Cloud Masking

Cloud Masking ist ein entscheidender Vorverarbeitungsschritt in der optischen Fernerkundung, bei dem Pixel erkannt und markiert werden, die von Wolken, Wolkenschatten und Dunst betroffen sind, sodass nachgelagerte Analysen diese verunreinigten Beobachtungen ausschließen können. Da optische Sensoren nicht durch Wolken hindurchsehen können, führen ungemaskte Wolkenpixel zu Fehlern in Vegetationsindizes, Landbedeckungsklassifikation, Oberflächentemperaturmessung und Zeitreihenanalysen.

Traditionelle Cloud-Masking-Algorithmen wie Fmask und die Sentinel-2 Scene Classification Layer (SCL) verwenden regelbasierte Tests auf spektralen Bändern, thermischen Daten und geometrischen Beziehungen, um jedes Pixel als klar, Wolke, Wolkenschatten, Schnee/Eis oder Wasser zu klassifizieren. Maschinelle Lernverfahren mit Random Forests und Deep-Learning-Modellen werden zunehmend eingesetzt, um die Genauigkeit zu verbessern, insbesondere bei schwierigen Bedingungen wie dünnen Zirruswolken, hellen Oberflächen und Wolkenrändern.

Anhaltende Wolkenbedeckung in tropischen Regionen kann die Verfügbarkeit nutzbarer optischer Bilder stark einschränken. Temporale Kompositionstechniken wählen aus mehreren Aufnahmen innerhalb eines Zeitfensters das beste wolkenfreie Pixel aus, während SARSARSynthetic Aperture Radar (SAR) is an active remote sensing technology that uses microwave radar pulses to create high...-Daten eine wetterunabhängige Alternative bieten, wenn keine optischen Bilder verfügbar sind.

Cloud Masking ist ein trügerisch anspruchsvolles Problem, das die Qualität aller optischen Fernerkundungsanalysen unmittelbar beeinflusst. Fortschritte im maschinellen Lernen und bei Multi-Sensor-Ansätzen verbessern die Genauigkeit der Wolkenerkennung kontinuierlich und vergrößern den nutzbaren Anteil der Satellitenbildarchive.