Журнал «Светотехника» №4

Дата публикации 10/08/2023
Страница 76-81

Картирование наземных полей аквакультуры по снимкам дистанционного зондирования высокого разрешения «Светотехника», 2023, №4

Авторы статьи:

Суцзинь Чэнь, Дмитрий Сергеевич Ефременко, Жиюань Чжан, Линькуй Мон

Суцзинь Чэнь, бакалавр. С 2021 года принимала участие в программе космической науки и техники, ориентированной на Землю (ESPACE), в Мюнхенском техническом университете. В настоящее время она учится на магистратуре в Уханьского университета и TУM. Её научные интересы включают дистанционное зондирование, веб-ГИС и машинное обучение

Дмитрий Сергеевич Ефременко, Ph. D. Окончил Московский энергетический институт (МЭИ) в 2009 году. С 2011 г. - научный сотрудник Немецком аэрокосмического центра (DLR), доцент Мюнхенского технического университета. Опубликовал более 70 рецензируемых работ. Научные интересы включают передачу излучения, дистанционное зондирование и машинное обучение

Жиюань Чжан, Ph. D. С 2019 года он работает инженером в Информационном центре (Центр мониторинга гидрологии и прогнозирования) Министерства водных ресурсов. Его научные интересы включают применение дистанционного зондирования в охране водных ресурсов и геоинформационных системах

Линькуй Мон, Ph. D. Окончил Хуачжунский научно-технический университет. В настоящее время профессор школы дистанционного зондирования и информационной инженерии Уханьского университета. Его научные интересы включают приложения дистанционного зондирования, интернет-ГИС и компьютерную архитектуру

Аннотация

Свёрточные нейронные сети широко используются для обработки изображений, полученных в процессе дистанционного зондирования Земли. Аквакультуры играют важную роль в обеспечении продовольственной безопасности, поэтому их состояние необходимо контролировать. В данной работе предлагается новая легковесная нейронная сеть для поиска полей аквакультуры на местности по изображениям дистанционного зондирования высокого разрешения. Структура предложенной сети сегментации прудов основана на архитектуре UNet, что обеспечивает более высокую скорость обучения по сравнению с существующими аналогами. Эксперименты проводились на наборе спутниковых данных Gaofen в Шанхае, Китай. Предложенная сеть обнаруживает пруды аквакультуры на суше быстрее, чем современные модели на основе нейронных сетей, и достигает общей точности около 90 %.

