Сравнительный анализ влияния компонентов мультиспектрального снимка на точность автоматизированного дешифрирования объектов гидрографии
Читать статью полностью
Сравнительный анализ влияния компонентов мультиспектрального снимка на точность автоматизированного дешифрирования объектов гидрографии(1,11 MB)Аннотация
В статье рассматривается влияние отдельных спектральных каналов на итоговую точность автоматизированного дешифрирования объектов гидрографии. В качестве исходных данных используются снимки Sentinel-2. Выполнена сегментация объектов гидрографии на отдельных снимках с использованием наиболее популярных архитектур нейронных сетей для обработки растровых данных с вычислением базовой точности классификации (accuracy) и площади пересечения областей (IoU). Произведен анализ полученных результатов для наиболее типовых комбинаций спектральных каналов и индексов. Предложен способ вычисления коэффициента ценности информации для данной категории задач.
Ключевые слова:
мультиспектральные спутниковые снимки – multispectral satellite images; автоматизированное дешифрирование – automated interpretation; объекты гидрографии – hydrographic objects; оценка точности – accuracy estimation; машинное обучение – machine learning.
Список литературы
1. Luo, X. An applicable and automatic method for earth surface water mapping based on multispectral images / X. Luo, X. Tong, Z. Hu // International Journal of Applied Earth Observation and Geoinformation. – 2021. – Vol. 103. – P. 102472.
2. Вечеров, В. В. Применение автоматизированного дешифрирования данных Sentinel-2 для создания актуализированных карт-схем страт ГИЛ на территории труднодоступных районов Российской Федерации / В.В. Вечеров // Лесохозяйственная информация. – 2019. – № 2. – С. 5–14.
3. Терехин, Э. А. Методика поиска эффективных спектральных индексов для автоматизированного дешифрирования водных объектов (на примере Белгородской области) / Э.А. Терехин // География и природные ресурсы. – 2013. – № 3. – С. 132–138.
4. Moghaddam, M. H. R. Applying MNDWI index and linear directional mean analysis for morphological changes in the Zarriné-Rūd River / M.H.R. Moghaddam, A. Sedighi, M.A. Fayyazi // Arabian Journal of Geosciences. – 2015. – Vol. 8, No. 10. – P. 8419–8428.
5. Comparison of multi-source satellite images for classifying marsh vegetation using DeepLabV3 Plus deep learning algorithm / M. Liu, B. Fu, S. Xie [et al.] // Ecological Indicators. – 2021. – Vol. 125. – P. 107562.
6. He, S. Semantic segmentation of very high resolution remote sensing images with residual logic deep fully convolutional networks / S. He, J. Liu // Proceedings of SPIE – The International Society for Optical Engineering . – 2020. – Vol. 11432. – P. 114320J.
7. Intelligent garbage classification system based on improve MobileNetV3-Large / Y. Zhao, H. Huang, Z. Li [et al.] // Connection Science. – 2022. – Vol. 34, No. 1. – P. 1299–1321.
8. Weng, L. Ch. Cross-Entropy Loss for Recommending Efficient Fold-Over Technique / L.Ch. Weng, A.M. Elsawah, K.T. Fang // Journal of Systems Science and Complexity. – 2021. – Vol. 34, No. 1. – P. 402–439.