Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ

Статтю присвячено розв’язанню важливої прикладної задачі пошуку сміттєзвалищ на основі методів машинного навчання з використанням супутникових даних високого просторового розрізнення. Проблема накопичення і зберігання відходів на легальних та несанкціонованих сміттєзвалищах актуальна і на сьогоднішн...

Повний опис

Збережено в:

Бібліографічні деталі
Опубліковано в: :	Проблемы управления и информатики
Дата:	2022
Автори:	Яйлимова, Г.О., Яйлимов, Б.Я., Шелестов, А.Ю., Красільнікова, Т.М.
Формат:	Стаття
Мова:	Українська
Опубліковано:	Інститут кібернетики ім. В.М. Глушкова НАН України 2022
Теми:	Космічні інформаційні технології та системи
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/210880
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ / Г.О. Яйлимова, Б.Я. Яйлимов, А.Ю. Шелестов, Т.М. Красільнікова // Проблеми керування та інформатики. — 2022. — № 2. — С. 128-140. — Бібліогр.: 21 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1860004570383515648
author	Яйлимова, Г.О. Яйлимов, Б.Я. Шелестов, А.Ю. Красільнікова, Т.М.
author_facet	Яйлимова, Г.О. Яйлимов, Б.Я. Шелестов, А.Ю. Красільнікова, Т.М.
citation_txt	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ / Г.О. Яйлимова, Б.Я. Яйлимов, А.Ю. Шелестов, Т.М. Красільнікова // Проблеми керування та інформатики. — 2022. — № 2. — С. 128-140. — Бібліогр.: 21 назв. — укр.
collection	DSpace DC
container_title	Проблемы управления и информатики
description	Статтю присвячено розв’язанню важливої прикладної задачі пошуку сміттєзвалищ на основі методів машинного навчання з використанням супутникових даних високого просторового розрізнення. Проблема накопичення і зберігання відходів на легальних та несанкціонованих сміттєзвалищах актуальна і на сьогоднішній день. В Україні щороку утворюються мільйони тонн побутових відходів. Найбільші площі під полігони зайняті в Донецькій, Дніпропетровській, Одеській, Запорізькій областях. Так, в Донецькій області площі під сміттєзвалища займають 330 гектарів. Для моніторингу сміттєзвалищ використовуються різні технології, що базуються на супутникових даних і методах штучного інтелекту. Нині існують сервіси, за допомогою яких відстежується розташування сміттєзвалищ, але не надається інформація про територію сміттєзвалища та зміни її площі в часі. У процесі виконання досліджень розв’язано важливу задачу відокремлення полігонів від кар’єрів та штучних об’єктів шляхом поєднання попіксельної та об’єктної класифікації. Основна мета роботи полягала в розробці інтелектуальної інформаційної технології на основі нейромережевого підходу і побудові на її основі геопросторового продукту розміщення звалищ для Донецької області, а саме карти класифікації звалищ відходів. Запропонований алгоритм машинного навчання на основі історичних та сучасних супутникових даних дозволяє відстежувати площу полігону відходів та її зміни в часі. Розроблена інформаційна технологія апробована на території чотирьох територіальних громад у Донецькій області, а саме: Ольгинської, Мирноградської, Курахівської та Покровської. У результаті проведених досліджень також розроблено інформаційну панель, яка надає оперативні дані і дозволяє оцінювати динаміку змін сміттєзвалищ у регіоні в часі і просторі. Розроблена технологія має практичне значення для розробки програм керування та поводження з відходами в місцевих громадах. The article is dedicated to solving an important applied task of finding landfills based on machine learning methods using high-resolution satellite data. The problem of waste accumulation and storage at legal and illegal landfills remains relevant today. In Ukraine, millions of tons of household waste are generated annually.
first_indexed	2026-03-18T12:56:27Z
format	Article
fulltext	© Г.О. ЯЙЛИМОВА, Б.Я. ЯЙЛИМОВ, А.Ю. ШЕЛЕСТОВ, Т.М. КРАСІЛЬНІКОВА, 2022 128 ISSN 1028-0979 УДК 004.67 Г.О. Яйлимова, Б.Я. Яйлимов, А.Ю. Шелестов, Т.М. Красільнікова ІНТЕЛЕКТУАЛЬНІ МЕТОДИ ТА МОДЕЛІ ОБРОБКИ СУПУТНИКОВИХ ДАНИХ У ЗАДАЧІ МОНІТОРИНГУ ЗВАЛИЩ Яйлимова Ганна Олексіївна Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», anna.yailymova@gmail.com Яйлимов Богдан Ялкапович Інститут космічних досліджень НАН України та ДКА України, yailymov@gmail.com Шелестов Андрій Юрійович Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», andrii.shelestov@gmail.com Красільнікова Тетяна Миколаївна Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», tatijanaeco@gmail.com Статтю присвячено розв’язанню важливої прикладної задачі пошуку сміттєзва- лищ на основі методів машинного навчання з використанням супутникових да- них високого просторового розрізнення. Проблема накопичення і зберігання відходів на легальних та несанкціонованих сміттєзвалищах актуальна і на сьо- годнішній день. В Україні щороку утворюються мільйони тонн побутових від- ходів. Найбільші площі під полігони зайняті в Донецькій, Дніпропетровській, Одеській, Запорізькій областях. Так, в Донецькій області площі під сміттєзва- лища займають 330 гектарів. Для моніторингу сміттєзвалищ використовуються різні технології, що базуються на супутникових даних і методах штучного ін- телекту. Нині існують сервіси, за допомогою яких відстежується