Объектно ориентированная классификация изображений дистанционного зондирования земли с использованием машинного обучения

Приведены результаты исследований по разработке автоматизированной классификации снимков дистанционного зондирования Земли внутрихозяйственного землепользования на основе применения объектно ориентированного подхода, машинного обучения и геоинформационного моделирования. Методология классификации включала три этапа: анализ цифровых изображений с выделением пространственных объектов путем предварительной сегментации, классификация пространственных объектов с использованием алгоритмов машинного обучения (RF и SVM), оценка общей точности полученного результата. Для обработки использовали космические снимки Sentinel-2 с мая по апрель на территорию землепользования ОС «Элитная» и ИП ГК(Ф)Х Ковалев С.М. Новосибирской области с пространственным разрешением 10 м в пикселе. Обработка полученных многозональных снимков проходила с применением программного продукта SAGA GIS версии 8.5.1 и QGIS с открытым исходным кодом, создание моделей классификации осуществляли в пакете статистического языка программирования R. Установлено, что общая точность классификации объектов землепользования, отображенных на космических снимках, для территории ОС «Элитная» алгоритмом SVM составила 87,1 % (коэффициент Каппа 0,74), алгоритмом RF – 90,3 % (коэффициент Каппа 0,87). Для территории землепользования ИП ГК(Ф)Х Ковалев С.М. – алгоритмом SVM – 78,4 % (коэффициент Каппа 0,78), алгоритмом RF – 82,3 % (коэффициент Каппа 0,82). Объектно ориентированный подход в интеграции с машинным обучением способствует эффективной сегментации и классификации снимков дистанционного зондирования для выделения пространственных объектов, дает возможность автоматизировать процесс картографирования территории землепользования и включать эту информацию в геоинформационное моделирование оценки и классификации земель сельскохозяйственного назначения.

1. Maxwell A.E., Warner T.A., Fang F. Implementation of machine-learning classification in remote sensing: An applied review // International journal of remote sensing. – 2018. – Vol. 39, N 9. – P. 2784–2817. – DOI: 10.1080/01431161.2018.1433343.

2. Dhingra S., Kumar D. A review of remotely sensed satellite image classification // International Journal of Electrical and Computer Engineering. – 2019. – Vol. 9, N 3. – P. 1720–1731. – DOI: 10.11591/ijece.v9i3. pp.1720-1731.

3. Ouchra H., Belangour A. Satellite image classification methods and techniques: A survey // 2021 IEEE International Conference on Imaging Systems and Techniques (IST). – IEEE, 2021. – P. 1–6. – DOI: 10.1109/IST50367.2021.9651454.

4. Remote sensing image classification: A comprehensive review and applications / M. Mehmood, A. Shahzad, B. Zafar, A. Shabbir // Mathematical Problems in Engineering. – 2022. – Vol. 2022. – P. 1–24. – DOI: 10.1155/2022/5880959.

5. Mountrakis G., Im J., Ogole C. Support vector machines in remote sensing: A review // ISPRS jour nal of photogrammetry and remote sensing. – 2011. – Vol. 66, N 3. – Р. 247–259. – DOI: 10.1016/j.isprsjprs.2010.11.001.

6. Белов А.М., Денисова А.Ю. Классификация изображений ДЗЗ с использованием алгоритма комплексирования данных различных сенсоров // Компьютерная оптика. – 2020. – Т. 44, № 4. – С. 627–635. – DOI: 10.18287/2412-6179-CO-735.

7. Akar Ö., Güngör O. Classification of multispectral images using Random Forest algorithm // Journal of Geodesy and Geoinformation. – 2012. – Vol. 1, N 2. – Р. 105–112. – DOI: 10.9733/jgg.241212.1.

8. Колесников А.А. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования // Вестник СГУГИТ. – 2022. – Т. 27, № 3. – С. 74–94.

9. Семантическая сегментация данных дистанционного зондирования Земли при помощи нейросетевых алгоритмов / А.А. Друки, В.Г. Спицин, Ю.А. Болотова, А.А. Башлыков // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2018. – Т. 329, № 1. – С. 59–68.

10. A survey of remote sensing image classification based on CNNs / J. Song, S. Gao, Y. Zhu, Ch. Ma // Big earth data. – 2019. – Vol. 3, N 3. – P. 232–254. – DOI: 10.1080/20964471.2019.1657720.

11. Comparing supervised algorithms in Land Use and Land Cover classification of a Landsat time-series / T. Nery, R. Sadler, M. Solis-Aulestiaet, B. White // 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Beijing, China, 2016. – Р. 5165–5168. – DOI: 10.1109/IGARSS.2016.7730346.

