| Статья |
|---|
| Название статьи |
ОБНАРУЖЕНИЕ И КАРТИРОВАНИЕ НЕФТЯНЫХ СЛИКОВ В МОРЕ КОМБИНАЦИЕЙ РАЗЛИЧНЫХ ИСТОЧНИКОВ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ |
| Авторы |
Гулиев А.. старший геодезист, аспирант, alov_soc@yahoo.com |
| Библиографическое описание статьи |
|
| Категория |
Науки о Земле |
| УДК |
528.88; 551.465; 551.463.8 |
| DOI |
10.21209/2227-9245-2022-28-1-19-30 |
| Тип статьи |
Научная |
| Аннотация |
Рассматриваются методы дистанционного зондирования Земли, используемые для обнаружения и картирования разливов нефти. Исследования направлены на решение задач, изучаемых в области компьютерного зрения, в соответствии с общей линией при решении задач аэрокосмического мониторинга мест нефтеразработок и нефтяных загрязнений в щельфовых акваториях.
Объект исследования – изображения или последовательность изображений естественной окружающей среды.
Предмет исследования – математическое моделирование и аппаратно-программное обеспечение для обработки и анализа изображений, распознавания и классификация образов, машинного обучения позволяющие оценивать экологическое состояние мест нефтеразработок шельфовой зоны.
Цель исследования – благодаря полуавтоматическому анализу изображений оперативно обнаруживать нарушения нефтяных загрязнений в шельфовых акваториях с использованием нейросетевых алгоритмов сверхточного типа (ResNet-10) с долговременной и кратковременной памятью (LSTM) сети при обработке материалов от нескольких источников информации, требующей пространственного соответствия между изображениями. Анализ визуальных данных на базе формирования устойчивых сценаобразующих признаков с использованием глубоких нейронных сетей, для задачи распознавания объектов на местности. Нет сказуемого
В качестве основы предлагается использовать многомерных неоднородные (несколько изображений) данные дистанционного зондирования в общем депозитарии для группирования или сравнения соответствующей им информации.
Задачи исследования, реализующие цель:
– сформировать множество наборов изображений, содержащих сцены в условиях изменяющейся окружающей среды (погодные условия, освещенность, сезонность, угол обзора);
– обучить??? глубокие сверточные нейронные сети с использованием собственных баз, позволяющие выделить устойчивые признаки изображений;
– разработать методы и алгоритмы обработки и анализа изображений для формирования устойчивых сценаобразующих признаков из обученных ???? нейронных сетей;
– провести вычислительные эксперименты для сравнительного анализа и оценки результатов классификации и категоризации с использованием модели сложных сетей для управления комплексной информацией.
Для этого выполнена автоматическая регистрация геометрических деформаций (перемещение, вращение, изменение масштаба) с помощью билинейной интерполяции, выполнено тестирование для возможной вариации статистической модели внутри неоднородного скользящего окна, основанного на полуавтоматическом подходе, шельфовых акваторий Нефтяных Камней (Каспийское море). Стандартные однослойные 2D сети LSTM [18] решают проблему сегментации текстур с помощью классификации текстурных перпикселей. Сеть точно оценивает области текстуры и автоматически адаптирует различный масштаб, ориентацию и форму областей текстуры на изображении. Показан простой и прямой способ применения сетей LSTM для сегментации текстур, приведено сравнение эффективности (точности) с использованием измерения качества классификации на основе исследований с использованием новой меры подобия, основанной на статистической модели (три версии правила ближайшего соседа и метод максимального правдоподобия) [6].
Результаты выполненных исследований в целом подтвердили возможность и эффективность предложенной модели. Позволяет моделировать конкурентное мультивременное поведение модели.
Второй фронт исследований (анализ распознавания объектов) показал, что контекстная информация является важной функцией, которую необходимо учитывать в системах распознаваний объектов.
Кроме того, удалось найти доказательства того, что естественное формирование кластеров указывает на то, что возникли контексты, которые, по-видимому, были фундаментальными для результатов производительности. Однако, важно подчеркнуть, что эти эксперименты носят эмпирический характер и проводятся на определенной базе изображений, хорошо известной в академической научной среде.
|
| Ключевые слова |
Ключевые слова: радиолокационные снимки; дистанционное зондирование; мониторинг нефтяных загрязнений; классификатор максимального правдоподобия; рекуррентно связанные блоки; устойчивые признаки изображений; нейросетевые алгоритмы; cетевая архитектура; контекстная информация; перемещение |
| Информация о статье |
Гулиев А. Ш. Обнаружение и картирование нефтяных сликов в море комбинацией различных источников данных дистанционного зондирования Земли // Вестник Забайкальского государственного университета. 2022. Т. 28, № 1. С.19-30. DOI: 10.21209/2227-9245-2022-28-1-19-30. |
| Список литературы |
1. Бондур В. Г. Моделирование двумерных случайных полей яркости на входе аэрокосмической аппаратуры методом фазового спектра. Текст: электронный // Исследование Земли из космоса. 2000. № 5. С. 28. URL: https:// www.aerocosmos.info/pdf/2006/Bon_model.pdf (дата обращения: 25.12.2021).
