ВСЕРОССИЙСКИЕ ОТКРЫТЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов
English
Электронный сборник статей 16-й конференции (12-16 ноября 2018 г., Москва, Россия)
Детектирование снега и облачности с использованием сверточной нейронной сети по данным прибора МСУ-МР КА «МЕТЕОР-М» №2
Л.С. Крамарева1, А.И. Андреев1, Е.В. Симоненко1,2, Е.И. Холодов1, Ю.А. Шамилова1, А.А. Сорокин2
- Дальневосточный центр ФГБУ «Научно-исследовательский центр космической гидрометеорологии «Планета», Хабаровск, Россия
alexander.andreev.mail@gmail.com
- Вычислительный центр ДВО РАН, Хабаровск, Россия
DOI 10.21046/rorse2018.60
В работе представлен метод формирования масок облачности и снега с использованием классификаторов на основе сверточной нейронной сети. Входными данными являются текстуры, полученные по измерениям шести каналов прибора МСУ-МР с разрешением 1 км. Проведено сравнение полученного классификатора с алгоритмом Random Forest, где в качестве входных данных использовались отдельные пиксели, индексы NDVI и NDSI, а также текстурные признаки, вычисляемые из матрицы GLCM. Оценка полученных классификаторов была произведена путем расчета метрик машинного обучения на тестовом наборе текстур, таких как точность, полнота и f-мера, а также путем сравнения с результатами ручного дешифрирования опытным специалистом и сопоставлением с маской облачности по данным прибора VIIRS.
Ключевые слова: МСУ-МР, маска снега, маска облачности, машинное обучение, сверточная нейронная сеть, CNN
Литература: - [1] Maggiori E., Tarabalka Y. Reccurent Neural Networks to correct Satellite Image Classification Maps. /In: arXiv preprint:1608.03440v3, 2017.
- [2] Xiao Xiang Zhu, Devis Tuia, Lichao Mou, Gui-Song Xia, Liangpei Zhang, Feng Xu, Friedrich Fraundorfer. Deep Learning in Remote Sensing: A Review. /In: arXiv preprint: 1710.03959v1, 2017.
- [3] Chen Yang, Fan Rongshuang, Bilal Muhammad, Yang Xiucheng, Wang Jingxue, and Wei Li. Multilevel Cloud Detection for High-Resolution Remote Sensing Imagery Using Multiple Convolutional Neural Networks. /In: ISPRS Int. J. Geo-Inf. 2018, 7(5), 181.
- [4] Xie Fengying, Shi Mengyun, Shi Zhen Wei, Yin Jihao, and Zhao Danpei. Multi-level Cloud Detection in Remote Sensing Images Based on Deep Learning. /In: IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, pp(99):1-10, April 2017.
- [5] Le Goff M., Tourneret J.-Y., Wendt H., and Spigai M. Deep learning for cloud detection. /In: ICPRS (8th International Conference of Pattern Recognition Systems), 2017.
- [6] LeCun Y., Boser B., Denker J., Henderson D., Howard R., Hubbard W. and Jackel L. (1989). Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1(4), pp.541-551.
- [7] Lawrence S., Giles C., Ah Chung Tsoi and Back A. (1997). Face recognition: a convolutional neural-network approach. IEEE Transactions on Neural Networks, 8(1), pp. 98-113.
- [8] Ciregan D., Meier U. and Schmidhuber J. Muli-column deep neural networks for image classification. In 2012 IEEE Conference on Computer Vision and Pattern Recognition. 3642-3649.
- [9] Szegedy C., Ioffe S., Vanhoucke V. Inception-v4, Inception-ResNet and the impact of residual connection om learning. arXiv preprint arXiv:1602.07261v2, 2016.
- [10] Jay Kuo C.-C. Understanding Convolutional Nerual Networks with A Mathematical Model. /In: arXiv preprint:1609.04112v2, 2016.
- [11] Srivastava N. Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfiting. — Journal of Machine Learning Research. 15 (2014), pp. 1929-1958.
- [12] Diederik P. K., Jimmy Lei Ba. 2015. Adam: a method for stochastic optimization. In 2015 conference ICLR.
- [13] Cilimkovic M. Neural Networks and Back Propagation Algorithm. Institute of Technology Blanchardstown, Blanchardstown Road North Dublin 15, Ireland.
- [14] Nasr G. E., Badr E. A., Joun C. Cross Entropy Error Function in Neural Networks: Forecasting Gasoline Demand. Proceedings of the Fifteenth International Florida Artificial Intelligence Research Society Conference. 2002. pp. 381-384.
- [15] Quinlan, J. R. (1987). "Simplifying decision trees". International Journal of Man-Machine Studies. 27 (3): 221.
- [16] Haralick, Robert M., and Karthikeyan Shanmugam. "Textural features for image classification." IEEE Transactions on systems, man, and cybernetics 6, 1973.
- [17] Mueller A., Guido S. An introduction to Machine Learning with Python. O’Reilly, 2017, 978-1-449-36941-5, p. 392.
- [18] Sorokin A.A., Makogonov S.I., Korolev S.P. The Information Infrastructure for Collective Scientific Work in the Far East of Russia // Scientific and Technical Information Processing. 2017. Vol. 44. Number 4. P. 302-304.
Скачать pdf
Методы и алгоритмы обработки данных дистанционного мониторинга
60-67