הקדמה: האתגר הבלתי עקבי של כיסוי ענן ב Sensing מרחוק

חישה מרחוק הפכה כלי חיוני למעקב אחר ארץ כדור הארץ, האוקיינוסים והאטמוספירה. Satellites ומטוסים המצוידים בחיישנים מספקים זרמים רצופים של נתונים המשמשים בחקלאות, יער, תכנון עירוני, תגובה לאסון, ומדע האקלים.עם זאת, התועלת של מידע מרחוק אופטי הוא לעתים קרובות מוגבל על ידי משתנה אטמוספרי יחיד: עננים לכסות את אותות הענן, או לחלוטין את האותות מכדור הארץ, החלת מהירויות של זיהוי מרחוק, החלת מידע, החל ממערכות אבטחה, וגילויים חזקים, החל ממערכות אבטחה, ואפקטיביות השפעה מרחוק.

עננים אינם אי נוחות קטנה; הם מהווים מכשול בסיסי סטטיסטי, בכל עת נתון, בערך שני שליש מכדור הארץ מכוסה עננים, עם אזורים טרופיים ובינוניים חווים תנאים עקפים או עונתיים של לוויינים אופטיים רבים מכילים לפחות כיסוי ענן חלקי ללא טיפול הולם, זיהום ענן יכול להוביל לסיווגים מוטעים, זיהויים פראיים, יבולים ואפקטים של טכניקות היתוך יעיל של ימינו.

כיצד כיסוי ענן משפיע על נתונים מרוחקים

עננים מפריעים לחישה מרחוק על פני ממדים מרובים: הם חוסמים קרינה סולארית מקרית, פיזור ו סופגים אור משתקף, וצללים חולפים שמשנים את ההשתקפות לכאורה של פני השטח.חומרת ההשפעה תלויה בסוג ענן, עובי, גובה, ואת אורך הגל של החיישן.

אובססיביות ו- Spectral Confusion

עננים תיקים, כגון cumulonimbus או stratus, הם כמעט לחלוטין ⁇ כדי גלוי וכמעט קרוב-infrared (VNIR) גל אורכי גל פיקסלים מכוסה על ידי עננים כאלה אינם נושאים מידע על פני השטח - רק העליון של-ענן רפה.אם פיקסלים אלה כלולים בניתוח ללא מסכות, הם מציגים חתימה ספקית כי דומה משטחים בהירים (למשל, שלג, כמו ספקטרום מסוים, ענן, כגון ⁇ ).

משיכת נתונים ו-Temporal Inconsistency

מכיוון שעננים מופיעים ומזיזים במהירות, מעבר לווייני יחיד עלול ללכוד רק חלק מהאזור ללא מכשולים.עבור חיישנים עם פתרון זמני מתון (למשל, לנדסאט 8 עם מחזור החזר של 16 ימים), זה יכול לקחת שבועות או חודשים כדי להשיג תמונה ללא ענן לחלוטין על פני שטח נתון. פער זמני זה בעייתי במיוחד עבור ניטור אירועים דינמיים - floods, התפרצות וולקנית, או ניתוח זמן חסר, כלומר, כלומר, לחיקוי של זמן, לחיקוי של אנליסטים, או אנליסטים, כלומר, כלומר, חסר זמן, או אנליטיקאי, הוא בעייתי במיוחד עבור שינויים קריטי, או אנליסטים, כלומר, כלומר, כלומר, או אנליסטים, הוא חסר זמן, הוא חסר זמן, כלומר, או אנליסטים.

צלקת צל ורדיומטרידה

הצללים של עננים הם מקור נוסף של טעות. Shadows להפחית את כמות השמש שמגיעה פיקסל, גרימת ערכים רפלקטיביים נמוכים באופן מלאכותי שניתן לטעות עבור מים, אדמה כהה או מתח צמחייה. Shadows גם ליצור ניגודים מרחביים חזקים המבלבלים גילוי קצה וניתוח מרקמים.בתמונות ברזולוציה גבוהה (למשל, WorldView-3, PlanetScope), צללים מעננים מוגמרים יכולים לטשטשים את הפיקסלים, אפילו לא להציג את המולקולות הטבעיות, אם לא ניתן לתקן את המולקולות של חומרת, אם לא ניתן לתקן את התמונה שלהן, אם לא ניתן לזהות באופן ישיר, אם לא ניתן לזהות את הרזולוציה גבוהה.

