Данные спутниковой съемки оптического и ближнего инфракрасного диапазона широко используются для задач исследования и мониторинга водных объектов. Однако необходимость периодической обработки большого количества данных связана с значительными трудозатратами специалистов.
Для автоматизирования задач выделения водных объектов на спутниковых изображениях и сокращения ручной обработки был разработан алгоритм, предназначенный для периодического применения для новых данных и обеспечения актуальной информации о границах водных объектов в зонах интереса. В настоящее время спутники Sentinel-2 и Landsat-8 являются источниками открытых данных с пригодным для дешифрирования мелких объектов пространственным разрешением (10 и 30 метров соответственно). Совместное использование данных разных спутников позволяет увеличить временное разрешение получаемого в результате продукта, тем самым повышая оперативность получения информации и плотность временного ряда наблюдений.
В основе алгоритма лежит применение методов сегментации и классификации к набору рассчитываемых по данным исходной съемки изображений. К исходным данным применяется предпочтительный алгоритм атмосферной коррекции (для Landsat: DOS или SREM, для Sentinel: Sen2Cor). Также в качестве предикторов для классификации выступают многоспектральные индексы (NDVI, NDWI, WRI, AWEI).
После подготовки изображений производится сегментация по методу водораздела на основе базового изображения из выборки. В качестве базового изображения выступает снимок, на котором спектральное поведение воды больше всего отличается от спектрального поведения других объектов. По умолчанию предлагается использовать NDWI, так как для большинства территорий этот индекс является наиболее показательным для выделения водных объектов. Результатом сегментации является разделение исходного пространства на территории (векторные объекты), значительно отличающиеся по спектральным свойствам.
Далее предлагается рассматривать каждый векторный объект как самостоятельную единицу - образец для последующей кластеризации. Таким образом, необходимо охарактеризовать с помощью набора численных признаков, каждый объект, которому соответствует некоторый набор значений (пикселей). Для преобразования набора значений к одному числу предлагается использовать статистические метрики: минимальное, максимальное, среднее значения. В пределах каждого объекта метрики рассчитываются на основе всех имеющихся изображений - спектральных каналов, индексов - и присваиваются в качестве атрибутов объекту.
При формировании набора данных для кластеризации по методу к-средних для каждого объекта подается набор признаков в виде статистических метрик, характеризующих свойства объекта на каждом изображении. В результате кластеризации каждому объекту присваивается совокупная для всех пикселей, входящих в объект метка класса. Последующее отнесение каждого кластера к одному из двух классов (поверхность “воды” - “поверхность суши”), происходит следующим образом: на основе нескольких исходных изображений производится бинарная классификация по методу Оцу, предполагающая некоторую зашумленность классов и нечеткость границ, однако в целом передающая пространственное распределение классов; при попадании более чем 80% кластера в область бинарного класса, кластеру присваивается бинарная метка.
В качестве плюсов такого подхода к классификации можно выделить сокращение шума на результирующем изображении по сравнению с классификацией, где каждый пиксель изображения является отдельным объектом, а также сокращение выборки подаваемой для кластеризации, в связи с чем меньшие потребности к вычислительным ресурсам.
По результатам предварительного тестирования границы классов выделяются более четко, чем при попиксельной классификации изображения, полнота выделения и целостность классов выше. Однако первоначальная настройка инструмента для конкретной территории требует внимания при выборе базовых изображений и статистических метрик, чувствительных к особенностям поверхности.