Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1
+7 (383) 343-12-55 vestnik@ssga.ru
Ru
En
Ru
En
Авторам публикаций
Вестник СГУГиТАрхив журнала Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1

Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1

Дистанционное зондирование земли, фотограмметрия
УДК: 528.8:528.9+551.465.433(597)
DOI: 10.33764/2411-1759-2024-29-6-70-82
Д. Т. Куен 1, В. А. Малинников 1, Т. Э. Сереке 1, С. Х. Нго 2
Год: 2024
Том: 29
№: 6
Страницы: 70 - 82
1 Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
2 Государственный университет по землеустройству, г. Москва, Российская Федерация

Финансирование: -

Аннотация:

Статья представляет результаты исследования, использующего методы дистанционного зондирования и глубокого обучения сети U-Net в сочетании с техниками трансферного обучения и дообучения сети для изучения и управления приливно-отливными отмелями – важной частью водно-болотных угодий у прибрежных зон Вьетнама. Использование изображений со спутника Sentinel-1 позволяет непрерывно наблюдать в любых погодных условиях, благодаря способности проникать сквозь облака и не зависеть от погоды. Авторы разработали модель глубокого обучения U-Net, применив при этом трансферное обучение и дообучение сети для оптимизации процесса обучения данных. В результате была создана модель, способная автоматически классифицировать приливно-отливные отмели с высокой точностью, достигающей 94,42 %. Для обучения модели были использованы данные, собранные из различных географических мест как в северных, так и в южных регионах Вьетнама. Затем эта модель была применена для определения площади приливно-отливных отмелей вдоль всего побережья 28 провинций Вьетнама. Кроме того, модель была расширена для определения морфологии отмелей, что предоставляет полезную информацию для управления прибрежными водноболотными угодьями и защиты береговой линии.

Ключевые слова (RU):

приливно-отливные отмели, дистанционное зондирование, глубокое обучение, сеть U-Net, Sentinel-1, Вьетнам, водно-болотные угодья, морфология приливно-отливных отмелей, геоинформационное картографирование, карты водно-болотных угодий

Ключевые слова (EN):

tidal flats, remote sensing, deep learning, U-Net network, Sentinel-1, Vietnam, wetlands, tidal flats morphology, geoinformation mapping, wetland maps

Читать статью Скачать JATS XML

Библиографический список:

