Семантическая сегментация спутниковых изображений с использованием нейросетей для выявления антропогенных объектов в импактных районах Арктики

Методы машинного обучения предлагают различные способы решения задачи сегментации. Условно их можно разделить на две группы: 1) для сегментации пикселя используют только информацию о самом пикселе; 2) дополнительно привлекается информация о других пикселях изображения. В первом случае задача сегментации сводится к задаче попиксельной классификации и может решаться любым подходящим методом машинного обучения. Такой подход проще в применении и обучении, однако он не позволяет добиться высокого качества сегментации при рассмотрении изображений сверхвысокого разрешения [1-4].
В случае привлечения информации о сторонних пикселях стандартными подходами являются использование текстурных фильтров, градиента изображения, спектральных гистограмм. Они образуют новые признаки объекта, которыми все так же остаются отдельные пиксели изображения. Добавленные признаки в некоторой форме содержат дополнительную информацию.
Семантическая сегментация может быть использована для мониторинга антропогенных объектов, а также областей антропогенного загрязнения, так как позволяет производить детектирование объектов. При высокой точности сегментации в том числе могут быть определены геометрические и статистические параметры объектов мониторинга.
Для одновременных спутниковых данных в зависимости от используемых семантических классов могут решаться различные задачи по различным информативным классам, в частности: 1) выявление незаконных свалок и оценка их площади; 2) обнаружение зон сброса отходов промышленного производства, влияющих на экосистему; 3) оценка потоковых и геометрических параметров транспортной системы; 4) выявление строительных объектов, не учтенных в кадастре недвижимости.
При наличии регулярно обновляемых данных для вышеописанных задач возможно выявление временных тенденций.
На импактных территориях Арктики (г. Норильск) выделены две категории информативных классов, выделяемых на спутниковых снимках: инфраструктурные и экологические классы [2-3]. Инфраструктурные классы описывают здания, сооружения, строения на промышленных территориях. Экологические классы – признаки промышленной деятельности в твердой, жидкой или газообразной среде (и состоянии). Выполнено машинное обучение на разных классах, получены показатели семантической сегментации.
Работа выполнена при финансовой поддержке Российской Федерации в лице Минобрнауки России в рамках соглашения № 075-15-2020-776.