ارائه یک روش کارآمد با استفاده از ادغام ویژگی ھای شبکه عصبی کانولوشنی عمیق برای تشخیص ابر به کمک باندھای بازتابی از تصاویر ماھواره ای لندست-8

شناسایی ابر در کاربردهای مختلف تصاویر ماهواره ای چندطیفی مرحله ای مهم در پیش پردازش می باشد، به طور خاص در برنامه های مرتبط با بلایای طبیعی مانند نظارت بر سیل یا نقشه برداری سریع خسارت که در بحث زمان و داده ها دارای اولویت هستند و نیاز به روش هایی دارند که ماسک ابری دقیق را در مدت زمان کوتاه به طور آنی تولید کنند. در این مطالعه، یک شبکه عصبی پیچیده عمیق برای تشخیص ابر در مجموعه داده های لندست-8 در سطح پیکسل ارائه شد. شبکه پیشنهادی در این مطالعه دو ویژگی اصلی داشت: 1) چندین هسته پیچشی با اندازه‌های چندگانه، و 2) لایه های کانولوشنی مستقیم در شاخه رمزگشا. باند مادون قرمز نزدیک در این مطالعه به ورودی های شبکه شامل باندهای قرمز، سبز و آبی اضافه شد تا عملکرد شبکه را بهبود ببخشد. در معماری شبکه پیشنهادی، شاخه های رمزگذار-رمزگشای متقارن با تراکم نقشه های ویژگی حاصل از تعدد فیلترها و طراحی فیلترهای با ابعاد مختلف، زمینه محلی و کلی را جهت شناسایی دقیق ابر و حاشیه های آن فراهم کردند که برای استخراج ویژگی های مکانی در مقیاس های سطح بالا استفاده می شوند. نقشه های ویژگی حاصل از مقیاس های متعدد، نمونه برداری و تلفیق شده و جهت بازیابی خروجی با دقت های بالا به کار گرفته می شوند. در نهایت روش پیشنهادی با استفاده از 3500 قطعه از تصاویر ماهواره لندست-8 با چالش های متنوع ابر با به کارگیری از چندین هسته در اندازه های 3 × 3 و 5 × 5 با نمره f1 برابر 96.6 و شاخص ژاکارد 93.5 نسبت به روش های دیگر دقت بالاتری را ارائه داد. به طور کلی در روش پیشنهادی نسبت به روش های مقایسه شده در مجموعه داده یکسان اما تصحیح نشده، به ویژه در مناطق پوشیده از سطح روشن، نتایج بهتری را به دست آورد.

an efficient method using the fusion of deep convolutional neural network features for cloud detection using landsat-8 oli spectral bands

cloud segmentation is a critical pre-processing step for any multi-spectral satellite image application. in particular, disaster-related applications e.g., flood monitoring or rapid damage mapping, which are highly time and data-critical, require methods that produce accurate cloud masks in a short time while being able to adapt to large variations in the target domain (induced by atmospheric conditions, different sensors, and scene properties). this research presented a deep convolutional neural network for cloud detection in the landsat-8 dataset at the pixel level. two key components of the proposed network are convolutional layers in the decoder branch and two convolution kernels in various scales. the near-infrared band in this study was added to the network inputs, including red, green, and blue bands, in order to improve the network performance. in the proposed network architecture, the encoder-decoder branches which are symmetrical with the density of feature maps resulting from the multiplicity of filters and the designing of multi-dimension filters, provided a local and general context for the accurate identification of the cloud and its margins which are used to extract the spatial features in high-level scales. however, multi-scale feature maps will be sampled and integrated to accuracy o-generate high finally, the proposed method uses 3500 patches of landsat-8 satellite images with various cloud challenges by using several kernels in sizes 3 x 3 and 5 x 5 with an f1-score of 96.6 and a jaccard index (ji) of 93.5, provides a higher accuracy than the other methods. in general, the suggested method outperformed the alternatives in the same, uncorrected data set in terms of accuracy, particularly in regions with bright surfaces. due to the effectiveness of the proposed framework, it has a lot of potential for practical application with different types of satellite images.