Комбинированный метод сегментации изображений на основе алгоритмов SLIC и Random Forest для мониторинга лесных массивов по данным ДЗЗ
DOI:
https://doi.org/10.5281/zenodo.15586093Ключевые слова:
метод сегментации изображений, леса, мониторинг, рубки леса, дистанционное зондирование Земли, SLIC, NDVI, Random Forest, контролируемая классификацияПоддерживающие организации
Лицензия
Аннотация
Рассматривается задача разработки метода сегментации изображений для выявления изменений в лесном покрове в целях дальнейшей разработки алгоритмов, которые применяются для решения задач мониторинга лесных массивов, в частности, мониторинга сплошных рубок леса. Целью данной работы является развитие метода сегментации изображений для применения в разработке алгоритмов для обнаружения и картирования сплошных рубок леса с использованием спутниковых данных среднего разрешения Sentinel-2. Сегментация изображений проводится с использованием алгоритма суперпиксельной сегментации SLIC, а точность работы проверяется с помощью алгоритма машинного обучения контролируемой классификации Random Forest и набор соответствующих метрик и эталонных образцов. Определение оптимальных начальных параметров метода сегментации изображений производилась на основании масок леса и рубок леса, полученных в результате работы с данными дистанционного зондирования Земли, различных вегетационных индексов (NDVI, EVI, NDWI) и т.д. Проведена успешная сегментация изображений на сегменты а в последующем на классы, где 1 – соответствуют вырубкам леса, а 0 – значениям леса, а визуальное представление работы алгоритма доказало успешную работу предложенного метода на тестовых данных.
Скачивания
Библиографические ссылки
1. Основные алгоритмы сегментации изображений учебное пособие / Д. Н. Тумаков, З. Д. Каюмов, А. Г. Маркина [и др.]. – Казань: Издательство Казанского университета, 2024 – 76 с.
2. Лукашик, Д. В. Анализ современных методов сегментации изображений / Д. В. Лукашик // Экономика и качество систем связи. – 2022. – Т. 2. – С. 57-65.
3. Tucker, C. J. Remote sensing of total dry-matter accumulation in winter wheat / C. J. Tucker // Remote Sensing of Environment. – 1981. – Vol. 11. – P. 267–277. – DOI 10.1016/0034-4257(81)90027-X.
4. Hansen, M. C. High-Resolution Global Maps of Forest Cover Change / M. C. Hansen, J. R. G. Townshend // Science. – 2013. – V. 342, № 6160. – P. 850–853. – DOI 10.1126/science.1244693.
5. A pixel-based Landsat compositing algorithm for large area forest cover mapping / J. C. White [et al.] // Remote Sensing of Environment. – 2014. – V. 140. – P. 23–31. – DOI 10.1016/j.rse.2013.08.016.
6. Барталев, С. А. Спутниковый мониторинг лесов России: современное состояние и перспективы / С. А. Барталев // Современные проблемы дистанционного зондирования Земли из космоса. – 2020. – Т. 17. – № 5. – С. 9-34. – DOI 10.21046/2070-7401-2020-17-5-9-34.
7. Егоров, В. А. Автоматизированная сегментация космических изображений для оценки сплошных рубок леса / В. А. Егоров, Е. А. Лупян, С. А. Барталев // Лесоведение. – 2019. – № 3. – С. 243-253. – DOI: 10.1134/S0024114819030039.
8. Can semantic labeling methods generalize to any city? The inria aerial image labeling benchmark / E. Maggiori [et al.] // IEEE Transactions on Geoscience and Remote Sensing. – 2017. – V. 55, №. 9. – P. 4776–4789. – DOI 10.1109/TGRS.2017.2693342.
9. Land Cover Classification via Multitemporal Spatial Data by Deep Recurrent Neural Networks / D. Ienco [et al.] // IEEE Geoscience and Remote Sensing Letters. – 2017. – V. 14, № 10. – P. 1685–1689. – DOI 10.1109/LGRS.2017.2728698.
10. Deep Learning for Remote Sensing Image Classification / P. Wang [et al.] // ISPRS Journal of Photogrammetry and Remote Sensing. – 2020. – V. 159. – P. 112–126. – DOI 10.1016/j.isprsjprs.2019.11.004.
11. Колесенков, А. Н. Алгоритмы сетевого анализа в геоинформационных системах мониторинга чрезвычайных ситуаций / А. Н. Колесенков, А. В. Несова // Вопросы науки. – 2015. – Т. 3. – С. 101-105. – EDN TQOONX.
