О классификации космических снимков Sentinel-2 нейронной сетью Resnet-50
Автор: Бычков Игорь Вячеславович, Ружников Геннадий Михайлович, Федоров Роман Константинович, Попова Анастасия Константиновна, Авраменко Юрий Владимирович
Журнал: Компьютерная оптика @computer-optics
Рубрика: Численные методы и анализ данных
Статья в выпуске: 3 т.47, 2023 года.
Бесплатный доступ
В работе исследовано изменение точности классификации спутниковых изображений при различных комбинациях параметров нейронной сети и набора входных данных. Проведено добавление к обучающей выборке индекса NDVI и локальных бинарных шаблонов. Выполнено тестирование классификаторов, созданных на разных количествах эпох и образцах. Определены значения гиперпараметров нейронной сети, позволяющие достичь точности классификации 0,70 и F-меры 0,65. Разделение классов с похожими спектральными характеристиками показывает низкое качество при различных параметрах и наборах входных данных. Для улучшения требуется привлечение дополнительной информации. Например, для разделения лесов на подклассы необходимо применение классификаторов, использующих изображения за разные периоды года, учитывающих вегетационный период. Кроме того, необходимо расширение обучающей выборки для учета различных природных зон, почв и т.д.
Нейронные сети, классификация, данные дзз, обработка изображений, машинное обучение, локальные бинарные шаблоны
Короткий адрес: https://sciup.org/140300066
IDR: 140300066 | DOI: 10.18287/2412-6179-CO-1216
Список литературы О классификации космических снимков Sentinel-2 нейронной сетью Resnet-50
- Talukdar S, Mahato S, Shahfahad 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 machinelearning 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.
- Feng Q, Liu J, Gong J. UAV remote sensing for urban vegetation mapping using random forest and texture analysis. Remote Sens 2015; 7: 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: 946. DOI: 10.3390/rs10060946.
- Immitzer M, Neuwirth M, Böck S, Brenner H, Vuolo F, Atzberger C. Optimal input features for tree species classification in Central Europe based on multi-temporal Sentinel-2 data. Remote Sens 2019; 11: 22. DOI: 10.3390/rs11222599.
- Axelsson A, Lindberg E, Reese H, Olsson H. Tree species classification using Sentinel-2 imagery and Bayesian inference. Int J Appl Earth Obs Geoinf 2021; 100: 102318.
- Chambon T. Fighting hunger through open satellite data: a new state of the art for land use classification. 2019. Source: áhttps://medium.com/omdena/fighting-hungerthrough-open-satellite-data-a-new-state-of-the-art-for-landuse-classification-f57f20b7294bñ.
- Wang D, Wan B, Qiu P, Su Y, Guo Q, Wang R, Sun F, Wu X. Evaluating the performance of Sentinel-2, Landsat 8 and Pléiades-1 in mapping mangrove extent and species. Remote Sens 2018; 10: 9.
- Abdi AM. Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GIScience Remote Sens 2020; 57(1): 1-20.
- Paringer RA, Mukhin AV, Kupriyanov AV. Formation of an informative index for recognizing specified objects in hyperspectral data. Computer Optics 2021; 45(6): 873-878. DOI: 10.18287/2412-6179-CO-930.
- 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(30): 274. DOI: 10.3390/rs11030274.
- Campos-Taberner M, García-Haro FJ, Martínez B, Izquierdo-Verdiguier E, Atzberger C, Camps-Valls G, Gilabert MA. Understanding deep learning in land use classification based on Sentinel-2 time series. Sci Rep 2020; 10(1): 17188.
- Ojala T, Pietikäinen M, Hawood D. A comparative study of texture measures with classification based on featured distributions. Pattern Recogn 1996; 29(1): 51-59.
- Huang D, Shan C, Ardabilian M, Wang Y, Chen L. Local binary patterns and its applications on facial image: A survey. IEEE Trans Syst Man Cybern Syst 2011; 41(6): 765-781.
- Myasnikov VV. Description of images using a configuration equivalence relation. Computer Optics 2018; 42(6): 998-1007. DOI: 10.18287/2412-6179-2018-42-6-998-1007.
- Wei X, Yu X, Liu B, Zhi L. Convolutional neural networks and local binary patterns for hyperspectral image classification. Eur J Remote Sens 2019; 52(1): 448–462. DOI: 10.1080/22797254.2019.1634980.
- Zhao F, Sun R, Zhong L, Meng R, Huang C, Zeng X, Wang M, Li Y, Wang Z. Monthly mapping of forest harvesting using dense time series Sentinel-1 SAR imagery and deep learning. Remote Sens Environ 2022; 269: 112822.
- Bychkov IV, Ruzhnikov GM, Fedorov RK, Popova AK, Avramenko YV. Classification of Sentinel-2 satellite images of the Baikal Natural Territory. Computer Optics 2022; 46(1): 90-96. DOI: 10.18287/2412-6179-CO-1022.
- Gitelson AA, Merzlyak MN, Lichtenthaler HK. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm. J Plant Physiol 1996; 148(3-4): 501-508. DOI: 10.1016/S0176-1617(96)80285-9.
