Материалы 22-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 11–15 ноября 2024 г.

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

XXII.F.245

Спектральные свойства техногенных географических объектов

Малюта О.Р. (1)
(1) Национальный исследовательский университет, Высшая школа экономики, Москва, Россия
На данный момент мало изучена тема спектральных особенностей техногенных покровов для их разделения в постсоветских городах, что актуально в контексте нарастающей проблемы городского острова тепла. В этой работе мы обобщаем зарубежный опыт исследования городских объектов посредством методов дистанционного зондирования и оцениваем возможность их классификации на основе гиперспектральных данных сенсора Hyperion спутника EO-1 при помощи методов машинного обучения (KNN, SVM и CNN) на примере Москвы.

По результатам анализа источников составлена обобщающая таблица, характеризующая и типологизирующая спектральные библиотеки, содержащие информацию о техногенных материалах, и выделены ключевые факторы, влияющие на съёмку в городской среде: высокая плотность объектов, сложные условия освещения, недостаток диагностических характеристик материалов и внутриклассовая вариабельность. Также была составлена таблица спектральных образов ряда городских материалов, выявившая распространенные причины возникновения диагностических характеристик поглощения: карбонаты, углеводороды, ионы железа, силикаты, молекулы воды и гидроксильные группы.

После предобработки гиперспектральных снимков и уменьшения размерности (методом Minimum Noise Fraction и экспертно) мы создали обучающие выборки при помощи сравнительного визуального осмотра и знаний о местности. На их основе мы получили 7 схем классификации Москвы, разделив город на следующие классы: асфальтовые дороги, битумные крыши, металлические крыши, открытая почва, гаражи, резиновая крошка, пластиковые поверхности, растительность и водные объекты. По итогам статистической и визуальной оценки достоверности результатов с помощью тестовых выборок мы обнаружили, что методика классификации с использованием MNF-преобразованных гиперспектральных снимков может быть относительно успешно использована для картирования городских пространств. Хотя методы классического машинного обучения также позволили получить довольно точные результаты (вплоть до 90% по матрице ошибок), особенно перспективным направлением представляются сверточные нейронные сети, имеющие тенденции к воссозданию «паттернов» некоторых городских структур.

