Применение геопространственного искусственного интеллекта для классификации изображений дистанционного зондирования
DOI:
https://doi.org/10.52575/2712-7443-2024-48-4-526-541Ключевые слова:
геопространственный искусственный интеллект, дистанционное зондирование, машинное обучение, сегментация, классификацияАннотация
В последние годы геопространственный искусственный интеллект стал неотъемлемым инструментом в анализе и интерпретации изображений дистанционного зондирования. Данная работа исследует применение методов геопространственного искусственного интеллекта для эффективной классификации изображений дистанционного зондирования. Традиционные подходы к обработке изображений часто сталкиваются с ограничениями, связанными с вариабельностью состояния объектов, качеством данных и объемами информации. Использование алгоритмов машинного обучения и глубокого обучения позволяет преодолеть эти препятствия, обеспечивая более точные и надежные результаты. Для классификации пространственных объектов использовали космические снимки Sentinel-2 с мая по апрель территории землепользования фермерского хозяйства (ФХ) Новосибирской области с пространственным разрешением 10 м в пикселе. Сегментацию изображений проводили в программном обеспечении SAGA GIS. Для машинного обучения использовали методы – Random Forest (RF), Extreme Gradient Boosting (XGBoost) и многослойный перцептрон (MLP). Среди всех моделей MLP показала наилучшие результаты с точностью 95,20 % и высоким значением коэффициента Каппа Коэна, тогда как модели RF и XGBoost показали 85,0 %. Это делает модель MLP оптимальным выбором, особенно когда важна высокая точность классификации.
Скачивания
Библиографические ссылки
Список литературы
Асмус В.В., Бучнев А.А., Кровотынцев В.А., Пяткин В.П., Салов Г.И. 2018. Комплекс программного обеспечения PlanetaMonitoring в прикладных задачах дистанционного зондирования. Автометрия, 54(3): 14–23. https://doi.org/10.15372/AUT20180302.
Гарафутдинова Л.В., Каличкин В.К., Федоров Д.С. 2024. Объектно ориентированная классификация изображений дистанционного зондирования Земли с использованием машинного обучения. Вестник НГАУ (Новосибирский государственный аграрный университет), 2: 37–47. https://doi.org/10.31677/2072-6724-2024-71-2-37-47.
Колесников А.А. 2022. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования. Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий), 27(3): 74–94. https://doi.org/10.33764/2411-1759-2022-27-3-74-94.
Фомина Е.С. 2023. Оценка эффективности применения специализированных нейронных сетей для повышения разрешения изображений, получаемых при дистанционном зондировании Земли. Системы управления, связи и безопасности, 3: 71–90. https://doi.org/10.24412/2410-9916-2023-3-71-90.
Якушев В.П., Захарян Ю.Г., Блохина С.Ю. 2022. Состояние и перспективы использования дистанционного зондирования Земли в сельском хозяйстве. Современные проблемы дистанционного зондирования Земли из космоса, 19(1): 287–294. https://doi.org/10.21046/2070-7401-2022-19-1-287-294.
Alom M.Z., Taha T.M., Yakopcic Ch., Westberg S., Sidike P., Nasrin M.S., Hasan M., Van Essen B.C., Awwal A.A.S., Asari V.K. 2019. A State-of-the-Art Survey on Deep Learning Theory and Architectures. Electronics, 8(3): 292. https://doi.org/10.3390/electronics8030292.
Adugna T., Xu W., Fan J. 2022. Comparison of Random Forest and Support Vector Machine Classifiers for Regional Land Cover Mapping Using Coarse Resolution FY-3C Images. Remote Sensing, 14(3): 574. https://doi.org/10.3390/rs14030574.
Basheer S., Wang X., Farooque A.A., Nawaz R.A., Liu K., Adekanmbi T., Liu S. 2022. Comparison of Land Use Land Cover Classifiers Using Different Satellite Imagery and Machine Learning Techniques. Remote Sensing, 14(19): 4978. https://doi.org/10.3390/rs14194978.
