МЕТОДОЛОГІЧНІ ОСНОВИ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ АНАЛІЗУ БАГАТОКАНАЛЬНИХ АЕРОКОСМІЧНИХ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.32782/IT/2024-4-19Ключові слова:
методи машинного навчання, багатоканальні космічні зображення, інформаційні технології, нейронна мережа, геоінформаційні системи.Анотація
У статті аналізуються методологічні основи інформаційних технологій, що використовуються для обробки та аналізу багатоканальних аерокосмічних зображень. Сучасні космічні супутники забезпечують високоякісні зображення в різних спектральних діапазонах, що відкриває нові можливості для моніторингу земних процесів і дослідження навколишнього середовища. Мета роботи – виявити ключові етапи та технології, що забезпечують ефективний аналіз багатоканальних аерокосмічних зображень. Методологія дослідження полягає у інтеграції сучасних інформаційних технологій для всебічного аналізу багатоканальних аерокосмічних зображень. Початковий етап передбачає попередню обробку даних, яка включає корекцію геометрії, атмосферну корекцію та нормалізацію яскравості. Ці процеси необхідні для усунення спотворень, які можуть вплинути на точність аналізу. Подальший спектральний аналіз є критично важливим для класифікації об’єктів на зображеннях. Застосування алгоритмів, таких як підтримуючі вектори (SVM) та випадковий ліс (Random Forest), дозволяє автоматизувати процес класифікації і підвищити його точність. У статті також розглядається просторовий аналіз, що передбачає вивчення просторових зв’язків між об’єктами. Геостатистичні методи, такі як інтерполяція, використовуються для оцінки просторового розподілу різних явищ, що відбуваються на поверхні Землі. Цей підхід особливо важливий для вивчення змін у ландшафтах та їх структурних характеристик. Часовий аналіз на основі часових рядів є ще одним важливим аспектом, що дозволяє дослідникам моніторити зміни в покритті території, розвиток інфраструктури та екологічні процеси. Використання таких даних є важливим для вивчення тенденцій та прогнозування майбутніх змін. Стаття акцентує увагу на застосуванні сучасних інформаційних технологій, зокрема геоінформаційних систем (ГІС) та методів машинного навчання, що суттєво підвищують ефективність аналізу багатоканальних космічних зображень. Інтеграція цих технологій дозволяє забезпечити точність і оперативність у дослідженнях, що стосуються навколишнього середовища, та сприяє кращому розумінню глобальних змін на планеті. Наукова новизна дослідження полягає у створенні методологічних основ та розвитку сучасних інформаційних технологій аналізу багатоканальних аерокосмічних зображень. В роботі запропонована послідовність кроків обробки зображень на основі розробленої в НТУ «ДП» нової технологія геометричної та спектральної корекцій космічних зображень високого просторового розрізнення з урахуванням фізичних механізмів фіксації інформації та розробленого авторами алгоритму глибокого навчання з попередньою обробкою зображень для системи підтримки прийняття рішень. Висновки статті підкреслюють важливість подальшого розвитку методів і технологій в цій галузі, а також необхідність міждисциплінарного підходу для забезпечення всебічного аналізу та моніторингу. Розроблені в роботі методологічні основи обробки багатоканальних аерокосмічних зображень та удосконалена методика їх аналізу дозволяє створити на базі первинних зображень інформаційну систему підтримки прийняття рішень з керування літальних апаратів з урахуванням розташованих на земній поверхні об’єктів.
Посилання
Adegun A. A., Viriri S., Tapamo J. R. Review of deep learning methods for remote sensing satellite images classification: Experimental survey and comparative analysis. Journal of Big Data. 2023. Vol. 10. № 93. P. 1–24.
Aziukovskyi O., Hnatushenko V., Zavizion V., Olevskyi V., Bulana T., Ivanov D., Gadiatskyi V. Decision Support System Oncoassist for Breast Cancer Computer-Aided Diagnostic. Інтелектуальні системи прийняття рішень і проблеми обчислювального інтелекту (ISDMCI’2024): матеріали XX міжнародної наукової інтернет-конференції. Херсон: Книжкове видавництво ФОП Вишемирський В., 2024. С. 21–22.
Gonzalez R. C., Woods R. E. Digital image processing (4th ed.): Pearson Education, 2018. 1019 p.
Han W., Zhang X., Wang Y., Wang L., Huang X., Li J., Wang Sh., Chen W., Li X., Feng R., Fan R., Zhang X., Wang Y. A survey of machine learning and deep learning in remote sensing of geological environment: Challenges, advances, and opportunities. ISPRS Journal of Photogrammetry and Remote Sensing. 2023. № 202. P. 87–113.
Hansen M., Loveland T. A review of large area monitoring of land cover change using Landsat data. Remote Sensing of Environment. 2012. № 122. P. 66–74.
Jensen J.R. Remote sensing of the environment: An earth resource perspective (2nd ed.): Pearson Education, 2009. 592 p.
Kashtan V. Yu., Shedlovska Y. I., Hnatushenko V. V. Processing technology of multispectral remote sensing images. International Young Scientists Forum on Applied Physics, Lviv, October 16–20 2017. Lviv, 2017. P. 355–358.
Kogan F. Remote sensing land surface changes. Springer, Cham. 2022. 462 p.
Lillesand T., Kiefer R. W., Chipman J. Remote sensing and image interpretation (7th ed.): John Wiley & Sons, 2015. 768 p.
Mather P. M., Magaly K. Computer processing of remotely-sensed images: An introduction (4th ed.). John Wiley & Sons, 2011. 464 p.
Olevskyi V. I., Olevska Yu. B., Olevskyi O. V., Hnatushenko V. V. Raster image processing using 2D Padé-type approximations. Journal of Physics: Conference Series. 2023. Vol. 2675. № 1. P. 012015.
Shevchenko V. Yu., Hnatushenko V. V., Kavats O. O. Pansharpening technology of high-resolution multispectral and panchromatic satellite images. Naukovyi Visnyk NGU. 2015. Vol. 4. № 148. P. 91–98.
Гнатушенко В. В., Олевська Ю. Б., Олевський В. І. Методи апроксимації рядами та їх застосування в біологічних і технічних задачах. Кременчук : Видавництво «НОВАБУК», 2024. 202 с.
Каштан В. Ю., Гнатушенко В. В. Інформаційна технологія підвищення інформативності багатоканальних даних на основі пакетних вейвлет-перетворень. Комп’ютерно-інтегровані технології: освіта, наука, виробництво. 2016. С. 77–83.
Каштан В. Ю., Гнатушенко В. В. Технологія геометричної та спектральної корекцій оптико-електронних космічних знімків. Вісник ХНТУ. 2017. Вип. 3. № 62. С. 286–291.
Поляков М. Нові можливості супутникових сенсорів: як змінилася EOS-індустрія за минулі роки. URL: https://maxpolyakov.com/ua/novi-mozhlivosti-suputnikovikh-sensoriv-yak-zminilasya-eos-industriya-zaminuli-
roki/ (дата звернення: 24.09.2024).
Шевченко В. Ю., Гнатушенко В. В., Кавац О. О. Підвищення просторового розрізнення багатоканальних аерокосмічних зображень високого просторового розрізнення на основі гіперсферичного перетворення. Науковий журнал Запорізького національного технічного університету, радіоелектроніка, інформатика, управління. 2015. Вип. 1. № 32. С. 73–79.