Классификация высокотемпературных детекций по спутниковым снимкам поверхности Земли высокого разрешения

В настоящее время существует ряд алгоритмов и подходов к детектированию высокотемпературных источников по мультиспектральным спутниковым данным. Один из примеров – детектирование инфракрасных источников на ночной поверхности Земли методом VIIRS Nightfire (VNF) по данным сенсора VIIRS, установленного на метеорологических спутниках Suomi NPP и NOAA-20. Некоторые алгоритмы могут определить базовый класс источника (например, факельное сжигание попутного нефтяного газа, пожар и т.п.). Но помимо класса источника возникает задача определения класса объекта, к которому этот источник относится. Например, факельное сжигание может быть как на месторождениях, так и на нефтеперерабатывающих заводах, газоперерабатывающих заводах и т.п. Производить классификацию вручную трудоемко в связи с большим числом детектируемых объектов.
Для ускорения и облегчения процесса классификации объектов высокотемпературных источников авторы доклада разработали программную систему, позволяющую классифицировать объекты в автоматическом режиме. Разработанная система решает задачу мультиклассовой классификации с использованием методов машинного обучения. На вход системы подаются координаты детекции. По этим координатам система формирует изображение области вокруг детекции. Сформированное изображение подается на вход классификатору. Выход системы представляет собой 3 наиболее вероятных класса, к которым принадлежит объект на изображении. Мультиклассовый классификатор реализован с использованием подхода One-vs-One и представляет собой набор бинарных классификаторов на основе нейронных сетей. Для классификации используются координаты детекций и дневные снимки высокого разрешения. В данной реализации были использованы спутниковые снимки из системы ArcGIS.
Апробация, проведенная на расположенных в России объектах 7 классов, включая газовые факелы, нефтеперерабатывающие заводы, индустриальные объекты (сталелитейные заводы, угольные шахты), показала точность более 90%, – предсказывая настоящий класс объекта в качестве одного из 3 самых вероятных – и до 75% (в зависимости от класса) – как самый вероятный.
В докладе описан подход к классификации и результаты его тестирования, а также представлена разработанная программная система.