Breiman L. 2001. Random Forests. Machine Learning, 45: 5–32. https://doi.org/10.1023/A:1010933404324.
Carabantes M. 2020. Black-Box Artificial Intelligence: an Epistemological and Critical Analysis. AI & Society, 35: 309–317. https://doi.org/10.1007/s00146-019-00888-w.
Chen T., Guestrin C. 2016. Xgboost: A Scalable Tree Boosting System. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 785–794. https://doi.org/10.1145/2939672.2939785.
Chen G., Weng Q., Hay G.J., He Y. 2018. Geographic Object-Based Image Analysis (GEOBIA): Emerging Trends and Future Opportunities. GIScience & Remote Sensing, 55(2): 159–182. https://doi.org/10.1080/15481603.2018.1426092.
Choi Y. 2023. GeoAI: Integration of Artificial Intelligence, Machine Learning, and Deep Learning with GIS. Applied Sciences, 13(6): 3895. https://doi.org/10.3390/app13063895.
Ekeanyanwu C.V., Obisakin I.F., Aduwenye P., Dede-Bamfo N. 2022. Merging GIS and Machine Learning Techniques: A Paper Review. Journal of Geoscience and Environment Protection, 10(9): 61–83. https://doi.org/10.4236/gep.2022.109004.
Ezzahouani B., Teodoro A., Kharki O.El., Jianhua L., Kotaridis I., Yuan X., Ma L. 2023. Remote Sensing Imagery Segmentation in Object-Based Analysis: A Review of Methods, Optimization, and Quality Evaluation Over the Past 20 years. Remote Sensing Applications: Society and Environment, 32: 101031. https://doi.org/10.1016/j.rsase.2023.101031.
Hossain M.D., Chen D. 2019. Segmentation for Object-Based Image Analysis (OBIA): A Review of Algorithms and Challenges from Remote Sensing Perspective. ISPRS Journal of Photogrammetry and Remote Sensing, 150: 115–134 р. https://doi.org/10.1016/j.isprsjprs.2019.02.009.
Janga B., Asamani G.P., Sun Z., Cristea N. 2023. A Review of Practical AI for Remote Sensing in Earth Sciences. Remote Sensing, 15(16): 4112. https://doi.org/10.3390/rs15164112.
Johnson B.A., Ma L. 2020. Image Segmentation and Object-Based Image Analysis for Environmental Monitoring: Recent Areas of Interest, Researchers’ Views on the Future Priorities. Remote Sensing, 12(11): 1772. https://doi.org/10.3390/rs12111772.
Li W., Hsu C.-Y. 2022. GeoAI for Large-Scale Image Analysis and Machine Vision: Recent Progress of Artificial Intelligence in Geography. ISPRS International Journal of Geo-Information, 11(7): 385. https://doi.org/10.3390/ijgi11070385.
Mehmood M., Shahzad A., Zafar B., Shabbir A., Ali N. 2022. Remote Sensing Image Classi-Fication: A Comprehensive Review and Applications. Mathematical Problems in Engineering, 1: 5880959. https://doi.org/10.1155/2022/5880959.
Nalluri M., Pentela M., Eluri N.R. 2020. A Scalable Tree Boosting System: XG Boost. International Journal of Research Studies in Science, Engineering and Technology, 7(12): 36–51. https://doi.org/10.22259/2349-476X.0712005.
Radočaj D., Jurišić M. 2022. GIS-Based Cropland Suitability Prediction Using Machine Learning: A Novel Approach to Sustainable Agricultural Production. Agronomy, 12(9): 2210. https://doi.org/10.3390/agronomy12092210.
Sagan V., Coral R., Bhadra S., Alifu H., Al Akkad O., Giri A., Esposito F. 2024. Hyperfidelis: A Software Toolkit to Empower Precision Agriculture with GeoAI. Remote Sensing, 16(9): 1584. https://doi.org/10.3390/rs16091584.
