Статті

Інтелектуальна технологія моніторингу земного покриву внаслідок видобутку бурштину на оптичних супутникових знімках

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №3 2025

Останнє оновлення: 25 червня 2025

Опубліковано: 30 листопада -0001

Перегляди: 2581

Authors:

В. Ю. Каштан, orcid.org/0000-0002-0395-5895, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. В. Гнатушенко*, orcid.org/0000-0003-3140-3788, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (3): 156 - 164

https://doi.org/10.33271/nvngu/2025-3/156

Abstract:

Мета. Розробка інтелектуальної технології визначення змін земного покриву внаслідок видобутку бурштину на основі оптичних супутникових знімків Sentinel-2.

Методика. Представлена інтелектуальна технологія поєднує методи геометричної та радіометричної корекції, алгоритм Dark Object Subtraction, гібридну архітектуру згорткових нейронних мереж (CNN + EfficientNet-Edge), а також алгоритм виявлення змін у часі на основі симетричної різниці змінених пікселів, що забезпечує високу точність і ефективність у процесі аналізу змін земного покриву.

Результати. Ефективність запропонованої технології була оцінена за допомогою метрик F1-міри, відгук (Recall), точності (Precision) і загальної точності (Accuracy). Значення метрик повноти та F1-міри (92 %) підтверджують здатність системи до точного виявлення меж зон порушень земного покриву. Крім того, точність (94 %), відгук (90 %) і загальна точність (93 %) підтверджують здатність моделі ефективно класифікувати як ділянки, що зазнали впливу видобутку, так і ділянки без ознак антропогенного втручання, з мінімальною кількістю помилок. Низьке значення похибки сегментації змін земного покриву (4,7 %) свідчить про високу якість просторової інтерпретації результатів.

Наукова новизна. У роботі запропоноване використаня згорткових нейронних мереж з архітектурою EfficientNet-Edge для визначення змін земного покриву внаслідок видобування бурштину. Цей підхід дозволяє подолати обмеження традиційних нейронних мереж прямого поширення, пов’язаних із проблемами некоректної ініціалізації й неоптимальним розподілом вагових коефіцієнтів. Зокрема, запропоноване комплексне застосування двох рівнів обробки ознак: на першому обробляються прості текстурні ознаки, що отримуються за допомогою середнього пулінгу в архітектурі CNN, на другому – спектральні ознаки, що формуються з 4D тензора на останньому згортковому шарі EfficientNet-Edge. Це дозволяє подолати нестабільність процесу навчання й підвищити здатність моделі точно виявляти зміни земного покриву, спричинені гідромеханічним видобутком бурштину. Розроблена анотація ділянок унаслідок видобутку бурштину і ділянок без ознак антропогенного втручання.

Практична значимість. Розроблена технологія має практичну цінність для визначення змін земного покриву, спричинених гідромеханічним видобутком бурштину. Отримані результати дають можливість ефективно оцінювати масштаби змін і сприяють прийняттю обґрунтованих управлінських рішень у сфері охорони довкілля.

Ключові слова: карта змін земного покриву, спектральні ознаки, текстурні ознаки, EfficientNet-Edge, глибоке навчання, згорткові нейронні мережі, оптичні супутникові знімки

References.

1. Clare, M., Piggott, M., & Cotter, C. (2021). Assessing erosion and flood risk in the coastal zone through the application of the multilevel Monte Carlo method. https://doi.org/10.31223/X5S30K

2. Liu, Z., Xu, J., Liu, M., Yin, Z., Liu, X., Yin, L., & Zheng, W. (2023). Remote sensing and geostatistics in urban water-resource monitoring: A review. Marine and Freshwater Research, 74, 747-765. https://doi.org/10.1071/MF22167

3. Kashtan, V., & Hnatushenko, V. (2023). Deep Learning Technology for Automatic Burned Area Extraction Using Satellite High Spatial Resolution Images. Lecture Notes in Computational Intelligence and Decision Making. Advances in Intelligent Systems and Computing, 1246, 664-685. Springer, Cham. https://doi.org/10.1007/978-3-031-16203-9_37