розташування сміттєзвалищ, але не надається інформація про територію сміттєзвалища та зміни її площі в часі. У процесі виконання досліджень розв’язано важливу за- дачу відокремлення полігонів від кар’єрів та штучних об’єктів шляхом поєд- нання попіксельної та об’єктної класифікації. Основна мета роботи полягала в розробці інтелектуальної інформаційної технології на основі нейромережевого підходу і побудові на її основі геопросторового продукту розміщення звалищ для Донецької області, а саме карти класифікації звалищ відходів. Запропоно- ваний алгоритм машинного навчання на основі історичних та сучасних супут- никових даних дозволяє відстежувати площу полігону відходів та її зміни в ча- сі. Розроблена інформаційна технологія апробована на території чотирьох тери- торіальних громад у Донецькій області, а саме: Ольгинської, Мирноградської, Курахівської та Покровської. У результаті проведених досліджень також роз- роблено інформаційну панель, яка надає оперативні дані і дозволяє оцінювати динаміку змін сміттєзвалищ у регіоні в часі і просторі. Розроблена технологія має практичне значення для розробки програм керування та поводження з від- ходами в місцевих громадах. Ключові слова: супутниковий моніторинг, супутникові дані, машинне навчання, штучний інтелект, класифікація геопросторових даних, моніторинг сміттєзвалищ. Вступ Щороку в світі утворюється понад двох мільярдів тонн побутового сміття. Для України проблема відходів є надзвичайно актуальною, оскільки в нашій дер- жаві поки що відсутні можливості, достатні для їх переробки. Нині близько 4‒7% площі країни займають сміттєзвалища. Так, за даними Міністерства розвитку гро- мад і територій України за 2021 рік утворилось понад 54 млн. м 3 побутових від- Міжнародний науково-технічний журнал «Проблеми керування та інформатики», 2022, № 2 129 ходів, які розміщено на 6 тис. сміттєзвалищ і полігонів загальною площею майже 9 тис. га. Кількість перевантажених сміттєзвалищ становить 261 одиницю, не від- повідають нормам екологічної безпеки — 868 одиниць, потребують рекультивації — 424 одиниці. [1]. Виникнення несанкціонованих сміттєзвалищ призводить до забруд- нення великих територій, погіршення якості ґрунтів і, як наслідок, деградації земель. Моніторинг зберігання відходів та виявлення сміттєзвалищ є важливим етапом у вирішенні питання попередження забруднення та деградації земель регі- онів України, зокрема територій окремих об՚єднаних громад. Так, закон України «Про відходи» [2] визначає компетенцію органів виконавчої влади та місцевого самоврядування у сфері зберігання та переробки відходів. Статтею 20 цього зако- ну визначено, що до повноважень місцевих державних адміністрацій належить здійснення контролю за утилізацією відходів, за діяльністю об՚єктів їх переробки (місць, що використовуються для збирання, зберігання, сортування, оброблення, перероблення, утилізації, видалення, знешкодження та захоронення відходів). Та- кож під час підготовки проєктів місцевих бюджетів місцеві державні адміністрації вносять пропозиції щодо залучення коштів, необхідних для підтримки сміттєзва- лищ у належному стані. Дослідження проведено співробітниками Національного технічного універ- ситету України «Київський політехнічний інститут імені Ігоря Сікорського» та Інституту космічних досліджень НАН України та ДКА України в межах проєкту «Виявлення та моніторинг звалищ відходів» Національного конкурсу інновацій EastCode2021 за фінансової підтримки урядів Данії, Швейцарії та Швеції. Отже, розроблена технологія має практичне значення для місцевих громад, адже надає оперативну інформацію про виникнення звалищ відходів та дозволяє оцінити динаміку змін таких стихійних сміттєзвалищ у регіоні в часі і просторі. Методи дослідження Для моніторингу сміттєзвалищ можуть використовуватися різні технології, що базуються на супутникових даних і методах штучного інтелекту. Існуючі сер- віси, які надають дані про розташування сміттєзвалищ в Україні, мають певні не- доліки. Зокрема, за допомогою таких сервісів можна лише визначити місцерозта- шування сміттєзвалищ, проте знайти територію, яку займає полігон, та визначити його площу неможливо. Аналіз робіт [3–6] свідчить про те, що кожен із методів класифікації має свої переваги та недоліки. Метод попіксельної класифікації до- зволяє ідентифікувати штучні об’єкти, але погано справляється з відокремленням сміттєзвалищ від штучних об’єктів, кар’єрів чи пісків. За допомогою об’єктного методу пошуку знаходяться не тільки сміттєзвалища, але і деякі частини міст, які за спектральними характеристиками подібні до звалищ. У даній роботі розв’язано важливу задачу відокремлення полігонів від кар’єрів та штучних об’єктів. При цьому поєднано попіксельну [7] та об’єктну [8] класифікації, що допомагає визна- чити ті території, які належать саме до класу звалищ. Постановка завдання Європейське космічне агентство в межах програми Copernicus дозволяє регу- лярно отримувати супутникові знімки кожної точки земного покриву з 2016 року. Супутникові дані доступні з просторовим розрізненням 10 м, що дозволяє роз- в’язувати багато актуальних прикладних задач. Основна мета роботи полягає в розробці інтелектуальної інформаційної тех- нології на основі нейромережевого підходу і побудові на її основі геопросторово- го продукту розміщення звалищ у Донецькій області, а саме карти класифікації звалищ відходів. Розроблена інформаційна технологія апробована на території чо- тирьох територіальних громад Донецької області. 