Разработка алгоритма семантической сегментации данных дистанционного зондирования земли для определения фитопланктонных популяций

Введение. Компьютерное зрение широко используется для семантической сегментации данных дистанционного зондирования Земли (ДЗЗ). Метод позволяет контролировать экосистемы, в том числе водные. Востребованы алгоритмы, обеспечивающие качество семантической сегментации снимков ДЗЗ, в частности, для выявления областей с фитопланктоном, где возможно цветение воды - причина заморов. Цель исследования - создание алгоритма, обрабатывающего спутниковые данные как входную информацию для формирования и верификации математических моделей гидродинамики, по которым отслеживается состояние водных объектов. В литературе описаны различные алгоритмы семантической сегментации. Новые исследования сосредоточены на повышении надежности распознавания - чаще с помощью нейросетей. Этот подход совершенствуется в представленной работе. Для развития направления предлагаются новый набор сведений из открытых источников и синтетические данные для улучшения обобщающей способности модели. Впервые область контура фитопланктонной популяции сравнивается с базой данных - и так формируются граничные условия для реализации математических моделей и построения гранично-адаптивных сеток.Материалы и методы. Набор снимков ДЗЗ дополнили с помощью авторского аугментационного алгоритма на языке Python. Компьютерное зрение сегментировало области фитопланктонных популяций на снимках. Сверточную нейронную сеть (СНС) U-Net обучили на базе ускорителей вычислений NVIDIA Tesla T4.Результаты исследования. Для автоматизации обнаружения областей распространения фитопланктона разработан алгоритм компьютерного зрения, основанный на СНС U-Net. Модель оценили по вычисленным значениям основных метрик качества, относящихся к задачам сегментации. Получены следующие значения метрик: Precision = 0,89, Recall = 0,88, F1 = 0,87, Dice = 0,87 и IoU = 0,79. Графическая визуализация результатов обучения СНС на обучающем и валидационном наборах показала хорошее качество обучения модели. Об этом свидетельствуют малые изменения функции потерь в конце обучения. Выполненная моделью сегментация оказалась близка к ручной разметке, что говорит о высоком качестве предложенного решения. По площади одного пикселя рассчитали площадь сегментированной области фитопланктонной популяции. Полученный результат для исходного изображения - 51202,5 (по информации о количестве пикселей, относящихся к цветению сине-зеленых водорослей). Соответствующий итог моделирования - 51312.Обсуждение и заключение. Исследование расширяет теоретические и практические знания о применении сверточных нейронных сетей для семантической сегментации данных космических снимков. Учитывая итоги работы, можно оценить потенциал автоматизации процесса семантической сегментации данных ДЗЗ для определения границ фитопланктонных популяций с помощью искусственного интеллекта. Применение предложенной модели компьютерного зрения для получения контуров цветения воды из-за фитопланктона позволит создать базы данных - основу для экологического мониторинга водных ресурсов и прогностического моделирования гидробиологических процессов.