המונחים: Active Sensor Signals

בעוד חיישנים אופטיים פסיביים הם החיישנים הפגיעים ביותר, פעילים כמו מכ"ם של צ'אטים סינתטיים (SAR) ו- Lidar יכולים גם להיות מושפעים. SAR משדר הדופקים מיקרוגל שיכולים לחדור עננים דקים וגשם בהיר, אבל משקעים כבדים או עננים עבים קרח יכולים לגרום לעצימות ולעיכובים בשלב. לידר הדופק, במיוחד אלה באורך גלים כמעט בלתי מוגבל, למרות שהם עדיין חסומים, למרות שהם עדיין לא חסומים יותר, הם עדיין חסמי אבטחה, למרות שהם עדיין לא חסומים, אלא גם כן, למרות שהם עדיין חסמימים, באופן כללי, הם חסומים, למרות שהם עדיין חסמי אבטחה, למרות שהם עדיין חסומים, למרות שהם עדיין חסומים, באופן כללי יותר, במיוחד אלה בטמפרטורות חום, למרות שהם עדיין חסומים, למרות שהם עדיין חסומים, באופן כללי יותר, הם עדיין לא בטוחים יותר, באופן טבעי, למרות שהם עדיין חסמיכים של חומרים כימיים, למרות שהם עדיין חסומים, באופן כללי יותר, למרות שהם לא יציבים, למרות שהם עדיין לא חסמיכים של כדוריות אבטחה, למרות שהם עדיין חסמיכים, למרות שהם לא חסמיכים על ידי רמות אבטחה, אבל הם עדיין חסו

אתגרים שמופעלים על ידי Cloud Cover

האתגרים עוברים מעבר לאובדן נתונים פשוט.הם משפיעים על כל זרימת העבודה מרחוק - החל מרכישה ועיבוד לניתוח וקבלת החלטות. להלן הם המכשולים העיקריים שהמתרגלים מתמודדים איתם.

  • (FLT:0Data Gaps:FLT:1 Clouds לחסום שטחים גדולים, וכתוצאה מכך מידע חסר שלא ניתן להתנגש בקלות.לדוגמה, פיקסלים לנסטל ו-Stinel-2 תחת עננים מטופלים לעתים קרובות כ"אין נתונים", יצירת חורים בפסיפסים ובערימות של זמן.
  • (FLT:0) שיפור איכות התמונה: FLT:1 גם כאשר עננים נוכחים רק בחלק של סצנה, הצללים וההשתקפות שלהם מחלחלים את האיכות הרדיומטרית של פיקסלים סמוכים.אפקטים של Adjacency - אור מפוזר מעננים על פיקסלים ברורים סמוכים - יכול לגרום overestimation של רפיח פני השטח.
  • (FLT:0) עלויות מבוזרות:FLT:1 כדי להשיג תמונה נטולת ענן, אנליסטים לעתים קרובות צריך לרכוש סצנות מרובות באותו אזור, תשלום עבור רוחב פס להורדה נוסף, אחסון וזמן עיבוד. תמונה גבוהה יותר מלוויינים עם זמני מילואים קצרים יותר (כמו קבוצות מסחר) מגיע פרמיה.
  • (FLT:0) ניתוח והחלטות ממותקים: ⁇ 1) מחכה לחלוף ברור יכול להאט את היישומים הרגישים לזמן.תגובה חירום במהלך ההוריקן או שריפות בר זקוקות לדימוי מיידי כדי להעריך נזק, אך עננים לעתים קרובות מטשטשים את הקרקע במשך ימים.אפילו ניטור סביבתי שגרתי יכול להיות מתעכב על ידי שבועות אם אזור חווה חורף מתמשך או ערפל.

פתרונות ל- Mitigate Cloud Cover Effects

ההכרה בבעיה היא רק חצי הקרב.בשני העשורים האחרונים, קהילת החישה מרחוק פיתחה ערכת כלים עשירה לצמצום השפעת העננים.פתרונות אלה יכולים להיות מסווגים לגישות מבוססות חיישן, מבוססות עיבוד, ומיזוג נתונים.האסטרטגיה הטובה ביותר כרוכה לעתים קרובות בשילוב טכניקות מרובות להשגת מעקב לטווח קצר, ענן.

1. Multi-Sensor Fusion ומקורות נתונים משותפים

אחת הדרכים היעילות ביותר להילחם בכיסוי ענן היא להימנע מהסתמכות רק על חיישנים אופטיים.על ידי ניצול נתונים מפלטפורמות לוויין שונות, אנליסטים יכולים למנף את נקודות החוזק של כל אחד תוך ניכוי פערים המושרה בענן.

Radar ו Synthetic Aperture Radar (SAR) אותות (למשל, Sentinel-1, RADARSAT-2) יכולים לחדור את רוב העננים, מתן מידע על מבנה פני השטח, לחות הקרקע ואפילו ביומסה צמחית. pairing SAR backscatter עם תמונות אופטיות מאפשר מילוי חד-אדום: כאשר נתונים גלויים חסרים, SAR ניתן להשתמש כדי להעריך כיסוי קרקע או שינוי דומה חיישנים (TIR) עם חיישנים קצרים (T) עם חיישנים קצרים (T) עם מקיפים (TST).

