Filling missing data in cloud-covered areas of satellite imaging is an important task to improve data quantity and quality for enhanced earth observation. Traditional cloud filling studies focused on continuous numerical data such as temperature and cyanobacterial concentration in the open ocean. Cloud data filling issues in coastal imaging is far less studied because of the complex landscape. Inspired by the success of data imputation methods in recommender systems that are designed for online shopping, the present study explored their application to satellite cloud data filling tasks. A numerical experiment was designed and conducted for a LandSat dataset with a range of synthetic cloud covers to examine the performance of different data filling schemes. The recommender system-inspired matrix factorization algorithm called Funk-SVD showed superior performance in computational accuracy and efficiency for the task of recovering landscape types in a complex coastal area than the traditional data filling scheme of DINEOF (Data Interpolating Empirical Orthogonal Functions) and the deep learning method of Datawig. The new method achieved the best filling accuracy and reached a speed comparable to DINEOF and much faster than deep learning. A theoretical framework was created to analyze the error propagation in DINEOF and found the algorithm needs to be modified to converge to the ground truth. The present study showed that Funk-SVD has great potential to enhance cloud data filling performance and connects the fields of recommender systems and cloud filling to promote the improvement and sharing of useful algorithms.


翻译:填补卫星成像中云层覆盖地区缺失的数据是一项重要任务,目的是提高数据数量和质量,以加强地球观测; 传统的云填充研究侧重于持续的数字数据,如开放海洋中的温度和氰化浓度; 沿海成像中的云数据填充问题由于地貌复杂,研究量少得多; 由于设计在线购物的推荐系统数据估算方法的成功,本项研究探讨了数据估算方法在卫星云填充任务中的应用; 设计并开展了一个数字实验,用于具有一系列合成云覆盖的大地卫星数据集,以审查不同数据填充办法的性能; 由系统启发的矩阵因子化算法称为Funk-SVD, 显示在复杂沿海地区恢复地貌类型任务的计算准确性和效率优于DINEOF(将精准的奥多孔函数整合成数据)的传统数据填充办法,以及数据填充方法的深度学习方法。 新的方法取得了最佳的填充精度,达到了与DINEOOF相近的速度,而且比深度学习的速度要快得多。 创建了一个理论框架,用以分析在复杂沿海地区中恢复地貌图层图层平面的演化过程,从而将DINEOF的平流平流平流平流的演算法与改进了对地平流法的演化和升级,从而提高了地平化了对地平流法的演化了对地的演化和升级。

0
下载
关闭预览

相关内容

专知会员服务
18+阅读 · 2021年4月7日
专知会员服务
42+阅读 · 2020年12月18日
已删除
将门创投
9+阅读 · 2019年11月15日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
Arxiv
0+阅读 · 2022年2月15日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
Deep Learning for Deepfakes Creation and Detection
Arxiv
6+阅读 · 2019年9月25日
Arxiv
8+阅读 · 2018年2月23日
VIP会员
相关VIP内容
专知会员服务
18+阅读 · 2021年4月7日
专知会员服务
42+阅读 · 2020年12月18日
相关资讯
已删除
将门创投
9+阅读 · 2019年11月15日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
Top
微信扫码咨询专知VIP会员