Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 14–18 ноября 2022 г.

(http://conf.rse.geosmis.ru)

XX.A.222

Классификация высокотемпературных детекций по спутниковым снимкам поверхности Земли высокого разрешения

Трубецков И.Д. (1)
(1) НИЦ "Курчатовский институт", Москва, Россия
В настоящее время существует ряд алгоритмов и подходов к детектированию высокотемпературных источников по мультиспектральным спутниковым данным. Один из примеров – детектирование инфракрасных источников на ночной поверхности Земли методом VIIRS Nightfire (VNF) по данным сенсора VIIRS, установленного на метеорологических спутниках Suomi NPP и NOAA-20. Некоторые алгоритмы могут определить базовый класс источника (например, факельное сжигание попутного нефтяного газа, пожар и т.п.). Но помимо класса источника возникает задача определения класса объекта, к которому этот источник относится. Например, факельное сжигание может быть как на месторождениях, так и на нефтеперерабатывающих заводах, газоперерабатывающих заводах и т.п. Производить классификацию вручную трудоемко в связи с большим числом детектируемых объектов.
Для ускорения и облегчения процесса классификации объектов высокотемпературных источников авторы доклада разработали программную систему, позволяющую классифицировать объекты в автоматическом режиме. Разработанная система решает задачу мультиклассовой классификации с использованием методов машинного обучения. На вход системы подаются координаты детекции. По этим координатам система формирует изображение области вокруг детекции. Сформированное изображение подается на вход классификатору. Выход системы представляет собой 3 наиболее вероятных класса, к которым принадлежит объект на изображении. Мультиклассовый классификатор реализован с использованием подхода One-vs-One и представляет собой набор бинарных классификаторов на основе нейронных сетей. Для классификации используются координаты детекций и дневные снимки высокого разрешения. В данной реализации были использованы спутниковые снимки из системы ArcGIS.
Апробация, проведенная на расположенных в России объектах 7 классов, включая газовые факелы, нефтеперерабатывающие заводы, индустриальные объекты (сталелитейные заводы, угольные шахты), показала точность более 90%, – предсказывая настоящий класс объекта в качестве одного из 3 самых вероятных – и до 75% (в зависимости от класса) – как самый вероятный.
В докладе описан подход к классификации и результаты его тестирования, а также представлена разработанная программная система.

Ключевые слова: ДЗЗ, высокотемпературные детекции, классификация, машинное обучение, нейронные сети
Литература:
  1. C. Elvidge, M. Zhizhin, F.-C. Hsu, and K. Baugh, “VIIRS Nightfire: Satellite Pyrometry at Night”, Remote Sensing, vol. 5, no. 9, pp. 4423–4449, Sep. 2013.
  2. https://www.arcgis.com/apps/mapviewer/index.html
  3. Pawara P. et al. “One-vs-One classification for deep neural networks”, Pattern Recognition, 2020, T.108, C.107528
  4. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions“, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 1800-1807, doi: 10.1109/CVPR.2017.195.

Презентация доклада



Ссылка для цитирования: Трубецков И.Д. Классификация высокотемпературных детекций по спутниковым снимкам поверхности Земли высокого разрешения // Материалы 20-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2022. C. 71. DOI 10.21046/20DZZconf-2022a

Методы и алгоритмы обработки спутниковых данных

71