12. Geographic object-based image analysis-towards a new paradigm / T. Blaschke, G.J. Hay, M. Kelly, S. Lang // ISPRS journal of photogrammetry and remote sensing. – 2014. – Vol. 87. – Р. 180–191. – DOI: 10.1016/j.isprsjprs.2013.09.014.

13. Geographic object-based image analysis (GEOBIA): Emerging trends and future opportunities / G. Chen, Q. Weng, G.J. Hay, Y. He // GIScience & Remote Sensing. – 2018. – Vol. 55, N 2. – Р. 159–182. – DOI: 10.1080/15481603.2018.1426092.

14. GEOBIA Achievements and Spatial Opportunities in the Era of Big Earth Observation Data / S. Lang, G.J. Hay, A. Baraldi, D. Tiede // ISPRS International Journal of Geo-Information. – 2019. – Vol. 8, N 11. – Р. 474. – DOI: 10.3390/ijgi8110474.

15. Object-oriented method combined with deep convolutional neural networks for land-use-type classification of remote sensing images / B. Jin, P. Ye, X. Zhang, W. Song, S. Li // Journal of the Indian Society of Remote Sensing. – 2019. – Vol. 47. – Р. 951–965. – DOI: 10.1007/s12524-019-00945-3.

16. Accuracy assessment measures for object-based image segmentation goodness / N. Clinton, A. Holt, J. Scarborough, A. Holt, L. Yan. // Photogrammetric Engineering & Remote Sensing. – 2010. – Vol. 76, N 3. – Р. 289–299. – DOI: 0099-1112/10/7603–0289/$3.00/0.

17. Ye S., Pontius Jr.R.G., Rakshit R. A review of accuracy assessment for object-based image analysis: From per-pixel to per-polygon approaches // ISPRS Journal of Photogrammetry and Remote Sensing. – 2018. – Vol. 141. – Р. 137–147. – DOI: 10.1016/j.isprsjprs.2018.04.002.

18. Labib S.M., Harris A. The potentials of Sentinel-2 and LandSat-8 data in green infrastructure extraction, using object based image analysis (OBIA) method // European Journal of Remote Sensing. – 2018. – Vol. 51, N 1. – P. 231–240. – DOI: 10.1080/22797254.2017.1419441.

19. Hossain M.D., Chen D. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective // ISPRS Journal of Photogrammetry and Remote Sensing. – 2019. – Vol. 150. – P. 115–134. – DOI: 10.1016/j.isprsjprs.2019.02.009.

20. Assessing the performance of different OBIA software approaches for mapping invasive alien plants along roads with remote sensing data / P. Lourenço, A.C. Teodoro, J.A. Gonçalves, P.J. Honrado // International Journal of Applied Earth Observation and Geoinformation. – 2021. – Vol. 95. – P. 102263. – DOI: 10.1016/j.jag.2020.102263.

21. Lemenkova P. Object based image segmentation algorithm of SAGA GIS for detecting urban spaces in yaoundé, Cameroon // Central European Journal of Geography and Sustainable Development.– 2020. – Vol. 2, N 2. – P. 38–51. – DOI:10.47246/CEJGSD.2020.2.2.4.

22. Breiman L. Random forests // Machine Learning. – 2001. – Vol. 45. – Р. 5–32. – DOI: 10.1023/A:1010933404324.

23. Cortes C., Vapnik V. Support-vector networks // Machine Learning. – 1995. – Vol. 20. – Р. 273–297. – DOI: 10.1007/BF00994018.

24. Support vector machine versus random forest for remote sensing image classification: A meta-analysis and systematic review / M. Sheykhmousa, M. Mahdianpari, H. Ghanbari [et al.] // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2020. – Vol. 13. – Р. 6308–6325. [Электронный ресурс]. – URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9206124 (дата обращения: 03.09.2023).

25. Object-based wetland vegetation classification using multi-feature selection of unoccupied aerial vehicle RGB imagery / R. Zhou, C. Yang, E. Li, X. Cai // Remote Sensing. – 2021. – Vol. 13, N 23. – P. 4910. – DOI:10.3390/rs13234910.

26. Старовойтов В.В., Голуб Ю.И. Об оценке результатов классификации несбалансированных данных по матрице ошибок // Информатика. – 2021. – Т. 18, № 1. – С. 61–71. – DOI: 10.37661/1816-03012021-18-1-61-71.

27. Jenness J., Wynne J.J. Kappa Analysis (kappa_stats.avx) Extension for ArcView 3.x. Jenness Enterprises. 2007. [Электронный ресурс]. – URL: http://www.jennessent.com/arcview/kappa_stats.htm (дата обращения: 07.09.2023).