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)

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

Участие в Школе молодых Участие в конкурсе молодых ученых 

XIX.A.438

Использование методов машинного обучения для создания маски льда снимков Sentinel 1

Захаржевский М.В. (1), Козлов И.Е. (2), Криницкий М.А. (3), Осадчиев А.А. (3), Степанова Н.Б. (3,1)
(1) Московский физико-технический институт (государственный университет), Долгопрудный, Россия
(2) Морской гидрофизический институт РАН, Севастополь, Россия
(3) Институт океанологии им. П.П. Ширшова РАН, Москва, Россия
Sentinel-1A и Sentinel-1B – радиолокационные спутники, запущенные в рамках программы Copernicus ЕКС. Спутники используют съемочную аппаратуру C-band SAR (длинна волны около 6 см, пространственное разрешение от 5 м) и находятся на околополярных орбитах, цикл 12 суток, за которые совершается 175 орбитальных оборотов, что позволяет использовать их для изучения и мониторинга морского льда, изучения различных субемзомасштабных процессов. Спутниковые изображения распространяются открыто и бесплатно, съемка производится непрерывно и радиолокационные данные доступны за практически любой период, что позволяет использовать их для проведения исследований во время, когда не проводится экспедиционная деятельность или другие наблюдения in situ. В связи с чем возникает вопрос создания различных масок для уровня L1 спутниковых изображений для облегчения дальнейшего анализа. В данной работе рассмотрена возможность автоматического создания масок льда с использованием машинного обучения.
Были использованы спутниковые снимки поляризации HV, в качестве объектов рассматривались элементы изображения, относящиеся ко льду или воде. Данные снимков были использованы в формате netCDF4. Была поставлена задача кластеризации элементов изображения на 2 группы, которые можно характеризовать как "вода/не вода". Каждый элемент изображения представлял собой отдельный объект. Признаков описание - значение интенсивности канала HV. Была проведена первичная обработка данных - дестрайпинг, стандартизация. Была использована модель машинного обучения без учителя K-means, заданное количество кластеров - 2. Модель была обучена на половине элементов изображения, выбранных случайным образом. Обучение модели занимало около 5 минут, вычисления производились на CPU тактовой частоты 1.7 ГГЦ. Были получены матрицы размера, идентичного оригинальному снимку, значениями элементов матрицы были числа 0 или 1 - принадлежность кластеру.
Полученные матрицы были визуализированы и сравнены с оригинальным снимком. Была установлена пригодность использования данной модели в целях создания маски льда, условие ее применение - качественный дестрайпинг, так как значения интенсивности в элементах "полос" приблизительно равны значениям интенсивности элементов, относящихся ко льду, в связи с чем модель выносит в кластер и элементы льда, и элементы "полос". Значительное улучшение результата кластеризации было установлено и в случае небольшой предварительной обработки данных сглаживанием средним( вычитанием из каждого элемента изображения значения среднего по столбцу).
Работа выполнена в рамках программы «Плавучие университеты» при поддержке Министерства науки и высшего образования Российской Федерации и Фонда целевого капитала МФТИ.

Ключевые слова: машинное обучение, Sentinel 1, радиолокационные данные

Видео доклада

Методы и алгоритмы обработки спутниковых данных

23