Back to search

National and Kapodistrian University of Athens

Deep Learning Techniques For Downscaling Satellite Images: A Cross-Sensor Super-Resolution Approach For Cloud Mask Products

Abstract

dc:description

Οι τελευταίες δεκαετίες τεχνολογικής προόδου έχουν οδηγήσει σε μια εποχή όπου κάθε μέρα εκτοξεύονται νέοι δορυφόροι οι οποίοι παράγουν έναν τεράστιο όγκο δορυφορικών δε- δομένων κατάλληλων για ένα ευρύ φάσμα υπηρεσιών και εφαρμογών. Παρά τον όγκο των δορυφορικών δεδομένων που φτάνουν καθημερινά στους διακομιστές της Γης, το θεμελιώδες αντιστάθμισμα μεταξύ χωρικής και χρονικής ανάλυσης παραμένει σε μεγάλο βαθμό άλυτο. ΄Εχουν δοκιμαστεί διάφορες προσεγγίσεις, όπως η ανάπτυξη συστοιχιών δορυφόρων, για την αντιμετώπιση αυτού του ζητήματος, αλλά συχνά είναι απαγορευτικά δαπανηρές. Οι πρόσφατες εξελίξεις στον τομέα της τεχνητής νοημοσύνης (AI) έχουν φέρει στην ε- πιφάνεια ένα σημαντικό δυναμικό για την αντιμετώπιση αυτής της πρόκλησης μέσω εξει- δικευμένων αλγορίθμων βαθιάς μάθησης, όπως είναι οι αλγόριθμοι υπερ-ανάλυσης. ΄Ενα σημαντικό προϊόν που θα μπορούσε να επωφεληθεί σε μεγάλο βαθμό από αυτούς τους αλ- γορίθμους είναι η μάσκα συννέφων. Οι βελτιωμένες μάσκες συννέφων θα μπορούσαν να είναι ιδιαίτερα επωφελείς για εφαρμογές όπως η παρακολούθηση της ατμόσφαιρας, η πρόγνωση του καιρού, η μείωση του κινδύνου καταστροφών και η παρακολούθηση και πρόγνωση του δυναμικού ανανεώσιμων πηγών ενέργειας. Οι γεωστατικοί δορυφόροι, όπως ο MSG (SEVIRI), παρέχουν συνεχή (κάθε 15 λεπτά) χρονική κάλυψη, αλλά έχουν χαμηλή χωρική ανάλυση (3 km), περιορίζοντας την ικανότητά τους να ανιχνεύουν μικρής κλίμακας χαρακτηριστικά των νεφών που είναι κρίσιμα για χωρικά ευαίσθητες εφαρμογές. Αντίθετα, αισθητήρες πολικής τροχιάς όπως ο MODIS προσφέρουν υψηλότερη χωρική ανάλυση (1 km), αλλά με περιορισμένη χρονική κάλυψη. Η διπλωματική αυτή προτείνει μια ολοκληρωμένη end-to-end μεθοδολογία για τη δημιουρ- γία μάσκας νεφών υψηλής ανάλυσης από παρατηρήσεις SEVIRI χαμηλής ανάλυσης, επι- τυγχάνοντας 4× χωρική βελτίωση. Παρουσιάζεται επίσης η δημιουργία ενός νέου συνόλου δεδομένων έτοιμου για αλγορίθμους βαθιάς μάθησης και διερευνά την εφαρμογή δύο τέτοιων αλγορίθμων υπερ-ανάλυσης για τη βελτίωση της μάσκας συννέφων μεταξύ αισθητήρων, τους αλγορίθμους SRCNN και SRGAN. Με τη χωρική και χρονική αντιστοίχιση των παρατηρήσε- ων MODIS και SEVIRI, δημιουργήσαμε ένα σύνολο δεδομένων ειδικό για κάθε τομέα που αποτελείται από ζεύγη SEVIRI-MODIS. Τα στοιχεία MODIS περιλαμβάνουν μάσκες συν- νέφων σε 128×128 pixel, ενώ τα στοιχεία SEVIRI περιέχουν και τα 11 φασματικά κανάλια (εκτός από το HRV) συν τη μάσκα συννέφων SEVIRI ως 12ο κανάλι σε 32×32 pixel, γε- ωγραφικά γεοαναφερμένα και χρονικά ευθυγραμμισμένα σε ένα παράθυρο 15 λεπτών. Αυτό το σύνολο δεδομένων αναφέρεται ως σύνολο δεδομένων MODIS_SEVIRI. Το σύνολο δεδομένων περιλαμβάνει αρχικά πάνω από 60.000 ζεύγη μάσκας σύννεφων SEVIRIMODIS που ταιριάζουν χωρικά και χρονικά, χωρισμένα στα ακόλουθα υποσύνολα: 80% εκπαίδευση, 10% επαλήθευση και 10% τεστ. Με βάση αυτόν τον διαχωρισμό εξασφαλίζεται η σωστή αξιολόγηση της απόδοσης του μοντέλου σε νέα δεδομένα. Τα αποτελέσματα στο test set που κρατήθηκε εκτός εκπαίδευσης των δικτύων, δείχνουν ότι η προτεινόμενη μέθο- δος επιτυγχάνει βελτιώσεις αντίστοιχες με εκείνες του bicubic-interpolation σε πολλαπλές μετρικές αξιολόγησης, συμπεριλαμβανομένων των PSNR και SSIM. Η εργασία αυτή αποδεικνύει τη σκοπιμότητα της εκμάθησης σύνθετων μετασχηματισμών με- ταξύ αισθητήρων για τη βελτίωση της μάσκας συννέφων, επιτρέποντας την παρακολούθηση συννέφων σε σχεδόν πραγματικό χρόνο και υψηλή ανάλυση, μέσω της συγχώνευσης πα- ρατηρήσεων από γεωστατικούς και πολικούς δορυφόρους. Η μεθοδολογία και τα ευρήματα συμβάλλουν στον αναπτυσσόμενο τομέα της τηλεπισκόπησης με βάση αλγορίθμους βαθιάς μάθησης και παρέχουν ένα πλαίσιο για μελλοντική έρευνα στην υπερ-ανάλυση μεταξύ αισθη- τήρων για την ατμοσφαιρική και άλλες επιστήμες.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Γεωργάκης Άγγελος
  • Georgakis Angelos

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:5310792

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Γεωργάκης Άγγελος; Georgakis Angelos. Deep Learning Techniques For Downscaling Satellite Images: A Cross-Sensor Super-Resolution Approach For Cloud Mask Products. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/5310792