摘要

本文由Cristhian Sanchez等人撰写，探讨了基于Sentinel-2卫星图像的时间序列数据（SITS）中的场景分类层（SCL）在评估区域光学清洁覆盖率中的应用。文章提出了一种新技术，通过SCL数据计算特定区域的空间和时间覆盖率，并评估这些覆盖率对机器学习（ML）模型预测结果的影响。研究结果表明，高覆盖率的区域在ML模型的分类结果中表现更优。此外，该技术已在全球数据集LandCoverNet中得到应用，显示出其在不同大陆上的覆盖率分布差异。

原理

文章提出的技术利用Sentinel-2卫星数据中的场景分类层（SCL）来评估特定区域的光学清洁覆盖率。SCL为每个像素提供了一个估计的场景类别，这些类别包括云、雪、水等。通过定义空间覆盖率（SC）和时间覆盖率（TC），文章计算了每个样本区域在时间序列中的覆盖率百分比。空间覆盖率SC(i)是基于特定标签集K在时间序列中的平均像素百分比，而时间覆盖率TC(i)则是基于SC(i)在时间序列中的平均值。通过设定阈值，技术进一步将覆盖率评估为“高”或“低”。

流程

文章的工作流程包括以下步骤：

1. 从Sentinel-2数据中提取SCL信息。
2. 对每个样本区域，计算其在时间序列中的空间和时间覆盖率。
3. 根据设定的阈值，评估每个区域的覆盖率等级（高/低）。
4. 在AI4EO Enhanced Agriculture数据集和LandCoverNet全球数据集中应用该技术，评估覆盖率与ML模型预测性能的关系。 例如，在AI4EO Enhanced Agriculture数据集中，文章使用了两种过滤器（L-all-but-cloud和L-veg-non-veg）来计算覆盖率，并展示了覆盖率与随机森林（RF）模型分类结果的关联。

应用

该技术不仅适用于农业领域的ML模型训练，还可广泛应用于环境监测、灾害评估等多个领域。通过提供区域光学清洁覆盖率的快速评估，该技术有助于提高卫星图像数据的质量控制，进而提升基于这些数据的ML模型的预测准确性。