גישה נוספת של היתוך היא לשלב נתונים מלווינים אופטיים מרובים.לדוגמה, באמצעות לנדסאט המשולב 8/9 ו- Sentinel-2 קבוצה מפחיתה את זמן השיקום היעיל ל-2-3 ימים באמצע הגישות, הגדלת הסיכוי ללכידת נוף ברור.

2.ענן מסיכה ועיבוד תמונות אלגוריתמים

במקום להשליך סצנות מעונמות לחלוטין, אלגוריתמים מסיסים ענן מזהים ובודדים פיקסלים המושפעים מענן כך שרק פיקסלים ברורים משמשים בניתוח.מסות ענן מודרניות מסתמכות על סף ספקטרום, למידה מכונה או שיטות הרכב.

האלגוריתם הנפוץ Fmask (Function of Mask) עבור Landsat ו Sentinel-2 משתמש בתכונות פיזיות בענן - צדק, טמפרטורה וספקטרליות - כדי לסווג כל פיקסל ברור, ענן, צל, או מים.עוד כלים מתקדמים יותר כמו FLT:0Landsat Cloud Cover AssessmentF:1LT משתמשים ברשתות עצביות כדי להשיג דיוק על 95% מתון ספקטרום יכול להיות סצינה אחת מבוססת אנליסטים.

מעבר למסכה, טכניקות שיקום תמונות כמו Histogram תואם ותפאורה יכול לתקן באופן חלקי עבור haze ואפקטי ענן דק.לדוגמה, תת-קרקעית אובייקט כהה מניחה כי הפיקסלים האפלים ביותר בתמונה צריך להיות ליד אפס רפטינג ולהתאים את הסצנה כולה בהתאם, צמצום ההטיה המוצגת על ידי פיזור אטמוספריטי מעננים דקים.

3.התחישומים והמוזאיים

שילוב של תמונות שנרכשו לאורך תקופה מוגדרת (למשל, 8 ימים, 16 ימים, חודש אחד) לייצר מסובך אחד ללא ענן.כל פיקסל נבחר מהתצפית "הטובה" בחלון הזמני - באופן חד פעמי אחד עם ה-NDVI, ההסתברות הנמוכה ביותר בענן, או קרוב ביותר לפרוטוקול יעד.

האתגר עם קידוד שקרים במאזן רזולוציה זמני עם כיסוי ללא ענן.חלונות ארוכים יותר (למשל 30 ימים) מניבים כמעט מטבוליים ללא ענן, אך מטשטשים מעברים עונתיים, כגון תחילת עונת הגדלה.חלונות קצרים (למשל, 5 ימים) משמרים סטיות זמניות אך עדיין מכילים פערי ענן.

למידה מרחוק ולמידה עמוקה לגילוי ענן

אינטליגנציה מלאכותית שיפרה באופן דרמטי את דיוק זיהוי הענן, במיוחד עבור סצינות עם כיסוי ענן מעורב או מפורש.רשתות עצביות מהפכתיות (CNN) וארכיטקטורות U-Net יכולות להיות מאומנים על מסכות ענן מומות כדי לזהות עננים עבים ורידים עם דיוק מרחבי גבוה.מודלים אלה לעתים קרובות מחלחלים שיטות מסורתיות הסף כי הם לומדים קונטקסט מרחבי - הכרה כי תיקון קטן מוקף צללים בהירים מוקף כהה הוא כנראה ענן - מאשר להסתמך על ערכים על ערכים רק על פיקסלים.

מודלים בקוד פתוח פופולריים כוללים CloudNet ו-Stinel Hub Cloud Detector, שניהם להשיג ציוני F1 מעל 0.95 על נתוני אימות.TheFLT:0Sentinel-2 Cloud Probability DatasetFLT:1 המסופקים על ידי Google Earth Engine משתמש ברשת עצבית עמוקה כדי ליצור תאימות בענן per-pixel.

5.הפחתת הרהורים על פני השטח תחת עננים (Cloud Removal)

גישה מתקדמת יותר שואפת לשחזר את אות פני השטח מתחת לעננים באמצעות מודלים סטטיסטיים או מכונה למידה.שיטות כגון התפוצצות משכנים זמניים, למידה מילון ורשתות ניווניות (גנים) נבדקו על לנדsat ו- Sentinel-2 תמונה. לדוגמה, טכניקת "הדימוי הזמני" משלבת רזולוציה גבוהה, אך ברזולוציה אופטית בלתי-נמית (maret) עם נתונים נמוכים (mapalytics) כמו נתונים).

בעוד שיטות אלה של הסרת ענן מבטיחות, הם עדיין לא אמינים מספיק לשימוש מבצעי ברוב היישומים. פיקסלים משוחזרים לעתים קרובות חסר חדות או להציג חפצים, במיוחד בנוף heterogeneous (למשל, אזורים עירוניים עם קצוות חדים) עם יישומים, עבור יישומים שבהם פרשנות חזותית איכותית מספיק - כגון הערכה ראשונית אסון - ענן יכול לספק מידע זמני יקר עד תמונה נטולת ענן הופכת להיות זמינה.

כיוונים עתידיים: טכנולוגיות וחדשנות

המאבק נגד כיסוי ענן הוא רחוק ממעל, אבל כמה מגמות טכנולוגיות מבטיחות להפחית עוד יותר את השפעתה על איכות נתונים מרחוק.

AI-Driven Real-Time Cloud נמנעים

משימות לוויין מתקדמות מתחילות לשלב עיבוד על גבי לוח עם גילוי ענן מבוסס AI. במקום להעביר את כל הנתונים שנרכשו על פני כדור הארץ, לוויינים אלה יכולים לזהות סצנות מכוסות ענן בזמן אמת או למחוק אותם או לבקש גלגול של החיישן לאזור ברור.זה מפחית באופן דרסטי רוחב פס ודרישות אחסון, ומאפשר איסוף יעיל יותר של נתונים שימושיים.

Hyperspectral ו- Lidarאינטגרציה

בעוד חיישנים רב-ספקטרום אופטי נאבקים עם עננים, חיישניים היפר-ספקטרום ו- Lidar מציעים דרכים חדשות להפחתה בענן.נתוני Hyperspectral יכולים לזהות הבדלים עדינים בתכונות העליון בענן וענן נפרד מסימנים משטח בצורה יעילה יותר מאשר נתונים פס רחב. Lidar, במיוחד חיישנים חלליים כמו ICESat-2 ו- GEDI, משתמשים בסיסמאות לייזר פעילות שיכולות לחדור עננים של עומק מתון, המספקות מידע אנכי ורמתי, ואפילו תחת השפעה אופטית על פני כדור הארץ, מאפשרת שילוב מדויק יותר.

קונסולות ו- Dense Revisit Time

ההתפשטות של קבוצות לווייניות קטנות – כמו SkySat של Planet, הלגיון של מקסאר ו- Satellogic – היא נוהגת בזמני החזרה שעות ספורות עד שעות מאשר ימים.עם כל כך הרבה חיישנים במסלול, ההסתברות של לכידת נוף ללא ענן של כל מיקום נתון על יום נתון עולה באופן דרמטי.

מודל תיקון אטמוספירי

אלגוריתמי תיקון אטמוספיריים המהווים עננים דקים וארוסול הופכים ליותר מתוחכם.שיטות אחרונות, כמו ה-FLT:0Landsat Surface Reflectance Code (LaSRC) LT:1 ו-6SV (הסימול השני של אות הלוויין בספקטרום השמש), משלבים את מחסני המים, האוזון, ועומק אופטי מהנתונים המשופרים (כלומר, ענן-XD2) לנבא אחר, קרוב ל-D-p-D) ל-p-D-D-D-D-D-D-D-D-D-D-D-p-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D- עשוי ל-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-Ocup-D-D-D-D-D-D-D-D-D-D-D-D-D

מסקנה: להפוך את ה-Sensing More Reliable under Clouds

כיסוי ענן נשאר אחד האתגרים הגדולים ביותר בחישה מרחוק אופטית, אבל זה לא אחד בלתי ניתן למדידה. על ידי הבנת המנגנונים הפיזיים של התערבות בענן והפעלה של שילוב של היתוך חיישן, מסיכה מתקדמת, זמניים, זמניים, תזמון, למידה, ופתרונות מבוססי AI, הקהילה המחישה מרחוק יכול לייצר נתונים איכותיים אפילו באזורים מעוננים.

בעוד שטכנולוגיית לווין ממשיכה להתקדם – אל מעבר לקונסטלציות צפופות יותר, חכם יותר על עיבוד לוח, ותיקון אטמוספירי חזק יותר – ההשפעה של עננים על נתונים מרוחקים של חישה מרחוק תצטמצם בהתמדה.בינתיים, אנליסטים ומקבלי החלטות חייבים להישאר ערניים ביישום אסטרטגיות מייגציה מוכחות כדי להבטיח שהנתונים שלהם מדויקים ומושלם ככל האפשר.המטרה הסופית היא להפוך את תדמית הלוויין לחלון אמין, קרוב לחלון מזג האוויר על פני כדור הארץ, ללא קשר לזמן לא משנה.