Кратко о проекте
Целью проекта является разработка методов оперативного картографирования нарушений лесного покрова, позволяющих выявлять их в режиме, близком к реальному времени, по снимкам с высоким пространственно-временным разрешением (Sentinel-2 и PlanetScope).
Обнаружение и картографирование нарушений лесного покрова, вызванных как деятельностью человека, так и природными факторами, является одной из важнейших задач космического мониторинга. В настоящее время благодаря появлению данных с новых спутниковых группировок (Sentinel-2, PlanetScope) открывается возможность решения этой задачи с высоким уровнем точности и оперативности. Однако традиционные алгоритмы выявления нарушений лесного покрова, разработанные на данных более низкого разрешения (Landsat) и использующие только спектральные признаки, могут быть не применимы для снимков PlanetScope и частично для Sentinel-2. Это связано, прежде всего, с повышением значимости текстурных и геометрических дешифровочных признаков при увеличении пространственного разрешения снимков. Таким образом, к современным методам выявления нарушений лесного покрова предъявляются новые требования, которым наилучшим образом отвечают алгоритмы, основанные на машинном обучении.
Настоящий проект предполагает разработку алгоритмов обнаружения нарушений лесного покрова по снимкам высокого пространственного разрешения с применением методов машинного обучения, в том числе сверточных сетей с различной архитектурой (U-net и др.). Будет получена оценка эффективности разработанных алгоритмов в сравнении с традиционными методами выявления изменений по снимкам оптического диапазона (разностные вегетационные индексы, одномерное обнаружение изменений, многомерное обнаружение измерений (MAD) и т.д.). Основным результатом проекта будет алгоритм распознавания нарушений лесного покрова, обеспечивающий минимальный процент пропуска объектов и ложных тревог, а также его программная реализация для оперативного картографирования.
Научная новизна исследования обусловлена тем, что методы сегментации спутниковых данных с применением сверточных нейронных сетей начали разрабатываться сравнительно недавно. На сегодняшний день практически нет публикаций, посвященных выявлению нарушений лесного покрова с помощью сверточных нейронных сетей, несмотря на то, что данный метод становится наиболее перспективным для анализа изображений. Соответственно, оценки эффективности сверточных нейронных сетей в сравнении с традиционными методами выявления нарушений лесного покрова также будут получены впервые. Использование сверточных нейронных сетей может обеспечить существенное продвижение в решении еще одной актуальной проблемы – автоматизации распознавания типов нарушений лесного покрова, поскольку для этого необходимо учитывать не столько спектральные характеристики, сколько форму, структуру и текстуру объектов.
