Évaluation du couvert neigeux à partir d’images SAR par apprentissage profond basé sur des images optiques de référence
Résumé
Optical satellite images are commonly used to evaluate the snow cover. However, part of the information is lost due to clouds. To fill this gap we propose to detect the snow from Sentinel-1 SAR images using a convolutional neural network trained with labels obtained from MODIS optical images. A binary semantic segmentation is computed from two polarimetric SAR inputs: a wet snow ratio and a dry snow ratio. The model, called SESAR U-net, is trained on a small area and then tested over a whole watershed. The missing labels are interpolated and the uncertainty due to clouds is considered. Our proposed method gives an
overall accuracy higher than 80%.
Les images satellites optiques sont couramment utilisées pour évaluer le couvert neigeux, mais dépendent des conditions météorologiques telles que les nuages. Pour pallier ce problème, nous proposons de détecter la neige à partir d’images SAR acquises par Sentinel-1 en utilisant un réseau de neurones convolutif entraîné avec des étiquettes issues d’images optiques MODIS. Une segmentation sémantique binaire est calculée à partir de deux entrées SAR polarimétrique : un ratio de neige humide et un ratio
de neige sèche. Le modèle, appelé SESAR U-net, est entraîné sur une petite zone puis testé sur l’ensemble d’un bassin versant. Les étiquettes affectées par les nuages sont interpolées et l’incertitude est prise en compte. Notre méthode permet d’obtenir une précision globale supérieure à 80 %
Domaines
Informatique [cs]
Origine : Fichiers éditeurs autorisés sur une archive ouverte
licence : Domaine public
licence : Domaine public