130 ISSN 1028-0979 Використані дані Шляхом аналізу супутникових та статистичних даних для територій східних областей визначено об’єднані територіальні громади Донецької області, які ймо- вірно містять найбільшу кількість звалищ та територіально розташовані поблизу одна від одної. А саме Ольгинська ОТГ — 11 сіл та селищ міського типу, Мирно- градська — 4 місцеві ради, Курахівська — 7 рад, Покровська — 10 рад. З відкри- тих інформаційних джерел було зібрано дані щодо існуючих полігонів відходів на території вказаних громад, яких налічується 82 об՚єкти (рис. 1). На карту також додавались території зі штучними об’єктами, сільськогосподарськими територія- ми, лісами, луками, водні об’єкти, болота та кар’єри для того, щоб провести аналіз спектральних характеристик для цих об’єктів та визначити інформативні ознаки для класу звалищ. Рис. 1 Усі зображення Sentinel для пілотної території було завантажено з порталу Copernicus Open Access Hub (https://scihub.copernicus.eu/) Європейського косміч- ного агентства (ESA) та оброблено за допомогою платформи Sentinel Application Platform (SNAP) з відкритим програмним кодом [9] в автоматичному режимі. Для радарних супутникових даних Sentinel-1 виконано наступні кроки поперед- ньої обробки (для кожного архіву окремо) в програмному забезпеченні SNAP [9]: — зчитування архіву даних GRD супутника Sentinel-1; — корекція координат по орбіті (Apply orbit file); — фільтрація спеклу (фільтр Lee 7×7) [10]; — радіометричне калібрування з приведенням до значень коефіцієнта зворот- ного розсіювання сигнала Sigma0 (Calibration); Міжнародний науково-технічний журнал «Проблеми керування та інформатики», 2022, № 2 131 — здійснення процедури Range-Doppler Terrain Correction з використанням заданої цифрової моделі рельєфу (SRTM 90 метрів); — переведення даних в децибели (LinearToFromdB); — формування стеку даних (CreateStack); — формування знімка з різними поляризаціями (VV, VH); — поєднання каналів VV та VH у межах однієї гранули в .tif-файлі. Для підготовки оптичних даних виконано такі кроки попередньої обробки: — атмосферна корекція на основі алгоритму Sen2Cor (http://step.esa.int/main/ third-party-plugins-2/sen2cor/); — маскування хмар та тіней; — корекція Cirrus. Крім безкоштовних супутникових даних з просторовим розрізненням 10 м, використано також дані Planet з просторовим розрізненням 3 м. Ці дані склада- ються з окремих гранул, що зумовлює необхідність їх попередньої обробки перед використанням для класифікації. Визначення вегетаційних індексів Для кращого відокремлення звалищ від інших типів земного покриву обчис- лено ряд вегетаційних індексів для оцінки стану рослинності та її біофізичних па- раметрів, ідентифікації води та оцінки стану ґрунтів. Після аналізу застосовності 19 таких індексів (див. таблицю) та порівняння даних навчальної вибірки у кіль- кох класах ознак, усі індекси, що надають неузгоджені або нечіткі спектральні зв’язки, було вилучено з подальшого розгляду. У результаті проведеного аналізу для подальшого використання і якості додаткових критеріїв класифікації обрано індекси NDVI, SAVI, NDWI2. Таблиця Thematic Group Index Acronym Thematic Group Index Acronym Thematic Group Index Acronym Vegetation Normalised Difference Vegetation Index NDVI Red-Edge Inflection Point REIP Ratio Vegetation Index RVI Sentinel-2 Red-Edge Position S2REP Soil Adjusted Vegetation Index SAVI Transformed Normalised Difference Vegetation Index TNDVI Biophysical Leaf Area Index LAI Fraction of Absorbed Photosynthetically Active FAPAR Fraction of Vegetation Cover FVC Canopy Chlorophyll Content CCC Canopy Water Content CWC Water Modified Normalised Difference Water Index MNDWI Normalised Difference Pond Index NDPI Normalised Difference Water Index NDWI Normalised Difference Water Index 2 NDWI2 Soil Brightness Index BI Brightness Index 2 BI2 Colour Index CI Redness Index RI 132 ISSN 1028-0979 Нормалізований різницевий індекс рослинності NDVI (Normalized Dif - ference Vegetation Index) [11]) є простим показником кількості фотосинтетично активної біомаси. Це один із найпоширеніших і використовуваних індексів для розв’язання завдань, що використовують кількісні оцінки рослинного покриву. NDVI дозволяє оцінити рівень фотосинтетичної активності і сильно корелює як з вмістом хлорофілу, так і з життєздатністю рослинності [12]. NDWI (Normalized Difference Water Index) — нормалізований різницевий водний ін- декс, розроблений МакФітерсом [13], відображає вміст вологи в рослинах та ґрунті; NDWI варіюється від ‒ 1 до 1. Високі значення NDWI відповідають ви- сокому вмісту води в рослинах та покриттю високими рослинами. За допомо- гою індексу рослинності з корекцією по ґрунту (Soil-Adjusted Vegetation Index, SAVI) [14] намагаються мінімізувати вплив яскравості ґрунту за допомогою коефіцієнта корекції його яскравості. За щомісячними спостереженнями у 2021 році на обраних територіях Донець- кої області, а саме: Ольгинській, Мирноградській, Курахівській