Исследование нейросетевых методов классификации земной поверхности

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В работе были обучены и протестированы пять различных моделей сверточных нейронных сетей. В качестве входных данных использован набор спутниковых снимков земной поверхности RSI-CB256. Результаты исследования применимы
в таких сферах деятельности, как картографирование, городское планирование, защита населения и территорий от чрезвычайных ситуаций.

Полный текст

Доступ закрыт

Об авторах

А. Залищук

Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП)

Автор, ответственный за переписку.
Email: sacha1501@yandex.ru

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

Россия, Санкт-Петербург

В. Ненашев

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

Россия, Санкт-Петербург

А. Сенцов

Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП)

Email: toxx@list.ru

доцент кафедры вычислительных систем и сетей

Россия, Санкт-Петербург

М. Беликов

МИРЭА – Российский технологический университет

Email: Belikov-post@yandex.ru

студент кафедры промышленной информатики

Россия, Москва

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Графическое представление количества изображений в каждом классе

Скачать (69KB)
Метаданные

© Залищук А., Ненашев В., Сенцов А., Беликов М., 2025