survey (USGS). In order to process such large images using the adapted SegNet model on a desktop computer, the Landsat Collection 1 scenes are split into non-overlapping 512 * 512 30 m pixel image blocks. 60% of these blocks are used to train the model using the backpropagation algorithm, 10% of the blocks are used to validate the model and tune its parameters, and the remaining 30% of the blocks are used for performance evaluation. Compared with the cloud and cloud shadow masks produced by CFMask, which are provided with the Landsat Collection 1 data, the overall accuracies are significantly improved from 89.88% and 84.58% to 95.26% and 95.47% for the Landsat 7 and Landsat 8 images respectively. The proposed method benefits from the multi-level spatial and spectral features, and results in more than a 40% increase in user's accuracy and in more than a 20% increase in producer's accuracy for cloud shadow detection in Landsat 8 imagery. The issues for operational implementation are discussed.

تشخیص سایه ابر و ابر در تصویر Landsat براساس شبکه‌های عصبی convolutional عمیق

کاره‌ای مهم: استفاده از cnns عمیق برای تشخیص ابر و سایه ابرها در تصاویر Landsat، ویژگی‌های مکانی و طیفی سطح بالا برای تقسیم‌بندی معنایی مورد استفاده قرار می‌گیرند. روش عمیق مبتنی بر شبکه CNN به طور قابل‌توجهی عملکرد بهتر از الگوریتم CFMask algorithm.Abst ractThis را به عنوان یک مساله بخش‌بندی معنایی مطرح می‌کند و یک روش مبتنی بر شبکه عصبی convolutional عمیق (سی ان ان)را برای تشخیص آن‌ها در تصویر Landsat پیشنهاد می‌کند. روش‌های مختلف یادگیری ماشین سنتی، روش‌های عمیق مبتنی بر شبکه سی ان ان، کل تصویر ورودی را برای استخراج ویژگی‌های طیفی و طیفی چند سطحی استخراج کرده و سپس این ویژگی‌ها را برای ایجاد بخش‌بندی دقیق مورد استفاده قرار می‌دهد. در این روش، ویژگی‌های چند سطحی از کل تصویر و تمام باندها برای برچسب گذاری هر پیکسل به عنوان ابر، ابر رقیق، سایه ابر یا روشن استفاده می‌شوند. تطابق of با ۱۳ لایه convolutional و ۱۳ لایه deconvolution در این مطالعه پیشنهاد شده‌است. این روش به ۳۸ Landsat ۷ تصویر و ۳۲ تصویر Landsat ۸ که در سطح جهانی توزیع شده‌اند و دارای ابر هوشمند پیکسل - پیکسل و ماسک‌های مرجع سایه ابر هستند که توسط سازمان زمین‌شناسی آمریکا (USGS)تهیه شده‌اند، اعمال می‌شود. برای پردازش این تصاویر بزرگ با استفاده از مدل SegNet منطبق بر روی کامپیوتر رومیزی، مجموعه Landsat ۱ به دو دسته بدون همپوشانی ۵۱۲ * ۵۱۲ متر تقسیم می‌شوند. از این بلوک‌ها برای آموزش مدل با استفاده از الگوریتم backpropagation استفاده می‌شود. ۱۰ درصد از بلوک‌ها برای اعتبار سنجی مدل و تنظیم پارامترهای آن به کار می‌روند و ۳۰ درصد از بلوک‌ها برای ارزیابی عملکرد مورد استفاده قرار می‌گیرند. در مقایسه با ابر و ماسک‌های سایه ابر تولید شده توسط CFMask، که با مجموعه Landsat ۱ تهیه شده‌اند، صحت کلی به طور قابل‌توجهی از ۸۹.۸۸ % و ۸۴.۵۸ % به ۹۵.۲۶ % و ۹۵.۴۷ % برای the ۷ و Landsat ۸ بهبود می‌یابد. روش پیشنهادی از ویژگی‌های طیفی و طیفی چند سطحی بهره می‌برد و منجر به افزایش بیش از ۴۰ % در دقت user's و بیش از ۲۰ % افزایش دقت producer's برای تشخیص سایه ابر در تصویر ۸ Landsat می‌شود. مسائل مربوط به اجرای عملیاتی مورد بحث قرار می‌گیرند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.