基於資料立方架構之光學衛星影像雲偵測與除雲技術

Abstract

本研究針對光學衛星影像中雲層遮蔽問題，建構一套結合深度學習、資料立方與自動化影像融合之雲層偵測與除雲系統。首先，於雲層偵測階段，採用五種語義分割模型進行性能比較，結果顯示基於 Transformer 架構的 CSDFormer 於雲區識別表現最為優異，達成 91.08% 的雲區準確率（PA）、93.78% 的使用者準確率（UA）與 97.25% 的整體準確率（OA），並具備最快的推論速度與最低計算複雜度。其次，於除雲流程中，本研究以 SSIM（結構相似性指標）為排序依據，結合泊松融合進行雲區補全，於高達 80% 雲覆蓋情境下仍能維持 0.7105 的 SSIM，顯示良好的視覺品質與輻射一致性。最後，透過自行開發之資料立方系統整合影像屬性、空間範圍與坐標資訊，實作多條件篩選、影像排序與動態除雲操作，前端介面以 Flask 架構實現互動式展示，強化系統應用實用性。整體成果顯示，本研究提出之架構於多時序光學影像管理與除雲應用中具備高準確性、擴充性與操作效率，未來可作為光學遙測資料品質提升與資料治理整合之基礎平台。

This study proposes an integrated system for cloud detection and removal in optical satellite imagery, combining deep learning, a Datacube framework, and automated image fusion. Among five evaluated segmentation models, the Transformer-based CSDFormer achieved the best performance (PA: 91.08%, UA: 93.78%, OA: 97.25%) with the fastest inference speed and lowest complexity. For cloud removal, SSIM-based image ranking and Poisson blending were employed, maintaining an SSIM of 0.7105 even under 80% cloud cover. A custom Datacube was developed to manage metadata and spatial queries, supporting dynamic filtering and processing. The system, implemented with a Flask-based interface, shows strong accuracy, efficiency, and scalability for enhancing multi-temporal optical imagery.