  1. Miththapala S. Mangrove Coastal Ecosystem Series // Ecosystem and Livelihoods Groups Aisia IUCN. – 2008. –Vol. 2.
  2. McLean R. F., Tsyban A., Burkett V. Coastal zones and marine ecosystems // Climate change. – 2001. – P. 343–379.
  3. Klein G. D. Intertidal flats and intertidal sand bodies // Coastal sedimentary environments. New York. – 1985. – P. 187–224.
  4. Tong S. S., Deroin J. P., Pham T. L. An optimal waterline approach for studying tidal flat morphological changes using remote sensing data: A case of the northern coast of Vietnam // Estuarine, Coastal and Shelf Science. – 2020. –Vol. 4. – DOI 10.1016/j.ecss.2020.106613.
  5. Perillo G., Wolanski E., Cahoon D. R., Hopkinson C. S. Coastal wetlands: an integrated ecosystem approach // Elsevier. –2018.
  6. Morris J. T., Sundareshwar P. V., Nietch C. T., Kjerfve B., Cahoon D. R. Responses of coastal wetlands to rising sea level // Ecology. – 2002. – Vol. 83(10). – P. 2869–2877. – DOI 10.1890/0012-9658(2002)083[2869:ROCWTR]2.0.CO;2.
  7. Murray N.J., Phinn S. R., Clemens R. S., Roelfsema, C. M., Fuller R. A. Continental scale mapping of tidal flats across East Asia using the Landsat archive. Remote Sensing. – 2012. – Vol. 4 (11). – P. 3417–3426. DOI 10.3390/rs4113417.
  8. Zhao B., Guo H., Yan Y., Wang Q., Li B. A simple waterline approach for tidelands using multi-temporal satellite images: A case study in the Yangtze Delta // Estuarine, Coastal and Shelf Science. – 2008. – Vol. 77 (1). – P. 134–142. – DOI 10.1016/j.ecss.2007.09.022.
  9. Khan AI., Al-Habsi S. Machine learning in computer vision // Procedia Computer Science. – 2020. – Vol. 167. – P. 444–1451. – DOI 10.1016/j.procs.2020.03.355.
  10. Аш Е. В. Общие принципы и методика создания карты береговых морфосистем на основе анализа данных дистанционного зондирования Земли // Исследование Земли из космоса. – 2014. – № 6. – С. 40. – DOI 10.7868/S0205961414050029.
  11. Куен Д. Т., Малинников В. А. Классификация устьевых и прибрежных водно-болотных угодий по снимкам Planet NICFI на основе сверточных нейронных сетей и трансферного обучения // Геодезия и картография. – 2024. – № 6. – С. 31–42. – DOI 10.22389/0016-7126-2024-1008-6-31-42.
  12. Siddique N., Paheding S., Elkin CP., Devabhaktuni V. U-net and its variants for medical image segmentation: A review of theory and applications // Ieee Access. – 2021. –Vol. 9. – P. 82031–82057. – DOI 10.1109/ACCESS.2021.3086020.
  13. Pan Z., Xu J., Guo Y., Hu Y., Wang G. Deep learning segmentation and classification for urban village using a worldview satellite image based on U-Net // Remote Sensing. – 2020.– Vol. 12 (10). – P. 1574. – DOI 10.3390/rs12101574.
  14. Fan X., Yan C., Fan J., Wang N. Improved U-net remote sensing classification algorithm fusing attention and multiscale features // Remote Sensing. – 2022. – Vol. 14(15). – P. 3591. – DOI 10.3390/rs1415359.
  15. Xu Y., Zhang H., Li Y. A Comparative Analysis of Water Indices for Delineating Water Bodies from Landsat TM Imagery // Remote Sensing. – 2017. – Vol. 9(2). – P. 141. – DOI 10.3390/rs902014.
  16. Байкин Д. А. Анализ влияния разлива нефтепродуктов на состояние природных объектов по данным дистанционного зондирования Sentinel-2 в условиях Восточной Сибири // Интерэкспо ГЕО-Сибирь. XVII Междунар. науч. конгр., 19–21 мая 2021 г., Новосибирск : сб. материалов в 8 т. Т. 6 : Магистерская научная сессия «Первые шаги в науке». – Новосибирск : СГУГиТ, 2021. – С. 24–31. – DOI 10.33764/2618-981X-2021-6-24-31.
  17. Zhang S., Xu Q., Wang H., Kang Y., Li X. Automatic waterline extraction and topographic mapping of tidal flats from SAR images based on deep learning // Geophysical Research Letters. – 2022. – Vol. 49(2). – DOI 10.1029/2021GL096007
  18. Yadav R., Nascetti A., Ban Y. Deep attentive fusion network for flood detection on uni-temporal Sentinel-1 data // Frontiers in Remote Sensing. – 2022. – Vol. 3. – DOI 10.3389/frsen.2022.1060144.
  19. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Medical image computing and computer-assisted intervention–MICCAI 2015. – 2015. – P. 234–241.
  20. Andrew O., Apan A., Paudyal DR. Convolutional Neural Network-Based Deep Learning Approach for Automatic Flood Mapping Using NovaSAR-1 and Sentinel-1 Data // ISPRS International Journal of Geo-Information. – 2023. – Vol 12 (5). – DOI 10.3390/ijgi12050194.
  21. Murray, N. J., Phinn, S. R., Clemens, R. S, Roelfsema, C. M., Fuller, R. A. Continental scale mapping of tidal flats across East Asia using the Landsat archive. Remote Sensing. – 2012. – Vol. 4 (11). – P. 3417–3426. – DOI 10.3390/rs4113417.
  22. Kim K., Jung H. C., Choi J. K., Ryu J. H. Statistical analysis for tidal flat classification and topography using multitemporal SAR backscattering coefficients. Remote Sensing. – 2021. – Vol. 13 (24). – P. 5169. – DOI 10.3390/rs13245169.
  23. 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. – DOI 10.33764/2411-1759-2022-27-3-74-94.

Образец цитирования:

Куен Д. Т., Малинников В. А., Сереке Т. Э., Нго С. Х. Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1 // Вестник СГУГиТ. – 2024. – Т. 29, № 6. – С. 70–82. – DOI 10.33764/2411-1759-2024-29-6-70-82