Опыт автоматизированного дешифрирования сети грунтовых дорог в степной зоне по данным дистанционного зондирования сверхвысокого пространственного разрешения

Дорожная сеть является обязательным элементом баз пространственных данных, полнота и точность которых является критически важной для территориального и транспортного планирования, управления территорией в случае чрезвычайных ситуаций и многих других задач. Дополнение, а также актуализация данных о дорожной сети может осуществляться с использованием данных дистанционного зондирования Земли (ДЗЗ). В последние десятилетия разрабатываются методики, по которым дешифрирование дорожной сети может выполняться в частично или полностью автоматизированном режиме. Однако, так как большая часть этих алгоритмов опирается в основном на спектральные характеристики асфальтированной поверхности, многие из существующих методик не подходят для выделения сети грунтовых дорог.

Данная работа посвящена разработке и апробации методики выделения сети грунтовых дорог с использованием сверточной нейронной сети по данным дистанционного зондирования сверхвысокого разрешения на примере участков степной и лесостепной природных зон.

Главным отличием нейронных сетей от других автоматизированных методов обработки данных дистанционного зондирования является использование более сложных, высокоуровневых признаков (в том числе выделяющие закономерности, не имеющие семантического смысла) в то время как традиционные алгоритмы опираются на низкоуровневые: спектральные характеристики, текстуру, форму. С учетом сложностей с формализацией образа грунтовых дорог на спутниковых снимках, возникающей необходимостью учета значительных различий характеристик внутри рассматриваемого класса, а также ранее часто встречающимся подходом рассматривать грунтовые дороги как «шумы» при сегментации дорожной сети на изображениях, использование методов глубокого обучения для решения задачи выделения данного типа объектов можно считать особенно перспективным.

Разработанная архитектура сверточной нейронной сети, включающая в себя шесть свёрточных слоев и три полносвязных слоя-классификатора с выбранной функцией активации ReLU, была реализована с помощью библиотеки PyTorch. Обучение и апробация модели проводились на примере панхроматических и мультиспектральных данных спутника WorldView-2 с разрешением 0,46 м для панхроматического канала и 1,84 м — для каналов видимого диапазона.

Были рассмотрены следующие варианты данных для использования в модели: снимок в панхроматическом диапазоне; многозональный снимок в трёх каналах видимого диапазона; изображения, полученные в результате применения алгоритмов паншарпенинга. Наилучший результат, оцененный на основе визуального анализа, а также метрик обучения модели, показал вариант использования алгоритма паншарпенинга Грэма-Шмидта — точность (accuracy) в данном случае составила 0.85, полнота (recall) — 0.8. Полученное в результате работы модели изображение подвергалось постобработке, включающей в себя операции морфологического открытия и морфологического утоньшения.

Результаты работы показали применимость свёрточных нейронных сетей для дешифрирования сети грунтовых дорог. Для дальнейшего применения методика должна быть доработана в части постобработки из-за большой зашумленности на выходе модели. Высказано предположение, что для увеличения точности дешифрирования необходимо осуществлять более подробный подбор снимков с точки зрения состояния территории на них, в том числе с учетом сезонности.