Vali A., Comai S., Matteucci M. 2020. Deep Learning for Land Use and Land Cover Classification Based on Hyperspectral and Multispectral Earth Observation Data: A Review. Remote Sensing, 12(15): 2495. https://doi.org/10.3390/rs12152495
Zhang Y., Liu J., Shen W. 2022. A Review of Ensemble Learning Algorithms Used in Remote Sensing Applications. Applied Sciences, 12(17): 8654. https://doi.org/10.3390/app12178654.
Zapf A., Castell S., Morawietz L., Karch A. 2016. Measuring Inter-Rater Reliability for Nominal Data – which Coefficients and Confidence Intervals are Appropriate? BMC Medical Research Methodology, 16: 1–10. https://doi.org/10.1186/s12874-016-0200-9.
References
Asmus V.V., Buchnev A.A., Krovotyntsev V.A., Pyatkin V.P., Salov G.I. 2018. Planetamonitoring Software Complex in Applied Remote Sensing Problems. Optoelectronics, Instrumentation and Data Processing, 54(3): 222–229 (in Russian). https://doi.org/10.3103/S8756699018030020
Garafutdinova L.V., Kalichkin V.K., Fedorov D.S. 2024. Object-Oriented Classification of Remote Sensing Earth Images Using Machine. Bulletin of NSAU (Novosibirsk State Agrarian University), 2: 37–47 (in Russian). https://doi.org/10.31677/2072-6724-2024-71-2-37-47.
Kolesnikov A.A. 2022. Analysis of Methods and Tools of Artificial Intelligence for Analysis and Interpretation of Active Remote Sensing Data. Bulletin of SSUGiT (Siberian State University of Geosystems and Technologies), 27(3): 74–94 (in Russian). https://doi.org/10.33764/2411-1759-2022-27-3-74-94.
Fomina E.S. 2023. Evaluation of the Efficiency of Using Specialized Neural Networks to Increase the Resolution of Images Obtained by Remote Sensing of the Earth. Control, Communications and Security Systems, 3: 71–90 (in Russian). https://doi.org/10.24412/2410-9916-2023-3-71-90.
Yakushev V.P., Zakharyan Yu.G., Blokhina S.Yu. 2022. Current Problems and Prospects for the Use of Remote Sensing of the Earth in Agriculture. Current Problems in Remote Sensing of the Earth from Space, 19(1): 287–294 (in Russian). https://doi.org/10.21046/2070-7401-2022-19-1-287-294.
Alom M.Z., Taha T.M., Yakopcic Ch., Westberg S., Sidike P., Nasrin M.S., Hasan M., Van Essen B.C., Awwal A.A.S., Asari V.K. 2019. A State-of-the-Art Survey on Deep Learning Theory and Architectures. Electronics, 8(3): 292. https://doi.org/10.3390/electronics8030292.
Adugna T., Xu W., Fan J. 2022. Comparison of Random Forest and Support Vector Machine Classifiers for Regional Land Cover Mapping Using Coarse Resolution FY-3C Images. Remote Sensing, 14(3): 574. https://doi.org/10.3390/rs14030574.
Basheer S., Wang X., Farooque A.A., Nawaz R.A., Liu K., Adekanmbi T., Liu S. 2022. Comparison of Land Use Land Cover Classifiers Using Different Satellite Imagery and Machine Learning Techniques. Remote Sensing, 14(19): 4978. https://doi.org/10.3390/rs14194978.
Breiman L. 2001. Random Forests. Machine Learning, 45: 5–32. https://doi.org/10.1023/A:1010933404324.
Carabantes M. 2020. Black-Box Artificial Intelligence: an Epistemological and Critical Analysis. AI & Society, 35: 309–317. https://doi.org/10.1007/s00146-019-00888-w.
Chen T., Guestrin C. 2016. Xgboost: A Scalable Tree Boosting System. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 785–794. https://doi.org/10.1145/2939672.2939785.
Chen G., Weng Q., Hay G.J., He Y. 2018. Geographic Object-Based Image Analysis (GEOBIA): Emerging Trends and Future Opportunities. GIScience & Remote Sensing, 55(2): 159–182. https://doi.org/10.1080/15481603.2018.1426092.
