Автоматическая сегментация объектов размещения отходов с использованием искусственных нейронных сетей по данным спутниковой съемки в Арктическом регионе
Abstract
Проведены исследования проблемы производственных и коммунальных отходов в Арктическом регионе, в том числе целесообразность применения методов дистанционного зондирования Земли из космоса для мониторинга свалок. Предлагается нейросетевая модель автоматической сегментации свалок и мусорного покрова, обученная по полутоновым спутниковым изображениям высокого пространственного разрешения. Модель протестирована на спутниковых снимках Арктического региона. Сегментировано порядка нескольких тысяч свалок в Красноярском крае и Мурманской области, вычислены интегральные параметры распределения мусорного покрова.
Keywords:
свалки – landfills; объекты размещения отходов – waste disposal facilities; мусорный покров – garbage cover; искусственная нейронная сеть – artificial neural network; свёрточная сеть – convolutional net -work; u-net –u-net; компьютерное зрение – computer vision; изображение – image; спутниковое изображение – satellite image; космический мониторинг – space monitoring; семантическая сегментация – semantic segmentation; Арктика – Arctic; Арктический регион – Arctic region.
References
1. Заров, Е. А. Исследование Арктики из космоса / Е.А. Заров // GoArctic [Электронный ресурс]. – 2018. – URL: https://goarctic.ru/work/issledovanie-arktiki-iz-kosmosa/?ysclid=lg19xxbcj7198226613 (дата обращения: 01.08.2023).
2. Объекты размещения отходов как источник чрезвычайных ситуаций экологического характера / М.А. Шахраманьян, А.А. Рихтер, Е.М. Приорова, В.Г. Масюк // Проблемы безопасности и чрезвычайных ситуаций. – 2019. – № 2. – С. 101–110.
3. Шахраманьян, М. А. Методы и технологии космического мониторинга объектов захоронения отходов в интересах обеспечения экологической безопасности территорий: учеб.-методич. пособие / М.А. Шахраманьян, А.А. Рихтер. – Москва: Издательский центр РГУ нефти и газа имени И.М. Губкина, 2013. – 241 с.
4. Мониторинг и прогнозирование социально-экономического развития регионов на основе анализа космических снимков: [монография] / М.Л. Казарян, А.А. Рихтер, М.А. Шахраманьян, Р.Д. Недков. – Москва : ИНФРА-М, 2019. – 256 с.
5. Арбузова, А. Откуда в Арктике пластик и чем это нам грозит / А. Арбузова // РБК Тренды [Электронный ресурс]. – 2022. – URL: https://trends.rbc.ru/trends/green/624ec7529a7947b9d0dbd5e2 (дата обращения: 01.08.2023).
6. Способы утилизации микропластика нашли в Пермском Политехе // Научная Россия [Электронный ресурс]. – 2023. – URL: https://scientificrussia.ru/articles/sposobyutilizacii-mikroplastika nasli-v-permskom-politehe (дата обращения: 01.08.2023).
7. 700 тонн металлолома: откуда в Арктике мусор и кто наводит там порядок // Дзен [Электронный ресурс]. – 2022. – URL: https://dzen.ru/a/Y1fP29qW3i3o25c- (дата обращения: 01.08.2023).
8. Разработка фундаментальных основ и методов выявления аномальных процессов и явлений в океане, атмосфере и на суше, в том числе в Арктическом регионе по данным дистанционного зондирования земли и моделирования: Отчет о НИР (заключительный) / Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" ; М.Н. Цидилина, Т.Н. Чимитдоржиев, А.Н. Серебряный [и др.]. – № 075-15-2020-776. – Москва, 2022. – 1091 с.
9. Теоретические и экспериментальные исследования поставленных перед ПНИЭР задач. Обобщение и оценка результатов исследований, подведение итогов реализации проекта. Научно технический отчет о составной части ПНИЭР «Разработка методов и алгоритмов повышения пространственного разрешения аэрокосмических изображений для мониторинга объектов железнодорожного транспорта» по этапу № 2 календарного плана договора №_МН-1823/1C от 12 декабря 2019 г. / НИИ «АЭРОКОСМОС», ФИЦ ИУ РАН, 2020 г. – 342 с.
10. Ibtehaz, N. MultiResUNet : Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation / N. Ibtehaz, M. S. Rahman // Neural Networks. – 2020. – Vol. 121. – P. 74–87. 11. Clevert, D.-A. Fast and accurate deep network learning by exponential linear units (elus) / D.-A. Clevert, T. Unterthiner, S. Hochreiter // Machine Learning. – 2016. – arXiv:1511.07289v5 [cs.LG].
12. Shrivastava, A. Training Region-based Object Detectors with Online Hard Example Mining / A. Shrivastava, A. Gupta, R. Girshick // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – URL: https://arxiv.org/abs/1604.03540v1 (дата обращения: 01.08.2023).
13. Получение информации об антропогенном замусоривании земной поверхности по данным спутниковой съёмки / О.Г. Гвоздев, К.А. Касинская, А.Б. Мурынин, А.А. Рихтер // Тезисы докладов второй международной конференции «Ситуация, язык, речь. Модели и приложения», Москва, Россия – Рим, Италия, 8–11 октября 2019. – 2019. – С. 50–51.
14. Гвоздев, О. Г. Комплекс прикладных решений по построению и обучению искусственных нейронных сетей для семантической сегментации аэрокосмических изображений произвольной канально-спектральной структуры в условиях дефицита обучающих данных / О.Г. Гвоздев, А.Б. Мурынин, А.А. Рихтер // Материалы 19-й Всероссийской конференции с международным участием: Математические методы распознавания образов (ММРО–2019). – 2019. – Москва : Российская академия наук. – С. 344–348.
15. Гвоздев, О. Г. Экспериментальное исследование метода семплирования и аугментации спутниковых изображений SEGA / О.Г. Гвоздев, А.В. Матерухин, А.А. Майоров // Известия высших учебных заведений. Геодезия и аэрофотосъемка. – 2022. – Т. 66, № 5. – С. 47–59.