要約
光学リモートセンシング画像は、地球観測活動の中心的な要素である。衛星データの規則的で一貫性のある性質およびグローバルスケールの特徴は、農地モニタリング、気候変動評価、土地被覆・土地利用分類、災害評価など、多くの応用分野で活用されている。しかし、表面観測の時空間的可用性を著しく制限する主な要因として、雲被覆が挙げられる。光学画像からの雲除去という課題は、数十年にわたり研究の対象となってきている。近年、衛星リモートセンシングにおけるビッグデータ時代の到来により、強力なデータ駆動型の深層学習手法を用いたこの問題へのアプローチが新たな可能性を拓いている。本論文では、マルチスペクトルのSentinel-2画像から雲を除去するための深層残差ニューラルネットワーク（ResNet）アーキテクチャを提案する。この手法では、SAR（合成開口レーダ）と光学データの統合を活用し、両画像システムの相補的な特性を活かして画像再構成をガイドする。さらに、元の情報の保持を最大化するため、新たな「雲適応型損失関数（cloud-adaptive loss）」を提案している。本ネットワークは、実際の曇天画像と晴天画像を全球的にサンプリングしたデータセット上で学習および検証された。提案手法により、光学的に厚い雲に対しても、下層の地表面構造の光学的表現を再構成することにより、効果的に雲除去が可能となる。