Satellite Imagery-Based Cloud Classification Using Deep Learning - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Remote Sensing Année : 2023

Satellite Imagery-Based Cloud Classification Using Deep Learning

Rukhsar Yousaf
  • Fonction : Auteur
  • PersonId : 1343938
Hafiz Zia Ur Rehman
Khurram Khan
  • Fonction : Auteur
  • PersonId : 1343940
Adnan Fazil
Zahid Mahmood
Saeed Mian Qaisar
  • Fonction : Auteur
Abdul Jabbar Siddiqui

Résumé

A significant amount of satellite imaging data is now easily available due to the continued development of remote sensing (RS) technology. Enabling the successful application of RS in realworld settings requires efficient and scalable solutions to extend their use in multidisciplinary areas. The goal of quick analysis and precise classification in Remote Sensing Imaging (RSI) is often accomplished by utilizing approaches based on deep Convolution Neural Networks (CNNs). This research offers a unique snapshot-based residual network (SnapResNet) that consists of fully connected layers (FC-1024), batch normalization (BN), L2 regularization, dropout layers, dense layer, and data augmentation. Architectural changes overcome the inter-class similarity problem while data augmentation resolves the problem of imbalanced classes. Moreover, the snapshot ensemble technique is utilized to prevent over-fitting, thereby further improving the network's performance. The proposed SnapResNet152 model employs the most challenging Large-Scale Cloud Images Dataset for Meteorology Research (LSCIDMR), having 10 classes with thousands of high-resolution images and classifying them into respective classes. The developed model outperforms the existing deep learning-based algorithms (e.g., AlexNet, VGG-19, ResNet101, and EfficientNet) and achieves an overall accuracy of 97.25%.
Une quantité importante de données d’imagerie satellitaire est désormais facilement disponible grâce au développement continu de la technologie de télédétection (RS). Permettre l’application réussie de RS dans des contextes réels nécessite des solutions efficaces et évolutives pour étendre leur utilisation dans des domaines multidisciplinaires. L’objectif d’une analyse rapide et d’une classification précise en imagerie de télédétection (RSI) est souvent atteint en utilisant des approches basées sur des réseaux neuronaux à convolution profonde (CNN). Cette recherche propose un réseau résiduel unique basé sur des instantanés (SnapResNet) composé de couches entièrement connectées (FC-1024), de normalisation par lots (BN), de régularisation L2, de couches d'abandon, de couche dense et d'augmentation des données. Les changements architecturaux surmontent le problème de similarité inter-classes tandis que l'augmentation des données résout le problème des classes déséquilibrées. De plus, la technique d'ensemble d'instantanés est utilisée pour éviter un ajustement excessif, améliorant ainsi encore les performances du réseau. Le modèle SnapResNet152 proposé utilise l'ensemble de données d'images cloud à grande échelle pour la recherche météorologique (LSCIDMR) le plus complexe, comportant 10 classes avec des milliers d'images haute résolution et les classant dans des classes respectives. Le modèle développé surpasse les algorithmes existants basés sur l'apprentissage en profondeur (par exemple, AlexNet, VGG-19, ResNet101 et EfficientNet) et atteint une précision globale de 97,25 %.
Fichier principal
Vignette du fichier
remotesensing-15-05597.pdf (6.02 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-04425577 , version 1 (30-01-2024)

Identifiants

Citer

Rukhsar Yousaf, Hafiz Zia Ur Rehman, Khurram Khan, Zeashan Hameed Khan, Adnan Fazil, et al.. Satellite Imagery-Based Cloud Classification Using Deep Learning. Remote Sensing, 2023, 15, ⟨10.3390/rs15235597⟩. ⟨hal-04425577⟩

Collections

UGA
1 Consultations
1 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More