Выявление оптимального способа подготовки обучающих данных для U-Net при восстановлении суточных спутниковых карт концентрации хлорофилла «а» в Черном море

Суточные карты концентрации хлорофилла «а», получаемые со спутников, содержат пропуски, возникающие из-за облачности. В областях пропусков скрывается информация о концентрации хлорофилла «а». Для восстановления таких участков ранее применялись пространственные и временные интерполяции, а в последние годы всё чаще используются методы глубокого обучения, которые потенциально позволяют точнее восстанавливать пространственную структуру пропусков. Одним из естественных решений является применение нейронных сетей архитектуры U-Net, предназначенных для генерации незашумлённых изображений. Однако возникает вопрос: как формировать обучающие выборки?
Цель работы — выявить оптимальный способ подготовки обучающих данных для настройки параметров U-Net.
Спроектированы U-Net состоящие из четырёх свёрточных блоков с понижением пространственной размерности и четырёх последующих свёрточных блоков с повышением пространственной размерности.
Обработка данных включает несколько этапов. Сначала выполняется усреднение данных третьего уровня шести сканеров: Aqua-MODIS, Terra-MODIS, NOAA20-VIIRS, SNPP-VIIRS, Sentinel-3A и Sentinel-3B. Информации каждого сканера недостаточно, поэтому требуется суммирование. Затем удаляются данные, приходящие с суши. Каждая точка логарифмируется для уменьшения влияния выбросов.
Основная работа состояла в сравнении способов выбора обучающего участка. Рассматривались случайный выбор точек и вырезание односвязных участков, с последующим заполнением пропусков нулями или данными, порождёнными исходным распределением. Качество оценивалось по среднеквадратичной ошибке между восстановленными и исходными пикселями.
Установлено, что обучение по односвязным участкам дает большую ошибку, чем случайный выбор точек, но позволяет лучше отобразить структуру восстанавливаемых областей. Приводятся примеры, иллюстрирующие данный вывод для Черного моря.