та Покровській, на графіках (рис. 2‒4) наведено середні зазначені індекси для різних типів земно- го покриву. Як видно з наведених графіків, показники для класу звалищ розташовані найближче до таких класів, як штучні об’єкти та відкритий ґрунт. Тому викорис- тання лише окремих комбінацій супутникових спектральних каналів недостатньо для коректної ідентифікації звалищ. Проте ці індекси корисно застосовувати як додаткові шари під час класифікації. Рис. 2 Рис. 3 Міжнародний науково-технічний журнал «Проблеми керування та інформатики», 2022, № 2 133 Рис. 4 Аналіз показників температур Для виявлення та моніторингу звалищ часто застосовують методи, що ба- зуються на використанні термальних каналів супутникових зображень. Відомі публікації, зокрема [15‒17], що температура у місцях із звалищами вища у порівнянні із іншими ділянками земного покриву. Проте такий підхід є ефек- тивним не для всіх випадків. Якщо потрібно здійснити моніторинг території, що містить різні типи земного покриву, такий підхід часто є незастосовним. У роботі проведено аналіз дослідження ефективності використання темпера- турних даних Land Surface Temperature (LST) супутника Landsat-8. Зокрема, використано термальний канал B10 ( ),bT а також канали В4 і В5 для обчис- лення вегетаційного індексу NDVI. Обчислення температури земної поверхні проводилося за формулою ln , 1 b b T LST e T d =   +    де 0,004 0,986 ,ve P= + обчислення vP — за формулою 2 min max min .v NDVI NDVI P NDVI NDVI  − =   −  На основі отриманих значень температури проведено дослідження різних типів земної поверхні (приклад наведено на рис. 5 для звалища на території Покровської ТГ). Результати проведених досліджень дозволяють зробити висновок про те, що температура на звалищах практично така ж, як і на шту- чних об’єктах, а на полях сільськогосподарського призначення, особливо зо- раних, вища, ніж на звалищах. На рис. 5 темним кольором показана нижча температура, світлим — відповідно вища. Відокремлення земель сільськогос- подарського призначення не викликає ускладнень, проте проблемним є відді- лення коректним чином штучних об’єктів (будинки, дороги, площі та ін.) від звалищ. Тому дані із температурою земної поверхні можна використовувати як дода- ткове джерело інформації. Проте при класифікації даних високого просторового розрізнення, зокрема даних Planet з просторовим розрізненням 3 м, температура вносить додаткову похибку, просторове розрізнення якої становить 30 м. 134 ISSN 1028-0979 Рис. 5 Оцінювання динаміки змін сміттєзвалищ Для коректного використання нейромережевих моделей попередньо про- ведено візуальний аналіз динаміки змін сміттєзвалищ. Для цього застосовува- лась настільна версія програми Google Earth Pro, в якій є можливість викорис- тання історичних супутникових даних. Такі дані доступні лише для перегляду, і використовувати їх для побудови карт класифікації не є можливим. Отже, традиційний спосіб, який застосовується для моніторингу змін земного покри- ву на основі часових рядів супутникових даних, не дасть у даному випадку хороших результатів, оскільки можлива зміна контурів та площі звалища на- віть протягом місяця. В цьому випадку доцільно відслідковувати звалища за конкретну дату. Для підвищення ефективності використання супутникових даних для моніто- рингу звалищ разом з безкоштовними даними Sentinel з просторовим розрізнен- ням 10 м було використано також дані більш високого просторового розрізнення, а саме дані Planet з просторовим розрізненням 3 м. Розробка моделі штучного інтелекту на основі нейронних мереж. Попіксельний алгоритм класифікації Як один із методів виявлення звалищ використано ансамбль нейронних ме- реж на основі багатошарового персептрона (MLP — multi-layer perceptron), в яко- му кількість прихованих нейронів підбирається в залежності від кількості каналів зображень, поданих на вхід для навчання [18–20]. Для підвищення ефективності класифікації використано не один окремий класифікатор, а їх ансамбль. При цьому в процесі класифікації злиття даних здій- снюється на рівні прийняття рішень (рис. 6). Міжнародний науково-технічний журнал «Проблеми керування та інформатики», 2022, № 2 135 Рис. 6 Під час навчання нейронної мережі з використанням багатошарового персеп- трона як критерій якості навчання використано функцію помилок крос-ентропії, для якої здійснюється пошук мінімуму: 1 1 ( ) ln ( \| ) ln min, N K nk nk n k E w p T w t y = = = − = − →  де w — вектор вагових коефіцієнтів, T — множина, яка складається з вектора спект- ральних каналів для кожного пікселя та відповідного йому класу k в навчальній вибірці; N — кількість полігонів у вибірці; K — число класів; nkt — цільові вихо- ди; nky — виходи MLP, ( )p  — умовна ймовірність. На виході кожного класифікатора отримуємо апостеріорну ймовірність на- лежності вхідного образу до певного класу. Виходи окремих класифікаторів об’єднуються простим додаванням, після чого обчислюється середня ймовірність належності вхідного образу до конкретного класу (рис. 7). NN1 1 1p 1 2p … 1 kp + NN2 2 1p 2 2p … 2 kp + … + NNL 1 Lp 2 Lp … L kp Ансамбль 1 ep 2 ep … e kp Рис. 7 Як показано нижче, вхідний образ відносять до класу з максимальною апос- теріорною ймовірністю * 1, arg max ,e k k K k p = = 1 1 , L e l i i l p p L = =  де k * — клас, до якого вхідний образ відносить ансамбль класифікаторів, e ip — апостеріорна ймовірність належності класу до ансамблю, l ip — апостеріорна ймовірність належності класу для кожного класифікатора MLP, L — кількість класифікаторів в ансамблі, K — кількість класів. Результатом попіксельної класифікації є набір даних, де кожному пікселю від- повідає певний клас земного покриву. Input data set 2 Input data set 1 Input data set L Output NN2 NN1 NNL NNe 136 ISSN 1028-0979 Об’єктний алгоритм класифікації звалищ Ще один підхід виявлення звалищ базується на використанні однієї з най- більш точних архітектур глибокого навчання для розв’язання задач семантичної сегментації — модель U-Net. Архітектура моделі U-Net традиційно складається зі згорткової та деконволюційної частин, які з’єднані між собою за допомогою опе- рації конкатенації (рис. 8). У згортковій частині використано кілька блоків, які складаються з послідовно застосованої згорткової операції з функцією активації ReLU. Після кожних двох згорткових блоків використовується шар maxpooling для зменшення ширини та висоти тензора з фактором 2x. Рис. 8 Традиційно для навчання багатошарового персептрона та моделей глибокого на- вчання як функція втрат вибирається крос-ентропія CE [8] або зважена крос-ентропія: 1 1 log ( ), N C c c c k c CE a y p = = = − де C — кількість класів, N — кількість елементів у вибірці, y — цільовий вектор, тут для нього вибираємо one-hot-кодування, p — вихід останнього шару нейрон- ної мережі, c — коефіцієнт для контролю впливу класу, .c c N N  = Перед кожною функцією активації̈ Relu застосовується пакетна нормалізація, яка дозволяє масштабувати вхідні дані для шарів, як правило, міні-пакетів, з ви- користанням середнього значення та дисперсії. Таке масштабування усуває внут- рішній коваріантний зсув і, таким чином, прискорює процес навчання. Між верх- нім і нижнім шарами на шляху стискання застосовується операція об’єднання 2 × 2 max, що призводить до зниження роздільної здатності карт об’єктів. Розмір об’єктів у нижньому шарі контуру стискання зменшується до 1/64 від вихідного зо- браження. Нижній шар стандартної моделі U-Net відповідає тій же структурі нижнього шару, тобто включає дві послідовні згортки, пакетну нормалізацію та операцію Relu. В нейронній мережі, що використана для побудови карти звалищ, застосову- ється шар Softmax для перетворення об’єктів на ймовірність належності пікселя кожному типу земного покриву. Дана функція приводить K-вимірний вектор z з довільними значеннями компонент до K-вимірного вектора ( )z з дійсними зна- ченнями компонент на відрізку [0, 1], що в сумі дають одиницю. Функція задаєть- ся наступним чином: : [0, 1] ,K K → 1 ( ) . j k z j K z k e z e =  =  Міжнародний науково-технічний журнал «Проблеми керування та інформатики», 2022, № 2 137 Ймовірність того, що у вибірці є об’єкт хі з класом уі, дорівнює [ 1] [ 1] ( ) (1 ( ) ).i iy y i ib x b x =+ =− − Тому правдоподібність вибірки можна представити в наступному вигляді (ймовірність отримати таку вибірку з точки зору алгоритму): [ 1] [ 1] 1 ( , ) ( ) (1 ( ) ),i i l y y i i i Q a X b x b x =+ =− = = − де X — простір об’єктів х, уі = +1 — ідентифікатор того, що об’єкт х належить класу +1. Дану функцію правдоподібності можна використовувати як функціонал для навчання алгоритму, з поправкою, що зручніше оптимізувати його логарифм: 1 ([ 1]log ( ) [ 1]log (1 ( ))) min. l i i i i i y b x y b x = − = + + = − − → Така функція втрат дозволяє коректно оцінювати ймовірності. З огляду на те, що потрібно відфільтрувати отриману маску штучних об’єктів від недостовір- них територій, які помилково потрапили у цю маску внаслідок класифікації, використовувався метод порогової фільтрації (за принципом порогової класи- фікації) з порогом 80 % за ймовірнісним каналом для класу штучних об’єктів. Загальна схема виявлення несанкціонованих сміттєзвалищ за допомогою су- путникових даних представлена на рис. 9. Рис. 9 Побудова геопросторової карти розміщення звалищ для Донецької області за 2021 рік з просторовим розрізненням 10 м На основі двох запропонованих методів класифікації побудовано карти зва- лищ. При аналізі отриманих результатів виявлено, що кожний із підходів має свої переваги та недоліки. Приклад отриманих результатів представлено на рис. 10. Попіксельний метод класифікації земного покриву має високу точність для основних класів земного покри- ву (штучні об’єкти, водні об’єкти, ліси, необроблювані землі та ін.), проте клас звалищ дуже часто помилково відноситься до класу відкритого ґрунту (кар’єри, піски). Це пов’язано з тим, що спектральні характеристики для таких об’єктів є близькими. Щодо методу на основі сегментації з використанням U-Net-моделі, то виникають помилки, які пов’язані з штучними об’єктами, і, таким чином, це впливає на точність розпізна- вання звалищ. Тому запропоновано поєднати результати виходів двох моделей із ура- хуванням ймовірності кожного класу. Після отримання растрової карти звалищ прово- Обʼєктно-орієнтована класифікація (Unet) Супутникові зображення n 138 ISSN 1028-0979 диться спочатку її векторизація на основі відкритої бібліотеки GDAL, а потім об’єд- нання з результатами об’єктної класифікації на основі U-Net [8]. Тому результую- чий шар є векторний, що використовується для подальшої публікації інформації. Рис. 10 Валідація результатів Після отримання геопросторового продукту розміщення звалищ для Донець- кої області здійснено оцінку його точності [21]. Для порівняння результатів різ- них методів класифікації та фільтрації карт земного покриву використано матри- цю невідповідностей (confusion matrix) на незалежній тестовій вибірці та наступні метрики, які обчислюються на її основі: загальна точність класифікації (OA) (Overall Accuracy), індекс Каппа, точність PA (Producer Accuracy) та точність UA (User Accuracy). Слід зауважити, що інтерпретація точності карти класифікації земного пок- риву базується на кількох припущеннях. 