Классификация космоснимков Sentinel-2 Байкальской природной территории
Автор: Бычков Игорь Вячеславович, Ружников Геннадий Михайлович, Федоров Роман Константинович, Попова Анастасия Константиновна, Авраменко Юрий Владимирович
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 1 т.46, 2022 года.
Бесплатный доступ
В работе рассматривается задача классификации мультиспектральных космоснимков Sentinel-2 при организации экологического мониторинга Байкальской природной территории. Специфика территории потребовала создания нового набора из 12 классов, который учитывает актуальные проблемы и сформирован таким образом, что площади, соответствующие этим классам, полностью покрывают исследуемую территорию. Обучающая выборка сформирована с помощью Web-интерфейса на основе космоснимков Sentinel-2 и полевых исследований. Классификация космоснимков проводилась с использованием алгоритмов RandomForest и нейронной сети ResNet50. Точность расчетов показала, что результаты классификации могут применяться для решения актуальных задач Байкальской природной территории, в частности, для анализа изменений лесного фонда, оценки влияния изменений климата на ландшафт, анализа динамики застройки, инвентаризации сельхозугодий и т.д.
Нейронные сети, классификация, sentinel-2, дзз, обработка изображений
Короткий адрес: https://sciup.org/140290708
IDR: 140290708 | DOI: 10.18287/2412-6179-CO-1022
Список литературы Классификация космоснимков Sentinel-2 Байкальской природной территории
- Talukdar S, Singha P, Mahato S, Pal S, Liou YA, Rahman A. Land-use land-cover classification by machine learning classifiers for satellite observations - A review. Remote Sens 2020; 12(7): 1135. DOI: 10.3390/rs12071135.
- Keshtkar H, Voigt W, Alizadeh E. Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery. Arab J Geosci 2017; 10: 154. DOI: 10.1007/s12517-017-2899-y.
- Lastovicka J, Svec P, Paluba D, Kobliuk N, Svoboda J, Hladky R, Stych P. Sentinel-2 data in an evaluation of the impact of the disturbances on forest vegetation. Remote Sens 2020; 12(12): 1914. DOI: 10.3390/rs12121914.
- Puletti N, Chianucci F, Castaldi C. Use of Sentinel-2 for forest classification in Mediterranean environments. Ann Silvic Res 2018; 42(1): 32-38. DOI: 10.12899/ASR-1463.
- Terekhin EA. Indication of long-term changes in the vegetation of abandoned agricultural lands for the forest-steppe zone using NDVI time series. Computer Optics 2021; 45(2): 245-252. DOI: 10.18287/2412-6179-CO-797.
- Belov AM, Denisova AY. Earth remote sensing imagery classification using a multi-sensor super-resolution fusion algorithm. Computer Optics 2020; 44(4): 627-635. DOI: 10.18287/2412-6179-CO-735.
- Borzov SM, Potaturkin OI. Increasing the classification efficiency of hyperspectral images due to multi-scale spatial processing. Computer Optics 2020; 44(6): 937-943. DOI: 10.18287/2412-6179-CO-779.
- Grabska E, Frantz D, Ostapowicz K. Evaluation of machine learning algorithms for forestst and species mapping using Sentinel-2 imagery and environmental data in the Polish Carpathians. Remote Sens Environ 2020; 251: 112103. DOI: 10.1016/j.rse.2020.112103.
- Rodriguez-Galiano VF, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sanchez JP. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS J Photogramm Remote Sens 2012; 67: 93-104. DOI: 10.1016/j.isprsjprs.2011.11.002.
- Feng Q, Liu J, Gong J. UAV Remote sensing for urban vegetation mapping using random forest and texture analysis. Remote Sens 2015; 7(1): 1074-1094. DOI: 10.3390/rs70101074.
- Liu Y, Gong W, Hu X, Gong J. Forest type identification with random forest using Sentinel-1A, Sentinel-2A, multitemporal Landsat-8 and DEM data. Remote Sens 2018; 10(6): 946. DOI: 10.3390/rs10060946.
- Alhassan V, Henry C, Ramanna S, Storie C. A deep learning framework for land-use/land-cover mapping and analysis using multispectral satellite imagery. Neural Comput Appl 2020; 32: 8529-8544. DOI: 10.1007/s00521-019-04349-9.
- Carranza-García M, García-Gutiérrez J, Riquelme JC. A framework for evaluating land use and land cover classification using convolutional neural networks. Remote Sens 2019; 11(3): 274. DOI: 10.3390/rs11030274.
- Zhang W, Tang P, Zhao L. Fast and accurate land cover classification on medium resolution remote sensing images using segmentation models. Int J Remote Sens 2021; 42(9): 3277-3301. DOI: 10.1080/01431161.2020.1871094.
- Chambon T. Fighting hunger through open satellite data: A new state of the art for land use classification. 2019. Source: (https://medium.com/omdena/fighting-hunger-through-open-satellite-data-a-new-state-of-the-art-for-land-use-classification-f57f20b7294b>.
- [16]Helber P, Bischke B, Dengel A, Borth D. Introducing Eurosat: A Novel Dataset and Deep Learning Benchmark for land use and land cover classification. 2018 IEEE Int Geo-science and Remote Sensing Symposium (IGARSS 2018) 2018: 204-207. DOI: 10.1109/IGARSS.2018.8519248.
- Bychkov IV, Ruzhnikov GM, Fedorov RK, Avramenko YV, Shumilov AS, Shigarov AO, Verhozina AV, Emel-yanova NV, Sorokovoi AA. Technology of information and analytical support for interdisciplinary environmental studies in the Baikal Region. In Book: Bychkov I, Voronin V, eds. Information technologies in the research of biodiversity. Switzerland AG: Springer Nature; 2019: 116-124. DOI: 10.1007/978-3-030-11720-7 16.
