Land Cover Mapping with Sentinel-2 Imagery Using Deep Learning Semantic Segmentation Models
| dc.contributor.author | Hnatushenko, Viktoriia V. | en |
| dc.contributor.author | Honcharov, Oleksandr | en |
| dc.date.accessioned | 2025-02-17T11:27:12Z | |
| dc.date.available | 2025-02-17T11:27:12Z | |
| dc.date.issued | 2024 | |
| dc.description | Vic. Hnatushenko: ORCID 0000-0001-5304-4144 | en |
| dc.description.abstract | ENG: Land cover mapping is essential for environmental monitoring and evaluating the effects of human activities. Recent studies have demonstrated the effective application of particular deep learning models for tasks such as wetland mapping. Nonetheless, it is still ambiguous which advanced models developed for natural images are most appropriate for remote sensing data. This study focuses on the segmentation of agricultural fields using satellite imagery to distinguish between cultivated and non-cultivated areas. We employed Sentinel-2 imagery obtained during the summer of 2023 in Ukraine, illustrating the nation's varied land cover. The models were trained to differentiate among three principal categories: water, fields, and background. We chose and optimised five advanced semantic segmentation models, each embodying distinct methodological methods derived from U-Net. Upon examination, all models exhibited robust performance, with total accuracy spanning from 80% to 89.2%. The highest-performing models were U-Net with Residual Blocks and U-Net with Residual Blocks and Batch Normalisation, whereas U-Net with LeakyReLU Activation exhibited much quicker inference times. The findings suggest that semantic segmentation algorithms are highly effective for efficient land cover mapping utilising multispectral satellite images and establish a dependable benchmark for assessing future advancements in this domain. | en |
| dc.description.abstract | UKR: Картування земного покриву має важливе значення для моніторингу довкілля та оцінки наслідків людської діяльності. Нещодавні дослідження продемонстрували ефективне застосування певних моделей глибокого навчання для таких завдань, як картографування водно-болотних угідь. Тим не менш, досі залишається неясним, які вдосконалені моделі, розроблені для природних зображень, є найбільш придатними для даних дистанційного зондування. Це дослідження фокусується на сегментації сільськогосподарських полів за допомогою супутникових знімків для розрізнення оброблюваних і необроблюваних ділянок. Ми використали знімки Sentinel-2, отримані влітку 2023 року в Україні, які ілюструють різноманітний ґрунтовий покрив країни. Моделі були навчені розрізняти три основні категорії: вода, поля та фон. Ми обрали та оптимізували п'ять передових моделей семантичної сегментації, кожна з яких втілює окремі методологічні методи, запозичені з U-Net. Після перевірки всі моделі продемонстрували високу продуктивність із загальною точністю від 80% до 89,2%. Найефективнішими моделями виявилися U-Net з залишковими блоками та U-Net з залишковими блоками і пакетною нормалізацією, тоді як U-Net з активацією LeakyReLU продемонструвала значно швидший час виведення. Отримані результати свідчать про те, що алгоритми семантичної сегментації є високоефективними для ефективного картографування земного покриву з використанням багатоспектральних супутникових знімків і встановлюють надійний еталон для оцінки майбутніх досягнень у цій галузі. | uk_UA |
| dc.identifier.citation | Hnatushenko V., Honcharov O. Land Cover Mapping with Sentinel-2 Imagery Using Deep Learning Semantic Segmentation Models. CEUR Workshop Proceedings. Vol. 3909 : Proc. of the XI International Scientific Conference "Information Technology and Implementation" (IT&I 2024), Kyiv, Ukraine, November 20–21, 2024. Kyiv, 2024. P. 1–18. | en |
| dc.identifier.issn | 1613-0073 | |
| dc.identifier.uri | https://ceur-ws.org/Vol-3909/ | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/19622 | en |
| dc.language.iso | en | |
| dc.publisher | CEUR-WS Team, Aachen, Germany | en |
| dc.subject | semantic segmentation | en |
| dc.subject | agricultural lands | en |
| dc.subject | satellite images | en |
| dc.subject | deep learning | en |
| dc.subject | U-Net architecture | en |
| dc.subject | семантична сегментація | uk_UA |
| dc.subject | сільськогосподарські угіддя | uk_UA |
| dc.subject | супутникові знімки | uk_UA |
| dc.subject | глибоке навчання | uk_UA |
| dc.subject | архітектура U-Net | uk_UA |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology::Image analysis | en |
| dc.title | Land Cover Mapping with Sentinel-2 Imagery Using Deep Learning Semantic Segmentation Models | en |
| dc.title.alternative | Картографування земного покриву на основі знімків Sentinel-2 з використанням моделей семантичної сегментації глибинного навчання | uk_UA |
| dc.type | Article | en |