Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками

• Date: 2024
• Main Authors: Shelestov, Andrii, Bukhanevych, Rodion
• Format: Article
• Language: Ukrainian
• Published: V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2024
• Subjects: спектральні канали; аналіз супутникових даних; інтелектуальні технології сенсорного моніторингу навколишнього середовища; виявлення змін у стані лісів; тривимірні згортки; моделі машинного навчання
• Online Access: https://jais.net.ua/index.php/files/article/view/248
• Journal Title: Problems of Control and Informatics

Статтю присвячено розв’язанню важливої прикладної задачі класифікації зображень на невеликій кількості розмічених даних з використанням методів машинного навчання для обробки супутникових даних високого просторового розрізнення. Порівняно роботу двох нейромереж: перша класифікує послідовність зображень (часовий ряд) з урахуванням темпоральної складової, друга застосовується для класифікації окремих зображень. Сформовано дослідницький набір даних по території Франції у вигляді часового ряду супутникових знімків. Отриманий набір груп супутникових знімків поділено навпіл на два класи зображень: з хворим лісом та зі здоровим. За допомогою механізму крос-валідації, яка необхідна для коректної інтерпретації результатів дослідження, зібрані часові ряди розділено на три групи. Новизна репрезентованого рішення полягає у побудові моделі, яка враховує як просторову, так і часову складові супутникових знімків для більш точної класифікації. Основна мета дослідження — порівняння роботи моделей, їхньої точності та з’ясування, чи містить даний датасет темпоральну складову, яка властива будь-якому часовому ряду. Експериментальна перевірка на тестових даних продемонструвала, що модель, побудована на тривимірних згортках, показує трохи вищу точність при обробці п’яти та семи зображень у часовому ряді порівняно з моделлю на основі двовимірних згорток. Валідація виявила, що запропонований алгоритм машинного навчання на основі темпоральної складової часового ряду дозволяє досягти порівняної точності на меншій кількості розмічених даних.