РОЗПІЗНАВАННЯ ТА МОНІТОРИНГ ВОДНИХ ОБ’ЄКТІВ НА ОПТИЧНИХ СУПУТНИКОВИХ ЗОБРАЖЕННЯХ ІЗ ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.32782/IT/2023-3-4Ключові слова:
машинне навчання, сегментація зображень, картографування, оцифрування берегової лінії, опорні вектори.Анотація
Річки, озера та відкриті водойми є ключовими компонентами для розвитку навколишнього середовища, особливо в міських екосистемах. Точні карти міських поверхневих водних об’єктів на основі супутникових даних є важливою передумовою для кращого та швидшого прийняття рішень щодо моніторингу міських екосистем, впливу міських теплових островів та адаптації до зміни клімату. В роботі запропоновано інформаційну технологію розпізнавання та моніторингу водних об’єктів на оптичних супутникових зображеннях з використанням машинного навчання. Розроблена технологія складається з восьми етапів: завантаження первинних даних; геоприв’язка растрових зображень; попередня обробка даних; сегментація даних для визначення границь водних об’єктів та ділянки землі; оцифрування берегової лінії; створення бінарної маски; картографування контурів водних об’єктів з використанням топографічної карти та аналіз просторово-часових змін. Машинне навчання використовується для сегментації зображень, а метод опорних векторів (SVM) використовується для картографування контурів водних об’єктів. Це дозволяє отримати результати з субпіксельною точністю, забезпечуючи важливу інформацію для подальших досліджень та прийняття рішень. Експерименти проведено на супутникових даних Sentinel-2 для моніторингу водних об’єктів з просторовим розрізненням 10 метрів. Областю дослідження стала берегова лінії Одеської області – Національний природний парк "Тузлівські лимани". Порівняльний кількісний аналіз з існуючими методами, такими як водні індекси та K-means, підтверджує високу точність розробленої технології протягом 2016–2023 років (точність від 96.96% до 97%). Коефіцієнт Каппа, який враховує ступінь узгодженості між реальною та передбачуваною класифікацією, підтверджує високу стабільність та достовірність підходу (0.94). Технологія моніторингу водних об’єктів на оптичних супутникових зображеннях з використанням машинного навчання може бути використана для дослідження змін на прибережних територіях, прийняття рішень в галузі управління прибережними ресурсами та земельним використанням.
Посилання
Chatufale, Aditya P., Priti, P. Rege, and Abhishek Bhatt. Extraction of waterbody using object-based image analysis and XGBoost. Advanced Machine Intelligence and Signal Processing. Singapore: Springer Nature Singapore, 2022. 341-350.
Chen, Y., Fan, R., Bilal, M., Yang, X., Wang, J., Li, W. Multilevel Cloud Detection for High-Resolution Remote Sensing Imagery Using Multiple Convolutional Neural Networks. ISPRS Int. J. Geo-Inf., 7, 2018. 181.
Désirée, Ruppen, James, Runnalls, Raphael, M., Tshimanga, Bernhard, Wehrli, Daniel, Odermatt. Optical remote sensing of large-scale water pollution in Angola and DR Congo caused by the Catoca mine tailings spill. International Journal of Applied Earth Observation and Geoinformation, 2023. 118.
Feng, W., Sui, H., Huang, W., Xu, C. and An, K. Water Body Extraction From Very High-Resolution Remote Sensing Imagery Using Deep U-Net and a Superpixel-Based Conditional Random Field Model. IEEE Geoscience and Remote Sensing Letters, 2019. 16(4), 618-622.
Fisher, A., Flood, N., Danaher, T. Comparing Landsat water index methods for automated water classification in eastern Australia. Remote Sens. Environ, 2016. 175, 167–182.
Jiang, W., He, G., Long, T., Ni, Y., Liu, H., Peng, Y., Lv, K., Wang G. Multilayer Perceptron Neural Network for Surface Water Extraction in Landsat 8 OLI Satellite Images. Remote Sens, 2018. 10, 755.
Li, W, Qin, Y, Sun, Y, Huang H, Ling F, Tian L, Ding Y. Estimating the relationship between dam water level and surface water area for the Danjiangkou Reservoir using Landsat remote sensing images. Remote Sens Lett, 2016. 7(2), 121–130.
Liu, Qihang, et al. Probabilistic river water mapping from Landsat-8 using the support vector machine method. Remote Sensing, 2020. 12(9), 1374.
Mao, Taomin, Yewen, Fan, Shuang Zhi, and Jinshan, Tang. A Morphological Feature-Oriented Algorithm for Extracting Impervious Surface Areas Obscured by Vegetation in Collaboration with OSM Road Networks in Urban Areas. Remote Sensing, 2022. 10(14), 2493.
Nardini, A.G.C., Salas, F., Carrasco, Z., Valenzuela, N., Rojas, R., Vargas-Baecheler, J., Yépez S. Automatic River Planform Recognition Tested on Chilean Rivers. Water, 2023. 15, 2359.
Palomar-Vázquez, Jesús, Josep E., Pardo-Pascual, Jaime, Almonacid-Caballer, and Carlos, Cabezas-Rabadán. Shoreline Analysis and Extraction Tool (SAET): A New Tool for the Automatic Extraction of Satellite-Derived Shorelines with Subpixel Accuracy. Remote Sensing, 2023. (15), 3198.
Vapnik V. Cham. The Nature of Statistical Learning Theory. Springer Science & Business Media. 2013.
Wangchuk, Sonam, and Tobias, Bolch. Mapping of glacial lakes using Sentinel-1 and Sentinel-2 data and a random forest classifier: Strengths and challenges. Science of Remote Sensing, 2020. 2, 100008.
Xiang, X., Li, Q., Khan, S., & Khalaf, O. I. Urban Water Resource Management for Sustainable Environment Planning Using Artificial Intelligence Techniques. Environmental Impact Assessment Review, 2021. (86), 106515.
Xie, H, Luo, X, Xu, X, Pan, H, Tong, X. Automated Subpixel Surface Water Mapping from Heterogeneous Urban Environments Using Landsat 8 OLI Imagery. Remote Sensing, 2016. 87, 584.
Xie, H., Luo, X., Xu, X., Pan, H., Tong, X. Automated Subpixel Surface Water Mapping from Heterogeneous Urban Environments Using Landsat 8 OLI Imagery. Remote Sens, 2016. 8.
Yang, X., Zhao, S., Qin, X., Zhao, N., Liang, L. Mapping of Urban Surface Water Bodies from Sentinel-2 MSI Imagery at 10 m Resolution via NDWI-Based Image Sharpening. Remote Sens, 2017. 9, 596.
Zhou, Y., Dong, J., Xiao, X., Xiao, T., Yang, Z., Zhao, G., Zou, Z., Qin, Y. Open Surface Water Mapping Algorithms: A Comparison of Water-Related Spectral Indices and Sensors. Water, 2017. 7.
