НЕЙРОМЕРЕЖЕВИЙ ПІДХІД ВИЯВЛЕННЯ ВОДНИХ ОБ’ЄКТІВ НА МУЛЬТИСПЕКТРАЛЬНИХ ЗОБРАЖЕННЯХ
DOI:
https://doi.org/10.32782/IT/2024-4-16Ключові слова:
згорткові нейронні мережі, семантична сегментація, супутникові знімки, водні ресурси, екологічний моніторинг.Анотація
Мета роботи. Метою данного дослідження є створення та впровадження ефективного нейромережевого підходу на основі моделі U-Net для детектування структурних елементів водного середовища України шляхом аналізу мультиспектральних зображень із супутника Sentinel-2. Це передбачає підвищення точності та швидкості виявлення змін у водних масах та елементах екомережі, що сприятиме оперативному реагуванню на екологічні виклики. Методологія. Для підготовки даних застосовується автоматичний підхід до формування навчального набору з використанням нормалізованого різницевого водного індексу (NDWI). На супутникових знімках Sentinel-2 (зелений та ближній інфрачервоний канали) генеруються бінарні маски води на основі порогового значення, що дає змогу створювати великий набір даних для навчання без ручної анотації. Модель базується на глибинній нейронній мережі U-Net: енкодер виокремлює високорівневі ознаки, а декодер відновлює просторову роздільну здатність і формує сегментаційну карту. Під час навчання застосовується комбінована функція втрат, яка поєднує бінарну крос-ентропію та коефіцієнт Дайса. Оцінка моделі здійснюється за метриками F1-міри, точності, повноти й індексу Жаккара (IoU). Модель тестується на повнорозмірних знімках різних ділянок, демонструючи високий рівень узагальнення. Наукова новизна. Запропоновано підхід, що полягає в об’єднанні автоматичного формування масок водних об’єктів (за допомогою NDWI) та нейромережі U-Net, адаптованої до задач бінарної сегментації великих супутникових зображень. Така інтеграція уникає ручної розмітки та забезпечує точні результати виявлення води. Використання комбінованої функції втрат покращує чутливість моделі до тонких водних структур, а стійкість до варіативності спектральних характеристик і атмосферних перешкод підтверджується експериментами в різних умовах зйомки. Висновки. Розроблено ефективну модель для сегментації водних об’єктів на супутникових знімках Sentinel-2 з використанням глибокої нейронної мережі архітектури U-Net. Процес включав підготовку даних, де автоматично генерувалися маски водних об’єктів на основі індексу NDWI, та детальне навчання моделі з комбінованою функцією втрат, що поєднує бінарну крос-ентропію та коефіцієнт Дайса. Модель досягла високих показників точності, підтверджених метриками F1-міри (0.8897), точності (0.8721), повноти (0.9080) таIoU (0.8013), що свідчить про її здатність до точного виявлення водних об’єктів різних розмірів і форм. Перевагами використаних підходів є поєднання глибинного навчання з попереднью підготовкою даних, що дозволило автоматизувати процес виявлення водних об’єктів та забезпечити високу точність сегментації. Модель демонструє гнучкість, масштабованість та обчислювальну ефективність, що робить її придатною для практичного застосування в моніторингу водних ресурсів і екологічних дослідженнях. Майбутні напрямки дослідження направлені на експерименти з іншими архітектурами нейронних мереж, використання альтернативних методів створення масок та врахування просторово-часової інформації, що дасть змогу підвищити ефективність і універсальність моделі.
Посилання
IPCC. Climate Change 2021: The Physical Science Basis. URL: https://www.ipcc.ch/report/ar6/wg1/
United Nations Environment Programme (UNEP). Environmental Issues Emerging from Conflict and Disaster. 2021. URL: https://www.unep.org/explore-topics/disasters-conflicts
Li W., Fu H., Yu L., Cracknell A. Deep learning based oil spill detection from polarimetric SAR data. Remote Sensing of Environment, 2019. 233, 111368. URL: https://www.sciencedirect.com/science/article/pii/S0034425719304563
Ma L., Liu Y., Zhang X., Ye Y., Yin G., Johnson B. A. Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 2019. 152, 166–177. URL: https://www.sciencedirect.com/science/article/pii/S0924271618303333
Zhang C., Liu F., & Li W. A review of remote sensing image classification techniques: the role of spatiocontextual information. European Journal of Remote Sensing, (2020). 53(1), 176–197. URL: https://www.tandfonline.com/doi/full/10.1080/22797254.2020.1727854
Li W., Fu H., Yu L., Cracknell A. Deep learning based oil spill detection from polarimetric SAR data. Remote Sensing of Environment, 2019. 233, 111368. https://doi.org/10.1016/j.rse.2019.111368
Gao B., Huang J., Li J., Chen Z. Detecting algal blooms in coastal waters using deep learning and satellite imagery. Remote Sensing, 2020. 12(7), 1135. https://doi.org/10.3390/rs12071135
Zhang C., Li W., Travis D. Gaps fill of land cover classification with deep learning. Remote Sensing of Environment, 2021. 267, 112716. https://doi.org/10.1016/j.rse.2021.112716
