Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 167-176
Анализ спутниковых данных с целью выявления очагов лесных пожаров на территории Мурманской области на основе использования свёрточных нейронных сетей
И.О. Починок
1 , И.М. Лазарева
1 , О.И. Ляш
1 1 Мурманский арктический университет, Мурманск, Россия
Одобрена к печати: 26.10.2023
DOI: 10.21046/2070-7401-2023-20-6-167-176
В связи с увеличением интенсивности освоения арктической зоны Российской Федерации (АЗРФ) возникает потребность в оперативном отслеживании и прогнозировании развития таких чрезвычайных ситуаций, как лесные пожары. Своевременное обнаружение очага возгорания имеет решающее значение для сохранения окружающей среды и человеческих жизней. На данный момент одним из ведущих инструментов мониторинга крупных территорий представляется дистанционное зондирование Земли из космоса. В работе рассматриваются возможности использования свёрточных нейронных сетей (англ. convolutional neural networks) для анализа спутниковых снимков с целью обнаружения термальных точек лесных пожаров на территории Мурманской обл. Обоснован выбор спутников, данные которых позволяют решить поставленную задачу. Оперативный мониторинг территории Мурманской обл. обеспечивается автоматическим скачиванием, предобработкой и анализом спутниковых данных. Реализованы программные решения на базовой архитектуре свёрточных нейронных сетей U-Net для сегментации изображений. Проводимый анализ осуществляет построение результирующих масок очагов возгорания. Рассмотрены особенности решения задачи с учётом ограниченности доступного для использования материала спутниковых наблюдений. Приведены результаты и оценка эффективности использования спутниковых данных для оперативного распознавания очагов пожара с помощью методов машинного обучения. Предложены направления будущих исследований по рассматриваемой тематике.
Ключевые слова: дистанционное зондирование Земли, анализ спутниковых данных, арктический регион, природные пожары, оперативный мониторинг, свёрточная нейронная сеть
Полный текстСписок литературы:
- Вик К. В., Друки А. А., Григорьев Д. С., Спицын В. Г. Применение нейронных сетей глубокого обучения для решения задачи сегментации лесных пожаров на спутниковых снимках // Вестн. Томского гос. ун-та. Управление, вычисл. техника и информатика. 2021. № 55. С. 18–25. DOI: 10.17223/19988605/55/3.
- Волосюк А. И., Топаз А. А. Оценка последствий лесных пожаров на основе автоматизированной обработки материалов дистанционного зондирования Земли // Журн. Белорусского гос. ун-та. География. Геология. 2022. № 1. С. 57–70. DOI: 10.33581/2521-6740-2022-1-57-70.
- Друки А. А., Спицын В. Г., Болотова Ю. А., Башлыков А. А. Семантическая сегментация данных дистанционного зондирования Земли при помощи нейросетевых алгоритмов // Изв. Томского политехн. ун-та. Инжиниринг георесурсов. 2018. Т. 329. № 1. С. 59–68.
- Корнилов А. А., Гапоненко Л. Б., Голубев А. В. К вопросу о способах обнаружения лесных пожаров // Пожарная безопасность: проблемы и перспективы. 2016. Т. 1. № 1(7). С. 55–56.
- Кудрин А. Ю., Запорожец А. И., Подрезов Ю. В. Современные методы обнаружения и мониторинга лесных пожаров // Технологии гражд. безопасности. 2006. Т. 3. № 4(12). С. 66–67.
- Подрезов Ю. В. Основные направления предупреждения чрезвычайных лесопожарных ситуаций // Изв. высш. учеб. заведений. Лесной журн. 2023. № 2(392). С. 172–182. DOI: 10.37482/0536-1036-2023-2-172-182.
- Сергиенко С. Б., Тихоненко Д. В. Обработка спутниковых снимков с помощью нейронных сетей с целью выявления природных катаклизмов // Решетневские чтения. 2017. Т. 2. С. 282–284.
