Науковий вісник НГУ

Інтелектуальна технологія обробки супутникових зображень Sentinel для картографування земного покриву

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Батьківська категорія: 2024

Категорія: Зміст №5 2024

Створено: 29 жовтня 2024

Останнє оновлення: 29 жовтня 2024

Опубліковано: 30 листопада -0001

Автор: В. Ю. Каштан, В. В. Гнатушенко, І. С. Лактіонов, Г. Г. Дяченко

Перегляди: 424

Authors:

В. Ю. Каштан, orcid.org/0000-0002-0395-5895, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. В. Гнатушенко*, orcid.org/0000-0003-3140-3788, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І. С. Лактіонов, orcid.org/0000-0001-7857-6382, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Г. Г. Дяченко, orcid.org/0000-0001-9105-1951, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (5): 143 - 150

https://doi.org/10.33271/nvngu/2024-5/143

Abstract:

Мета. Розробка інтелектуальної технології обробки супутникових зображень Sentinel за допомогою згорткових нейронних мереж. У результаті синтезується зображення із покращеною просторовою роздільною здатністю.

Методика. Представлена інтелектуальна технологія, що використовує комбінацію методів біквадратичної інтерполяції, гістограмного вирівнювання та PCA-перетворення, а також паралельну залишкову архітектуру згорткових нейронних мереж. Використання технології підвищує інформативність оптичних зображень Sentinel-2 завдяки об’єднанню даних із роздільними здатностями 10 і 20 метрів. У результаті отримаємо первинні 20-метрові зображення з покращеною просторовою роздільною здатністю.

Результати. Середньоквадратична похибка (RMSE =  3,64) свідчить про високу точність відтворення спектральних властивостей зображень. Коефіцієнт кореляції (CC = 0,997) підтверджує дуже сильну лінійну залежність між оціненими та спостережуваними зображеннями. Низьке значення спектрального кута відображення (SAM = 0,52) разом із високим універсальним індексом якості зображення (UIQI = 0,999) свідчать про високу якість і структурну подібність між синтезованими та еталонними зображеннями. Результати тестування підтверджують ефективність запропонованої технології у покращенні просторової роздільної здатності супутникових зображень Sentinel.

Наукова новизна. Класичні методи підвищення інформативності багатоспектральних зображень розроблені для супутникових знімків із панхроматичними каналами, не можуть бути безпосередньо застосовані до знімків супутника Sentinel, оскільки ці зображення не містять панхроматичний канал. Крім того, атмосферні умови, зокрема наявність хмар, впливають на якість оптичних знімків, ускладнюючи їх подальшу тематичну обробку. Запропонована технологія на основі методів біквадратичної інтерполяції, гістограмного вирівнювання, згорткових нейронних мереж і PCA-перетворення дозволяє видаляти хмари на знімках і покращувати просторову здатність первинних 20-метрових каналів оптичних супутникових зображень Sentinel-2. Ця технологія дозволяє зменшити кольорові спотворення й підвищити деталізацію цифрових оптичних зображень, що дає змогу в подальшому більш точно аналізувати стан земного покриву.

Практична значимість. Отримані результати можуть бути використані для вдосконалення методів обробки супутникових зображень Sentinel, що забезпечують отримання геопросторових даних покращеної просторової здатності зі збереженням спектральних характеристик. Це створює основу для розробки нових геоінформаційних систем для моніторингу земної поверхні.

Ключові слова: згорткова нейронна мережа, зображення, дистанційне зондування, просторова здатність

References.

1. Griffiths, P., Nendel, C., & Hostert, P. (2019). Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping. Remote Sensing of Environment, 220, 135-151. https://doi.org/10.1016/j.rse.2018.10.031.

2. Gerland, P., Hertog, S., Wheldon, M., Kantorova, V., Gu, D., Gonnella, G., …, & Spoorenberg, T. (2022). World Population Prospects 2022: Summary of results.

3. Pawlak, K., & Kołodziejczak, M. (2020). The Role of Agriculture in Ensuring Food Security in Developing Countries: Considerations in the Context of the Problem of Sustainable Food Production. Sustainability, 12, 5488. https://doi.org/10.3390/su12135488.

4. Dudin, V., Polehenka, M., Tkalich, O., Pavlychenko, A., Hapich, H., & Roubík, H. (2024). Ecological and economic assessment of the effectiveness of implementing bioenergy technologies in the conditions of post-war recovery of Ukraine. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (1), 203-208. https://doi.org/10.33271/nvngu/2024-1/203.

5. Löw, F., & Duveiller, G. (2014). Defining the spatial resolution requirements for crop identification using optical remote sensing. Remote Sensing, 6, 9034-9063. https://doi.org/10.3390/rs6099034.

6. Hnatushenko, V. V., Sierikova, K. Y., & Sierikov, I. Y. (2018). Development of a Cloud-Based Web Geospatial Information System for Agricultural Monitoring Using Sentinel-2 Data. 2018 IEEE 13^th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT). Lviv, Ukraine, 2018, (pp. 270-273). https://doi.org/10.1109/STC-CSIT.2018.8526717.

