В статье решается задача верификации разливов нефти на водных поверхностях рек, морей и океанов по оптическим аэрофотоснимкам с использованием методов глубокого обучения. Особенностью данной задачи является наличие визуально похожих на разливы нефти областей на водных поверхностях, вызванных цветением водорослей, веществ, не приносящих экологический ущерб (например, пальмовое масло), бликов при съемке или природных явлений (так называемые «двойники»). Многие исследования в данной области основаны на анализе изображений, полученных от радаров с синтезированной апертурой (Synthetic Aperture Radar (SAR) images), которые не обеспечивают точной классификации и сегментации. Последующая верификация способствует сокращению экологического и материального ущерба, а мониторинг размеров площади нефтяного пятна используется для принятия дальнейших решений по устранению последствий. Предлагается новый подход к верификации оптических снимков как задачи бинарной классификации на основе сиамской сети, когда фрагмент исходного изображения многократно сравнивается с репрезентативными примерами из класса нефтяных пятен на водных поверхностях. Основой сиамской сети служит облегченная сеть VGG16. При превышении порогового значения выходной функции принимается решение о наличии разлива нефти. Для обучения сети был собран и размечен собственный набор данных из открытых интернет-ресурсов. Существенной проблемой является несбалансированность выборки данных по классам, что потребовало применения методов аугментации, основанных не только на геометрических и цветовых манипуляциях, но и на основе генеративной состязательной сети (Generative Adversarial Network, GAN). Эксперименты показали, что точность классификации разливов нефти и «двойников» на тестовой выборке достигает значений 0,91 и 0,834 соответственно. Далее решается дополнительная задача семантической сегментации нефтяного пятна с применением сверточных нейронных сетей (СНС) типа кодировщик-декодировщик. Для сегментации исследовались три архитектуры глубоких сетей, а именно U-Net, SegNet и Poly-YOLOv3. Лучшие результаты показала сеть Poly-YOLOv3, достигнув точности 0,97 при среднем времени обработки снимка 385 с веб-сервисом Google Colab. Также была спроектирована база данных для хранения исходных и верифицированных изображений с проблемными областями.
Одной из наиболее важных задач в практической сельскохозяйственной деятельности является идентификация сельскохозяйственных культур, произрастающих на отдельных полях в данный момент и ранее. Для снижения трудоемкости процесса идентификации в последние годы используются данные дистанционного зондирования Земли (ДЗЗ), в том числе значения индексов, рассчитываемые по ходу периода вегетации. При этом обработка оптических спутниковых снимков и получение достоверных значений индексов зачастую бывает затруднено из-за облачности во время съемки. Для решения этой проблемы в статье предложено использовать в качестве основного показателя, характеризующего сельскохозяйственную культуру, кривую сезонного хода радарного вегетационного индекса с двойной поляризацией (DpRVI). В период 2017-2020 гг. для идентификации культур на опытных полях Дальневосточного научно-исследовательского института сельского хозяйства (ДВ НИИСХ) было получено и обработано 48 радарных снимков Хабаровского муниципального района Хабаровского края со спутника Sentinel-1 (разрешение 22 м, интервал съемки − 12 дней). В качестве основных идентифицируемых культур выступали соя и овес. Также были добавлены пиксели полей, не занятых данными культурами (кормовые травы, заброшенные поля). Были получены ряды значений DpRVI как для отдельных пикселей и полей, так и аппроксимированные ряды для трех классов. Аппроксимация проводилась с использованием функции Гаусса, двойной логистической функции, квадратного и кубического полиномов. Установлено, что оптимальным алгоритмом аппроксимации является использование двойной логистической функции (средняя ошибка составила 4,6%). В среднем, ошибка аппроксимации индекса вегетации для сои не превышала 5%, для многолетних трав – 8,5%, а для овса – 11%. Для опытных полей общей площадью 303 га с известным севооборотом была проведена классификация взвешенным методом k ближайших соседей (обучающая выборка сформирована по данным 2017-2019 гг, тестовая -2020 г.). В результате верно идентифицировано 90% полей. Общая точность классификации по пикселям составила 73%, что позволило выявить несоответствие реальных границ полей заявленным, определить заброшенные и заболоченные участки. Таким образом, установлено, что индекс DpRVI может быть использован для идентификации сельскохозяйственных культур юга Дальнего Востока и служить основой для автоматического классифицирования пахотных земель.
Данная статья посвящена оцениванию результативности применения КА дистанционного зондирования Земли. В качестве обобщенного показателя результативности предложена вероятность мониторинга КА дистанционного зондирования Земли заданного района. Указанная вероятность определяется вероятностью наступления события получения информации об объекте и вероятность наступления события передачи данных на пункт обработки по каналам систем спутниковой связи. Вероятности получения информации об объекте определяются вероятностью обнаружения объекта в районе и вероятностью его идентификации. Основное внимание уделено оцениванию вероятности обнаружения объекта в районе обслуживания. Данный показатель имеет геометрический смысл, определяющий процент площади района, просмотренный космическим аппаратом. Расчет геометрической вероятности cделан с использованием R-функций. В работе произведено математическое описание полосы обзора и района обслуживания конечными математическими выражениями, на основании которых получены соотношения для расчета площадных показателей просмотра районов земной поверхности.
В данной статье определены возможности использования нейрокомпьютер- ной технологии для обработки снимков космических систем дистанционного зондиро- вания Земли. Представлено моделирование процесса классификации объектов. Обсуж- даются последовательность и содержание основных этапов построения архитектуры нейронной сети. Для классификации и распознавания наземных объектов на космических снимках используются их спектральные характеристики. Проведен сравнительный анализ работы различных типов нейронных сетей при классификации наземных объектов.
Проведен краткий анализ состояния подготовки специалистов в области наземно-космического мониторинга, обобщен существующий опыт этой подготовки, сформулированы предложения и рекомендации по совершенствованию и активизации усилий заинтересованных структур и организаций в подготовке специалистов нужного уровня и профиля.
Рассмотрены основные этапы интерферометрической обработки данных космических радиолокаторов с синтезированной апертурой высокого и сверхвысокого разрешения при построении цифровых моделей рельефа. Приведены результаты экспериментального исследования точности цифровых моделей рельефа при использовании различных алгоритмов фильтрации фазового шума и методов развертывания интерферометрической фазы.
1 - 6 из 6 результатов