Research of Neural Network Methods for Classification of The Earth’s Surface

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription or Fee Access

Abstract

The article considers five different convolutional neural network models which were trained and tested. The input data was a set of satellite images RSI-CB256 of the Earth’s surface.
The results of the study are applicable in such areas as mapping, urban planning, protection of population and territories from emergency situations.

Full Text

Restricted Access

About the authors

A. Zalischuk

Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП)

Author for correspondence.
Email: sacha1501@yandex.ru

ассистент и младший научный сотрудник кафедры конструирования и технологий электронных и лазерных средств

Russian Federation, Санкт-Петербург

V. Nenashev

Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП)

Email: nenashev.va@yandex.ru

доцент кафедры конструирования и технологий электронных и лазерных средств, заведующий лабораторией машинного обучения проектно-
технологического офиса инженерной школы ГУАП

Russian Federation, Санкт-Петербург

A. Sentsov

Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП)

Email: toxx@list.ru

доцент кафедры вычислительных систем и сетей

Russian Federation, Санкт-Петербург

M. Belikov

МИРЭА – Российский технологический университет

Email: Belikov-post@yandex.ru

студент кафедры промышленной информатики

Russian Federation, Москва

References

  1. Агеев С. В., Михайлов И. С., Ширяева Г. Н. Анализ методов машинного обучения для классификации земной поверхности при помощи спутниковых снимков // Геоинформатика, 2016. С. 30–49.
  2. Перемитина Т. О., Ященко И. Г. Методы анализа спутниковых данных: применение нейронных сетей для кластеризации и оценки состояния окружающей среды // Вестник Томского государственного университета. Химия, 2024. № 36. С. 218–223.
  3. Фомина Е. С. Оценка эффективности применения специализированных нейронных сетей для повышения разрешения изображений, получаемых при дистанционном зондировании Земли // Системы управления, связи и безопасности, 2023. № 3. C. 71–90. https://doi.org/10.24412/2410-9916-2023-3-71-90.
  4. Li H., Dou X., Tao C., Wu Z., Chen J., Peng J., Deng M., Zhao L. RSI-CB: A large-scale remote sensing image classification benchmark using crowdsourced data // Sensors, 2020. V. 20. No. 6. PP. 1594–1618.
  5. El-Sayed A. et al. Assessing the potential of machine learning algorithms for land cover classification using remote sensing data // Remote Sensing, 2019. V. 11, No. 9. PP. 1153–1176.
  6. Adegun, A. A., Viriri S., Tapamo J-R. Review of deep learning methods for remote sensing satellite images classification: experimental survey and comparative analysis //Journal of Big Data, 2023. V. 10. No. 93. https://doi.org/10.1186/s40537-023-00772-x.
  7. Mayani M., Itagi R. Machine learning techniques in land cover classification using remote sensing data // 2nd International Conference on Intelligent Engineering and Management (ICIEM) PP. 1–5. https://doi.org/10.1109/CONIT51480.2021.9498434.
  8. Verma N., Lamb D., Reid N., Wilson B. A comparative study of land cover classification techniques for “Farmscapes” using very high resolution remotely sensed data // Photogrammetric Engineering and Remote Sensing, 2014. V. 80. No. 5. PP. 461–470. https://doi.org/10.14358/PERS.80.5.461.
  9. Thasveen M., Suresh S. Land – Use and Land – Cover classification methods: a review // 2021 Fourth International Conference on Microelectronics, Signals & Systems (ICMSS). https://doi.org/10.1109/ICMSS53060.2021.9673623.
  10. Fan Z et al. Land cover classification of resources survey remote sensing images based on segmentation model // IEEE Access, 2022. V. 10. PP. 56267–56281. https://doi.org/10.1109/ACCESS.2022.3175978.
  11. Irfan A., Li Y., E X., Sun G. Land Use and Land Cover classification with deep learning-based fusion of SAR and optical data // Remote Sensing, 2025. V. 17. No. 7. 1298. https://doi.org/10.3390/rs17071298.
  12. Ненашев В. А., Ханыков И. Г. Формирование комплексного изображения земной поверхности на основе кластеризации пикселей локационных снимков в многопозиционной бортовой системе // Информатика и автоматизация, 2021. Т. 20, № 2. С. 302–340. doi: 10.15622/ia.2021.20.2.3.
  13. Ненашев В.А., Сенцов А. А. Пространственнораспределенные системы радиолокационного и оптического мониторинга // Санкт-Петербург: ГУАП, 2022. 191 с.
  14. Nenashev V. A., Khanykov I. G. Formation of fused images of the land surface from radar and optical images in spatially distributed on-board operational monitoring systems // Journal of Imaging, 2021. Vol. 7, No. 12. doi: 10.3390/jimaging7120251.
  15. Залищук А. А., Ненашев В. А. Разработка системы для распознавания людей по изображениям земной поверхности // GraphiCon 2024: Материалы 34-й Международной конференции по компьютерной графике и машинному зрению, Омск, 17–19 сентября 2024 года. Омск: Омский государственный технический университет, 2024. С. 544–1550. doi: 10.25206/978-5-8149-3873-2-2024-544-550.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Graphical representation of the number of images in each class

Download (69KB)
Indexing metadata

Copyright (c) 2025 Zalischuk A., Nenashev V., Sentsov A., Belikov M.