Wolkenerkennung in Satellitenaufnahmen des sichtbaren Spektralbereichs bei Nacht

Masterarbeit am ifp - Lena Joachim

Lena Joachim

Wolkenerkennung in Satellitenaufnahmen des sichtbaren Spektralbereichs bei Nacht

Dauer der Arbeit: 6 Monate
Fertigstellung: November 2019
Betreuer: Dr. Tobias Storch (Deutsches Zentrum für Luft- und Raumfahrt e.V.)
Prüfer: Prof. Dr.-Ing. Norbert Haala


 

Motivation und Ziel der Arbeit

Menschliche Aktivitäten auf der Erde sind aufgrund der zahlreichen künstlichen Beleuchtungsquellen besonders deutlich bei Nacht erkennbar, wie das Bild des VIIRS/Day-Night-Band (DNB) [1] in Abbildung 1 (rechts) zeigt. Deshalb eignen sich solche nächtlichen Satellitenaufnahmen des sichtbaren und nahen Infrarot-Bereiches (kurz: VNIR) besonders gut für Analysen von z.B. der Urbanisierung, den durch künstliche Beleuchtung verursachten Treibhausgasemissionen oder der Lichtverschmutzung.

Solche Analysen setzen jedoch eine zuverlässige Wolkenerkennung voraus. Üblicherweise erfolgt diese anhand von zusätzlichen Beobachtungen im Thermalen Infrarot (TIR), unter anderem da das Erscheinungsbild von Bewölkung in nächtlichen VNIR-Aufnahmen sehr stark von der Mondbeleuchtung abhängt und Wolken ohne Beleuchtung überhaupt nicht sichtbar sind (vgl. Abb. 1).

Für die ausschließlich auf nächtliche VNIR-Beobachtungen spezialisierte Satellitenmission N8, die am Deutschen Zentrum für Luft- und Raumfahrt geplant wird, soll jedoch wenn möglich auf die Integration eines zusätzlichen TIR-Sensors verzichtet werden. In dieser Arbeit wird deshalb untersucht, inwiefern die Wolkenerkennung auch ausschließlich anhand der VNIR-Beobachtungen durchgeführt werden kann.

Abbildung 1: Bilder der VIIRS/Day-Night-Band [2] mit (links) und ohne (rechts) Mondbeleuchtung. Beide Bilder enthalten Bewölkung, diese ist aber nur mit Mondbleuchtung deutlich erkennbar (im rechten Bild sind z.B. große Teile Frankreichs bewölkt).

Methodik

Auf Grundlage der panchromatischen, nächtlichen Satellitenbilder des DNB [1] wurde ein Verfahren entwickelt, das mit Random Forest eine semantische Segmentierung der Bilder in die beiden Klassen klar und wolkig durchführt. Der Fokus liegt hierbei auf der Anwendung über künstlich beleuchteten urbanen Gebieten, da dies dem Fokus der Anwendungen von nächtlichen VNIR-Beobachtungen entspricht.

Die Grundlage des entwickelten Verfahrens ist der Merkmalsvektor, der die durch Wolken beeinflussten Eigenschaften pixelweise beschreibt und als Input für den Random Forest dient. Die verwendeten Merkmale wurden auf Basis des Beobachtungsmodells entwickelt, aus dem typische durch Wolken verursachte Effekte abgeleitet werden können. So beeinflussen die Albedo und optische Dicke einer Wolke die Helligkeit der beobachteten Wolke (bei Beleuchtung durch den Mond) und der sich evtl. darunter befindlichen künstlichen Beleuchtung. Streuungseffekte in den Wolken verursachen widerum ein verschwommenes Erscheinungsbild von künstlicher Beleuchtung (siehe Abbildung 2). Außerdem führt Bewölkung zeitlich gesehen generell zu einer Veränderung des Erscheinungsbildes der Erdoberfläche.

Abbildung 2: Vergleich des Erscheinungsbildes des Großraums München ohne Mondbeleuchtung (L_m) einmal bei wolkenfreien Bedingungen (links) und einmal mit Bewölkung (rechts).

Zur Beschreibung dieser Effekte wurden als Merkmale u.a. die mittlere beobachtete Intensität, die Varianz, der Kontrast und die Differenz zu Referenzwerten, die aus früher aufgenommenen Bildern bestimmt werden, verwendet.