12. Несова, А. В. Технология экологического мониторинга на основе обработки аэрокосмических снимков средствами генетических алгоритмов / А. В. Несова // Сборник тезисов участников Международного форума "Наука будущего-наука молодых". – 2015. – Т. 2. – С. 77-79.
13. Колесенков, А. Н. Оценка состояния объектов лесного хозяйства на основе реализации НВИ-подхода средствами математического моделирования / А. Н. Колесенков, А. В. Несова // Математические методы в технике и технологиях. – 2015. – № 9(79). – С. 139-141. – EDN YUCDCW.
14. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods / R. Achanta [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. –2012. – V. 34, № 11. – P. 2274-2282.
REFERENCES LIST
1. Osnovnye algoritmy segmentatsii izobrazhenii uchebnoe posobie / D. N. Tumakov, Z. D. Kaiumov, A. G. Markina [i dr.]. – Kazan: Izdatelstvo Kazanskogo universiteta, 2024 – 76 s.
2. Lukashik, D. V. Analiz sovremennykh metodov segmentatsii izobrazhenii / D. V. Lukashik // Ekonomika i kachestvo sistem sviazi. – 2022. – T. 2. – S. 57-65.
3. Tucker, C. J. Remote sensing of total dry-matter accumulation in winter wheat / C. J. Tucker // Remote Sensing of Environment. – 1981. – Vol. 11. – P. 267–277. – DOI 10.1016/0034-4257(81)90027-X.
4. Hansen, M. C. High-Resolution Global Maps of Forest Cover Change / M. C. Hansen, J. R. G. Townshend // Science. – 2013. – V. 342, № 6160. – P. 850–853. – DOI 10.1126/science.1244693.
5. A pixel-based Landsat compositing algorithm for large area forest cover mapping / J. C. White [et al.] // Remote Sensing of Environment. – 2014. – V. 140. – P. 23–31. – DOI 10.1016/j.rse.2013.08.016.
6. Bartalev, S. A. Sputnikovyi monitoring lesov Rossii: sovremennoe sostoianie i perspektivy / S. A. Bartalev // Sovremennye problemy distantsionnogo zondirovaniia Zemli iz kosmosa. – 2020. – T. 17. – № 5. – S. 9-34. – DOI 10.21046/2070-7401-2020-17-5-9-34.
7. Egorov, V. A. Avtomatizirovannaia segmentatsiia kosmicheskikh izobrazhenii dlia otsenki sploshnykh rubok lesa / V. A. Egorov, E. A. Lupian, S. A. Bartalev // Lesovedenie. – 2019. – № 3. – S. 243-253. – DOI: 10.1134/S0024114819030039.
8. Can semantic labeling methods generalize to any city? The inria aerial image labeling benchmark / E. Maggiori [et al.] // IEEE Transactions on Geoscience and Remote Sensing. – 2017. – V. 55, №. 9. – P. 4776–4789. – DOI 10.1109/TGRS.2017.2693342.
9. Land Cover Classification via Multitemporal Spatial Data by Deep Recurrent Neural Networks / D. Ienco [et al.] // IEEE Geoscience and Remote Sensing Letters. – 2017. – V. 14, № 10. – P. 1685–1689. – DOI 10.1109/LGRS.2017.2728698.
10. Deep Learning for Remote Sensing Image Classification / P. Wang [et al.] // ISPRS Journal of Photogrammetry and Remote Sensing. – 2020. – V. 159. – P. 112–126. – DOI 10.1016/j.isprsjprs.2019.11.004.
11. Kolesenkov, A. N. Algoritmy setevogo analiza v geoinformatsionnykh sistemakh monitoringa chrezvychainykh situatsii / A. N. Kolesenkov, A. V. Nesova // Voprosy nauki. – 2015. – T. 3. – S. 101-105. – EDN TQOONX.
12. Nesova, A. V. Tekhnologiia ekologicheskogo monitoringa na osnove obrabotki aerokosmicheskikh snimkov sredstvami geneticheskikh algoritmov / A. V. Nesova // Sbornik tezisov uchastnikov Mezhdunarodnogo foruma Nauka budushchego-nauka molodykh. – 2015. – T. 2. – S. 77-79.
13. Kolesenkov, A. N. Otsenka sostoianiia obieektov lesnogo khoziaistva na osnove realizatsii NVI-podkhoda sredstvami matematicheskogo modelirovaniia / A. N. Kolesenkov, A. V. Nesova // Matematicheskie metody v tekhnike i tekhnologiiakh. – 2015. – № 9(79). – S. 139-141. – EDN YUCDCW.
14. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods / R. Achanta [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. –2012. – V. 34, № 11. – P. 2274-2282.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
