Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)
Архив конференций
Дополнительная информация
Подписка/отписка
на рассылку новостей

Шестнадцатая Всероссийская Открытая конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

Участие в конкурсе молодых ученых 

XVI.A.90

Применение сверточной нейронной сети для детектирования облачности и снега по данным многоканального спутникового устройства МСУ-МР КА "Метеор-М" №2

Андреев А.И. (1), Холодов Е.И. (1), Шамилова Ю.А. (1)
(1) Дальневосточный центр ФГБУ «НИЦ «Планета», Хабаровск, Россия
Последние исследования в области дистанционного зондирования Земли показывают, что алгоритмы машинного обучения, в частности нейронные сети, могут успешно применяться для задач классификации элементов (пикселей) спутникового изображения и отнесения их к некоторому типу.
В настоящей работе разработаны архитектуры двух сверточных нейронных сетей (CNN) для детектирования снега и облачности на спутниковых изображениях, получаемых со спектрорадиометра МСУ-МР, установленного на КА «Метеор-М» № 2. На основе полученных архитектур построены классификаторы для создания соответствующих масок снега и облачности. В качестве входных обучающих данных CNN используют текстуры, представляющие собой небольшие участки изображения с примерами различных объектов, разделённых на различные классы и их подтипы. Суммарный объем выборки текстур составил приблизительно 184 тыс. и был дополнительно расширен до 2,7 млн. примеров путем их поворотов на различные углы вокруг оси. Исследования показали, что использование текстур в сочетании с CNN позволяет достичь наиболее высокой точности классификации в сравнении с другими методами, особенно при разделении облачности и снега, зачастую обладающих схожими спектральными характеристиками.
Оценка качества работы классификаторов была произведена с использованием тестового набора текстур, а также путем сравнения получаемых масок снега и облачности с «эталонными», сформированными опытными метеорологами. Получаемые классификатором маски облачности в сравнении с «эталонными» имеют относительную погрешность около 18 %, а точность классификации тестовых текстур согласно метрикам машинного обучения – не менее 86 %. Для масок снега точность классификации тестовых текстур составила приблизительно 95 %. Визуальное сравнение получаемых масок с зарубежными аналогами по данным спектрорадиометров VIIRS и MODIS показало, что маски, генерируемые нейронной сетью, имеют более высокое качество, особенно при детектировании снега.
Исходя из анализа полученных результатов, было установлено, что, большая часть ошибок классификатора приходится на распознавание прозрачной перистой облачности и дымки, сквозь которую видна подстилающая поверхность. Также иногда наблюдаются проблемы по краям спутникового изображения, вызванные сильными геометрическими искажениями при съемке земной поверхности спутником, и вдоль береговых линий.

Ключевые слова: МСУ-МР, маска облачности, детектирование облачности, CNN, сверточная нейронная сеть.
Литература:
  1. Chen Wen-jia, Duan Jiang-yong, and Meng Juan. Cloud Detection via Convolutional Neural Network in Visible Light Remote Sensing Images. /In: 2nd International Conference on Artificial Intelligence: Techniques and Applications (AITA_2017).
  2. 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.
  3. 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.
  4. Diederik P.K., Jimmy L.B. 2015. Adam: a method for stochastic optimization. /In: 2015_conference_ICLR.
  5. Elfwing S., Uchibe E., Doya K. Sigmoid-Weighted Linear Units for Neural Network Function Approximation in Reinforcement Learning. /In: arXiv preprint:1702.03118v3, 2017.
  6. Jay Kuo C.-C. Understanding Convolutional Nerual Networks with A Mathematical Model. /In: arXiv preprint:1609.04112v2,_2016.
  7. Laarhoven T. L2 Regularization versus Batch and Weight Normalization. /In: arXiv preprint:1706.05350v,_2017.
  8. 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.
  9. LeCun Y., Boser B., Denker J., Henderson D., Howard R., Hubbard W. and Jackel L. Backpropagation Applied to Handwritten Zip Code Recognition. — Neural Computation, 1989, 1(4), pp.541-551.
  10. Maggiori E., Tarabalka Y. Reccurent Neural Networks to correct Satellite Image Classification Maps. /In: arXiv preprint:1608.03440v3,_2017.
  11. Miller S., Lee T., and Fennimore R. Satellite-Based Imagery Techniques for Daytime Cloud/Snow Delineation from MODIS. — Journal of Applied Meteorology, 2005, 44(7), pp.987-997.
  12. Mueller A., Guido S. An introduction to Machine Learning with Python. O’Reilly, 2017, p._392.
  13. Nasr G., Badr E., and Joun C. Cross Entropy Error Function in Neural Networks: Forecasting Gasoline Demand. /In: Proceedings of the Fifteenth International Florida Artificial Intelligence Research Society Conference. 2002. pp. 381-384.
  14. 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.
  15. 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.
  16. 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.
  17. Yandong W., Kaipeng Z., Zhifeng Li, and Qiao Yu. A discriminative Feature Learning Approach for Deep Face Recognition. /In: Computer Vision – ECCV 2016: 14th European Conference, Proceedings, Part VII, pp. 449-515.
  18. Yu Liu, Jun Xia, Chun-Xiang Shi, and Yang Hong. An improved Cloud Classification Algorithm for China's FY-2C Multi-Channel Images Using Artificial Neural Networks. /In: Sensors 2009, 9(7).
  19. Zhang Liangpei, Zhang Lefei, and Du Bo. Deep Learning for Remote Sensing Data: A technical tutorial on the state of the art. /In: IEEE Geoscience and remote sensing magazine, 2016.

Методы и алгоритмы обработки спутниковых данных

14