Raster Time Series: Learning and Processing

Da die Menge der Fernerkundungsdaten stark zunimmt, sind effiziente Verarbeitungsmöglichkeiten von größter Bedeutung. Fernerkundungsdaten von Satelliten sind in vielen wissenschaftlichen Bereichen, wie Biodiversität und Klimaforschung, von entscheidender Bedeutung. Wetter und Klima für fast alle lebenden Organismen auf der Erde von besonderem Interesse. Daher ist die effiziente Klassifizierung von Wolken eines der wichtigsten Probleme. Geostationäre Satelliten, wie Meteosat Second Generation (MSG), bieten die einzige Möglichkeit, langfristige Wolkendatensätze mit hoher räumlicher und zeitlicher Auflösung zu erzeugen. Diese Arbeit befasst sich daher mit der effizienten und parallelen Verarbeitung von MSG-Daten, um neue Anwendungen und Erkenntnisse zu ermöglichen. Zuerst wird das Fehlen einer geeigneten Verarbeitungskette zur Erzeugung einer langfristigen Nebel- und niedrgem Stratus- (FLS) Zeitreihe aufgegriffen. Wir präsentieren eine effiziente MSG-Datenverarbeitungskette, die mehrere Aufgaben gleichzeitig, sowie Rasterdaten parallel, mit der Open Computing Language, verarbeitet. Die Verarbeitungskette ermöglicht eine einheitliche Klassifizierung von FLS, die Tag- und Nachtansätze kombiniert. Infolgedessen ist es möglich, die FLS-Raster für ein Jahr in kurzer Zeit zu berechnen. Das zweite Thema präsentiert die Anwendung von Convolutional Neural Networks (CNN) zur Wolkenklassifikation. Gängige Ansätze zur Wolkenerkennung klassifizieren oft nur einzelne Pixel und ignorieren die Tatsache, dass Wolken hochdynamische und räumlich kontinuierliche Einheiten sind. Daher schlagen wir eine neue Methode vor, die auf Deep Learning basiert. Basierend auf einer CNN-Architektur zur Bildsegmentierung klassifiziert das vorgestellte Cloud Segmentation CNN (CS-CNN) alle Pixel einer Szene gleichzeitig. Wir zeigen, dass CS-CNN multispektrale Satellitendaten verarbeiten kann, um kontinuierliche Phänomene, wie Wolken zu identifizieren. Unser Ansatz liefert ausgezeichnete Ergebnisse auf MSG-Satellitendaten in Bezug auf Qualität, Robustheit und Laufzeit im Vergleich zu Random Forest, einer oft verwendeten maschinellen Lernmethode. Schließlich stellen wir die Verarbeitung von Rasterzeitreihen mit einem System zur Visualisierung, Transformation und Analyse (VAT) von raumzeitlichen Daten vor. Es ermöglicht daten-getriebene Forschung mit explorativen Workflows und verwendet Zeit als integralen Bestandteil. Die Kombination aus heterogenen Raster- und Vektordaten-Zeitreihen ermöglicht neue Anwendungen und Erkenntnisse. Wir stellen einen Anwendungsfall vor, der Wetterinformationen und Flugzeugtrajektorien kombiniert, um Muster in Schlechtwettersituationen zu identifizieren.