Системы анализа и обработки данных

СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

ISSN (печатн.): 2782-2001          ISSN (онлайн): 2782-215X
English | Русский

Последний выпуск
№3(103) Июль-Сентябрь 2026

Разработка нейросетевого алгоритма оперативного детектирования разливов бассейна реки Амур на основе данных космического аппарата Sentinel-2

Выпуск № 3 (87) Июль - Сентябрь 2022
Авторы:

Кучма Михаил Олегович ,
Воронин Владимир Викторович ,
Шамилова Юлия Андреевна ,
Амельченко Юлия Александровна ,
DOI: http://dx.doi.org/10.17212/2782-2001-2022-3-7-20
Аннотация

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.


Ключевые слова: дистанционное зондирование Земли, мониторинг, сверточная нейронная сеть, детектирование разливов, алгоритм, Амур, Sentinel-2, MSI, U-net
Кучма Михаил Олегович
680000, РФ, Хабаровский край, г. Хабаровск, ул. Ленина, 18, Дальневосточный центр ФГБУ «Научно-исследовательский центр космической гидрометеорологии “Планета”»,
m.kuchma@dvrcpod.ru
Orcid: 0000-0002-3450-7323

Воронин Владимир Викторович
680035, РФ, г. Хабаровск, ул. Тихоокеанская, 136, Тихоокеанский государственный университет,
004183vvv@mail.ru
Orcid: 0000-0003-1844-7890

Шамилова Юлия Андреевна
680000, РФ, Хабаровский край, г. Хабаровск, ул. Ленина, 18, Дальневосточный центр ФГБУ «Научно-исследовательский центр космической гидрометеорологии “Планета”»,
shamilova_ya@dvrcpod.ru
Orcid: 0000-0001-7232-4328

Амельченко Юлия Александровна
680000, РФ, Хабаровский край, г. Хабаровск, ул. Ленина, 18, Дальневосточный центр ФГБУ «Научно-исследовательский центр космической гидрометеорологии “Планета”»,
amelchenko@dvrcpod.ru
Orcid: 0000-0001-9762-6517

Список литературы

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».

Просмотров аннотации: 643
Скачиваний полного текста: 680
Просмотров интерактивной версии: 0
Для цитирования:

Разработка нейросетевого алгоритма оперативного детектирования разливов бассейна реки Амур на основе данных космического аппарата Sentinel-2 / М.О. Кучма, В.В. Воронин, Ю.А. Шамилова, Ю.А. Амельченко // Системы анализа и обработки данных. – 2022. – № 3 (87). – С. 7–20. – DOI: 10.17212/2782-2001-2022-3-7-20.

For citation:

Kuchma M.O., Voronin V.V., Shamilova Yu.A., Amelchenko Yu.A. Razrabotka neirosetevogo algoritma operativnogo detektirovaniya razlivov basseina reki Amur na osnove dannykh kosmicheskogo apparata Sentinel-2 [Development of a Neural Network Algorithm for automatic operational detection of Amur River basin floods based on Sentinel-2 satellite data]. Sistemy analiza i obrabotki dannykh = Analysis and Data Processing Systems, 2022, no. 3 (87), pp. 7–20. DOI: 10.17212/2782-2001-2022-3-7-20.

 

Обработка персональных данных

Мы используем сервис веб-аналитики Яндекс Метрика, который использует cookie.

Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Вы можете отказаться от использования cookies, выбрав соответствующие настройки в браузере. Также Вы можете запретить сбор данных с помощью расширения для браузера «Блокировщик Яндекс Метрики». Используя этот сайт, вы соглашаетесь на обработку персональных данных.