ГЕОІНФОРМАЦІЙНА ТЕХНОЛОГІЯ НЕЙРОМЕРЕЖЕВОЇ СЕГМЕНТАЦІЇ ДЛЯ КАРТОГРАФУВАННЯ ЗЕМНОГО ПОКРИВУ

Анотація

Актуальність розвитку сучасних технологій для сегментації земельного покриву зростає у зв’язку з підвищеними вимогами до точного моніторингу та управління земельними ресурсами, в тому числі, сільськогосподарського призначення. Традиційні методи сегментації часто не забезпечують достатню точність у класифікації складних класів, таких як сільськогосподарські культури, дерева, будівлі та дороги. Мета роботи полягає в розробці геоінформаційної технології для виділення множинних ознак із супутникових знімків Sentinel-2 та їх використання для сегментації земного покриття за допомогою нейронної мережі ResNet. Методологія. У цьому дослідженні використовуються знімки Sentinel-2 для аналізу земного покриття. Спочатку зображення проходять попередню обробку, яка включає атмосферну корекцію, геометричне та радіометричне калібрування. Потім дані нормалізуються для підвищення стабільності навчання нейронної мережі. На наступному етапі зображення обробляються для виділення спектральних, морфологічних і текстурних ознак, які є вхідними даними для моделі ResNet. Модель застосовує конволюційні шари і функцію активації ReLU для автоматичного виділення ознак. Для класифікації використовується повнозв’язний шар з функціями Softmax та Cross-Entropy. Після навчання модель класифікує кожен піксель, створюючи сегментоване зображення, яке відображає різні класи земного покриття, зокрема сільськогосподарські угіддя, будівлі, дерева та дороги. Наукова новизна дослідження полягає в розробці новітньої методології обробки супутникових зображень Sentinel-2, що включає інтеграцію комплексної попередньої обробки, нормалізацію даних, мультимодальне виділення ознак та використання глибоких нейронних мереж для автоматичного виділення та класифікації ознак. Впровадження нових підходів до атмосферної, геометричної та радіометричної корекції, а також застосування ResNet з функціями активації ReLU та повнозв’язних шарів з функціями Softmax і Cross-Entropy, забезпечує підвищення точності класифікації та деталізації сегментації земного покриття. Висновки. Дослідження показало, що запропонована технологія забезпечує суттєве покращення точності і якості класифікації в порівнянні з традиційними методами, такими як IsoData, K-means, SVM, Minimum Distance, Maximum Likelihood та Parallelepiped. Результати демонструють, що технологія на основі ResNet досягає високої точності в сегментації основних класів земного покриву: сільськогосподарські культури, дерева, будівлі та дороги, що є важливим для ефективного моніторингу та управління земельними ресурсами.