vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2024-29-6-70-82 Дистанционное зондирование земли, фотограмметрия Картографирование приливно-отливных отмелей вдоль побережья Вьетнама с использованием методов глубокого обучения на основе изображения Sentinel-1 Д. Т. Куен Куен Д. Т. В. А. Малинников Малинников В. А. Т. Э. Сереке Сереке Т. Э. С. Х. Нго Нго С. Х. Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация Государственный университет по землеустройству, г. Москва, Российская Федерация 2024 29 6 70 82 © Д. Т. Куен, В. А. Малинников, Т. Э. Сереке, С. Х. Нго, 2024 2024 Д. Т. Куен, В. А. Малинников, Т. Э. Сереке, С. Х. Нго Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. 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. 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 tidal flats remote sensing deep learning U-Net network Sentinel-1 Vietnam wetlands tidal flats morphology geoinformation mapping wetland maps 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.