- Федоров Р. К., Попова А. К., Авраменко Ю. В. Классификация спутниковых снимков с помощью нейронных сетей // Материалы 9-й Международ. науч. конф. «Регион. проблемы дистанц. зондирования Земли». Красноярск, 13–16 сент. 2022. Красноярск: Сибирский федер. ун-т, 2022. С. 303–306.
- Фраленко В. П. Нейросетевые методы обнаружения возгораний в лесных массивах // Искусств. интеллект и принятие решений. 2023. № 1. С. 67–77. DOI: 10.14357/20718594230107.
- Avhad V., Tanna N., Govekar N. et al. Fire image detection using CNN // Intern. J. Scientific Research in Engineering and Management. 2023. V. 7. Iss. 4. Article 19013. DOI: 10.55041/ijsrem19013. https://ijsrem.com/download/fire-image-detection-using-cnn.
- Bashambu D., Gupta A., Khandelwal S. Real Time Fire and Smoke Detection System // Intern. J. Research in Applied Science and Engineering Technology. 2023. V. 11. Iss. 4. P. 2593–2600. DOI: 10.22214/ijraset.2023.54039. https://www.ijraset.com/best-journal/real-time-fire-and-smoke-detection-system.
- Kumar S., Roy D. Global operational land imager Landsat-8 reflectance-based active fire detection algorithm // Intern. J. Digital Earth. 2017. V. 11. Iss. 2. P. 154–178. DOI: 10.1080/17538947.2017.1391341.
- Meyer-Heß M. F., Pfeffer I., Juergens C. Application of Convolutional Neural Networks on Digital Terrain Models for Analyzing Spatial Relations in Archaeolog // Remote Sensing. 2022. V. 14. Iss. 11. Article 2535. DOI: 10.3390/rs14112535.
- Murphy S., Souza-Filho C., Wright R. et al. Hotmap: Global hot target detection at moderate spatial resolution // Remote Sensing of Environment (Elsevier). 2016. V. 177. P. 78–88. DOI: 10.1016/j.rse.2016.02.027.
- Pereira G. H., Fusioka A. M., Tomoyuki N. B., Minetto R. Active fire detection in Landsat-8 imagery: A large-scale dataset and a deep-learning study // ISPRS J. Photogrammetry and Remote Sensing. 2021. V. 178. P. 171–186. DOI: 10.1016/J.ISPRSJPRS.2021.06.002.
- Rostami A., Shah-Hosseini R., Asgari S. et al. Active Fire Detection from Landsat-8 Imagery Using Deep Multiple Kernel Learning // Remote Sensing. 2022. V. 14. Iss. 4. Article 992. DOI: 10.3390/rs14040992.
- Schroeder W., Oliva P., Giglio L., Csiszar I. The new VIIRS 375 m active fire detection data product: Algorithm description and initial assessment // Remote Sensing of Environment (Elsevier). 2014. V. 143. P. 85–96. DOI: 10.1016/j.rse.2013.12.008.
- Wooster M. J., Roberts G. J., Giglio L. et al. Satellite remote sensing of active fires: History and current status, applications and future requirements // Remote Sensing of Environment. 2021. V. 267. P. 112694–112714. DOI: 10.1016/j.rse.2021.112694.
- Yang C., Pan Y., Cao Y., Lu X. CNN-Transformer Hybrid Architecture for Early Fire Detection // Artificial Neural Networks and Machine Learning — ICANN. ICANN 2022. Lecture Notes in Computer Science. Cham: Springer, 2022. V. 13532. P. 570–581. DOI: 10.1007/978-3-031-15937-4_48. https://link.springer.com/chapter/10.1007/978-3-031-15937-4_48.
- Zhao L., Liu J., Peters S. et al. Investigating the Impact of Using IR Bands on Early Fire Smoke Detection from Landsat Imagery with a Lightweight CNN Model // Remote Sensing. 2022. V. 14. Iss. 13. Article 3047. DOI: 10.3390/rs14133047. https://www.mdpi.com/2072-4292/14/13/3047/.