Ключевые слова: Дистанционное зондирование Земли, спектральные свойства, городские покровы, классификация, машинное обучение, нейросети
Литература:
  1. Балдина Е. А., Лабутина И. А. Дешифрирование аэрокосмических снимков. — 2021 — 269 с.
  2. Barrett E. C. Introduction to environmental remote sensing. — Routledge, 2013 — 488 p.
  3. Ben Dor E. B. et al. Hyperspectral Remote Sensing — SPIE: Bellingham, WA, USA, 2012 — pp. 413–456
  4. Chuvieco E. Fundamentals of satellite remote sensing: An environmental approach. — CRC press, 2020 — 432 p.
  5. Pu R. Hyperspectral remote sensing: fundamentals and practices. — CRC Press, 2017 — 490 p.
  6. Балдина Е. А. и др. Исследование городских островов тепла с помощью данных дистанционного зондирования в инфракрасном тепловом диапазоне // Земля из космоса: наиболее эффективные решения. — 2015. — №. S. — С. 38–42.
  7. Грищенко М. Ю. Применение тепловых снимков системы ETM+ для изучения теплового острова Москвы // Современные проблемы дистанционного зондирования Земли из космоса. — 2012. — Т. 9. — №. 4. — С. 95–101.
  8. Шинкаренко С. С. и др. Анализ влияния запечатанности почвенного покрова и озеленения на поле температур Волгоградской агломерации по данным MODIS //Современные проблемы дистанционного зондирования Земли из космоса. – 2020. — Т. 17. — №. 5. — С. 125–141.
  9. Asner G. P., Martin R. E. Spectranomics: Emerging science and conservation opportunities at the interface of biodiversity and remote sensing // Global Ecology and Conservation. — 2016. — Vol. 8. — P. 212–219.
  10. Baldridge A. M. et al. The ASTER spectral library version 2.0 // Remote sensing of environment. — 2009. — Vol. 113. — №. 4. — P. 711–715.
  11. Ben-Dor E., Levin N., Saaroni H. A spectral based recognition of the urban environment using the visible and near-infrared spectral region (0.4-1.1 µm). A case study over Tel-Aviv, Israel //International Journal of Remote Sensing. — 2001. — Vol. 22. — №. 11. — P. 2193–2218.
  12. Ben-Dor E. Imaging spectrometry for urban applications //Imaging spectrometry: basic principles and prospective applications. — 2001. — P. 243–281.
  13. Berger C. et al. Spatio-temporal analysis of the relationship between 2D/3D urban site characteristics and land surface temperature //Remote sensing of environment. — 2017. — Vol. 193. — P. 225–243.
  14. Bhattacharya S. et al. Potential of airborne hyperspectral data for geo-exploration over parts of different geological/metallogenic provinces in India based on AVIRIS-NG observations //Current Science. — 2019. — Vol. 116. — №. 7. — P. 1143–1156.
  15. Chen F. et al. Effect of emissivity uncertainty on surface temperature retrieval over urban areas: Investigations based on spectral libraries // ISPRS journal of photogrammetry and remote sensing. — 2016. — Vol. 114. — P. 53–65.
  16. Chen X. L. et al. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes //Remote sensing of environment. – 2006. — Vol. 104. — №. 2. — P. 133–146.
  17. Clark R. N. et al. Initial vegetation species and senescience/stress indicator mapping in the San Luis Valley, Colorado using imaging spectrometer data //JPL, Summaries of the Fifth Annual JPL Airborne Earth Science Workshop. Volume 1: AVIRIS Workshop. — 1995.
  18. Congalton R. G. A review of assessing the accuracy of classifications of remotely sensed data //Remote sensing of environment. — 1991. — Vol. 37. — №. 1. — P. 35–46.
  19. Doulos L., Santamouris M., Livada I. Passive cooling of outdoor urban spaces. The role of materials //Solar energy. — 2004. — Vol. 77. — №. 2. — P. 231-249.
  20. Gaitani N. et al. High-resolution spectral mapping of urban thermal properties with Unmanned Aerial Vehicles //Building and Environment. — 2017. — Vol. 121. — P. 215–224.
  21. Goetz, A. F. H., G. Vane, J. E. Solomon, and B. N. Rock. 1985. Imaging spectrometry for earth remote sensing. Science 228(4704):1147–1153.
  22. Heiden U. et al. Determination of robust spectral features for identification of urban surface materials in hyperspectral remote sensing data //Remote Sensing of Environment. — 2007. — Vol. 111. — №. 4. — P. 537–552.
  23. Heiden U. et al. Urban structure type characterization using hyperspectral remote sensing and height information //Landscape and urban Planning. — 2012. — Vol. 105. — №. 4. — P. 361–375.
  24. Heldens W. Use of airborne hyperspectral data and height information to support urban micro climate characterisation: diss. — Universität Würzburg, 2010.
  25. Hepner F. et al. Investigation of the Integration of AVlRlS and IFSAR for Urban Analysis //Photogrammetric Engineering & Remote Sensing. — 1998. — Vol. 64. — №. 8. — P. 813–820
