📄Работа №128497
Тема: Повышение пространственного разрешения данных дистанционного зондирования с применением методов машинного обучения
Тип работы
Магистерская диссертация
Предмет
картография
Объем:
61 листов
Год:
2021
Просмотров:
187
4915
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Глава 1. Анализ существующих алгоритмов увеличения пространственного разрешения космических снимков 6
1.1 Роль космических снимков в дистанционном изучении земной поверхности 6
1.2 Проблемы использования космических снимков в изучении земной поверхности 8
1.3 Методы увеличения пространственного и временного разрешения космических снимков 11
1.4 Краткая характеристика съемочных систем Landsat, MODIS 17
Глава 2. Алгоритм повышения пространственного разрешения космических снимков 19
2.1 Исходные данные и изучаемая территория 19
2.2 Программное и аппаратное обеспечение, необходимое для работы 25
2.3 Общая концепция алгоритма 27
2.4 Предварительная обработка данных 29
2.4.1 Атмосферная коррекция 30
2.4.2 Топографическая коррекция 32
2.4.3 Выявление облаков и теней 34
2.5 Пересчет значений сенсора ETM+ в значения OLI 36
2.6 Построение гармонической модели 39
2.7 Переход к высокому разрешению 43
Глава 3. Выбор и обучение моделей машинного обучения для задачи повышения пространственного разрешения 49
3.1 Выбор алгоритма машинного обучения 49
3.2 Результаты обучения 52
Заключение 56
Литература 57
Глава 1. Анализ существующих алгоритмов увеличения пространственного разрешения космических снимков 6
1.1 Роль космических снимков в дистанционном изучении земной поверхности 6
1.2 Проблемы использования космических снимков в изучении земной поверхности 8
1.3 Методы увеличения пространственного и временного разрешения космических снимков 11
1.4 Краткая характеристика съемочных систем Landsat, MODIS 17
Глава 2. Алгоритм повышения пространственного разрешения космических снимков 19
2.1 Исходные данные и изучаемая территория 19
2.2 Программное и аппаратное обеспечение, необходимое для работы 25
2.3 Общая концепция алгоритма 27
2.4 Предварительная обработка данных 29
2.4.1 Атмосферная коррекция 30
2.4.2 Топографическая коррекция 32
2.4.3 Выявление облаков и теней 34
2.5 Пересчет значений сенсора ETM+ в значения OLI 36
2.6 Построение гармонической модели 39
2.7 Переход к высокому разрешению 43
Глава 3. Выбор и обучение моделей машинного обучения для задачи повышения пространственного разрешения 49
3.1 Выбор алгоритма машинного обучения 49
3.2 Результаты обучения 52
Заключение 56
Литература 57
📖 Введение
Данные дистанционного зондирования Земли сегодня широко используются специалистами различных областей для решения научно-исследовательских и прикладных задач в области управления транспортом, в сфере территориального планирования, для мониторинга и предупреждения чрезвычайных ситуаций, оценки состояния сельскохозяйственных земель, составления прогнозов, при гидрологических и геологических работах и т.д. Особенно широкое распространение получили космические снимки. Они регулярно предоставляют огромный набор информации о земной поверхности на десятки и сотни тысяч квадратных километров с большой степенью детализации. Космические снимки привлекают для составления общегеографических карт, построения цифровых моделей рельефа и местности, моделирования гидрологических процессов, мониторинга состояния растительного покрова, оперативного реагирования на чрезвычайные ситуации, изучения атмосферы и вод Мирового океана.
По ряду причин на сегодняшний день нет съемочных систем, которые бы предоставляли данные одновременно с высоким пространственным и временным разрешением. Эти две величины имеют, как правило, обратную зависимость. Одни сенсоры, такие как Landsat-7 ETM+, Landsat-8 OLI, Sentinel-2 MSI, ведут съемку с высоким пространственным разрешением и используются для изучения отдельных локальных территорий. При этом данные об одной и той же местности поступают не чаще 5-16 дней. Этого может быть недостаточно для задач, которые требуют оперативного обновления информации. В этом случае привлекают снимки с космических аппаратов, ведущих съемку с периодом 1-3 дня. Однако пространственное разрешение последних может быть хуже в разы, а иногда в десятки раз.