Chen Y., Jiang H., Li C., Jia X., Ghamisi P. Deep feature extraction and classification of hyperspectral images based on convolutional neural networks. IEEE Transactions on Geoscience and Remote Sensing, 2021. 59(7), 5899–5921. https://doi.org/10.1109/TGRS.2020.3028704
Santurkar S., Tsipras D., Ilyas A., Madry A. How Does Batch Normalization Help Optimization?Advances in Neural Information Processing Systems, 2018. 31, 2483–2493. URL: https://proceedings.neurips.cc/paper/2018/file/905056c1f1abf51a8521faa9756a31d8-Paper.pdf
Duan W., He B., Nover D., Yang G., Chen W., Meng H., Liu C. Water bodies’ mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band. Remote Sensing, 2019. 11(23), 2779. https://doi.org/10.3390/rs11232779
Zhou Z., Siddiquee M.M.R., Tajbakhsh N., Liang J. UNet++: Redesigning skip connections to exploit multiscale features in image segmentation. IEEE Transactions on Medical Imaging, 2019. 39(6), 1856–1867. https://doi.org/10.1109/TMI.2019.2959609
Ramachandran P., Zoph B., Le Q. V. Searching for activation functions. arXiv preprint arXiv:1710.05941. 2018. URL: https://arxiv.org/abs/1710.05941
Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. Proceedings of the 32nd International Conference on Machine Learning, 2015. 37, 448–456. http://proceedings.mlr.press/v37/ioffe15.html
Yeung M., Sala E., Schönlieb C. B., Rundo, L. Unified focal loss: Generalising Dice and cross entropybased losses to handle class imbalanced medical image segmentation. Computerized Medical Imaging and Graphics, 2021. 89, 101885. https://doi.org/10.1016/j.compmedimag.2021.101885
Li X., Chen H., Qi X., Dou Q., Fu C. W., Heng P. A. H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT Volumes. IEEE Transactions on Medical Imaging, 2018. 37(12), 2663–2674. https://doi.org/10.1109/TMI.2018.2845918
Luo L., Xiong Y., Liu Y., Sun X. Adaptive gradient methods with dynamic bound of learning rate. Proceedings of the 7th International Conference on Learning Representations (ICLR). 2019. URL: https://arxiv.org/abs/1902.09843
Buda M., Maki A., Mazurowski M. A. A systematic study of the class imbalance problem in convolutional neural networks. Neural Networks, 2018. 106, 249–259. https://doi.org/10.1016/j.neunet.2018.07.011
Prechelt L. Early stopping – but when?. In Neural Networks: Tricks of the Trade (2012). (pp. 53–67). Springer. https://doi.org/10.1007/978-3-642-35289-8_5
Smith L. N. A disciplined approach to neural network hyper-parameters: Part 1 – learning rate, batch size, momentum, and weight decay. arXiv preprint arXiv:1803.09820. 2018. URL: https://arxiv.org/abs/1803.09820
Yang P., Zhang L., Zhao W., Xie X. Retinal vessel segmentation using a U-Net based convolutional neural network. Symmetry, 2020. 12(4), 611. https://doi.org/10.3390/sym12040611
Rahman M. A., Wang Y. Optimizing intersection-over-union in deep neural networks for image segmentation. In International Symposium on Visual Computing (2016). (pp. 234–244). Springer. https://doi.org/10.1007/978-3-319-50835-1_22
Liu X., Song L., Liu S., Zhang Y. A review of deep-learning-based medical image segmentation methods. Sustainability, 2019. 11(7), 1897. https://doi.org/10.3390/su11071897
Li B., Liu Y., Wang Y., Li M., Liu Y. A comparison of clustering algorithms for water body extraction from remote sensing images. Remote Sensing, 2020. 12(10), 1590. https://doi.org/10.3390/rs12101590
Duan W., He B., Nover D., Yang G., Chen W., Meng H., Liu C. Water bodies’ mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band. Remote Sensing, 2019. 11(23), 2779. https://doi.org/10.3390/rs11232779
Zhou Z., Siddiquee M.M.R., Tajbakhsh N., Liang J. UNet++: A Nested U-Net Architecture for Medical Image Segmentation. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support 2018. (pp. 3–11). Springer. https://doi.org/10.1007/978-3-030-00889-5_1
Oktay O., Schlemper J., Le Folgoc L., Lee M., Heinrich M., Misawa K., … Rueckert D. Attention U-Net: Learning Where to Look for the Pancreas. arXiv preprint arXiv:1804.03999. 2018. URL: https://arxiv.org/abs/1804.03999
Chen L. C., Zhu Y., Papandreou G., Schroff F., Adam H. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. In Proceedings of the European Conference on Computer Vision (ECCV) 2018. (pp. 801–818). https://doi.org/10.1007/978-3-030-01234-2_49
Olena Dobrovolska, Knut Schmidtke, Viktoriia Hnatushenko, Svitlana Sytnyk and Iryna Dmytriieva Relationship between economic development, forest resources, and forest fires: European context. Environmental Economics, 2024. 15(2), 77–92. doi:10.21511/ee.15(2).2024.06.
Hnatushenko V. V, Mozgovoy D. K., HnatushenkoVik. V., Spirintsev V. V., Udovyk I. M. All-weather monitoring of oil and gas production areasusingsatellite data//Scientific bulletin of National Mining University. State Higher Educational Institution “National Mining University”, Dnipro, 2019. № 6 (158). С. 99–105.
