МОНИТОРИНГ ТЕРРИТОРИИ НА ОСНОВЕ СПУТНИКОВЫХ СНИМКОВ

Реализованный метод для автоматической загрузки спутниковых снимков с указанной области в указанный диапазон дат позволяет иметь доступ к данным с любой требуемой территории. Также реализация данного метода позволяет настраивать набор интересующих каналов информации и вид, в котором они будут получены, что делает ее универсальной для любых задач, требующих загрузки данных сервиса Sentinel Hub.
Метод коррекции облаков позволяет увеличивать незакрытую облаками и их тенями видимую часть на изображении за счет создания из 6 снимков, сделанных за 1 месяц, одного изображения поверхности, с количеством облаков, как правило, меньше, чем на любом из этих 6 снимков. В крайнем случае, количество облаков будет равно их количество на наименее облачном снимке.
При реализации данного метода учитывалось то, что на одном снимке растительность может присутствовать, а на другом снимке той же территории за тот же месяц отсутствовать по причине плохой видимости в области ее нахождения и при этом отсутствия детекции этой части, как облака или по причине исчезновения растительности. Благодаря этому вся растительность, которая была зафиксирована в течение месяца, сохранена на итоговом изображении.
Это позволяет наблюдать за динамикой каждый месяц. Данное время можно считать хорошим периодом наблюдения для данной задачи, так как изменения растительности происходят сравнительно медленно и шаг в один месяц достаточен для наблюдения динамики.
В результате осуществления классификации песка и почвы, как разных типов поверхностей, были созданы модели, детектирующие два этих класса с высокой точностью для задач детекции. Лучшие результаты показали такие методы, как Случайный лес - Б-мера=95.18% и Метод опорных векторов - F-мера = 94.55%. Это позволяет определять области, наиболее благоприятные для посадки растений. Кроме того, эти области обладают повышенным приоритетом, так как при возникновении проблемы опустынивания, регион, столкнувшийся с ней, будет заинтересован в сохранении максимально большой части территорий, пригодных для роста растений.
Данная классификация может быть также полезна в том случае, если возникает потребность построить карту скоростей распространения песка. В некоторых регионах скорость роста пустыни достаточно велика, чтобы за несколько лет она была хорошо заметна на спутниковых снимках сервиса Sentinel Hub.
Полученная точность детекции является достаточно высокой, из чего следует, что имеет смысл модернизировать и развивать этот метод дальше. Разработанный алгоритм для создания классификатора почвы и песка может быть применен и к задачам классификации, нацеленным на другие классы поверхности.
При использовании не только данного метода детекции песка и почвы, но и методов, учитывающих взаимное расположение пикселей на изображении, есть вероятность еще больше увеличить точность классификации.
Еще одной отличительной чертой данного метода является то, что он использует обучение с учителем, в то время как для подобного рода задач популярны методы обучения без учителя. Например кластеризация методом K-means.
В результате расчета территории, занятой растительностью, была продемонстрирована способность таким образом получать возможность видеть общую картину происходящего на выбранной территории.
Это позволило собрать количественную информацию о растительности на исследуемой территории и подкрепить уже известную информацию о неблагоприятной ситуации точными расчетами.
Результаты, полученные в ходе расчета, согласуются с информацией о событиях, произошедших на исследуемой территории, что подтверждает правильность произведенных расчетов.
Благодаря реализованному методу расчета площади занятой территории, можно получать данные о размере площади, которую занимает любой заданный класс, зафиксированный на маске территории.


Купить