ارائه يك روش كارآمد با استفاده از ادغام ويژگي ھاي شبكه عصبي كانولوشني عميق براي تشخيص ابر به كمك باندھاي بازتابي از تصاوير ماھواره اي لندست-8

شناسايي ابر در كاربردهاي مختلف تصاوير ماهواره اي چندطيفي مرحله اي مهم در پيش پردازش مي باشد، به طور خاص در برنامه هاي مرتبط با بلاياي طبيعي مانند نظارت بر سيل يا نقشه برداري سريع خسارت كه در بحث زمان و داده ها داراي اولويت هستند و نياز به روش هايي دارند كه ماسك ابري دقيق را در مدت زمان كوتاه به طور آني توليد كنند. در اين مطالعه، يك شبكه عصبي پيچيده عميق براي تشخيص ابر در مجموعه داده هاي لندست-8 در سطح پيكسل ارائه شد. شبكه پيشنهادي در اين مطالعه دو ويژگي اصلي داشت: 1) چندين هسته پيچشي با اندازه‌هاي چندگانه، و 2) لايه هاي كانولوشني مستقيم در شاخه رمزگشا. باند مادون قرمز نزديك در اين مطالعه به ورودي هاي شبكه شامل باندهاي قرمز، سبز و آبي اضافه شد تا عملكرد شبكه را بهبود ببخشد. در معماري شبكه پيشنهادي، شاخه هاي رمزگذار-رمزگشاي متقارن با تراكم نقشه هاي ويژگي حاصل از تعدد فيلترها و طراحي فيلترهاي با ابعاد مختلف، زمينه محلي و كلي را جهت شناسايي دقيق ابر و حاشيه هاي آن فراهم كردند كه براي استخراج ويژگي هاي مكاني در مقياس هاي سطح بالا استفاده مي شوند. نقشه هاي ويژگي حاصل از مقياس هاي متعدد، نمونه برداري و تلفيق شده و جهت بازيابي خروجي با دقت هاي بالا به كار گرفته مي شوند. در نهايت روش پيشنهادي با استفاده از 3500 قطعه از تصاوير ماهواره لندست-8 با چالش هاي متنوع ابر با به كارگيري از چندين هسته در اندازه هاي 3 × 3 و 5 × 5 با نمره F1 برابر 96.6 و شاخص ژاكارد 93.5 نسبت به روش هاي ديگر دقت بالاتري را ارائه داد. به طور كلي در روش پيشنهادي نسبت به روش هاي مقايسه شده در مجموعه داده يكسان اما تصحيح نشده، به ويژه در مناطق پوشيده از سطح روشن، نتايج بهتري را به دست آورد.