  26. Herold M. et al. Applying Imaging Spectrometry in Urban Areas //Urban remote sensing. — 2007. — P. 137.
  27. Herold M. et al. Spectrometry for urban area remote sensing — Development and analysis of a spectral library from 350 to 2400 nm //Remote sensing of environment. — 2004. — Vol. 91. — №. 3-4. — P. 304–319.
  28. Jimenez L. O., Landgrebe D. A. Hyperspectral data analysis and supervised feature reduction via projection pursuit //IEEE Transactions on Geoscience and Remote Sensing. – 1999. — Vol. 37. — №. 6. — P. 2653–2667.
  29. Jin M. S. Developing an index to measure urban heat island effect using satellite land skin temperature and land cover observations //Journal of Climate. — 2012. — Vol. 25. — №. 18. — P. 6193–6201.
  30. Kaba E. Soil classification with spaceborne multi-temporal hyperspectral imagery using spectral unmixing and image fusion. — 2023.
  31. Kokaly R. F. et al. Usgs spectral library version 7 data: Us geological survey data release //United States Geological Survey (USGS): Reston, VA, USA. — 2017. — Vol. 61.
  32. Kotthaus S. et al. Derivation of an urban materials spectral library through emittance and reflectance spectroscopy // ISPRS Journal of Photogrammetry and Remote Sensing. — 2014. — Vol. 94. — P. 194–212.
  33. Kumar M. V., Yarrakula K. Comparison of efficient techniques of hyper-spectral image preprocessing for mineralogy and vegetation studies //Indian Journal of Geo-Marine Sciences. — 2017. — Vol. 46. — P. 1008–1021
  34. Luo G. et al. Minimum noise fraction versus principal component analysis as a preprocessing step for hyperspectral imagery denoising //Canadian Journal of Remote Sensing. — 2016. — Vol. 42. — №. 2. — P. 106–116.
  35. Mackay L., Barr S. Assessing the potential of hyperspectral angular imaging of urban built form surfaces for the inference of fine spatial scale urban land cover information. — 2003.
  36. Maxwell A. E., Warner T. A., Fang F. Implementation of machine-learning classification in remote sensing: An applied review //International journal of remote sensing. — 2018. — Vol. 39. — №. 9. — P. 2784–2817.
  37. Meerdink S. K. et al. The ECOSTRESS spectral library version 1.0 // Remote Sensing of Environment. — 2019. — Vol. 230. — P. 111196.
  38. Meister G. Bidirectional reflectance of urban surfaces : diss. — Staats-und Universitätsbibliothek Hamburg Carl von Ossietzky, 2000.
  39. Milton E. J. et al. Progress in field spectroscopy //Remote Sensing of Environment. — 2009. — Vol. 113. — P. 92–109.
  40. Mohajerani A., Bakaric J., Jeffrey-Bailey T. The urban heat island effect, its causes, and mitigation, with reference to the thermal properties of asphalt concrete //Journal of environmental management. — 2017. — Vol. 197. — P. 522–538.
  41. Moroni M. et al. PET and PVC separation with hyperspectral imagery //Sensors. — 2015. — Vol. 15. — №. 1. — P. 2205–2227.
  42. Price J. C. Examples of high resolution visible to near-infrared reflectance spectra and a standardized collection for remote sensing studies //Remote Sensing. — 1995. — Vol. 16. — №. 6. — P. 993–1000.
  43. Roberts D. A., Herold M. Imaging spectrometry of urban materials // Infrared Spectroscopy in Geochemistry, Exploration and Remote Sensing, Mineral Association of Canada, Short Course Series. — 2004. — Vol. 33. — №. March. — P. 155–181.
  44. Roessner S. et al. Automated differentiation of urban surfaces based on airborne hyperspectral imagery //IEEE Transactions on Geoscience and Remote sensing. — 2001. — Vol. 39. — №. 7. — P. 1525–1532.
  45. Van Der Meer F. Analysis of spectral absorption features in hyperspectral imagery //International journal of applied earth observation and geoinformation. – 2004. – Vol. 5. — №. 1. — P. 55–68.
  46. Yang X. et al. Hyperspectral image classification with deep learning models //IEEE Transactions on Geoscience and Remote Sensing. — 2018. — Vol. 56. — №. 9. — P. 5408–5423.
  47. Yin J. et al. Integrating remote sensing and geospatial big data for urban land use mapping: A review //International Journal of Applied Earth Observation and Geoinformation. — 2021. — Vol. 103. — P. 102514.
  48. Zhou S. et al. A knowledge-based, validated classifier for the identification of aliphatic and aromatic plastics by WorldView-3 satellite data //Remote Sensing of Environment. — 2021. — Vol. 264. — P. 112598.

Презентация доклада



Ссылка для цитирования: Малюта О.Р. Спектральные свойства техногенных географических объектов // Материалы 22-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2024. C. 190. DOI 10.21046/22DZZconf-2024a

Дистанционное зондирование растительных и почвенных покровов

190