Список использованной литературы

1. Liang, C.; Cheng, B.; Xiao, B.; He, C.; Liu, X.; Jia, N.; Chen, J. Semi-/Weakly-Supervised Semantic Segmentation Method and Its Application for Coastal Aquaculture Areas Based on Multi-SourceRemote Sensing Images // Taking the Fujian Coastal Area (Mainly Sanduo) as an Example. Remote Sens, 2021, 13, 1083.
2. Yu, C., Liu, Y., Hu, Z., Xia, X. Accurate segmentation of remote sensing cages based on U-Net and voting mechanism // Proc. SPIE12166, Seventh Asia Pacific Conference on Optics Manufacture and 2021 International Forum of Young Scientists on Advanced Optical Manufacturing (APCOM and YSAOM 2021), 2022, # 121662T.
3. Zhu, H., Li, K., Wang, L., Chu, J., Gao, N., Chen, Y. Spectral Characteristic Analysis and Remote Sensing Classification of Coastal Aquaculture Areas Based on GF‑1 Data // Journal of Coastal Research, 2019, Vol. 90, # sp1, pp. 49–57.
4. Zhu, X.X. et al. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources // in IEEE Geoscience and Remote Sensing Magazine, 2017, Vol. 5, #.4, pp. 8–36.
5. Zou, Z., Chen, C., Liu, Z., Zhang, Z., Liang, J., Chen, H., Wang, L. Extraction of Aquaculture Ponds along Coastal Region Using U2-Net Deep Learning Model from Remote Sensing Images // Remote Sensing, 2022, Vol. 14, # 16, 4001 p.
6. Lu, Y., Shao, W., Sun, J. Extraction of Offshore Aquaculture Areas from Medium-Resolution Remote Sensing Images Based on Deep Learning // Remote Sensing, 2021, Vol. 13, # 19, 3854 p.
7. LeCun, Y., Bengio, Y., Hinton, G. Deep learning // Nature, 2015, Vol. 521, pp. 436–444.
8. Kussul, N., Lavreniuk, M., Skakun, S., Shelestov, A. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data // in IEEE Geoscience and Remote Sensing Letters, 2017, Vol. 14, # 5, pp. 778–782.
9. Abebaw, A., Shailender, K. Transfer Learning Models for Land Cover and Land Use Classification in Remote Sensing Image // Applied Artificial Intelligence, 2022, Vol. 36, # 1.
10. Mohammadi, M., Sharifi, A. Evaluation of Convolutional Neural Networks for Urban Mapping Using Satellite Images // J Indian Soc Remote Sens, 2021, Vol. 49, pp. 2125–2131.
11. Bell, T.W., Nidzieko, N.J., Siegel, D.A., Miller, R.J., Cavanaugh, K.C., Nelson, N.B., Reed, D.C., Fedorov, D., Moran, C., Snyder, J.N., Cavanaugh, K.C., Yorke, C.E., Griffith, M. The Utility of Satellites and Autonomous Remote Sensing Platforms for Monitoring Offshore Aquaculture Farms: A Case Study for Canopy Forming Kelps // Front. Mar. Sci., 2020, Vol. 7, # 520223.
12. Abdollahi, A., Pradhan, B., Shukla, N., Chakraborty, S., Alamri, ADeep Learning Approaches Applied to Remote Sensing Datasets for Road Extraction: A State-Of-The-Art Review // Remote Sensing, 2020, Vol. 12, # 9, 1444 p.
13. Chen, K., Fu, K., Gao, X., Yan, M., Sun, X., Zhang, H. Building extraction from remote sensing images with deep learning in a supervised manner // 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2017.
14. Al Mansoori, S., Kunhu, A., AlHammadi, A. Effective Airplane Detection in High Resolution Satellite Images using YOLOv3 Model // 2021 4th International Conference on Signal Processing and Information Security (ICSPIS), 2021, pp. 57–60.
15. Huete, A.R. Remote Sensing for Environmental Monitoring Environmental Monitoring and Characterization // Elsevier, 2004, pp. 183–206.
16. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., Chen, L.-C. MobileNetV2: Inverted Residuals and Linear Bottlenecks // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 4510–4520.
17. Badrinarayanan, V., Kendall, A., Cipolla, R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation // in IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, Vol. 39, # 12, pp. 2481–2495.
18. Gao, H., Gu, X., Yu, T., Liu, L., Sun, Y., Xie, Y., Liu, Q. Validation of the Calibration Coefficient of the GaoFen‑1 PMS Sensor Using the Landsat 8 OLI // Remote Sensing, 2016, Vol. 8, # 2, 132 p.
19. Liu, Y., Li, C., Ma, L., Wang, N., Qian, Y., Tang, L. Vicarious absolute radiometric calibration of GF‑2 PMS2 sensor using permanent artificial targets in China // Proc. SPIE10000, Sensors, Systems, and Next-Generation Satellites XX, 2016, # 1000019.
20. Korkmaz, S.A., Akcicek, A., Binol, H., Korkmaz, Mehmet, F. Recognition of the stomach cancer images with probabilistic HOG feature vector histograms by using HOG features // 2017 IEEE15th International Symposium on Intelligent Systems and Informatics (SISY), 2017, pp. 000339–000342.
21. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation, 2015, # May 2015.
22. Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Navab, N., Hornegger, J., Wells, W., Frangi, A. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, MICCAI 2015 / Lecture Notes in Computer Science, 2015, Vol. 9351.
23. Su, H., Wei, S., Qiu, J., Wu, W. RaftNet: A New Deep Neural Network for Coastal Raft Aquaculture Extraction from Landsat 8 OLI Data // Remote Sens, 2022, Vol. 14, # 4587.
24. Катаев М.Ю., Дадонова М.М. Методика распознавания растительности на основе цветового и текстурного анализа RGB изображений // Светотехника,– 2019,– № 2, – С. 34–39.
25. Chen, T. Wu, Q.H., Rahmani-Torkaman, R., Hughes, J. A pseudo tophat mathematical morphological approach to edge detection in dark regions, 2002, Vol. 35, # 1, pp. 199–210.
26. Zhang, J., Feng, M.Q., Wang, Y. Automatic segmentation of remote sensing images on water bodies based on image enhancement // Traitement du Signal, 2020, Vol. 37, # 6, pp. 1037–1043.

Ключевые слова

Выберите вариант доступа к этой статье

Купить

Рекомендуемые статьи

Обзор методов снижения размерности при обработке гиперспектральных оптических сигналов. Журнал «Светотехника» №4 (2019).

Смотреть все статьи