CI4Clouds – Computational Intelligence for Cloud Masking

Zahlreiche Satelliten umkreisen die Erde und liefern permanent Beobachtungsdaten verschiedenster Instrumente. Ein Beispiel für solche Instrumente sind optische Sensoren.

Sie messen die von der Erde reflektierten Sonnenstrahlen in verschiedenen Spektralbereichen - von UV bis Infrarot. Häufig tritt das Problem auf, dass sie aufgrund von Wolkenüberdeckungen gar nicht bis zur Erdoberfläche vordringen können. Es ist daher nötig zu unterscheiden, welche Messungen die Erdoberfläche und welche dünne oder dichte Wolken zeigen. Dass dies keine leichte Aufgabe ist, kann man veranschaulichen, wenn man versucht, kleine Wolken von einem Gletscher zu unterscheiden.

Eine häufige Aufgabe der Satelliten ist die Ableitung geophysischer Parameter. Ein Beispiel dafür ist der Geostationary Ocean Color Imager (GOCI). Er beobachtet die Region rund um Korea, Japan und Ost-China. Sein Haupteinsatzbereich ist das Erkennen von Farbschattierungen der Meeresoberfläche (Algenblüten, Gelbstoff und andere Partikel). Ein weiteres Beispiel ist das Sentinel-4 Instrument des Copernicus-Programms, welches 2019 gestartet wird und die Luftgüte über Europa messen wird.

Im CI4Clouds-Projekt werden die aktuellsten Machine Learning Algorithmen in Bezug auf Wolkenmasken-Erkennung evaluiert. Anhand der Daten des GOCI Satelliten werden Modelle zum Bestimmen einer Wolkenmaske trainiert sowie Vor- und Nachbearbeitungsschritte optimiert. Verglichen werden die Resultate mit jenen eines spezialisierten Instruments zur Wolkenerkennung. Das Ziel ist es, diese möglichst genau nachbilden zu können, obwohl der GOCI Satellit nicht für die Wolkenerkennung ausgelegt wurde.

Im Bereich des Machine Learning müssen Trainingsdaten repräsentativ sein und dem Computer alle relevanten Konstellationen zeigen. Im Fall der Wolkenerkennung sind dies die unterschiedlichen Möglichkeiten aus Landschafts- und Wolkenformen, Jahreszeiten, Lichteinstrahlung oder Lichtdurchlässigkeit der Wolken.

Für die Trainingsphase steht daher sehr leistungsstarke Hardware zur Verfügung. Am Ende des Projektes sollen genaue Wolkenmasken auch für große Datenmengen, wie sie bei geostationären Satelliten anfallen, berechnet werden. Diese Lösungen werden in bestehende Produkte, z.B. zur Aerosol- und Oberflächenerkennung, integriert sowie der atmosphärischen und meteorologischen Forschungsgemeinschaft angeboten.

• Catalysts GmbH
• Zentralanstalt für Meterologie und Geodynamik (ZAMG)

Bernhard Niedermayer
E-Mail: bernhard.niedermayer@catalysts.cc