Большинство съемочных систем ведет съемку в различных диапазонах электромагнитного спектра с разным пространственным разрешением. Существует целый ряд методов, которые позволяют восстанавливать часть информации в каналах низкой пространственной детализации или во временной серии, или в пространстве. Одни подходы ориентированы на извлечение информации из каналов с высоким разрешением той же съемочной системы (pan-sharpening), а другие - используют каналы других сенсоров (image fusion). Задача увеличения пространственного разрешения (downscaling) достаточно сложная и не может быть решена точно и однозначно.
Алгоритмы машинного обучения, основы которых были заложены еще в середине XX столетия, но активное распространение получили только в начале 2000-х годов, предоставляют множество инструментов для построения вероятностных моделей. В отличие от традиционных подходов, они не требуют установления всех зависимостей между изучаемыми явлениями вручную. Алгоритм шаг за шагом в процессе обучается сам устанавливать связи по исходным данным. Отдельная область машинного обучения - глубокое обучение, испытывающее очередной подъем с 2009-х годов использует концепцию распределенного представления, согласно которой все сложные объекты и явления могут быть описаны в терминах более простых сущностей. С помощью нее удалось добиться высоких результатов во многих областях человеческой деятельности, и обработка космических снимков не является исключением.
Однако все рассмотренные алгоритмы, использующиеся для задачи увеличения пространственного разрешения, имеют недостатки. Не всегда учитывается тот факт, что различные съемочные системы - это разные технические средства, каждый из которых получает данные в своем спектральном диапазоне. Часть методов не использует информацию о местности за прошедший период, а опирается только на данные, полученные здесь и сейчас. Другие подходы оперируют временными сериями, но при этом не всегда удается получить адекватную временную модель из -за нехватки имеющейся информации. Наконец, все известные алгоритмы разрабатываются с учетом особенностей той территории, для которой будут использоваться в дальнейшем. При этом часть параметров устанавливается вручную. Это связано, главным образом, с тем, что для каждой территории строится одна или несколько вероятностных моделей, которые могут корректно давать предсказания лишь для ограниченного пространства и только в той области, на которой производилось обучение.
Целью данной работы является разработка альтернативного алгоритма повышения пространственного разрешения космических снимков, который мог бы использоваться исследователями в своих научных целях и практиками в производственной сфере. Предложенный здесь подход является не конечным продуктом, а важнейшим инструментом на пути решения других задач. При разработке алгоритма ставилась задача сделать его универсальным в том смысле, что его применение не должно затруднять его использование, а настройка параметров производилась бы автоматически на основании доступного массива данных. Особенностью новой методики является локальное моделирование, при котором каждая модель строится только для небольшого участка земной поверхности, позволяя тем самым подчеркнуть индивидуальные особенности местности. Для достижения поставленной цели было необходимо решить следующие задачи:
- изучить современные алгоритмы и подходы, которые широко используются в задачах повышения пространственного разрешения космических снимков; выявить проблемы, с которыми они сталкиваются, и найти возможные пути их решения;
- изучить программные средства, которые могут быть использованы при разработке алгоритма, а также на отдельных его этапах;
- исследовать основные алгоритмы машинного обучения, область их применимости, особенности отдельных моделей и изучить возможность их использования для достижения поставленной цели;
- разработать алгоритм для решения задачи повышения пространственного разрешения;
- произвести оценку предложенного подхода, его применимость на различных территориях.
По ряду причин на сегодняшний день нет съемочных систем, которые бы предоставляли данные одновременно с высоким пространственным и временным разрешением. Эти две величины имеют, как правило, обратную зависимость. Одни сенсоры, такие как Landsat-7 ETM+, Landsat-8 OLI, Sentinel-2 MSI, ведут съемку с высоким пространственным разрешением и используются для изучения отдельных локальных территорий. При этом данные об одной и той же местности поступают не чаще 5-16 дней. Этого может быть недостаточно для задач, которые требуют оперативного обновления информации. В этом случае привлекают снимки с космических аппаратов, ведущих съемку с периодом 1-3 дня. Однако пространственное разрешение последних может быть хуже в разы, а иногда в десятки раз.
Большинство съемочных систем ведет съемку в различных диапазонах электромагнитного спектра с разным пространственным разрешением. Существует целый ряд методов, которые позволяют восстанавливать часть информации в каналах низкой пространственной детализации или во временной серии, или в пространстве. Одни подходы ориентированы на извлечение информации из каналов с высоким разрешением той же съемочной системы (pan-sharpening), а другие - используют каналы других сенсоров (image fusion). Задача увеличения пространственного разрешения (downscaling) достаточно сложная и не может быть решена точно и однозначно.
