Assessment of Sentinel-2 spatial and temporal coverage based on the scene classification layer

要約

Sentinel-2 (S2) 衛星の打ち上げ以来、多くの ML モデルがさまざまなアプリケーションにデータを使用してきました。
S2 製品内のシーン分類レイヤー (SCL) は、雲の範囲が広い画像のフィルタリングなど、トレーニング用の豊富な情報を提供します。
ただし、これにはさらに多くの可能性があります。
我々は、SITS によって表現され、S2 ベースの SCL データを使用して計算された、領域のクリーンな光カバレッジを評価する手法を提案します。
提案された手法では、手動のしきい値と SCL の特定のラベルを使用して、時系列全体にわたる空間的および時間的カバレッジの割合と高/低評価を割り当てます。
農業の強化に関する AI4EO の課題を評価することで、その評価が ML モデルの予測結果と相関していることを示します。
分類の結果、空間的および時間的カバレッジが低い領域は、カバレッジが高い領域よりも悪くなっています。
最後に、この手法をグローバル データセット LandCoverNet のすべての大陸に適用しました。

要約(オリジナル)

Since the launch of the Sentinel-2 (S2) satellites, many ML models have used the data for diverse applications. The scene classification layer (SCL) inside the S2 product provides rich information for training, such as filtering images with high cloud coverage. However, there is more potential in this. We propose a technique to assess the clean optical coverage of a region, expressed by a SITS and calculated with the S2-based SCL data. With a manual threshold and specific labels in the SCL, the proposed technique assigns a percentage of spatial and temporal coverage across the time series and a high/low assessment. By evaluating the AI4EO challenge for Enhanced Agriculture, we show that the assessment is correlated to the predictive results of ML models. The classification results in a region with low spatial and temporal coverage is worse than in a region with high coverage. Finally, we applied the technique across all continents of the global dataset LandCoverNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google