Choi Y. 2023. GeoAI: Integration of Artificial Intelligence, Machine Learning, and Deep Learning with GIS. Applied Sciences, 13(6): 3895. https://doi.org/10.3390/app13063895.
Ekeanyanwu C.V., Obisakin I.F., Aduwenye P., Dede-Bamfo N. 2022. Merging GIS and Machine Learning Techniques: A Paper Review. Journal of Geoscience and Environment Protection, 10(9): 61–83. https://doi.org/10.4236/gep.2022.109004.
Ezzahouani B., Teodoro A., Kharki O.El., Jianhua L., Kotaridis I., Yuan X., Ma L. 2023. Remote Sensing Imagery Segmentation in Object-Based Analysis: A Review of Methods, Optimization, and Quality Evaluation Over the Past 20 years. Remote Sensing Applications: Society and Environment, 32: 101031. https://doi.org/10.1016/j.rsase.2023.101031.
Hossain M.D., Chen D. 2019. Segmentation for Object-Based Image Analysis (OBIA): A Review of Algorithms and Challenges from Remote Sensing Perspective. ISPRS Journal of Photogrammetry and Remote Sensing, 150: 115–134 р. https://doi.org/10.1016/j.isprsjprs.2019.02.009.
Janga B., Asamani G.P., Sun Z., Cristea N. 2023. A Review of Practical AI for Remote Sensing in Earth Sciences. Remote Sensing, 15(16): 4112. https://doi.org/10.3390/rs15164112.
Johnson B.A., Ma L. 2020. Image Segmentation and Object-Based Image Analysis for Environmental Monitoring: Recent Areas of Interest, Researchers’ Views on the Future Priorities. Remote Sensing, 12(11): 1772. https://doi.org/10.3390/rs12111772.
Li W., Hsu C.-Y. 2022. GeoAI for Large-Scale Image Analysis and Machine Vision: Recent Progress of Artificial Intelligence in Geography. ISPRS International Journal of Geo-Information, 11(7): 385. https://doi.org/10.3390/ijgi11070385.
Mehmood M., Shahzad A., Zafar B., Shabbir A., Ali N. 2022. Remote Sensing Image Classi-Fication: A Comprehensive Review and Applications. Mathematical Problems in Engineering, 1: 5880959. https://doi.org/10.1155/2022/5880959.
Nalluri M., Pentela M., Eluri N.R. 2020. A Scalable Tree Boosting System: XG Boost. International Journal of Research Studies in Science, Engineering and Technology, 7(12): 36–51. https://doi.org/10.22259/2349-476X.0712005.
Radočaj D., Jurišić M. 2022. GIS-Based Cropland Suitability Prediction Using Machine Learning: A Novel Approach to Sustainable Agricultural Production. Agronomy, 12(9): 2210. https://doi.org/10.3390/agronomy12092210.
Sagan V., Coral R., Bhadra S., Alifu H., Al Akkad O., Giri A., Esposito F. 2024. Hyperfidelis: A Software Toolkit to Empower Precision Agriculture with GeoAI. Remote Sensing, 16(9): 1584. https://doi.org/10.3390/rs16091584.
Vali A., Comai S., Matteucci M. 2020. Deep Learning for Land Use and Land Cover Classification Based on Hyperspectral and Multispectral Earth Observation Data: A Review. Remote Sensing, 12(15): 2495. https://doi.org/10.3390/rs12152495
Zhang Y., Liu J., Shen W. 2022. A Review of Ensemble Learning Algorithms Used in Remote Sensing Applications. Applied Sciences, 12(17): 8654. https://doi.org/10.3390/app12178654.
Zapf A., Castell S., Morawietz L., Karch A. 2016. Measuring Inter-Rater Reliability for Nominal Data – which Coefficients and Confidence Intervals are Appropriate? BMC Medical Research Methodology, 16: 1–10. https://doi.org/10.1186/s12874-016-0200-9.
Просмотров аннотации: 43
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2024 Региональные геосистемы
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
