Sensorunabhängige Semantische Segmentierung von Wolken und deren Schatten Daten mittels Deep Learning

In dieser Studie wurde ein sensorunabhängiger Algorithmus zur semantischen Segmentierung von Wolken und deren Schatten entwickelt. Diese Forschung nutzt fortschrittliche Deep-Learning-Techniken, insbesondere die U-Net-Architektur, um Wolken und ihre Schatten in den Aufnahmen verschiedener satellitengetragener optischer Sensoren mit Blau-, Grün-, Rot- und Infrarotkanal wie Sentinel-2, WorldView oder Satellogic zu detektieren. In das Training fließen Sentinel-2-Kacheln über Europa ein. Die Validierung findet anhand ausgewählter Kacheln weltweit statt.

Ein zentrales Merkmal dieser Arbeit ist die Anpassungsfähigkeit des Modells an unterschiedliche Sensoren und geografische Bedingungen, wodurch es in der Lage ist, Wolken auch unter schwierigen Bedingungen wie in Gebirgsregionen, wo durch das starke Relief Schattenflächen und durch Schneefelder wolkenähnliche Flächen auftreten, oder in tropischen Regenwäldern mit vielen kleinen Wolken oder auch auf der Südhalbkugel, wo Wolkenschatten im Süden (statt im Norden) zu finden sind, präzise zu erkennen.

Die Arbeit erzielte beeindruckende Ergebnisse bei der Detektion kleiner Wolkenformationen (Abbildung 1a+b) und der Übertragbarkeit auf andere Sensoren. Dies macht die entwickelten Algorithmen besonders wertvoll für globale Anwendungen wie die Erstellung wolkenfreier Mosaike, in denen wolkenbedeckte Bereiche (Abbildung 2a+b) mit Inhalt aus anderen zeitnahen Aufnahmen gefüllt werden. Diese Mosaike sind von fundamentaler Bedeutung für das flächendeckende Umweltmonitoring.

Diese Studie eröffnet neue Perspektiven für die Forschung und zeigt vielversprechende Ansätze zur Verbesserung der Wolkendetektion in der Fernerkundung auf.