1. Еталонні дані є статистично достовірними (наприклад, тестова вибірка, яка використовується для підрахунку точності карти класифікації). 2. Еталонні дані точно співвідносяться з картою (проєкція, геоприв’язка). 3. Кожен піксель карти є чистим і відповідає одному з можливих типів земель- ного покриву. 4. Якщо час між отриманням карти класифікації та еталонними даними до- сить великий, вважається, що земний покрив не змінювався протягом даного періоду. У результаті тестування на незалежних даних отримано загальну точність для класу звалищ F1-score 86 % з коефіцієнтом Kappa (Каппа) 0,91. Крім того, отримані дані перевірено безпосередньо користувачами з пілотних ТГ. В Ольгинській ТГ, крім офіційно відомого звалища, знайдено ще дві додатко- ві локації зі звалищами, а також додаткове звалище в Покровській ТГ. Розробка програмного забезпечення веб-інтерфейсу Для представлення отриманих карт звалищ для чотирьох ТГ Донецької області створено інформаційний дашборд (dashboard). Як додаткові шари даних використано адміністративні межі регіонів та карти звалищ за 27.07.2021 р. та 15.09.2021 р. Пред- ставлені продукти дозволяють оцінити динаміку змін звалищ у часі на основі даних з різним просторовим розрізненням, а саме безкоштовних даних Sentinel-2 з просторо- вим розрізненням 10 м та платних даних Planet з просторовим розрізненням 3 м. На основі отриманих геопросторових продуктів отримано площі для кожного із звалищ. Для зручності користувача продукти відображаються на інтерактивній мапі Google. У лівій верхній частині дашборду представлена інформація про проєкт та донорів, а та- Міжнародний науково-технічний журнал «Проблеми керування та інформатики», 2022, № 2 139 кож контактні дані розробників і виконавців. Розроблений дашборд відповідає всім су- часним вимогам до інтерфейсу та розміщений на домені http://inform.ikd.kiev.ua/ldms/. Висновок У результаті проведених досліджень розроблено інтелектуальну інформаційну те- хнологію на основі нейромережевого підходу та побудовано на її основі геопросторо- вий продукт розміщення звалищ для Донецької області, а саме карти класифікації зва- лищ відходів. Розроблена інформаційна технологія апробована на території чотирьох територіальних громад Донецької області. Для створення інформаційної панелі корис- тувачів використано адміністративні межі регіонів та карти звалищ відходів за 2021 рік. Проведені дослідження з використанням даних з різним просторовим розрізненням до- помогли доповнити представлені продукти необхідною інформацією, що дало можли- вість оцінити динаміку змін звалищ за певний період часу. Створення таких дашбордів може стати складовою системи інформаційного забезпечення сфери керування відхо- дами в об’єднаних громадах, удосконалення порядку ведення обліку відходів, інформу- вання про розташування місць чи об’єктів керування відходами, передбачення їх впли- ву на стан навколишнього природного середовища та здоров’я громадян. Отже, відслід- ковування місць розташування сміттєзвалищ та динаміки їх змін має важливе практичне значення для місцевих громад та реалізації програм з керування і поводжен- ня з відходами в регіонах України. H. Yailymova, B. Yailymov, A. Shelestov, T. Krasilnikova INTELLECTUAL METHODS AND MODELS OF SATELLITE DATA PROCESSING IN LANDFILLS MONITORING PROBLEMS Hanna Yailymova National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», anna.yailymova@gmail.com Bohdan Yailymov Institute of Space Research of the National Academy of Sciences of Ukraine and SSA of Ukraine), yailymov@gmail.com Andrii Shelestov National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», andrii.shelestov@gmail.com Tetiana Krasilnikova National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», tatijanaeco@gmail.com The article is devoted to solving an important applied problem of landfill search based on machine learning methods using high-resolution satellite data. The problem of accumula- tion and storage of waste in legal and unauthorized landfills is relevant today. Millions of tons of household waste are generated in Ukraine every year. The largest areas for landfills are occupied in Donetsk, Dnipropetrovsk, Odesa, Zaporizhzhia regions. So, in the Donetsk region the areas under landfills occupy 330 hectares. Various technologies based on satel- lite data and artificial intelligence methods are used to monitor landfills. Currently, there are services that track the location