Наводнение является одним из самых разрушительных природных явлений, которое подвергает опасности не только имущество, но и жизни людей. Наблюдающиеся в последние годы наводнения в бассейне реки Амур показали (Kuchma et al., 2019), что использование спутниковой информации для картографирования паводковой обстановки помогает своевременно планировать эффективные меры реагирования и устранения последствий. В настоящее время оперативное картографирование паводковой обстановки в бассейне реки Амур на основе спутниковых данных, в большинстве случаев, производится специалистами в интерактивном режиме.
В связи с этим, в данной работе авторами предлагается алгоритм оперативного автоматического картирования разливов в бассейне реки Амур по данным прибора Operational Land Imager (OLI), установленном на космическом аппарате (КА) Landsat-8. Алгоритм основан на использовании нейронной сети типа U-net, обучение которой на подготовленных данных позволило получить высокую точность для решения задачи. Обучающая выборка для нейросети формировалась специалистами-дешифровщиками Дальневосточного центра НИЦ «Планета» на основе 10 спутниковых сцен КА Landsat-8 в период с июня по октябрь 2021 года. При использовании для других спутниковых сцен такие данные принимались в настоящей работе в качестве эталона при валидации. При обработке были сформированы векторные данные в формате «SHP», содержащие маску облачности и водной поверхности. В процессе обучения нейронная сеть была модернизирована путем добавления слоя нормализации BatchNormalization после каждой функции активации и дополнительного слоя, понижающего дискретизацию. Эмпирически был определен оптимальный размер текстур, который составил 512х512 пикселей, а также оптимальный набор параметров: каналы № 4, № 5, № 6 и № 9 прибора OLI; индексы LSWI, EVI, WRI, AWEI, NDVI и комбинация индексов (NVDI+EVI)/2-NDWI. Подробнее об архитектуре нейронной сети написано в работе автора (Kuchma et al., 2022), описывающей применение этого метода для данных прибора MultiSpectral Instrument (MSI), установленного на КА Sentinel-2.
Результатом работы алгоритма являются векторные данные в формате «SHP», содержащие маску облачного покрова и водной поверхности. По результатам проведенной валидации по эталонным данным значения метрик составили: Precision – 93.54%, Recall – 91.23%, F1-measure – 92.37%. Результаты валидации показали, что разработанный алгоритм детектирования речных разливов по данным OLI хорошо согласуется с эталонными векторными картами, особенно в области корректного отделения теней от облачности. Полученный алгоритм внедрен в оперативную практику Дальневосточного центра НИЦ «Планета»