Автоматизоване розпізнавання міської рослинності та водойм за знімками супутника «Jilin-1А»
Рубрика:
| 1Макаров, ОЛ, Білоусов, КГ, Свинаренко, ДН, Хорошилов, ВС, 2Мозговий, ДК, 1Попель, ВМ 1Державне підприємство «Конструкторське бюро «Південне» ім. М. К. Янгеля», Дніпропетровськ 2Дніпропетровський національний університет імені Олеся Гончара |
| Косм. наука технол. 2021, 27 ;(4):42-53 |
| https://doi.org/10.15407/knit2021.04.042 |
| Язык публикации: Українська |
Аннотация: Наведено результати експериментального тестування розробленої методики автоматизованого розпізнавання рослинності та водойм на території міст за багатоспектральними знімками зі супутника «Jilin-1А». Дослідження включали проведення автоматизованого розпізнавання рослинності та водних об’єктів на обраній території спостережень за знімками надвисокого просторового розрізнення видимого та ІЧ-діапазонів і наступного порівняння отриманих результатів з результатами візуального дешифрування. Отримані результати обробки знімків зі супутника «Jilin-1А» відповідно до запропонованої методики підтвердили достатньо високу точність автоматизованого виділення границь розпізнаних об’єктів у порівнянні з результатами інтерактивного візуального розпізнавання цих же знімків. На різних тестових ділянках отримано добре розділення класів рослинності і води при тих самих настроюваннях порогів бінаризації. Точність автоматичної класифікації рослинності та водойм (без урахування похибок еталона) для різних тестових ділянок становила 81....92 %, а значення коефіцієнта Каппа лежали у межах 0.68...0.85. Порівняння нормалізованих індексних зображень, отриманих із супутників «Jilin-1А» і «Sentinel-2A», показало незначні розбіжності значень NDVI та істотні розбіжності для NDWI і MNDWI, що зумовлено використанням різних спектральних каналів (SWIR і NIR). Дані розбіжності можна істотно зменшити, використовуючи поправочні коефіцієнти.
Аналіз впливу зменшення розрядності вихідних знімків (з 10 до 8 біт) і наступного інформаційного стиснення (JPEG lossy і JPEG2000 lossless) на результати автоматизованого розпізнавання рослинності і водних об’єктів підтвердив доцільність і ефективність таких методів. Обсяг збережених і переданих файлів зменшувався суттєво (в 80..100 разів) при незначному зниженні точності класифікації (на 1...2 %). Запропонована методика дозволяє істотно підвищити оперативність і вірогідність відновлення карт великих міст при одночасному зниженні фінансових витрат у порівнянні із традиційною наземною GPS-зйомкою та аерофотозйомкою.
Завдяки високому ступеню автоматизації обробки знімків та мінімізації необхідних обчислень (у порівнянні з методами, що використовують складні класифікатори і нейронні мережі) розроблена методика може бути реалізована у вигляді геоінформаційного вебсервісу, який забезпечуватиме потреби широкого кола державних служб і комерційних структур, а також буде корисним для населення мегаполісів і туристів.
|
| Ключевые слова: багатоспектральні знімки, відновлення карт, обробка зображень, спектральні індекси, супутниковий моніторинг |
References:
1. Bardysh B., Burshtynska H. (2014). The use of vegetation indices to identify objects on the Earth’s surface. Suchasni dosyagnennya geodezychnoyi nauky ta vyrobnyctva, 2, 82—88 [In Ukrainian].
2. Belenok V. Yu., Derkach D. I., Rul N. V. (2017). Vykorystannya aerokosmichnyh metodiv ta metodiv obrobky danykh dystancijnoho zonduvannya Zemli dlya ekologichnogo monitoryngu Kahovskogo vodoskhovyscha. Visnyk Astron. shkoly, 13, No 1, 54—63 [In Ukrainian].
3. Burshtynska Kh. V., Polishchuk B. V., Kovalchuk O. Yu. (2013). Research of methods for classification of forests using satellite images of high resolution. Geodeziya, kartografiya ta aerofotoznimannya, 78, 101—110.
4. Vyshnevskyi V. I., Shevchuk S. A. (2016). Evaluation of status of Kyiv water bodies using remote sensing data. Ukr. J. remote sensing, No 11, 9—14 [In Ukrainian].
5. Zatserkovnyi V. I., Oberemok N. V., Tishaev I. V., Kazanyuk T. A. (2017). Use of technologies of geoinformation systems and remote sensing of the Earth for monitoring of water objects. Science-Based Technologies, No 1 (33), 78—88 [In Ukrainian].
