Использование сверточной нейросети для детекции дыма на двухканальных спутниковых снимках

Оперативное обнаружение лесных пожаров на ранних стадиях является очень важной задачей для минимизации экологического и экономического ущерба. Перспективным подходом является детекция дыма как основного признака возгорания. В данной работе исследуется возможность применения сверточных нейронных сетей (CNN) для решения задач классификации и детекции дыма на двухканальных спутниковых снимках, сформированных из комбинаций доступных спектральных каналов.
Целью работы является оценка эффективности сверточных нейросетей для обнаружения дыма в условиях ограниченного числа спектральных каналов и определение оптимальной комбинации каналов для построения двухканальных изображений.
Требование к использованию не более двух каналов возникло из технологического ограничения разрабатываемой нами съёмочной системы формата cubsat. Эти два канала будут использоваться как вспомогательный инструмент детекции дыма для основного тепловизионного съемочного модуля.
В качестве исходных данных использовались два набора: USTC_SmokeRS (снимки MODIS) для задачи классификации и FASDD_RS (снимки Sentinel-2 и Landsat-8) для задачи детекции. На основе трех доступных каналов (Blue, Green, Red) генерировались двухканальные изображения в трех комбинациях: 1) Green, Red; 2) Blue, Red; 3) (Green+Blue)/2, Red. Выбор комбинаций обусловлен физическими свойствами дыма, который хорошо рассеивает в диапазоне синего и поглощает в красном, создавая максимальный контраст. Для классификации использовалась модель ResNet50, для детекции — YOLOv8.
Результаты исследования показали, что обе модели продемонстрировали наилучшие и наиболее стабильные результаты при использовании комбинации каналов Blue, Red. Для повышения качества детекции дыма в задаче классификации применялось дополнительное взвешивание целевого класса. Оценка качества проводилась с использованием стандартных метрик: Precision, Recall, F1-меры для классификации, а также mAP50 и mAP50-95 для детекции.
Визуальный анализ подтвердил, что модель способна обнаруживать дым с высокой точностью, в ряде случаев даже точнее, чем эталонная маска. Основной проблемой остаются ложные срабатывания на облаках, которые на каналах Blue и Green могут быть схожи с дымом. Для решения этой проблемы в дальнейшем планируется добавление специализированного набора данных с облаками, а также оптимизация гиперпараметров обучения.
Полученные результаты демонстрируют принципиальную возможность эффективной детекции дыма даже при ограниченном наборе спектральных каналов, что открывает перспективы для использования подобных моделей на сверхмалых космических аппаратах и в системах оперативного мониторинга.