Sistema embebido de detección de nubes para cámaras multiespectrales de alta resolución en microsatélites de observación terrestre

Abstract

La próxima generación de cámaras binoculares iSIM que la empresa Satlantis desarrolla y comercializa para su instalación en microsatélites artificiales dispondrá de sensores multiespectrales de hasta 5 bandas (RGB + NIR + Pancromático) con una alta resolución de imagen. La gran resolución espacial que ofrecen las cámaras iSIM, combinadas con su compacto diseño y bajo peso, suponen un logro tecnológico que permite reducir notablemente los costes de las misiones destinadas a la observación terrestre. Sin embargo, son precisamente estas características las que hacen más necesario maximizar y optimizar el procesamiento de las imágenes en la propia cámara (procesamiento onboard). Siguiendo con este propósito, en este trabajo se propone la detección en tiempo real de la presencia de formaciones nubosas en las imágenes tomadas por las cámaras iSIM. Este sistema proporcionará la posibilidad de descartar automáticamente estas imágenes antes de ser procesadas, almacenadas o transmitidas, y ello redundará en la optimización de la utilización de los limitados recursos disponibles en los satélites. Para la detección de nubes, tan solo se dispone de las bandas del visible y del infrarrojo cercano (VNIR), siendo éste un reto en el desarrollo, ya que generalmente se utilizan las bandas del infrarrojo de onda corta (SWIR) para este tipo de segmentación debido a la similitud de las características espectrales del VNIR en terrenos de alto albedo (nieve, luminosidad de las ciudades, etc.). Recientemente, el aprendizaje automático ha ofrecido soluciones prometedoras al problema del enmascaramiento de nubes, permitiendo una mayor flexibilidad que las técnicas tradicionales de umbralización, que se limitan únicamente a utilizar las bandas espectrales. Sin embargo, son pocos los estudios que se centran en ofrecer un rendimiento robusto en los entornos de alto albedo y que además ofrezcan pruebas experimentales en dispositivos que se puedan utilizar a bordo del satélite para su procesamiento en tiempo real. El algoritmo de aprendizaje profundo propuesto denominado SatCloud tiene en cuenta estas limitaciones, pudiendo capturar y agregar características a varias escalas (multiescala), garantizando que las características semánticas de alto nivel extraídas de los terrenos de alto albedo, como la nieve y las nubes, sean más distintivas. Gracias a una serie de opciones de diseño y técnicas de entrenamiento que mejoran el rendimiento, muestra un rendimiento de vanguardia, comparable al de otros métodos, una gran velocidad y una gran solidez ante todo tipo de situaciones. La experimentación se lleva a cabo en un MPSoC (Multiprocessor System on Chip), demostrando su viabilidad para la implementación en tiempo real del algoritmo propuesto en órbita.