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 текстСписок литературы:
- 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.
- Крылов А. М., Владимирова Н. А. Дистанционный мониторинг состояния лесов по данным космической съемки // Геоматика. 2011. № 3. С. 53–58.
- 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.
- 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.
- 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.
- 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.
- Dice L. R. Measures of the amount of ecologic association between species // Ecology. 1945. V. 26. P. 297–302.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.