7. Beylkin, G., Monzón, L., & Satkauskas, I. (2019). On computing distributions of products of random variables via Gaussian multiresolution analysis. Applied and Computational Harmonic Analysis, 47, 306-337. https://doi.org/10.1016/j.acha.2017.08.008.

8. Sugumar, R., & Suganya, D. (2023). A multi-spectral image-based high-level classification based on a modified SVM with enhanced PCA and hybrid metaheuristic algorithm. Remote Sensing Applications: Society and Environment, 31. https://doi.org/10.1016/j.rsase.2023.100984.

9. Guo, Q., Liu, Z., & Liu, S. (2010). Color image encryption by using Arnold and discrete fractional random transforms in IHS space. Optics and Lasers in Engineering, 48, 1174-1181. https://doi.org/10.1016/j.optlaseng.2010.07.005.

10. Carson, E., Lund, K., Rozložník, M., & Thomas, S. (2022). Block Gram-Schmidt algorithms and their stability properties. Linear Algebra and its Applications, 638, 150-195. https://doi.org/10.1016/j.laa.2021.12.017.

11. Kashtan, V., & Hnatushenko, V. (2020). A wavelet and HSV pansharpening technology of high resolution satellite images. 1^st International Workshop on Intelligent Information Technologies & Systems of Information Security (IntelITSIS-2020), Khmelnytskyi, Ukraine June 10-12, 2020.

12. Massout, S., & Smara, Y. (2021). Panchromatic and multispectral image fusion using the spatial frequency and the à trous wavelet transform. Journal of Applied Remote Sensing, 15. https://doi.org/10.1117/1.JRS.15.036510.

13. Kaplan, G. (2018). Sentinel-2 Pan Sharpening-Comparative Ana­ly­sis. MDPI Proceedings, 2, 345. https://doi.org/10.3390/ecrs-2-05158.

14. Du, Y., Zhang, Y., Ling, F., Wang, Q., Li, W., & Li, X. (2016). Water bodies’ mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band. Remote Sensing, 8, 354. https://doi.org/10.3390/rs8040354.

15. Lanaras, C., Bioucas-Dias, J.M., Galliani, S., Baltsavias, E., & Schindler, K. (2018). Super-Resolution of Sentinel-2 Images: Learning a Globally Applicable Deep Neural Network. ISPRS Journal of Photogrammetry and Remote Sensing, V.146, 305-319. https://doi.org/10.1016/j.isprsjprs.2018.09.018.

16. Yuan, Q., Wei, Y., Meng, X., Shen, H., & Zhang, L. (2018). A multiscale and multidepth convolutional neural network for remote sensing imagery pan-sharpening. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sensing, 11, 978-989. https://doi.org/10.1109/JSTARS.2018.2794888.

17. Shao, Z., Cai, J., Fu, P., Hu, L., & Lui, T. (2019). Deep learning-based fusion of Landsat-8 and Sentinel-2 images for a harmonized surface reflectance product. Remote Sensing of Environment, 235, 111425. https://doi.org/10.1016/j.rse.2019.111425.

18. Zhang, C., & Li, X. (2022). Land Use and Land Cover Mapping in the Era of Big Data. Land, 11, 1692. https://doi.org/10.3390/land11101692.

19. Hnatushenko, V., Kogut, P., & Uvarov, M. (2022). Variational approach for rigid co-registration of optical/SAR satellite images in agricultural areas. Journal of Computational and Applied Mathematics, 400, 113742. https://doi.org/10.1016/j.cam.2021.113742.

20. Khanna, R., Sa, I., Nieto, J., & Siegwart, R. (2017). On field radiometric calibration for multispectral cameras, 2017 IEEE International Conference on Robotics and Automation (ICRA), Singapore, 2017, (pp. 6503-6509). https://doi.org/10.1109/ICRA.2017.7989768.

21. Hnatushenko, V., Hnatushenko, Vik., Kashtan, V., Reuta, O., & Udovyk, I. (2021). Voxel Approach to the Shadow Formation Process in Image Analysis. 11^th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, 22-25 September, 2021, Cracow, Poland, (pp. 33-36). https://doi.org/10.1109/IDAACS53288.2021.9660909.

22. Lim, B., Son, S., Kim, H., Nah, S., & Mu Lee, K. (2017). Enhanced deep residual networks for single image super-resolution. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, Honolulu, HI, USA, (pp. 136-144). https://doi.org/10.48550/arXiv.1707.02921.

23. Rozenhaimer, M.S., Li, A., Das, K., & Chirayath, V. (2020). Cloud detection algorithm for multi-modal satellite imagery using convolutional neural-networks (CNN). Remote Sensing of Environment, 237, 111446. https://doi.org/10.1016/j.rse.2019.111446.

24. Loncan, L., De Almeida, L.B., Bioucas-Dias, J.M., Briottet, X., Chanussot, J., Dobigeon, N., …, & Yokoya, N. (2015). Hyperspectral pansharpening: A review. IEEE Geoscience and Remote Sensing Magazine, 3(3), 27-46. https://doi.org/10.1109/MGRS.2015.2440094.

• < Попередня
• Наступна >