(46-1) 11 * << * >> * Русский * English * Содержание * Все выпуски

Классификация космоснимков Sentinel-2 Байкальской природной территории
И.В. Бычков 1, Г.М. Ружников 1, Р.К. Федоров 1, А.К. Попова 1, Ю.В. Авраменко 1

1 ИДСТУ СО РАН – Институт динамики систем и теории управления им. В.М. Матросова,
664033, Россия, г. Иркутск, ул. Лермонтова, д. 134

 PDF, 4323 kB

DOI: 10.18287/2412-6179-CO-1022

Страницы: 90-96.

Аннотация:
В работе рассматривается задача классификации мультиспектральных космоснимков Sentinel-2 при организации экологического мониторинга Байкальской природной территории. Специфика территории потребовала создания нового набора из 12 классов, который учитывает актуальные проблемы и сформирован таким образом, что площади, соответствующие этим классам, полностью покрывают исследуемую территорию. Обучающая выборка сформирована с помощью Web-интерфейса на основе космоснимков Sentinel-2 и полевых исследований. Классификация космоснимков проводилась с использованием алгоритмов RandomForest и нейронной сети ResNet50. Точность расчетов показала, что результаты классификации могут применяться для решения актуальных задач Байкальской природной территории, в частности, для анализа изменений лесного фонда, оценки влияния изменений климата на ландшафт, анализа динамики застройки, инвентаризации сельхозугодий и т.д.

Ключевые слова:
нейронные сети, классификация, Sentinel-2, ДЗЗ, обработка изображений.

Благодарности
Работа выполнена в рамках гранта № 075-15-2020-787 Министерства науки и высшего образования РФ на выполнение крупного научного проекта по приоритетным направлениям научно-технологического развития (проект «Фундаментальные основы, методы и технологии цифрового мониторинга и прогнозирования экологической обстановки Байкальской природной территории»).

Цитирование:
Бычков, И.В. Классификация космоснимков Sentinel-2 Байкальской природной территории / И.В. Бычков, Г.М. Ружников, Р.К. Федоров, А.К. Попова, Ю.В. Авраменко // Компьютерная оптика. – 2022. – Т. 46, № 1. – С. 90-96.– DOI: 10.18287/2412-6179-CO-1022.

Citation:
Bychkov IV, Ruzhnikov GM, Fedorov RK, Popova AK, Avramenko YV. Classification of Sentinel-2 satellite images of the Baikal Natural Territory. Computer Optics 2022; 46(1): 90-96. DOI: 10.18287/2412-6179-CO-1022.

References:
  1. Talukdar S, Singha P, Mahato S, Pal S, Liou YA, Rahman A. Land-use land-cover classification by machine learning classifiers for satellite observations – A review. Remote Sens 2020; 12(7): 1135. DOI: 10.3390/rs12071135.
  2. Keshtkar H, Voigt W, Alizadeh E. Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery. Arab J Geosci 2017; 10: 154. DOI: 10.1007/s12517-017-2899-y.
  3. Lastovicka J, Svec P, Paluba D, Kobliuk N, Svoboda J, Hladky R, Stych P. Sentinel-2 data in an evaluation of the impact of the disturbances on forest vegetation. Remote Sens 2020; 12(12): 1914. DOI: 10.3390/rs12121914.
  4. Puletti N, Chianucci F, Castaldi C. Use of Sentinel-2 for forest classification in Mediterranean environments. Ann Silvic Res 2018; 42(1): 32-38. DOI: 10.12899/ASR-1463.
  5. Terekhin EA. Indication of long-term changes in the vegetation of abandoned agricultural lands for the forest-steppe zone using NDVI time series. Computer Optics 2021; 45(2): 245-252. DOI: 10.18287/2412-6179-CO-797.
  6. Belov AM, Denisova AY. Earth remote sensing imagery classification using a multi-sensor super-resolution fusion algorithm. Computer Optics 2020; 44(4): 627-635. DOI: 10.18287/2412-6179-CO-735.
  7. Borzov SM, Potaturkin OI. Increasing the classification efficiency of hyperspectral images due to multi-scale spatial processing. Computer Optics 2020; 44(6): 937-943. DOI: 10.18287/2412-6179-CO-779.
  8. Grabska E, Frantz D, Ostapowicz K. Evaluation of machine learning algorithms for forestst and species mapping using Sentinel-2 imagery and environmental data in the Polish Carpathians. Remote Sens Environ 2020; 251: 112103. DOI: 10.1016/j.rse.2020.112103.
  9. Rodriguez-Galiano VF, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sanchez JP. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS J Photogramm Remote Sens 2012; 67: 93-104. DOI: 10.1016/j.isprsjprs.2011.11.002.
  10. Feng Q, Liu J, Gong J. UAV Remote sensing for urban vegetation mapping using random forest and texture analysis. Remote Sens 2015; 7(1): 1074-1094. DOI: 10.3390/rs70101074.
  11. Liu Y, Gong W, Hu X, Gong J. Forest type identification with random forest using Sentinel-1A, Sentinel-2A, multi-temporal Landsat-8 and DEM data. Remote Sens 2018; 10(6): 946. DOI: 10.3390/rs10060946.
  12. Alhassan V, Henry C, Ramanna S, Storie C. A deep learning framework for land-use/land-cover mapping and analysis using multispectral satellite imagery. Neural Comput Appl 2020; 32: 8529-8544. DOI: 10.1007/s00521-019-04349-9.
  13. Carranza-García M, García-Gutiérrez J, Riquelme JC. A framework for evaluating land use and land cover classification using convolutional neural networks. Remote Sens 2019; 11(3): 274. DOI: 10.3390/rs11030274.
  14. Zhang W, Tang P, Zhao L. Fast and accurate land cover classification on medium resolution remote sensing images using segmentation models. Int J Remote Sens 2021; 42(9): 3277-3301. DOI: 10.1080/01431161.2020.1871094.
  15. Chambon T. Fighting hunger through open satellite data: A new state of the art for land use classification. 2019. Source: <https://medium.com/omdena/fighting-hunger-through-open-satellite-data-a-new-state-of-the-art-for-land-use-classification-f57f20b7294b>.
  16. Helber P, Bischke B, Dengel A, Borth D. Introducing Eurosat: A Novel Dataset and Deep Learning Benchmark for land use and land cover classification. 2018 IEEE Int Geoscience and Remote Sensing Symposium (IGARSS 2018) 2018: 204-207. DOI: 10.1109/IGARSS.2018.8519248.
  17. Bychkov IV, Ruzhnikov GM, Fedorov RK, Avramenko YV, Shumilov AS, Shigarov AO, Verhozina AV, Emelyanova NV, Sorokovoi AA. Technology of information and analytical support for interdisciplinary environmental studies in the Baikal Region. In Book: Bychkov I, Voronin V, eds. Information technologies in the research of biodiversity. Switzerland AG: Springer Nature; 2019: 116-124. DOI: 10.1007/978-3-030-11720-7_16.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20