Cloud gap-filling with deep learning for improved grassland monitoring

要約

途切れのない光学画像の時系列は、農地の変化をタイムリーに監視するために非常に重要です。
ただし、そのような時系列の連続性は雲によって中断されることがよくあります。
この課題に応えるために、畳み込みニューラル ネットワーク (CNN) を組み合わせて使用​​し、雲のない光学 (Sentinel-2) 観測と天候に依存しない (Sentinel-1) 合成開口レーダー (SAR) データを統合する深層学習手法を提案します。
-連続的な正規化差植生指数 (NDVI) 時系列を生成するリカレント ニューラル ネットワーク (RNN) アーキテクチャ。
草地刈り取りイベントの検出に対する生成された時系列の影響を評価することにより、観察の継続性の重要性を強調します。
私たちは雲が広範囲に及ぶことを特徴とするリトアニアに焦点を当て、私たちのアプローチを代替補間技術 (つまり、線形、Akima、二次) と比較します。
私たちの方法はこれらの技術を上回っており、平均 MAE は 0.024、R^2 は 0.92 です。
連続時系列を採用することでイベント検出タスクの精度が向上するだけでなく、雲マスクでは検出できないことが多い曇りの観測に起因する突然の変化やノイズを効果的に除去します。

要約(オリジナル)

Uninterrupted optical image time series are crucial for the timely monitoring of agricultural land changes. However, the continuity of such time series is often disrupted by clouds. In response to this challenge, we propose a deep learning method that integrates cloud-free optical (Sentinel-2) observations and weather-independent (Sentinel-1) Synthetic Aperture Radar (SAR) data, using a combined Convolutional Neural Network (CNN)-Recurrent Neural Network (RNN) architecture to generate continuous Normalized Difference Vegetation Index (NDVI) time series. We emphasize the significance of observation continuity by assessing the impact of the generated time series on the detection of grassland mowing events. We focus on Lithuania, a country characterized by extensive cloud coverage, and compare our approach with alternative interpolation techniques (i.e., linear, Akima, quadratic). Our method surpasses these techniques, with an average MAE of 0.024 and R^2 of 0.92. It not only improves the accuracy of event detection tasks by employing a continuous time series, but also effectively filters out sudden shifts and noise originating from cloudy observations that cloud masks often fail to detect.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google