Создание датасета маскированной облачности для данных съемки среднего разрешения космического аппарата Метеор-М

Маскирование облачности, теней от облаков, снега и других характерных типов поверхности является одним из базовых требований к данным природно-ресурсных и картографических систем дистанционного зондирования Земли (ДЗЗ) при формировании ARD-кубов (ARD – analysis ready data, данные пригодные к анализу) с целью онлайн-аналитики и применения технологий искусственного интеллекта. При этом для решения данной задачи разработчиками активно применяются как подходы на основе физических особенностей спектральных каналов, так и методы с использованием аппарата искусственных нейронных сетей (ИНС). Для обучения ИНС исследователями формируются специализированные для конкретных космических систем (КС) ДЗЗ датасеты с целью обеспечения наилучшей точности. Наиболее известным является датасет CloudSEN12 (Aybar et al., 2022), предназначенный для обработки данных MSI Sentinel-2.
В рамках настоящей работы рассматривается задача создания датасета для маскирования облачности применительно к данным комплекса многозональной спутниковой съемки (КМСС) космического аппарата Метеор-М №2-4, данные которого открыто предоставляются геоинформационным сервисом «Банк базовых продуктов» (Markov et al., 2019). Для решения данной задачи авторами предлагается специализированная технология маскирования снимков, при реализации которой используется каскад нейросетевых классификаторов:
1) ИНС Terramind – особенности ее использования применительно к КМСС продемонстрированы в работе (Васильев, Акимов, Скачков, 2025);
2) ИНС U-Net проекта CloudSEN12 – адаптированная для обработки набора спектральных каналов КМСС (ближний инфракрасный, красный и зеленый);
3) ИНС ResNet-101 – обученная, по результатам интерактивной первичной/грубой разметки.
В результате, для данных КМСС, отснятых на территорию РФ в апреле 2026г., была выполнена обработка каждым из нейросетевых классификаторов и сформирована итоговая невалидированная выборка png-картинок (размером 512x512 пикселей каждая) емкостью более 40K (К – тысяча единиц). Далее данная выборка оценивалась оператором по критериям валидности разметки и интегральной оценки облачности. В результате валидации был сформирован датасет валидных картинок, емкостью более 7К. Дополнительное обучение ИНС ResNet-101 на основе валидного датасета и повторная автоматическая ревизия невалидных картинок позволило увеличить емкость датасета вдвое.