СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В настоящей работе авторами предлагается алгоритм автоматического оперативного детектирования разливов бассейна реки Амур на основе данных прибора MSI, установленного на космическом аппарате Sentinel-2. Для решения задачи используется сверточная нейронная сеть U-net, усовершенствованная ввиду специфики данных путем добавления дополнительного слоя, понижающего дискретизацию, и слоев нормализации после каждой активации нейронов. В качестве обучающего набора использовались данные Sentinel-2 Level-2A, прошедшие процедуру атмосферной коррекции и представляющие собой 4 канала прибора MSI пространственным разрешением 10 м, а также индексные изображения, построенные на их основе. В качестве эталонной информации использовались векторные карты речных разливов, построенные в интерактивном режиме специалистами дешифровщиками из Дальневосточного центра ФГБУ «Научно-исследовательский центр космической гидрометеорологии “Планета”». Результаты работы нейросетевого алгоритма после процесса обучения оценивались по метрикам, которые составили: Precision – 94,91%, Recall – 90,76%, F1-measure – 92,79%. Высокие оценки точности и быстрая скорость работы позволяют использовать разработанный алгоритм для автоматического оперативного детектирования разливов бассейна реки Амур в задачах комплексного мониторинга паводковой обстановки. Работа является законченным техническим решением и внедрена в опытную эксплуатацию в Дальневосточном центре ФГБУ «Научно-исследовательский центр космической гидрометеорологии “Планета”». Полученные авторами результаты в перспективе планируется адаптировать к данным российского космического аппарата серии «Метеор-М» с установленным на борту комплексом многозональной спутниковой съемки КМСС-2. Ожидаемые результаты позволят улучшить качество предоставляемой тематической продукции и перейти на использование отечественных данных при создании собственных технологий для обработки спутниковой информации.

1. European Commission. Directive 2007/60/EC of the European Parliament and of the Council of 23 October 2007 on the assessment and management of flood risks // Official Journal of the European Union L. – 2007. – Vol. 288. – P. 27–34.

2. Jongman B.W., Ward P.J., Aerts J.C. Global exposure to river and coastal flooding: long term trends and changes // Global Environmental Change. – 2012. – Vol. 22. – P. 823–835. – DOI: 10.1016/j.gloenvcha.2012.07.004.

3. Tanoue M. Hirabayashi Y., Ikeuchi H. Global-scale river flood vulnerability in the last 50 years // Scientific Reports. – 2016. – Vol. 6. – P. 36021. – DOI: 10.1038/srep36021.

4. Возможности использования данных дистанционного зондирования Земли на примере мониторинга паводковой обстановки на реке Амур в 2019 году / М.О. Кучма, Л.С. Крамарева, В.В. Суханова, Ю.А. Амельченко, З.Н. Лотарева, Ю.А. Шамилова, Л.А. Слесаренко // Материалы 17-й Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 11–15 ноября 2019 года / Институт космических исследований Российской академии наук. – М., 2019. – С. 1–6. – DOI: 10.21046/17DZZconf-2019a.

5. Egidarev E., Simonov E., Darman Y. Amur-heilong river basin: overview of wetland resources // The Wetland Book. – Dordrecht: Springer, 2016. – Vol. 2. – P. 1–15. – DOI: 10.1007/978-94-007-6173-5_7-2.

6. Афанасьев П.Ю. Наводнения Верхнего Приамурья. – Талакан: Бурейская ГЭС, 2012. – 48 с.

7. Усачев В.Ф., Бурда Н.Ю. Наводнения и геоинформационные технологии // Труды VI гидрологического съезда. – СПб.: Гидрометеоиздат, 2004. – С. 7578.

8. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // 18th International Conference on Medical Image Computing and Computer-Assisted Intervention, MICCAI 2015. Pt. 3. – Cham: Springer, 2015. – P. 234–241. – DOI: 10.1007/978-3-319-24574-4_28.

9. Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift // Proceedings of Machine Learning Research. – 2015. – Vol. 37: ICML'15: Proceedings of the 32nd International Conference on Machine Learning. – P. 448–456. – DOI: 10.48550/arXiv.1502.03167.

10. Jay Kuo C.C. Understanding convolutional neural networks with a mathematical model // Journal of Visual Communication and Image Representation. – 2016. – N 41. – P. 406–413. – DOI: 10.48550/arXiv.1609.04112.

11. Boureau Y., Ponce J., LeCun Y. A theoretical analysis of feature pooling in visual recognition // Proceedings of the 27th International Conference on International Conference on Machine Learning. – Haifa, Israel, 2010. – P. 111–118. – DOI: 10.5555/3104322.3104338.

12. Mueller A., Guido S. An introduction to machine learning with Python. – O'Reilly Media, 2016. – P. 400.

13. Diederik P.K., Jimmy L.B. Adam: a method for stochastic optimization (Poster) // 3rd International Conference on Learning Representations, ICLR 2015. – San Diego, CA, 2015. – DOI: 10.48550/arXiv.1412.6980.

14. Gao B.C. NDWI – A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment. – 1996. – Vol. 58. – P. 257–266.

15. A modified soil adjusted vegetation index / J. Qi, A. Chehbouni, A.R. Huete, Y.H. Kerr, S. Sorooshian // Remote Sensing of Environment. – 1994. – Vol. 48. – P. 119–126. – DOI: 10.1016/0034-4257(94)90134-1.

16. Monitoring vegetation systems in the great plains with ERTS / J.W., Jr. Rouse, R.H. Haas, J.A. Schell, D.W. Deering // Third Earth Resources Technology Satellite-1 Symposium. Vol. 1: Technical Presentations. Section A. – Washington, DC: NASA, 1974. – P. 309–317. – Bibcode: 1974NASSP.351.309R.

17. Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain, Northeast China / C. Jin, X. Xiao, J. Dong, Y. Qin, Z. Wang // Frontiers of Earth Science. – 2015. – Vol. 10, iss. 1. – P. 49–62. – DOI: 10.1007/s11707-015-0518-3.

18. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery // International Journal of Remote Sensing. – 2006. – Vol. 27 (14). – P. 3025–3033. – DOI: 10.1080/01431160600589179.

19. Water Feature Extraction and Change Detection Using Multitemporal Landsat Imagery / K. Rokni, A. Ahmad, A. Selamat, S. Hazini // Remote Sensing. – 2014. – Vol. 6. – P. 4173–4189. – DOI: 10.3390/rs6054173.

20. A comparison of land surface water mapping using the normalized difference water index from TM, ETM+ and ALI / W. Li, Z. Du, F. Ling, D. Zhou, H. Wang, Y. Gui, B. Sun, X. Zhang // Remote Sensing. – 2013. – Vol. 5. – P. 5530–5549. – DOI: 10.3390/rs5115530.

21. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. – 2nd ed. – New York, Springer, 2009. – 745 p. – DOI: 10.1007/978-0-387-84858-7.

22. Richter R., Louis J., Muller-Wilm U. Sentinel-2 MSI – Level 2A products algorithm theoretical basis document. S2PAD-ATBD-0001, Issue 2.0. – Darmstadt, Germany: Telespazio VEGA Deutschland GmbH, 2012. – 79 p.

23. Программа "PlanetaSentinelToTiff" для автоматического преобразования данных КА Sentinel в формат GeoTiff: свидетельство о гос. регистрации программы для ЭВМ: № 2019618369: зарег. 10.07.2019: опубл. 19.07.2019 / Кучма М.О., Амельченко Ю.А., Андреев А.И.; правообладатель: Федеральное государственное бюджетное учреждение «Научно-исследовательский центр космической гидрометеорологии «Планета».