Дистанционное зондирование Земли (ДЗЗ) широко распространено в различных областях, таких как география, геология, сельское хозяйство, экология, гидрология, геодезия и многие другие. Оно позволяет получить обширную и объективную информацию об исследуемой территории, что делает его незаменимым инструментом для проведения исследований и разработки решений в различных областях.
Карьеры, где добываются различные полезные ископаемые, такие как уголь, металлы, гравий и т.д., а также отвалы и хвостохранилища, в которых хранятся отходы выработки, часто становятся источником загрязнения окружающей среды. Поэтому нужно производить мониторинг влияния объектов горной промышленности на экологию близлежащих территорий.
Мониторинг таких объектов горной промышленности проводится выборочно, в ручном режиме оператором с использованием ГИС программ. Для этого используются спутниковые данные высокого пространственного разрешения (10 или 30 метров на пиксель), которые позволяют более точно определить зону промышленных работ и загрязнения. Данный подход требует большого количества времени для точного обозначения границ объектов на снимке и часто приводит к их неоднородности. Это может стать причиной неправильных результатов анализа или обработки снимков, в связи с чем возникает задача оптимизации данного процесса. Применение методов машинного обучения позволит увеличить производительность и точность мониторинга.
Целью данной работы является детектирование контуров объектов горной промышленности по спутниковым данным высокого пространственного разрешения с помощью нейронной сети. Для обучения и тестирования использовалась подготовленная база данных. Эта база данных создавалась под контролем оператора в ручном режиме в программе QGIS. База состояла из снимков, полученных с семейств спутников Sentinel-2 и Landsat 8-9 с пространственным разрешением 10 метров и 30 метров соответственно. Для составления базы данных использовались снимки объектов горной промышленности (карьеров, отвалов, хвостохранилищ и др.) за летний сезон в период с 28 по 36 недели территории Хабаровского края.
В работе решалась задача автоматического получения контура карьеров по снимку, также определялся оптимальный набор каналов для детектирования границ объектов. При этом задача подбора данных ДЗЗ не решалась в настоящей работе, оценка проводилась только по описанной выше заранее сформированной базе данных. С помощью метода главных компонент проведена корреляция между каналами снимка и определено оптимальное соотношение каналов для детектирования границ объектов. Рассматривались различные комбинации каналов, полученных со спутниковых данных, и каналов с рассчитанными значениями вегетационных индексов. В качестве метода определения контуров выбрана модель сверточной нейронной сети U-Net. Проведено обучение данной нейронной сети на трех вариантах датасета: 1) только снимки Landsat 8-9; 2) только снимки Sentinel-2; 3) гибрид, состоящий из снимков и Landsat 8-9, и Sentinel-2.
Точность работы трех полученных моделей составила ~81% (Landsat 8-9), ~87% (Sentinel-2) и ~78% (гибрид). По результатам можно сделать вывод, что для корректной работы пока недостаточно одной нейронной сети, обученной на гибридном датасете. Поэтому для лучшего результата предпочтительнее использовать для снимков Landsat 8-9 и Sentinel-2 соответствующие модели. По результатам проведенного исследования можно сделать вывод, что существует возможность улучшить метод детектирования границ объектов горной промышленности по данным высокого пространственного разрешения, исключив оператора из процесса создания контура объектов. В качестве минусов предложенного в настоящей работе метода необходимо отметить, что от оператора по-прежнему требуется подбор спутниковых снимков и выбор области работы нейронной сети.