Detekcija grmljavinskih oluja u satelitskim slikama primjenom dubokog učenja

master's thesis

• Title (english): Thunderstorm detection in satellite images using deep learning
• Author: Oleksii Chumakov
• Mentor: Zoran Kalafatić (mentor)
• Committee member: Zoran Kalafatić (predsjednik povjerenstva)
• Committee member: Domagoj Jakobović (član povjerenstva)
• Committee member: Vladimir Čeperić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2025-02-25, Croatia

Abstract

Udari munje jedna su od destruktivnih prirodnih pojava koje predstavljaju prijetnju ljudima i imovini. Lociranje, kratkoročno predviđanje (engl. nowcasting), a posebno prognoziranje grmljavinskih oluja, izazovan je zadatak. Postoje razna rješenja, ali još uvijek nemaju dovoljno visoku točnost. U posljednjih petnaestak godina došlo je do revolucije u dubokom učenju. Rješenja utemeljena na dubokom učenju već su prodrla u gotovo sva područja ljudskog života. Stoga dublje istraživanje mogućnosti... More implementacije rješenja temeljenih na dubokom učenju može značajno poboljšati kvalitetu rješavanja ovog problema. U okviru ovog diplomskog rada razvijen je model dubokog učenja temeljen na arhitekturi U-net prilagođenoj za binarnu semantičku segmentaciju za otkrivanje grmljavinskih oluja i kratkoročno prognoziranje lokacije udara munje unutar 60 minuta. Model je treniran korištenjem vidljivih, kratkovalnih i termalnih infracrvenih kanala iz radiometra temperature mora i kopna (SLSTR) prikupljenih satelitskim mjernim sustavom Sentinel-3. Referentne slike s oznakama područja grmljavine generirane su na temelju podataka zemaljske mreže za detekciju munja. Model je treniran nad geografskim regijama s najboljim pokrivanjem detektora munja: Europom, Sjedinjenim Državama, Japanom i jugozapadnom Australijom. Izabrane su najbolje konfiguracije satelitskih kanala i prostorne rezolucije referentnih oznaka segmentacije. Model radi na satelitskim slikama bez obzira na geografsko područje. Model je pokazao dobru sposobnost otkrivanja grmljavinskih oluja, dok bi se kratkoročno predviđane trebalo poboljšati. Less

Abstract (english)

Lightning strikes are one of the destructive natural phenomena that pose a threat to humans and their property. Locating, nowcasting, and especially forecasting thunderstorms is a challenging task. Many solutions still do not have high accuracy. There has been a revolution in deep learning in the last fifteen years. Deep learning-based solutions have already penetrated almost all areas of human life. Therefore, more in-depth research into the possibilities of implementing deep... More learning-based solutions can significantly improve the quality of solving this problem. This study developed a deep learning model based on U-net architecture designed for binary semantic segmentation to detect thunderstorms and nowcast lightning strike locations within 60 minutes. The model was trained using Sentinel-3 visible, shortwave, and thermal infrared bands from the sea and land surface temperature radiometer (SLSTR). One-hour ground truth images were generated from the ground-based lightning network. The model was trained over the regions with the best detector coverage: Europe, the United States, Japan, and Southwest Australia. The best configurations of satellite channels and ground truth spatial resolution were selected. The model works on satellite images regardless of the geographic region. The model showed a good ability to detect thunderstorms, while the nowcasting capabilities of the model still have room for improvement. Less

• Keywords: munje; Senitel-3 SLSTR; zemaljska mreža za detekciju munja; duboko učenje; binarna semantička segmentacija; U-net
• Keywords (english): lightning; Senitel-3 SLSTR; ground-based lightning network; deep learning; binary semantic segmentation; U-net
• Language: english
• URN:NBN: urn:nbn:hr:168:529706
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2025-03-12 11:05:54