Preenchendo lacunas na detecção de nuvens em imagens ópticas de satélite

O desafio: as nuvens tornam as imagens de satélite inúteis 

A detecção de nuvens é a primeira etapa crítica em quase todas as tarefas de Observação da Terra (EO) óptica. Antes que qualquer modelo de IA possa extrair insights valiosos de uma imagem, ele deve primeiro distinguir entre pixels nítidos e aqueles obscurecidos por nuvens. Embora as nuvens densas bloqueiem totalmente o solo e sejam fáceis de detectar e descartar, as nuvens finas representam um gargalo muito mais complexo.

As nuvens finas obscurecem o solo apenas parcialmente, o que significa que os dados subjacentes ainda podem ser utilizáveis. Se um modelo não conseguir fazer essa distinção sutil, ele descartará imagens valiosas ou processará pixels com nuvens como se estivessem nítidos, comprometendo a análise. Infelizmente, os conjuntos de dados públicos carecem do alto volume e da variedade de nuvens finas necessários para treinar modelos de forma eficaz, deixando-os subtreinados e propensos a erros dispendiosos.

A solução: geração de nuvens sintéticas sob demanda. A Another Earth resolve essa lacuna de treinamento com dados sintéticos projetados com precisão. Renderizamos tipos, altitudes e densidades de nuvens específicos sobre qualquer paisagem escolhida, gerando rótulos com precisão de pixel automaticamente no momento da criação. Como controlamos os parâmetros ambientais, nossas cenas sintéticas contêm 2,3x mais nuvens finas (21% dos pixels) em comparação com os arquivos reais (9%), visando diretamente o ponto mais fraco dos modelos.

Resultados comprovados: Aumentando a precisão e reduzindo custos. Validamos rigorosamente nossos modelos em um conjunto de testes independente de aproximadamente 1.000 cenas do mundo real com cobertura de nuvens variável — nunca em dados sintéticos. Os resultados demonstram ganhos massivos de eficiência:

• Redução drástica de dados: podemos reduzir os requisitos manuais de verdade terrestre (GT) em até 75%, mantendo a estabilidade do desempenho do modelo.
• Aceleração de dados escassos: começando com apenas 400 imagens reais, a adição de 3x dados sintéticos aumentou o IoU de nuvens finas de 29% para 36% — igualando o desempenho de um conjunto de dados totalmente real quatro vezes maior.
• Aprimorando grandes conjuntos de dados: mesmo com uma linha de base robusta de aproximadamente 1.700 imagens reais, a adição de dados sintéticos melhorou a precisão das nuvens finas de 36% para 44%.

A próxima fronteira: remoção de nuvens. Estamos agora aplicando esta tecnologia à remoção de nuvens. A reconstrução do que está sob uma nuvem tradicionalmente carece de bons dados de treinamento, pois não existem imagens de satélite perfeitas de “antes e depois” do exato mesmo momento. Ao renderizar cenas sintéticas idênticas duas vezes — uma nítida e outra com nuvens — produzimos os pares correspondentes exatos necessários para resolver este problema.