2. Бондур В. Г., Савин А. И. Принципы моделирования полей сигналов на входе аппаратуры ДЗ аэрокосмических систем мониторинга окружающей; среды // Исследование Земли из космоса. ¬1995. ¬ № 4. ¬С. 24‒33.
3. Бондур В. Г., Аржененко Н. И., Линник В. Н., Титова И. Л. Моделирование многоспектральных аэрокосмических изображений динамических полей яркости // Исследование Земли из космоса. ¬2003. ¬№ 2. ¬С. 3‒17.
4. Бондур В. Г., Старченков С. А. Методы и программы обработки и классификации аэрокосмических изображений // Известия высших учебных заведений: геодезия и аэрофотосъемка. 2000. № 3. С. 118‒143.
5. Васильев К. К. Статистические методы обработки многомерных изображений. Методы обработки сигналов и полей // Спектр. Ульяновск: Ул ПИ, ¬1992. – C. 3‒19.
6. Гулиев А. Ш., T. A. Хлебникова. Многомерная статистическая модель для обнаружения мест нефтезагрязнений по материалам космических съемок // Интерэкспо ГЕО-Сибирь. ХVII Междунар. науч. конгресс (г. Новосибирск, 19‒21 мая 2021 г.): сб. материалов в 8 т. Т. 4. Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология. – Новосибирск: СГУГ, ¬2021. C. 11‒16. URL: https://doi.org/10.33764/2618-981X-2021-4-11-16.
7. Джайн А. К. Успехи в области математических моделей для обработки изображений // ТИИЭР. ¬1981. Т. 69, № 5. С. 9‒39.
8. Alpers W., Holt B., Zeng K. Remote sensing of environment oil spill detection by imaging radars // Challenges and pitfalls. Remote Sens. Environ. ¬ 2017. P. 133‒147.
9. Anil K., Karu J. Learning texture discrimination masks: Pattern Analysis and Machine Intelligence // IEEE Transactions on. ¬ 1996. Vol. 18. ¬ №2. P. 195‒205.
10. Brekke C., Solberg A.H.S. Oil spill detection by satellite remote sensing // Remote Sens. Environ. 2005. № 95. P. 1‒13. URL: https://doi.org/10.3390/s8106642.
11. Efros A. Texture synthesis by non-parametric sampling // IEEE International Conference on Computer Vision: Corfu, Greece. ¬1999.
12. ESA Copernicus¬Open Access Hub. 2019. URL:https://scihub.copernicus.eu (дата обращения: 25.12.2021). Текст: электронный.
13. Fingas M., Brown C. E. Oil Spill Remote Sensing: A Review // In Oil Spill Science and Technology. Elsevier: Amsterdam, The Netherlands, 2011. P. 111‒169.
14. Fingas M., Brown C. E. Oil Spill Remote Sensing: A Forensics Approach // Standard Handbook Oil Spill Environmental Forensics; Elsevier: Amsterdam, The Netherlands. ¬ 2016. P. 961‒981.
15. Fingas M., Brown C. Review of oil spill remote sensing // Marine Pollution Bulletin. 2014. № 83. P. 9‒23. URL: https://doi.org/10.3390/s18010091.
16. Fingas M., Brown C. Sensors // ¬ A Review of oil spill remote sensing. 2017. № 18. P. 91.
17. Graves A., Schmidhuber J. Offline andwriting recognition with multidimensional recurrent neural networks // Advances in Neural Information Processing Systems. ¬2008. ¬P. 545–552.
18. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Текст: электронный // Neural Computation. 1997. 9. P. 1735‒1780. URL: https://www.bioinf.jku.at/publications/older/2604.pdf (дата обращения: 25.12.2021).
19. Kim K., Jung K., Park S. Support vector machines for texture classification: Pattern Analysis and Machine Intelligence. Текст: электронный // IEEE Transactions on. ¬2000. Vol. 24. – no. 11. P. 1542–1550. URL: https://core.ac.uk/download/pdf/42413589.pdf (дата обращения: 25.12.2021).
20. Melendez J., Girones X. Supervised texture segmentation through a multi-level pixel-based classifier based on specifically designed filters. Текст: электронный // Image Processing (ICIP) 18th IEEE International Conference. 2011.¬ P. 2869–2872. URL: https://10.1109/ICIP.2011.6116147 (дата обращения: 25.12.2021).
21. Tivive F., Bouzerdoum A. Texture classification using convolutional neural networks // TENCON, IEEE Region 10 Conference. ¬ 2006. ¬ P. 1–4.
|
| Полный текст статьи | ОБНАРУЖЕНИЕ И КАРТИРОВАНИЕ НЕФТЯНЫХ СЛИКОВ В МОРЕ КОМБИНАЦИЕЙ РАЗЛИЧНЫХ ИСТОЧНИКОВ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ |
