Enhancing Mowing Event Detection by Mitigating Semi-Transparent Cloud Anomalies in Optical Satellite Image Time Series

Abstract

Cloud contamination in optical satellite imagery poses a major challenge in remote sensing, particularly for applications that rely on high-quality temporal data and where infrequent satellite revisits make each observation valuable. Traditional pixel-based cloud detection methods often struggle with semi-transparent clouds, which can be difficult to distinguish from atmospheric effects or land surface variations. This thesis introduces a time series-based approach for detecting semi-transparent cloud contamination in Sentinel-2 optical time series for Danish grasslands. A supervised anomaly detection model was trained to estimate cloud anomaly probabilities, which were then integrated into an existing mowing event detection framework through loss function modifications, custom network layers, or post-processing techniques. The results demonstrate that incorporating cloud anomaly probabilities improved model reliability by reducing false positives caused by cloud contamination. The findings highlight the potential of uncertainty-aware learning for enhancing event detection and other remote sensing applications affected by optical data contamination. Atmosfääri pilvkattest põhjustatud vead optilistel satelliidipiltidel on maapinna kaugseires oluliseks väljakutseks, eriti aegridade põhistes analüüsides, kus satelliitide harvad kordustsüklid tõstavad iga andmepunkti olulisust. Traditsioonilised pikslipõhised pilvetuvastusmeetodid ei suuda piltidelt sageli eristada poolläbipaistvaid pilvi, mistõttu ei ole ainuüksi nende meetoditega filtreeritud andmed tänapäevastes kaugseire rakendustes nõutava kvaliteedi tagamiseks piisavad. Seda eriti valdkondades, nagu näiteks põllumaade seire ja maakattemuutuste tuvastus, mis baseeruvad piltidest agregeeritud aegridade analüüsile. Magistritöös arendatakse välja uudne aegridadel põhinev lähenemisviis poolläbipaistvate pilvevigade tuvastamiseks Sentinel-2 satelliidi aegridadel Taani rohumaade näitel. Kasutades erinevaid masinõppe meetodeid treenitakse anomaaliatuvastusmudel, hindamaks pilveanomaaliate esinemise tõenäosusi aegridades. Saadud tõenäosused integreeritakse olemasolevasse niitmissündmuste tuvastamise mudelisse, kasutades mitmeid erinevaid strateegiaid - mudeli kaofunktsiooni modifikatsioone, spetsiaalselt kohandatud tehisnärvivõrgu kihte ja erinevaid anomaaliaskooridel baseeruvaid tulemuste järeltöötlustehnikaid. Tulemustest ilmneb, et pilveanomaalia tõenäosuste kaasamine vähendab pilvevigadest põhjustatud valepositiivsete niitmissündmuste tuvastuste arvu, parandades seeläbi mudeli töökindlust ja täpsust. Töö tulemused näitlikustavad edukalt sisendandmete kvaliteeti teadvustavate treeningmetoodikate potentsiaali parandamaks optiliste andmete häiringutest mõjutatud aegridade põhiste kaugseire rakenduste tulemuste kvaliteeti ja usaldusväärsust.