AI新突破：讓衛星影像自動增添雲雪，提升氣候監測精準度

來自Skoltech人工智慧中心的研究員Nikita Belyakov與Svetlana Illarionova，近日發表了一項創新技術，專注於多光譜資料的語義分割，能夠精準識別衛星影像中的雲層、陰影與雪地。這項技術大幅提升了影像中複雜氣候結構的辨識準確度，且無需額外的人力進行資料標註。研究成果已刊登於《Advances in Space Research》期刊，相關程式碼與範例也公開於GitHub平臺。

卷積神經網路（CNN）已成為影像與影片辨識領域的利器，但要實現精準的物件分割，仍需大量高品質的訓練資料，而這些資料往往需要人工準備。為提升分割品質，研究人員常採用資料增強等技術。這項新研究旨在改善衛星影像中稀有或難以分析物件（如雲層、陰影與雪地）的辨識與分類精準度，特別是在衛星資料的初步處理階段，以應對環境分析任務。

研究團隊提出了一種名為CSIA（Climate Structures Inpainting Augmentations）的方法，透過此技術，可在原始影像中「補全」額外的氣候結構。神經網路生成的逼真片段會被加入缺乏這些物件的區域，從而人工擴充訓練資料的規模。

「我們方法的獨特之處在於，能夠『補全』逼真的氣候結構——如雲層、陰影與雪地——並將其嵌入衛星影像中，無需額外的人工資料標註。」Skoltech計算與資料科學工程學程的博士生Nikita Belyakov解釋道。

「我們人工擴充樣本，並教導神經網路在遇到稀有或難以分割的物件時不再混淆。這項方法有助於模型更深入地理解氣候物件的幾何與光學特性，這在分析大範圍區域與稀有天氣現象時尤為重要。」Skoltech人工智慧中心研究團隊負責人Svetlana Illarionova補充道。

實驗結果顯示，CSIA在Landsat-8資料與SPARCS資料集中，顯著提升了雲層與陰影的分割效果。結合U-Net++架構與Model Soups方法，透過多模型平均進一步提升了準確度。研究團隊表示，這項整合方案使電腦視覺能更有效率地從異質資料中學習，並更可靠地辨識複雜類別。

這項研究為多種應用場景開啟了更精準分割的可能性，從大範圍氣候監測到環境專案與農業任務皆可受惠。例如，該技術能有效分析森林面積、特性與變化，即便在雲層覆蓋率高的北部地區，也能考量氣候條件對影像的影響。研究團隊計劃持續發展此方法，將其應用於其他型別的遙感資料，並引入更多適應季節與天氣變化的生成機制。