6. Kravchenko O. M., Lavrenyuk M. S., Kussul N. M. (2013). Sich-2 satellite image georeferencing algorithm. Works of DonNTU. Ser. Informatics, Cybernetics and Computer Science, No 2 (18), 71—79 [In Ukrainian].
7. Kussul N. M., Basarab R. M., Kravchenko O. M., Lavrenyuk M. S., Krygin V. M., Reva K. V. (2014). Software technical complex automatically geographical binding of satellite Sich 2 remote sensing data. Programming Problems, No 2-3, 303—311 [In Ukrainian].
8. Kussul N. M., Shelestov A. Yu., Yailymov B. Ya., Shumilo L. L., Yailymova H. O., Lavreniuk M. S., Kolos L. M., Pidgorodetska L. V. (2019). Urban Atlas for Ukrainian cities on the basis of high-resolution satellite data. Space Science and Technology, 25(6), 51—60 [In Ukrainian].
9. Mozgovoj D. K. (2018). Operational satellite monitoring vegetation and water objects in the territory of cities. Ukr. J. remote sensing, No 17, 18—25 [In Russian].
10. Mozgovoy D. K., Vasil’yev V. V. (2016). Monitoring of natural and anthropogenic processes using the Landsat Viewer web service. Bull. DNU. Rocket and space technology, 24 (4), 13, 95—101 [In Russian].
11. Pazinich N. V., Lischenko L. P., Mychak A. G., Filipovych V. Ye., Teremenko O. M. (2015). Decision of task of ecological geomorphologic in the Kyiv city with the use of remote sensing data (on the example of Lybid river valley). Ukr. J. remote sensing, 5, 33—36 [In Ukrainian].
12. Pestova I. O. (2015). Methods of estimating the state of vegetation of urban areas using multispectral space images: Dis. ... Cand. tech. Sci. Kyiv. [In Ukrainian].
13. Sokolovska A. V. (2013). Space monitoring of ecological condition of urban territories (the Kyiv city is used as an example). Kosm. nauka tehnol., 19(4), 44—49 [In Ukrainian].
14. Stankevich S. A., Pestova I. A. (2014). Vegetation cover changes mapping within Kiev metropolis agglomeration using long-term time series of Landsat multispectral satellite imagery. Modern problems of remote sensing of the Earth from space, 11, No 2, 187—196 [In Russian].
15. Stankevich S. A., Pestova I. O. (2014). Geoinformation service of data processing for estimation of a condition of vegetation of the urbanized territories. Bulletin of Geodesy and Cartography, No 3, 23—26 [In Ukrainian].
16. Tomchenko O. V., Khyzhnyak A. V. (2016). Vegetation indices as a tool for assessing and monitoring the state of land resources. Emerging technologies, 1(1), 13—15 [In Ukrainian].
17. Ulytsky О., Yermakov V., Lunova О., Buglak O. (2019). Technique for orthotransformed satellite imagery application in environmental assessment. Space Science and Technology, 25(4), 48—56 [In Ukrainian].
18. Fedorovskyi A. D., Khyzhniak A. V., Diachenko T. N., Yakimchuk V. G., Pidhorniak D. L., Sukhanov K. Yu., Tomchenko O. V. (2017). Space monitoring of water stream in estuarial areas (by the example of the Dnieper and the Danube). Space Science and Technology, 23(2), 11—16 [In Ukrainian].
19. Filipovych V. Ye. (2013). Features of space monitoring of urban landscapes. Phys. geogr. and geomorphol. 3, 143—150 [In Ukrainian].
20. Shapar A. H., Taranenko O. S. (2018). Determination of technogenic and natural changes in the mining landsby remote sensing data. Ecological safety, No 2 (26), 61—69 [In Ukrainian].
21. Shevchuk S. A., Shevchenko I. A. (2013). Determination of ecological condition of reservoirs by means of methods of remote monitoring. Land Reclamation and Water Management, 100(2), 42—53 [In Ukrainian].
22. Yailymov B. Ya., Lavreniuk M. S., Shelestov A. Yu., Kolotii A. V., Yailymova H. O., Fedorov O. P. (2018). Methods of essential variables determination for the Earth’s surface state assessing. Space Science and Technology, 24(4), 24—37 [In Ukrainian].
23. Mozgovoy D. K., Hnatushenko V. V., Vasyliev V. V. (2018). Automated recognition of vegetation and water bodies on the territory of megacities in satellite images of visible and IR bands. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., IV-3, 167—172.
24. Mozgovoy D., Hnatushenko V., Vasyliev V. (2018). Accuracy evaluation of automated object recognition using multispectral aerial images and neural network. Int. Conf. on Digital Image Processing. Shanghai, East China Normal University.
25. Satellite Missions Database. URL: https://directory.eoportal.org/web/eoportal/satellite-missions (Last accessed: 19.10.2020)