Выявление изменений (ВИ) определяется как процесс идентификации и количественной оценки пространственных изменений любого природного или техногенного явления на основе спутниковых снимков за различные периоды времени (Bhunia et al., 2021). При этом большинство изменений техногенного или антропогенного характера на спутниковых изображениях относятся к трудно формализуемым задачам, детектирование которых осуществляется преимущественно с использованием технологий искусственного интеллекта. Применительно к задаче автоматического выявления антропогенных изменений в настоящей работе рассматриваются особенности разработки программных технологий обработки данных дистанционного зондирования Земли (ДЗЗ) высокого пространственного разрешения с использованием аппарата искусственных нейронных сетей (ИНС). При этом в качестве антропогенных изменений на спутниковых снимках детектируется появление или исчезновение жилой/нежилой застройки, эстакад, дорог и других объектов. В свою очередь к изменениям не относятся – природные/сезонные изменения (трава, листва, снег и др.), наличие или отсутствие транспорта, изменения текстуры сельскохозяйственных полей и т.п.
Учитывая методические аспекты применения аппарата ИНС для задач ВИ, в работе рассматривается разработка следующих программных и технологических решений:
1. Подготовка данных для обучения ИНС – приводится обзор открытых доступных датасетов для задачи ВИ антропогенных объектов, а также рассматривается созданная технология формирования разметки данных российских и зарубежных КА ДЗЗ
2. Генерация датасетов – демонстрируется технология формирования датасетов на основе результатов разметки, включая нормализацию данных открытых датасетов в части размеров, яркостных преобразований, пространственного разрешения и др., объединение датасетов, а также обогащение выборки с учетом различных геометрических и яркостных деформаций.
3. Хранение датасетов – предложена спецификация для описания и каталогизации результатов разметки, характеристик открытых датасетов, а также сгенерированных новых датасетов.
4. Выбор архитектуры ИНС – разработан унифицированный программный интерфейс для работы c различными моделями ИНС (Siam UNet, Mobile ResNet, ResNet50/Resnet101, SAM) с целью выбора соответствующей архитектуры для обучения ИНС, а также построения ансамбля моделей в обеспечение комбинирования результатов работы нескольких ИНС.
5. Обучение ИНС – поддерживается распределение датасета в части обучения и валидации, логирование результатов обучения (для каждой эпохи сохраняются показатели качества и веса обученной модели) в обеспечение последующего выбора лучшего результата, распараллеливание между несколькими GPU.
6. Хранение обученных моделей – предложена спецификация для описания и каталогизации результатов обучения, включая задания типа/архитектуры модели, весовых коэффициентов ИНС, параметров датасета, показателей качества.
7. Применение обученных моделей – рассматриваются особенности приведения обученных моделей в ONNX-формат, в том числе в части специализации работы ИНС на базе CPU, реализации стратегии «скользящего окна», а также мультимасштабной обработки для задачи ВИ
С использованием разработанного набора программных технологий демонстрируются:
• результаты подготовки данных для обучения (сформированный датасет – около 360К png-картинок размером 320x320 пикселей);
• результаты обучения (показатели качества: точность – 0.96, F1-мера – 0.7, IOU – 0.53);
• примеры использования ИНС (время работы составляет – около 5 мин. (на базе GPU NVidia V100) для пары снимков размером 15000x15000 пикселей каждый).
Перспектива использования разработанных технологий крайне актуальна, в том числе с использованием мозаичных покрытий высокого пространственного разрешения, регламентировано создаваемых в геоинформационном сервисе «Банк базовых продуктов» (Markov et al., 2019).