Геоінформаційна технологія нейромережевої сегментації для картографування земного покриву
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Національний технічний університет «Дніпровська політехніка», Дніпро
Abstract
UKR: Актуальність розвитку сучасних технологій для сегментації земельного покриву зростає у зв’язку з підвищеними вимогами до точного моніторингу та управління земельними ресурсами, в тому числі, сільськогосподарського призначення. Традиційні методи сегментації часто не забезпечують достатню точність у класифікації складних класів, таких як сільськогосподарські культури, дерева, будівлі та дороги. Мета роботи полягає в розробці геоінформаційної технології для виділення множинних ознак із супутникових знімків Sentinel-2 та їх використання для сегментації земного покриття за допомогою нейронної мережі ResNet. Методологія. У цьому дослідженні використовуються знімки Sentinel-2 для аналізу земного покриття. Спочатку зображення проходять попередню обробку, яка включає атмосферну корекцію, геометричне та радіометричне калібрування. Потім дані нормалізуються для підвищення стабільності навчання нейронної мережі. На наступному етапі зображення обробляються для виділення спектральних, морфологічних і текстурних ознак, які є вхідними даними для моделі ResNet. Модель застосовує конволюційні шари і функцію активації ReLU для автоматичного виділення ознак. Для класифікації використовується повнозв’язний шар з функціями Softmax та Cross-Entropy. Після навчання модель класифікує кожен піксель, створюючи сегментоване зображення, яке відображає різні класи земного покриття, зокрема сільськогосподарські угіддя, будівлі, дерева та дороги. Наукова новизна дослідження полягає в розробці новітньої методології обробки супутникових зображень Sentinel-2, що включає інтеграцію комплексної попередньої обробки, нормалізацію даних, мультимодальне виділення ознак та використання глибоких нейронних мереж для автоматичного виділення та класифікації ознак. Впровадження нових підходів до атмосферної, геометричної та радіометричної корекції, а також застосування ResNet з функціями активації ReLU та повнозв’язних шарів з функціями Softmax і Cross-Entropy, забезпечує підвищення точності класифікації та деталізації сегментації земного покриття. Висновки. Дослідження показало, що запропонована технологія забезпечує суттєве покращення точності і якості класифікації в порівнянні з традиційними методами, такими як IsoData, K-means, SVM, Minimum Distance, Maximum Likelihood та Parallelepiped. Результати демонструють, що технологія на основі ResNet досягає високої точності в сегментації основних класів земного покриву: сільськогосподарські культури, дерева, будівлі та дороги, що є важливим для ефективного моніторингу та управління земельними ресурсами.
ENG: The relevance of developing modern technologies for land cover segmentation is growing due to increased requirements for accurate monitoring and management of land resources including for agricultural purposes. Traditional segmentation methods often lack accuracy in classifying complex classes such as crops, trees, buildings, and roads. The work aims to develop geographic information technology for extracting multiple features from Sentinel-2 satellite images and using them to segment the land cover using the ResNet neural network. Methodology. This study uses Sentinel-2 images for land cover analysis. First, the images undergo preprocessing, which includes atmospheric correction and geometric and radiometric calibration. Then, data is normalized to improve the stability of the neural network training. At the next stage, the images are processed to extract spectral, morphological, and textural features, which are the input to the ResNet model. The model uses convolutional layers and the ReLU activation function to extract features automatically. A fully connected layer with Softmax and Cross-Entropy functions is used for classification. After training, the model classifies each pixel, creating a segmented image that shows different classes of land cover, including farmland, buildings, trees, and roads. The scientific novelty of the research is the development of the latest methodology for processing Sentinel-2 satellite images, including integration of complex pre-processing, data normalization, multimodal feature extraction, and the use of deep neural networks for automatic feature extraction and classification. The new approaches to atmospheric, geometric, and radiometric correction, as well as the use of ResNet with ReLU activation and fully connected layers with Softmax and Cross-Entropy functions, improve the accuracy of classification and detail of land cover segmentation. Conclusions. The study showed that the proposed technology provides a significant improvement in classification accuracy and quality compared to traditional methods such as IsoData, K-means, SVM, Minimum Distance, Maximum Likelihood, and Parallelepiped. The results demonstrate that the ResNet-based technology demonstrates high precision in segmenting the main land cover classes–crops, trees, buildings, and roads–which is crucial for effective land monitoring and management.
ENG: The relevance of developing modern technologies for land cover segmentation is growing due to increased requirements for accurate monitoring and management of land resources including for agricultural purposes. Traditional segmentation methods often lack accuracy in classifying complex classes such as crops, trees, buildings, and roads. The work aims to develop geographic information technology for extracting multiple features from Sentinel-2 satellite images and using them to segment the land cover using the ResNet neural network. Methodology. This study uses Sentinel-2 images for land cover analysis. First, the images undergo preprocessing, which includes atmospheric correction and geometric and radiometric calibration. Then, data is normalized to improve the stability of the neural network training. At the next stage, the images are processed to extract spectral, morphological, and textural features, which are the input to the ResNet model. The model uses convolutional layers and the ReLU activation function to extract features automatically. A fully connected layer with Softmax and Cross-Entropy functions is used for classification. After training, the model classifies each pixel, creating a segmented image that shows different classes of land cover, including farmland, buildings, trees, and roads. The scientific novelty of the research is the development of the latest methodology for processing Sentinel-2 satellite images, including integration of complex pre-processing, data normalization, multimodal feature extraction, and the use of deep neural networks for automatic feature extraction and classification. The new approaches to atmospheric, geometric, and radiometric correction, as well as the use of ResNet with ReLU activation and fully connected layers with Softmax and Cross-Entropy functions, improve the accuracy of classification and detail of land cover segmentation. Conclusions. The study showed that the proposed technology provides a significant improvement in classification accuracy and quality compared to traditional methods such as IsoData, K-means, SVM, Minimum Distance, Maximum Likelihood, and Parallelepiped. The results demonstrate that the ResNet-based technology demonstrates high precision in segmenting the main land cover classes–crops, trees, buildings, and roads–which is crucial for effective land monitoring and management.
Description
В. Каштан: ORCID 0000-0002-0395-5895; Вол. Гнатушенко: ORCID 0000-0003-3140-3788; І. Лактіонов: ORCID 0000-0001-7857-6382; Г. Дяченко: ORCID 0000-0001-9105-1951
Keywords
нейромережева сегментація, глибоке навчання, матриця неточностей, матриця помилок, оптичні супутникові знімки, модель ResNet, network segmentation, deep learning, confusion matrix, error matrix, optical satellite images, ResNet model, КІТС
Citation
Каштан В., Гнатушенко В., Лактіонов І., Дяченко Г. Геоінформаційна технологія нейромережевої сегментації для картографування земного покриву. Information Technology: Computer Science, Software Engineering and Cyber Security. 2024. № 3. С. 51–62. DOI: https://doi.org/10.32782/IT/2024-3-6.