Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion

要約

雲のギャップの影響を受けた衛星画像からの海面温度（SST）の再構築は、過去30年間に広範囲に文書化されてきました。
ここでは、Modis Aqua Nighttime L3画像から始まる雲に閉じ込められた領域を埋めるためのいくつかの機械学習モデルについて説明します。
この課題に取り組むために、私たちは、雲のない領域で観察された値の完全性を維持しながら、衛星画像のクラウドで覆われた部分を再構築するために、一種の畳み込みニューラルネットワークモデル（U-NET）を採用しました。
OI補間アルゴリズムを使用して行われた利用可能な製品に関して、U-NETの優れた精度を示します。
当社の最高のパフォーマンスのアーキテクチャは、確立されたギャップを埋める方法よりも50％低い根平均平方根誤差を示しています。

要約(オリジナル)

Sea Surface Temperature (SST) reconstructions from satellite images affected by cloud gaps have been extensively documented in the past three decades. Here we describe several Machine Learning models to fill the cloud-occluded areas starting from MODIS Aqua nighttime L3 images. To tackle this challenge, we employed a type of Convolutional Neural Network model (U-net) to reconstruct cloud-covered portions of satellite imagery while preserving the integrity of observed values in cloud-free areas. We demonstrate the outstanding precision of U-net with respect to available products done using OI interpolation algorithms. Our best-performing architecture show 50% lower root mean square errors over established gap-filling methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google