of landfills, but do not provide information about the territory of the landfill and changes in its area over time. In the process of research, the im- portant task of separating landfills from quarries and artificial objects by combining pixel- based and object-based classification was solved. The main purpose of the work was to develop intelligent information technology based on the neural network approach and build on its basis a geospatial product of landfills for the Donetsk region, namely classifi- cation maps of landfills. The proposed machine learning algorithm based on historical and modern satellite data allows tracking the area of the landfill and its changes over time. The mailto:anna.yailymova@gmail.com mailto:yailymov@gmail.com mailto:tatijanaeco@gmail.com 140 ISSN 1028-0979 developed information technology was tested on the territory of four territorial communi- ties in Donetsk region, namely Olhyn, Myrnohrad, Kurakhiv and Pokrovsky communities. As a result of the research, an information panel was also developed, which provides oper- ational data and allows to assess the dynamics of changes in landfills in the region in time and space. The developed technology is of practical importance for the development of waste management and management programs in local communities. Keywords: satellite monitoring, satellite data, machine learning, artificial intelli- gence, geospatial data classification, landfills monitoring. REFERENCES 1. The state of the sphere of household waste management in Ukraine in 2021. URL: https://www. minregion.gov.ua/wp-content/uploads/2021/10/stan-sfery-povodzhennya-z-pobutovymy-vidhodamy.pdf 2. Law of Ukraine «On Waste». URL: https://zakon.rada.gov.ua/laws/show/187/98-%D0%B2% D1%80#Text. 3. Khosravi V., Doulati F., Gholizadeh A., Saberioon M. Satellite imagery for monitoring and map- ping soil chromium pollution in a mine waste dump. Remote Sensing. 2021. 13, N 7. 1277. 20 p. DOI: 10.3390/rs13071277. 4. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ICLR. 2015. 1409.1556. P. 1‒14. DOI: 10.48550/arXiv.1409.1556. 5. Olugboja A., Wang Z. Intelligent waste classification system using deep learning convolutional neural network. Procedia Manufacturing. 2019. 35. P. 607‒612. DOI: 10.1016/j.promfg.2019.05.086. 6. Rocio Nahime T., Fraternali P. Learning to identify illegal landfills through scene classification in aerial images. Remote Sensing. 2021. 13, N 22: 4520. DOI: 10.3390/rs13224520. 7. Kussul N., Lavreniuk M., Shumilo L. Deep recurrent neural network for crop classification task based on sentinel-1 and sentinel-2 imagery. In IGARSS 2020-2020 IEEE International Geoscience and Re- mote Sensing Symposium. 2020. P. 6914‒6917. DOI: 10.1109/IGARSS39084.2020.9324699. 8. Shumilo L., Kussul N., Lavreniuk M. U-Net model for logging detection based on the sentinel-1 and sentinel-2 data. In 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. 2021. P. 4680‒4683. DOI: 10.1109/IGARSS47720.2021.9554885. 9. STEP: Science Toolbox Exploitation Platform. URL: http://step.esa.int/main/toolboxes/snap/. 10. Impact of SAR data filtering on crop classification accuracy. M. Lavreniuk, N. Kussul, M. Meretsky, V. Lukin, S. Abramov, O. Rubel. IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON). 2017. P. 912–917. DOI: 10.1109/UKRCON.2017.810038. 11. Tucker C.J. Red and photographic infrared combinations for monitoring vegetation. Remote Sens. of Environ. 1979. 8. P. 127–150. DOI: 10.1016/0034-4257(79)90013-0. 12. Curran P.J. Remote sensing of foliar chemistry. Remote Sens. of Environ. 1989. 29. P. 271–278. DOI: 10.1016/0034-4257(89)90069-2. 13. McFeeters S.K. The use of normalised difference water index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 1996. 17. P. 1425–1432. DOI: 10.1080/01431169608948714. 14. Huete A.R. A soil-adjusted vegetation index (SAVI). Remote Sens. of Environ. 1988. 25. P. 295–309. DOI: 10.1016/0034-4257(88)90106-X. 15. Jim´enez-Mu˜noz J. et al. Land surface temperature retrieval methods from Landsat-8 thermal in- frared sensor data. IEEE Geoscience and Remote Sensing Letters. 2014. 11. P. 1840–1843. 16. Sobrino J. et al. Single-channel and two-channel methods for land 96 surface temperature retriev- al from DAIS data and its application to the Barrax site. International Journal of Remote Sensing. 2004. 25, N 1. P. 215‒230. 17. Wang F. et al. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data. Remote sensing. 2015. 7, N 4. P. 4268‒4289. 18. Deep learning approach for large scale land cover mapping based on remote sensing data fusion. N. Kussul, A. Shelestov, M. Lavreniuk, I. Butko, S. Skakun. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2016. P. 198‒201. DOI: 10.1109/IGARSS.2016.7729043. 19. Cloud approach to automated crop classification using Sentinel–1 imagery. A. Shelestov, M. Lavreniuk, V. Vasiliev, L. Shumilo, A. Kolotii, B. Yailymov, N. Kussul, H. Yailymova. IEEE Transactions on Big Data. 2020. 6, N 3. P. 572–582. DOI: 10.1109/ TBDATA.2019.2940237. 20. Land cover changes analysis based on deep machine learning technique. N. Kussul, N. Lavreniuk, A. Shelestov, B. Yailymov, I. Butko. Journal of Automation and Information Sciences. 2016. 48, N 5. P. 42–54. DOI: 10.1615/JAutomatInfScien.v48.i5.40. 21. Азарсков В.Н., Блохин Л.Н., Житецкий Л.С., Куссуль Н.Н. Робастные методы оценивания, идентификации и адаптивного управления. Київ : Вид-во Національного авіаційного ун-ту МОН України. 2004. 498 с. Отримано 15.04.2022 http://step.esa.int/main/toolboxes/snap/