4. Kato, A., Thau, D., Hudak, A. T., Meigs, G. W., & Moskal, L. M. (2020). Quantifying fire trends in boreal forests with Landsat time series and self-organized criticality. Remote Sensing of Environment, 237, 111525. https://doi.org/10.1016/j.rse.2019.111525

5. Kumar Chandan (2024). Monitoring Deforestation Using Satellite Imagery and Machine Learning. https://doi.org/10.13140/RG.2.2.16598.05444

6. Kashtan, V., Hnatushenko, V., & Zhir, S. (2021). Information Technology Analysis of Satellite Data for Land Irrigation Monitoring. 2021 IEEE International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo), Kyiv, Ukraine, (pp. 12-15). https://doi.org/10.1109/UkrMiCo52950.2021.9716592

7. Hnatushenko, V., Kogut, P., & Uvarov, M. (2020). On Flexible Co-Registration of Optical and SAR Satellite Images. Lecture Notes in Computational Intelligence and Decision Making. ISDMCI 2020. Advances in Intelligent Systems and Computing, 1246, (рp. 515-534). Springer, Cham. https://doi.org/10.1007/978-3-030-54215-3_33

8. Kamarudin, M., Gidado, K., Toriman, M., Juahir, H., Umar, R., Abd Wahab, N., …, & Maulud, K. (2018). Classification of Land Use/land Cover Changes Using GIS and Remote Sensing Technique in Lake Kenyir Basin, Terengganu, Malaysia. International Journal of Engineering & Technology 7, 12-15. https://doi.org/10.14419/ijet.v7i3.14.16854

9. Pomente, A., Picchiani, M., & Del Frate, F. (2018). Sentinel-2 Change Detection Based on Deep Features. 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, July 22–27, (pp. 6859-6862). https://doi.org/10.1109/IGARSS.2018.8519195

10.      Fan, J., Lin, K., & Han, M. (2019). A Novel Joint Change Detection Approach Based on Weight-Clustering Sparse Autoencoders. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(2), 685-699. https://doi.org/10.1109/JSTARS.4609443

11.      Kou, J., Zhan, T., Zhou, D., Xie, Y., Da, Z., & Gong, M. (2023). Visual Attention-Based Siamese CNN with Softmaxfocal Loss for Laser-Induced Damage Change Detection of Optical Elements. Neurocomputing, 517, 173-187. https://doi.org/10.1016/j.neucom.2022.10.074

12.      Marsocci, V., Coletta, V., Ravanelli, R., Scardapane, S., & Crespi, M. (2023). Inferring 3D Change Detection From Bitemporal Optical Images. ISPRS Journal of Photogrammetry and Remote Sensing, 196, 325-339. https://doi.org/10.1016/j.isprsjprs.2022.12.009

13.      Wei, W., Ye, Y., Chen, G., Zhao, Y., Yang, X., Zhang, L., & Zhang, Y. (2025). SAR remote sensing image segmentation based on feature enhancement. Neural Netw, 185, 107190.  https://doi.org/10.1016/j.neunet.2025.107190

14.      Garnot, V. S. F., & Landrieu, L. (2021). Panoptic segmentation of satellite image time series with convolutional temporal attention networks. Proceedings of the IEEE/CVFInternational Conference on Computer Vision (ICCV), 4872-4881. https://doi.org/10.48550/arXiv.2107.07933

15.      Shu, Y., Li, W., Yang, M., Cheng, P., & Han, S. (2021). Patch-Based Change Detection Method for Sar Images with Label Updating Strategy. Remote Sensing, 13(7), 1236. https://doi.org/10.3390/rs13071236

16.      Han, Y., Javed, A., Jung, S., & Liu, S. (2020). Object-Based Change Detection of Very High Resolution Images by Fusing Pixel-Based Change Detection Results Using Weighted Dempster–shafer Theory. Remote Sensing, 12(6), 983. https://doi.org/10.3390/rs12060983

