Onboard Cloud Segmentation for Remote Sensing Applications using Hyperspectral Images

Abstract

Denne oppgaven presenterer arbeidet som er utført for onboard skysegmentering basert på Dyp Læring ved å bruke hyperspektrale fjernmåling bilder for videre bruk på HYPerspectral Smallsat for Ocean observation (HYPSO) satellittoppdrag. HYPSO er en 6U CubeSat som har en bildesensor som kan ta hyperspektrale bilder på høy spektral oppløsning som er ment til å benyttes for å støtte marinovervåkingssystemer. Arbeidet består av kartleggingen av enkelt nevrale nettverk modeller, samling av hyperspektrale bilder fra PRISMA satellittoppdrag som er en av de nyeste fjern sensing misjoner, viderebehandlingen av bildene for å få skymasker med god kvalitet ved hjelp av Fmask algoritme, trene og teste bestemte dyplæringsmodeller på nylig skapt PRS-Cloud dataset og presentasjon av resultater samt med kommentarer for videre utviklingen innen arbeidet mot onboard skysegmentering ved å benytte DL-modeller.

This thesis presents research conducted for Deep Learning-based onboard cloud segmentation using hyperspectral remote sensing images for further usage on HYPerspectral Smallsat for Ocean observation (HYPSO) missions. HYPSO is a 6U CubeSat with a custom-built high-resolution hyperspectral imager for supporting ocean monitoring systems. This research includes reviewing highly compact neural network models, collecting high resolution hyperspectral remote sensing images from the recently launched PRISMA mission, and further processing them to obtain accurate cloud masks utilizing the Fmask algorithm. Furthermore, training and testing compact neural networks on newly created PRS-Cloud data set and presenting results obtained from experiments performed during this work are also included.