Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 3. С. 51-64

Распознавание нарушений лесного покрова по спутниковым снимкам Sentinel-2 с помощью свёрточных нейронных сетей

А.В. Тарасов 1 , А.Н. Шихов 1 , Т.В. Шабалина 1 
1 Пермский государственный национальный исследовательский университет, Пермь, Россия
Одобрена к печати: 17.06.2021
DOI: 10.21046/2070-7401-2021-18-3-51-64
Мониторинг нарушений лесного покрова — одна из важнейших областей применения спутниковых данных. Перспективный путь повышения точности распознавания таких объектов на снимках заключается в использовании алгоритмов глубокого обучения (свёрточных нейронных сетей). В настоящей работе представлен алгоритм выявления нарушений лесного покрова по снимкам Sentinel-2 на основе свёрточной нейронной сети архитектуры U-Net. Обучение и валидация модели реализованы на примере территории нескольких регионов европейской части России. Всего проведено более 50 экспериментов с базовой архитектурой, в результате которых установлено, что наиболее информативными признаками оказываются спектральные каналы Red, NIR, SWIR1, SWIR2 и их разности. Созданы модели распознавания нарушений лесного покрова для снимков зимнего, летнего и переходного сезонов, а также модель для всех сезонов. Разработанные модели обеспечивают повышение точности распознавания нарушений лесного покрова более чем в два раза в сравнении с традиционными методами, основанными на растровой арифметике. В наибольшей степени их преимущества проявляются при детектировании выборочных рубок, которые выделяются как целостные объекты, в то время как с помощью традиционных методов удаётся выделить лишь отдельные пиксели с наибольшими изменениями в яркости. Также разработанные модели менее чувствительны к теням, что позволяет успешно использовать их для мониторинга вырубок по снимкам осенне-зимнего периода. Основным ограничением метода становятся большие затраты на формирование обучающей выборки, но в то же время увеличение объёма выборки повышает способность модели к обобщению и адаптации к новым данным.
Ключевые слова: распознавание нарушений лесного покрова, данные Sentinel-2, свёрточные нейронные сети, глубокое обучение, семантическая сегментация, U-Net
Полный текст

Список литературы:

  1. Андреев А. И., Шамилова Ю. А., Холодов Е. И. Применение сверточной нейронной сети для детектирования облачности по данным прибора МСУ-МР спутника «Метеор-М» № 2 // Метеорология и гидрология. 2019. № 7. С. 44–53.
  2. Крылов А. М., Владимирова Н. А. Дистанционный мониторинг состояния лесов по данным космической съемки // Геоматика. 2011. № 3. С. 53–58.
  3. Лупян Е. А., Бурцев М. А., Прошин А. А., Кобец Д. А. Развитие подходов к построению информационных систем дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 3. С. 53–66. DOI: 10.21046/2070-7401-2018-15-3-53-66.
  4. Allen T. R., Kupfer J. A. Spectral response and spatial pattern of Fraser fir mortality and regeneration, Great Smoky Mountains, USA // Plant Ecology. 2001. V. 156. P. 59–74.
  5. Cocke A. E., Fulé P. Z., Crouse J. E. Comparison of burn severity assessments using Differenced Normalized Burn Ratio and ground data // Intern. J. Wildland Fire. 2005. V. 14(2). P. 189–198.
  6. de Bem P. P., de Carvalho O. A. Jr., Guimarães R. F., Gomes R. A. T. Change detection of deforestation in the brazilian amazon using landsat data and convolutional neural networks // Remote Sensing. 2020. V. 12(6). Art. No. 901. DOI: 10.3390/rs12060901.
  7. Dice L. R. Measures of the amount of ecologic association between species // Ecology. 1945. V. 26. P. 297–302.
  8. Isaienkov K., Yushchuk M., Khramtsov V., Seliverstov O. Deep Learning for Regular Change Detection in Ukrainian Forest Ecosystem with Sentinel-2 // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2021. V. 14. P. 364–376.
  9. Hethcoat M. G., Edwards D. P., Carreiras J. M. B., Bryant R. G., França F. M., Quegan S. A machine learning approach to map tropical selective logging // Remote Sensing of Environment. 2019. V. 221. P. 569–582. DOI: 10.1016/j.rse.2018.11.044.
  10. Khryashchev V., Ivanovisky L., Pavlov V., Rubtsov A., Ostrovskay A. Comparison of different convolutional neural network architectures for satellite image segmentation // Proc. 23rd Conf. Fruct Association. Jyvaskyla, Finland. 2018. P. 172–180.
  11. Larabi M., Liu Q., Wang Y. Convolutional neural network features based change detection in satellite images // Proc. 1st Intern. Workshop Pattern Recognition. 2016. Art. No. 100110W.
  12. Li Z., Shen H., Cheng Q., Liu Y., You S., He Z. Deep learning based cloud detection for medium and high resolution remote sensing images of different sensors // ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 150. P. 197–212. DOI: 10.1016/j.isprsjprs.2019.02.017.
  13. Mou L., Bruzzone L., Zhu X. X. Learning spectral-spatialoral features via a recurrent convolutional neural network for change detection in multispectral imagery // IEEE Trans. Geoscience and Remote Sensing. 2019. V. 57(2). P. 924–935.
  14. Nielsen A. A., Conradsen K., Simpson J. J. Multivariate alteration detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: New approaches to change detection studies // Remote Sensing of Environment. 1998. V. 64(1). P. 1–19.
  15. Ronneberger O., Fischer P., Brox T. U Net: Convolutional networks for biomedical image segmentation // arXiv preprint. arXiv: 1505.04597. 2015. 8 p. URL: https://arxiv.org/abs/1505.04597v1.
  16. Scharvogel D., Brandmeier M., Weis M. A Deep Learning Approach for Calamity Assessment Using Sentinel-2 Data // Forests. 2020. V. 11. DOI: 10.3390/f11121239.
  17. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // J. Machine Learning Research. 2014. V. 15. Art. No. 56. P. 1929–1958.
  18. Syrris V., Hasenohr P., Delipetrev B., Kotsev A., Kempeneers P., Soille P. Evaluation of the potential of convolutional neural networks and random forests for multi-class segmentation of Sentinel-2 imagery // Remote Sensing. 2019. V. 11(8). Art. No. 907. DOI: 10.3390/rs11080976.
  19. Wang F., Xu Y. J. Comparison of remote sensing change detection techniques for assessing hurricane damage to forests // Environmental Monitoring and Assessment. 2010. V. 162. P. 311–326.
  20. Wieland M., Li Y., Martinis S. Multi-sensor cloud and cloud shadow segmentation with a convolutional neural network // Remote Sensing. 2019. V. 230. Art. No. 111203.
  21. Wu L., Li Z., Liu X., Zhu L., Tang Y., Zhang B., Xu B., Liu M., Meng Y., Liu B. Multi-type forest change detection using BFAST and monthly Landsat time series for monitoring spatiotemporal dynamics of forests in subtropical wetland // Remote Sensing. 2020. V. 12(2). Art. No. 341. DOI: 10.3390/rs12020341.
  22. Xie F., Gao Q., Jin C., Zhao F. Hyperspectral image classification based on superpixel pooling convolutional neural network with transfer learning // Remote Sensing. 2021. V. 13(5). P. 1–17.