Алгоритмы машинного обучения, основы которых были заложены еще в середине XX столетия, но активное распространение получили только в начале 2000-х годов, предоставляют множество инструментов для построения вероятностных моделей. В отличие от традиционных подходов, они не требуют установления всех зависимостей между изучаемыми явлениями вручную. Алгоритм шаг за шагом в процессе обучается сам устанавливать связи по исходным данным. Отдельная область машинного обучения - глубокое обучение, испытывающее очередной подъем с 2009-х годов использует концепцию распределенного представления, согласно которой все сложные объекты и явления могут быть описаны в терминах более простых сущностей. С помощью нее удалось добиться высоких результатов во многих областях человеческой деятельности, и обработка космических снимков не является исключением.
Однако все рассмотренные алгоритмы, использующиеся для задачи увеличения пространственного разрешения, имеют недостатки. Не всегда учитывается тот факт, что различные съемочные системы - это разные технические средства, каждый из которых получает данные в своем спектральном диапазоне. Часть методов не использует информацию о местности за прошедший период, а опирается только на данные, полученные здесь и сейчас. Другие подходы оперируют временными сериями, но при этом не всегда удается получить адекватную временную модель из -за нехватки имеющейся информации. Наконец, все известные алгоритмы разрабатываются с учетом особенностей той территории, для которой будут использоваться в дальнейшем. При этом часть параметров устанавливается вручную. Это связано, главным образом, с тем, что для каждой территории строится одна или несколько вероятностных моделей, которые могут корректно давать предсказания лишь для ограниченного пространства и только в той области, на которой производилось обучение.
Целью данной работы является разработка альтернативного алгоритма повышения пространственного разрешения космических снимков, который мог бы использоваться исследователями в своих научных целях и практиками в производственной сфере. Предложенный здесь подход является не конечным продуктом, а важнейшим инструментом на пути решения других задач. При разработке алгоритма ставилась задача сделать его универсальным в том смысле, что его применение не должно затруднять его использование, а настройка параметров производилась бы автоматически на основании доступного массива данных. Особенностью новой методики является локальное моделирование, при котором каждая модель строится только для небольшого участка земной поверхности, позволяя тем самым подчеркнуть индивидуальные особенности местности. Для достижения поставленной цели было необходимо решить следующие задачи:
- изучить современные алгоритмы и подходы, которые широко используются в задачах повышения пространственного разрешения космических снимков; выявить проблемы, с которыми они сталкиваются, и найти возможные пути их решения;
- изучить программные средства, которые могут быть использованы при разработке алгоритма, а также на отдельных его этапах;
- исследовать основные алгоритмы машинного обучения, область их применимости, особенности отдельных моделей и изучить возможность их использования для достижения поставленной цели;
- разработать алгоритм для решения задачи повышения пространственного разрешения;
- произвести оценку предложенного подхода, его применимость на различных территориях.
✅ Заключение
В этой работе были рассмотрены современные подходы для решения задач, связанных с улучшением пространственного разрешения космических снимков. В ходе изучения были выявлены их преимущества и недостатки. На основании этого анализа предложен новый алгоритм, в котором используются алгоритмы машинного обучения для построения вероятностных моделей. Для возможности его применения на любую территорию построение и настройка моделей осуществлялась локально, что позволило учитывать все особенности местности. Для получения более точных результатов проводилась предварительная обработка космических снимков, устанавливалась зависимость между различными съемочными системами и использовалась временная гармоническая модель. Разработка алгоритма и его тестирование осуществлялось при помощи облачной платформы Google Earth Engine и библиотеки машинного обучения TenzorFlow языка программирования Python.
В результате сделанной работы были решены следующие задачи:
- проанализированы современные алгоритмы для решения задачи увеличения пространственного разрешения космических снимков;
- изучена облачная платформа Google Earth Engine;
- исследованы модели машинного обучения и их применимость при решении задачи;
- разработан и апробирован новый алгоритм, который можно использовать на любой территории;
- написан программный код реализации отдельных частей алгоритма.
В результате сделанной работы были решены следующие задачи:
- проанализированы современные алгоритмы для решения задачи увеличения пространственного разрешения космических снимков;
- изучена облачная платформа Google Earth Engine;
- исследованы модели машинного обучения и их применимость при решении задачи;
- разработан и апробирован новый алгоритм, который можно использовать на любой территории;
- написан программный код реализации отдельных частей алгоритма.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.