Trainiert wurde das Verfahren anhand einer Zeitreihe eines Bildausschnittes von München (Beispiele in Abb. 2), getestet wurde es an Zeitreihen von Bildausschnitten von sechs verschiedenen Gebieten, darunter drei urbane Gebiete mit unterschiedlich starker künstlicher Beleuchtung und drei Gebiete mit besonders herausfordernder Landbedeckung (Wüste, Schnee, Ozean).

Ergebnisse und Fazit

Für zwei der urbanen Testgebiete konnten mit dem entwickelten Verfahren mit Gesamtgenauigkeiten von 85% bzw. 79% sehr gute Ergebnisse erzielt werden, die nahe an die für operationelle Verfahren spezifizierten Genauigkeiten (z.B. 88% für die als Ground Truth verwendete Wolkenmaske) herankommen. In manchen Fällen passt das Ergebnis der semantischen Segmentierung sogar besser zum DNB-Bild, als die Referenz-Wolkenmaske (siehe Abbildung 3). Besonders für dicke, großflächige Bewölkung funktioniert das Verfahren sehr zuverlässig, wobei hierfür bei Gebieten ohne künstliche Beleuchtung eine ausreichend starke Mondbeleuchtung notwendig ist.
Generell treten bei den Testgebieten mit besonders herausfordernden Landbedeckungen wie erwartet einige Schwierigkeiten auf (siehe Abbildung 4). So werden zum Beispiel Wüste und Schnee bei Beleuchtung durch den Mond oft mit Wolken verwechselt, da sie diesen aufgrund ähnlicher Reflexionseigenschaften in den DNB-Bildern ähnlich sehen. Außerdem ist die Abhängigkeit der Qualität der Ergebnisse von der Mondbeleuchtung bei diesen Gebieten höher als bei urbanen Gebieten.

Um ein solches Wolkenerkennungsverfahren global anwendbar zu machen, muss das in dieser Arbeit entwickelte Verfahren also noch weiterentwickelt werden. Die Ergebnisse für die im Fokus stehenden urbanen Gebiete zeigen jedoch, dass Wolkenerkennung anhand nächtlicher VNIR-Beobachtungen generell Potenzial hat.

Abbildung 3: Beispiele für sehr gute Ergebnisse des entwickelten Wolkenerkennungsverfahrens. In den rechten beiden Spalten befindet sich der originale DNB-Bildausschnitt und die Ground Truth. In der linken Spalte wird das Ergebnis der semantischen Segmentierung (Predicted classes) dargestellt. Hierbei ist blau=wolkig und schwarz=klar. Die zweite Spalte stellt die von Random Forest prädizierte Wahrscheinlichkeit für die Klasse wolkig dar. Bei den unteren beiden Bildern erkennt das in dieser Arbeit entwickelte Verfahren auch solche Wolken, die in der als Ground Truth verwendeten Wolkenmaske fehlen, aber im DNB-Bild deutlich sichtbar sind.
Abbildung 4: Beispiele für Situationen, für die mit dem entwickelten Wolkenerkennungsverfahren noch viele Fehlzuordnungen auftreten. Schwierigkeiten treten z.B. bei sehr dünnen Wolken (oberstes Bild), Ozean ohne Mondbeleuchtung (2. Bild) und bei Landbedeckungen mit hoher Albedo (Wüste, Schnee) auf.

Quellen

[1] Lee, Thomas E., Steven D. Miller, F. Joseph Turk, Carl Schueler, Richard Julian, Steve Deyo, Patrick Dills und Sherwood Wang (2006). „The NPOESS VIIRS Day/Night
Visible Sensor“. In: Bulletin of the American Meteorological Society 87.2, S. 191–200.

[2] VIIRS/Day-Night-Band, verfügbar via CLASS:
https://www.avl.class.noaa.gov/saa/products/search?sub_id=0&datatype_family=VIIRS_SDR

Ansprechpartner

Dieses Bild zeigt Norbert Haala
apl. Prof. Dr.-Ing.

Norbert Haala

Stellvertretender Institutsleiter

Zum Seitenanfang