Intelligent Sentinel Satellite Image Processing Technology for Land Cover Mapping
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Dnipro University of Technology, Dnipro
Abstract
ENG: Purpose. This article proposes to develop an intelligent Sentinel satellite image processing technology for land cover mapping using convolutional neural networks. The result will be an image with improved spatial resolution. Methodology. The paper presents a technology using a combination of biquadratic interpolation, histogram alignment, PCA transform, as well as a parallel residual architecture of convolutional neural networks. The technology increases the information content of Sentinel-2 optical images by combining 10 and 20-meter resolution data, resulting in primary 20-meter images with improved spatial resolution. Findings. The root mean square error (RMSE = 3.64) indicates a high accuracy in reproducing the spectral properties of the images. The correlation coefficient (CC = 0.997) confirms a high linear relationship between the estimated and observed images. The low value of Spectral Angle Mapper (SAM = 0.52) with the high Universal Image Quality Index (UIQI = 0.999) indicates high quality and structural similarity between the synthesized and reference images. These results confirm the proposed technology’s effectiveness in enhancing the spatial resolution of Sentinel satellite images. Originality. Traditional pansharpening methods of multispectral images developed for satellite images with panchromatic channels cannot be directly applied to Sentinel multispectral data, because these images do not contain a panchromatic channel. In addition, atmospheric conditions and the presence of clouds affect the quality of optical images, complicating their further thematic processing. The proposed technology, using biquadratic interpolation, histogram alignment, convolutional neural networks, and PCA transformation, removes clouds and enhances the spatial resolution of the primary 20-meter optical satellite image channels of Sentinel-2. This technology reduces color distortion and increases the detail of digital optical images, which allows for more accurate analysis of the state of the earth’s surface. Practical value. The results obtained can be used to improve the methods for processing Sentinel satellite images, which provide high spatial resolution and accurate preservation of spectral characteristics. It provides the foundation for the development of new geographic information systems for land cover monitoring.
UKR: Мета. Розробка інтелектуальної технології обробки супутникових зображень Sentinel за допомогою згорткових нейронних мереж. У результаті синтезується зображення із покращеною просторовою роздільною здатністю. Методика. Представлена інтелектуальна технологія, що використовує комбінацію методів біквадратичної інтерполяції, гістограмного вирівнювання та PCA-перетворення, а також паралельну залишкову архітектуру згорткових нейронних мереж. Використання технології підвищує інформативність оптичних зображень Sentinel-2 завдяки об’єднанню даних із роздільними здатностями 10 і 20 метрів. У результаті отримаємо первинні 20-метрові зображення з покращеною просторовою роздільною здатністю. Результати. Середньоквадратична похибка (RMSE = 3,64) свідчить про високу точність відтворення спектральних властивостей зображень. Коефіцієнт кореляції (CC = 0,997) підтверджує дуже сильну лінійну залежність між оціненими та спостережуваними зображеннями. Низьке значення спектрального кута відображення (SAM = 0,52) разом із високим універсальним індексом якості зображення (UIQI = 0,999) свідчать про високу якість і структурну подібність між синтезованими та еталонними зображеннями. Результати тестування підтверджують ефективність запропонованої технології у покращенні просторової роздільної здатності супутникових зображень Sentinel. Наукова новизна. Класичні методи підвищення інформативності багатоспектральних зображень розроблені для супутникових знімків із панхроматичними каналами, не можуть бути безпосередньо застосовані до знімків супутника Sentinel, оскільки ці зображення не містять панхроматичний канал. Крім того, атмосферні умови, зокрема наявність хмар, впливають на якість оптичних знімків, ускладнюючи їх подальшу тематичну обробку. Запропонована технологія на основі методів біквадратичної інтерполяції, гістограмного вирівнювання, згорткових нейронних мереж і PCA-перетворення дозволяє видаляти хмари на знімках і покращувати просторову здатність первинних 20-метрових каналів оптичних супутникових зображень Sentinel-2. Ця технологія дозволяє зменшити кольорові спотворення й підвищити деталізацію цифрових оптичних зображень, що дає змогу в подальшому більш точно аналізувати стан земного покриву. Практична значимість. Отримані результати можуть бути використані для вдосконалення методів обробки супутникових зображень Sentinel, що забезпечують отримання геопросторових даних покращеної просторової здатності зі збереженням спектральних характеристик. Це створює основу для розробки нових геоінформаційних систем для моніторингу земної поверхні.
UKR: Мета. Розробка інтелектуальної технології обробки супутникових зображень Sentinel за допомогою згорткових нейронних мереж. У результаті синтезується зображення із покращеною просторовою роздільною здатністю. Методика. Представлена інтелектуальна технологія, що використовує комбінацію методів біквадратичної інтерполяції, гістограмного вирівнювання та PCA-перетворення, а також паралельну залишкову архітектуру згорткових нейронних мереж. Використання технології підвищує інформативність оптичних зображень Sentinel-2 завдяки об’єднанню даних із роздільними здатностями 10 і 20 метрів. У результаті отримаємо первинні 20-метрові зображення з покращеною просторовою роздільною здатністю. Результати. Середньоквадратична похибка (RMSE = 3,64) свідчить про високу точність відтворення спектральних властивостей зображень. Коефіцієнт кореляції (CC = 0,997) підтверджує дуже сильну лінійну залежність між оціненими та спостережуваними зображеннями. Низьке значення спектрального кута відображення (SAM = 0,52) разом із високим універсальним індексом якості зображення (UIQI = 0,999) свідчать про високу якість і структурну подібність між синтезованими та еталонними зображеннями. Результати тестування підтверджують ефективність запропонованої технології у покращенні просторової роздільної здатності супутникових зображень Sentinel. Наукова новизна. Класичні методи підвищення інформативності багатоспектральних зображень розроблені для супутникових знімків із панхроматичними каналами, не можуть бути безпосередньо застосовані до знімків супутника Sentinel, оскільки ці зображення не містять панхроматичний канал. Крім того, атмосферні умови, зокрема наявність хмар, впливають на якість оптичних знімків, ускладнюючи їх подальшу тематичну обробку. Запропонована технологія на основі методів біквадратичної інтерполяції, гістограмного вирівнювання, згорткових нейронних мереж і PCA-перетворення дозволяє видаляти хмари на знімках і покращувати просторову здатність первинних 20-метрових каналів оптичних супутникових зображень Sentinel-2. Ця технологія дозволяє зменшити кольорові спотворення й підвищити деталізацію цифрових оптичних зображень, що дає змогу в подальшому більш точно аналізувати стан земного покриву. Практична значимість. Отримані результати можуть бути використані для вдосконалення методів обробки супутникових зображень Sentinel, що забезпечують отримання геопросторових даних покращеної просторової здатності зі збереженням спектральних характеристик. Це створює основу для розробки нових геоінформаційних систем для моніторингу земної поверхні.
Description
V. Kashtan: ORCID 0000-0002-0395-5895; Vol. Hnatushenko: ORCID 0000-0003-3140-3788; I. Laktionov: ORCID 0000-0001-7857-6382; H. Diachenko: ORCID 0000-0001-9105-1951
Keywords
convolutional neural network, image, remote sensing, spatial resolution, згорткова нейронна мережа, зображення, дистанційне зондування, просторова здатність, КІТС
Citation
Kashtan V. Yu., Hnatushenko Vol. V., Laktionov I. S., Diachenko H. H. Intelligent Sentinel Satellite Image Processing Technology for Land Cover Mapping. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024. No. 5. P. 143–150. DOI: https://doi.org/10.33271/nvngu/2024-5/143.