id	nasplib_isofts_kiev_ua-123456789-210880
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	0572-2691
language	Ukrainian
last_indexed	2026-03-18T12:56:27Z
publishDate	2022
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
record_format	dspace
spelling	Яйлимова, Г.О. Яйлимов, Б.Я. Шелестов, А.Ю. Красільнікова, Т.М. 2025-12-19T17:41:38Z 2022 Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ / Г.О. Яйлимова, Б.Я. Яйлимов, А.Ю. Шелестов, Т.М. Красільнікова // Проблеми керування та інформатики. — 2022. — № 2. — С. 128-140. — Бібліогр.: 21 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/210880 004.67 10.34229/2786-6505-2022-2-9 Статтю присвячено розв’язанню важливої прикладної задачі пошуку сміттєзвалищ на основі методів машинного навчання з використанням супутникових даних високого просторового розрізнення. Проблема накопичення і зберігання відходів на легальних та несанкціонованих сміттєзвалищах актуальна і на сьогоднішній день. В Україні щороку утворюються мільйони тонн побутових відходів. Найбільші площі під полігони зайняті в Донецькій, Дніпропетровській, Одеській, Запорізькій областях. Так, в Донецькій області площі під сміттєзвалища займають 330 гектарів. Для моніторингу сміттєзвалищ використовуються різні технології, що базуються на супутникових даних і методах штучного інтелекту. Нині існують сервіси, за допомогою яких відстежується розташування сміттєзвалищ, але не надається інформація про територію сміттєзвалища та зміни її площі в часі. У процесі виконання досліджень розв’язано важливу задачу відокремлення полігонів від кар’єрів та штучних об’єктів шляхом поєднання попіксельної та об’єктної класифікації. Основна мета роботи полягала в розробці інтелектуальної інформаційної технології на основі нейромережевого підходу і побудові на її основі геопросторового продукту розміщення звалищ для Донецької області, а саме карти класифікації звалищ відходів. Запропонований алгоритм машинного навчання на основі історичних та сучасних супутникових даних дозволяє відстежувати площу полігону відходів та її зміни в часі. Розроблена інформаційна технологія апробована на території чотирьох територіальних громад у Донецькій області, а саме: Ольгинської, Мирноградської, Курахівської та Покровської. У результаті проведених досліджень також розроблено інформаційну панель, яка надає оперативні дані і дозволяє оцінювати динаміку змін сміттєзвалищ у регіоні в часі і просторі. Розроблена технологія має практичне значення для розробки програм керування та поводження з відходами в місцевих громадах. The article is dedicated to solving an important applied task of finding landfills based on machine learning methods using high-resolution satellite data. The problem of waste accumulation and storage at legal and illegal landfills remains relevant today. In Ukraine, millions of tons of household waste are generated annually. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Космічні інформаційні технології та системи Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ Intelligent methods and models for processing satellite data in the task of landfill monitoring Article published earlier
spellingShingle	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ Яйлимова, Г.О. Яйлимов, Б.Я. Шелестов, А.Ю. Красільнікова, Т.М. Космічні інформаційні технології та системи
title	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ
title_alt	Intelligent methods and models for processing satellite data in the task of landfill monitoring
title_full	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ
title_fullStr	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ
title_full_unstemmed	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ
title_short	Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ
title_sort	інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ
topic	Космічні інформаційні технології та системи
topic_facet	Космічні інформаційні технології та системи
url	https://nasplib.isofts.kiev.ua/handle/123456789/210880
work_keys_str_mv	AT âilimovago íntelektualʹnímetoditamodelíobrobkisuputnikovihdanihuzadačímonítoringuzvaliŝ AT âilimovbâ íntelektualʹnímetoditamodelíobrobkisuputnikovihdanihuzadačímonítoringuzvaliŝ AT šelestovaû íntelektualʹnímetoditamodelíobrobkisuputnikovihdanihuzadačímonítoringuzvaliŝ AT krasílʹníkovatm íntelektualʹnímetoditamodelíobrobkisuputnikovihdanihuzadačímonítoringuzvaliŝ AT âilimovago intelligentmethodsandmodelsforprocessingsatellitedatainthetaskoflandfillmonitoring AT âilimovbâ intelligentmethodsandmodelsforprocessingsatellitedatainthetaskoflandfillmonitoring AT šelestovaû intelligentmethodsandmodelsforprocessingsatellitedatainthetaskoflandfillmonitoring AT krasílʹníkovatm intelligentmethodsandmodelsforprocessingsatellitedatainthetaskoflandfillmonitoring

Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ

Репозитарії

Схожі ресурси