پيشنهاد يك شبكه عصبي كانوولوشني چندمقياسه براي آشكارسازي خودكار ابرها و سايه ابرها در تصاوير ماهواره گائوفِن-1

يك گام مهم در پيش‌پردازش تصاوير ماهواره‌اي با قدرت تفكيك مكاني بالا، بازسازي اطلاعات آلوده به پوشش ابرها و سايه ابرها است. اولين گام در فرآيند خودكار بازسازي اطلاعات آلوده به ابرها و سايه ابرها، مرحله آشكارسازي خودكار ابرها و سايه ابرها است. اين مرحله به دليل عملكرد نسبتاً نامناسب روش‌هاي موجود در صحنه‌هاي پيچيده در تصاوير با قدرت تفكيك مكاني بالا، يك چالش قابل‌توجه است. در سال‌هاي اخير، دقت فرآيند آشكارسازي ابرها و سايه ابرها با به‌كارگيري شبكه‌هاي عصبي كانوولوشني عميق بهبود يافته است. مسأله افزايش تعميم‌پذيري براي آشكارسازي ابرها و سايه ابرها يكي از مشكل‌هاي شبكه‌هاي عصبي كانوولوشني عميق است. در اين تحقيق، راه‌حلي براي مشكل تعميم‌پذيري آشكارسازي ابرها و سايه ابرها در تصاوير ماهواره گائوفِن1 ارائه شده است. در اين راستا، يك معماري يادگيري عميق چندمقياسه (MultiCloudNet) مبتني بر فيلتر‌هايي با ابعاد مختلف براي آشكارسازي دقيق ابرها و سايه ابرها در تصاوير تك زمانه ماهواره گائوفِن1 بر اساس طراحي بلوك‌هاي باقي‌مانده جديد مبتني بر حذف تصادفي عُمق، پيشنهاد شده است. در معماري پيشنهادي، فرآيند آشكارسازي ابرها و سايه ابرها بر اساس تابع آنتروپي متقاطع وزن‌دار براي حل مسأله عدم تعادل پيكسل‌هاي هدف، براي توليد نقشه نهايي صورت مي‌گيرد. روش پيشنهادي با استفاده از 12 تصوير ماهواره گائوفِن1 با توزيع جهاني و با استفاده از سرويس رايانش ابري گوگل كولَب پياده‌سازي و اعتبارسنجي شده است. نتايج با استفاده از مجموعه تصاوير ماهواره گائوفِن1، با كسب ميانگين نمره F1 و ضريب شباهت ژاكارد برابر 97 و 96 براي كلاس ابر و مقادير 95.5 و 94.5 براي كلاس سايه ابر و با ضريب كاپاي 0.98 نشان‌دهنده دقت مناسب‌تر در آشكارسازي خودكار جزئيات حاشيه‌اي ابرها و سايه ابرها و دستيابي به هزينه محاسباتي كمتر در مقايسه با يك روش پيشرفته يادگيري عميق و يك روش پيشرفته آماري است.