17.      Jing, R., Liu, S., Gong, Z., Wang, Z., Guan, H., Gautam, A., & Zhao, W. (2020). Object-Based Change Detection for Very High-Resolution Remote Sensing Images Based on a Trisiamese-LSTM. International Journal of Remote Sensing, 41(16), 6209-6231. https://doi.org/10.1080/01431161.2020.1734253

18.      Chen, P., Li, C., Zhang, B., Chen, Z., Yang, X., Lu, K., & Zhuang, L. (2022). A Region-Based Feature Fusion Network for Vhr Image Change Detection. Remote Sensing, 14(21), 5577. https://doi.org/10.3390/rs14215577

19.      Myroniuk, V., Bilous, A., Khan, Y., Terentiev, A., Kravets, P., Kovalevskyi, S., & See, L. (2020). Tracking Rates of Forest Disturbance and Associated Carbon Loss in Areas of Illegal Amber Mining in Ukraine Using Landsat Time Series. Remote Sensing, 12, 2235. https://doi.org/10.3390/rs12142235

20.      Zayachkivska, B., & Paliy, A. (2024). Remote monitoring of lands, the soil cover of wich is disturbed due to arbitrary amber mining. Zemleustrii, kadastr ì monìtorìng zemel. https://doi.org/10.31548/zemleustriy2024.02.012

21.      Shevchuk, R. (2018). Technique for Satellite Monitoring of Illegal Amber Mining Territories Based on Integrated Landsat and Sentinel Data Processing. Journals of Georgian Geophysical Society, 21(1), 26-33.

22.      Hnatushenko, V., Mozgovyi, D., Vasyliev, V., & Kavats, O. (2017). Satellite Monitoring of Consequences of Illegal Extraction of Amber in Ukraine. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, 2(158), 99-105.

23.      Zhang, C., Feng, Y., Hu, L., Tapete, D., Pan, L., Liang, Z., Cigna, F., & Yue, P. (2022). A Domain Adaptation Neural Network for Change Detection with Heterogeneous Optical and SAR Remote Sensing Images. International Journal of Applied Earth Observation and Geoinformation, 109, 102769. https://doi.org/10.1016/j.jag.2022.102769

24.      Song, A., & Choi, J. (2020). Fully Convolutional Networks with Multiscale 3D Filters and Transfer Learning for Change Detection in High Spatial Resolution Satellite Images. Remote Sensing, 12, 799. https://doi.org/10.3390/rs12050799

25.      Cui, B., Zhang, Y., Yan, L., Wei, J., & Wu, H. (2019). An Unsupervised SAR Change Detection Method Based on Stochastic Subspace Ensemble Learning. Remote Sensing, 11, 1314. https://doi.org/
10.3390/rs11111314

26.      Wang, G., Li, B., Zhang, T., & Zhang, S. (2022). A Network Combining a Transformer and a Convolutional Neural Network for Remote Sensing Image Change Detection. Remote Sensing, 14(9), 2228. https://doi.org/10.3390/rs14092228

27.      Feng, Y., Jiang, J., Xu, H., & Zheng, J. (2023). Change Detection on Remote Sensing Images Using Dual-Branch Multilevel Intertemporal Network. IEEE Transactions on Geoscience and Remote Sensing, 61, 1-15. https://doi.org/10.1109/TGRS.2023.3241257

28.      Sun, Y., Lei, L., Li, Z., & Kuang, G. (2024). Similarity and Dissimilarity Relationships Based Graphs for Multimodal Change Detection. ISPRS Journal of Photogrammetry and Remote Sensing, 208, 70-88. https://doi.org/10.1016/j.isprsjprs.2024.01.002

29.      Deng, Z., Hu, S., Yin, S., Wang, Y., Basu, A., & Cheng, I. (2022). Multi-step implicit Adams predictor-corrector network for fire detection. IET Image Process, 16, 2338-2350. https://doi.org/10.1049/ipr2.12491

• < Попередня
• Наступна >