Deep Learning for Cloud Removal in Spaceborne Earth Observation

Ebel, Patrick

User: Guest

Technik, Ingenieurwissenschaften (allgemein)

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Deep Learning for Cloud Removal in Spaceborne Earth Observation
Translated title:: Machinelles Lernen zur Wolkenentfernung in der satellitengestützten Erdbeobachtung
Author:: Ebel, Patrick
Year:: 2023
Document type:: Dissertation
Faculty/School:: TUM School of Engineering and Design
Advisor:: Zhu, Xiaoxiang (Prof. Dr. habil.)
Referee:: Zhu, Xiaoxiang (Prof. Dr. habil); Schmitt, Michael (Prof. Dr. habil.); Schindler, Konrad (Prof. Dr.)
Language:: en
Subject group:: TEC Technik, Ingenieurwissenschaften (allgemein)
Keywords:: satellite observation, Earth observation, cloud removal, image reconstruction
Translated keywords:: Satellitenbeobachtung, Erdbeobachtung, Wolkenentfernung, Bildrekonstruktion
TUM classification:: BAU 967; MSR 915
Abstract:: The natural occurrence of clouds poses a persistent obstacle for optical satellites to seamlessly observe Earth. This thesis promotes a better reconstruction of optical satellite images via: First, by investigating the practical impact of clouds on established remote sensing use cases. Second, two data sets are curated and neural networks proposed for mono- and multi-temporal cloud removal. Finally, a model to quantify the uncertainty of the reconstructed images at inference time is proposed.
Translated abstract:: Wolken stellen ein Hindernis für optische Satelliten dar, die Erde nahtlos zu beobachten. Diese Dissertation erarbeitet die Rekonstruktion von optischen Satellitenbildern. Zuerst werden die Auswirkungen von Wolken auf Anwendungen der Fernerkundung untersucht. Zweitens werden zwei Datensätze kuratiert und neuronale Netze für die mono- und multitemporale Wolkenentfernung vorgeschlagen. Schließlich wird ein Modell zur Quantifizierung der Unsicherheit der rekonstruierten Bilder vorgeschlagen.
WWW:: https://mediatum.ub.tum.de/?id=1708626
Date of submission:: 16.05.2023
Oral examination:: 25.09.2023
File size:: 70582823 bytes
Pages:: 163
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231010-1708626-1-8
Last change:: 02.11.2023
BibTeX