Возможности многоспекральной камеры КА Канопус-В при классификации топографических элементов местности методом глубокого машинного обучения

Данные с многоспектральных (МС) камер дистанционного зондирования Земли широко используются для классификации ландшафтов [1,2]. Для этих же целей служит и камера, установленная на КА «Канопус-В». Ее возможности определяются пространственным разрешением на местности и четырьмя спектральными каналами в видимом и ближнем инфракрасном диапазонах спектра. Не смотря на то, что эти каналы являются своего рода стандартом в области дистанционного зондирования Земли, они не всегда позволяют провести точную идентификацию ландшафтов при их углублённой классификации. Используемые при этом традиционные методы машинного обучения (Decision Tree, SVM, Random Forest) не всегда эффективны при классификации пикселей, так как не улавливают сложные пространственно-спектральные закономерности природных объектов. Сверточные нейронные сети CNN популярны благодаря высокой производительности, развитию GPU и наличию готовых архитектур. Однако прямое применение CNN к МС данным затруднено, поскольку спектральный вектор пикселя (например, 5–7 значений яркости в разных диапазонах) не является изображением в обычном смысле. Одним из вариантов является отображение каждого вектора спектральных признаков пикселя в виде отдельного изображения, но для четырех каналов этот подход непригоден. По сути, CNN учится различать классы (например, воду, растительность, лёд, ледники) только по форме спектральной кривой. Такой подход является справедливым для МС данных, содержащих около 10 каналов или гиперспектральных данных, количество каналов в которых может превышать сотню. Для четырех каналов этот метод позволит различать только укрупненные классы в виде воды, растительности и открытых грунтов. К тому же, если используются данные с высоким линейным разрешением на местности, не оправданно игнорируются заложенные в них пространственные признаки объектов, например, текстура лесного полога.
По этим причинам в качестве базовой модели сверточной нейронной сети для сегментации изображений была взята модель UNeXt, адаптированная к четырем и более каналам МС аппаратуры. Эта модель позволяет лучше улавливать и спектральные, и пространственные взаимосвязи на изображении [3]. В работе приведены результаты сегментации ландшафтов на территории заказника «Юнтоловский» в г. Санкт-Петербурге по многоспектральным данным КА Канопус-В, полученным в 2014 г. и в 2024 г. Обучающая и валидационная выборка были построены по данным наземных исследований в 2024 г. и визуального анализа снимков за рассматриваемые года. Результаты показали, что точность классификации ландшафтов по данным за 2024 г. ниже, чем за 2014 г. в 1,3 раза. Основной причиной низких показателей точности является то, что МС данные были получены в первой половине лета, когда для большинства растительных сообществ характерен наибольший пик вегетации, при котором спектральные различия между ними нивелируются. Получить более высокие значения разделимости удалось по МС данным КА Канопус-В в другой вегетационный период - субсезон весенней вегетации в 2014 г. При этом точность сегментации ландшафтов по данным за 2014 г. с использованием модели UNeXt оказалась выше по сравнению с точностью классификации традиционными методами, используемыми в [4] для этой же территории.
Учитывая такие факторы, как ограниченный объем обучающей выборки и сложности в спектральной разделимости некоторых классов, модель UNeXt продемонстрировала возможность эффективного извлечения информативных нелинейных признаков и способность к разделимости целевых классов, что подтверждает ее высокую обобщающую способность при анализе пространственных структур мультиспектральных данных. В ходе исследования было проведено сравнительное тестирование двух конфигураций сети с различным пространственным разрешением входных патчей: 64×64 пикселя и 32×32 пикселя. Эксперимент с переходом на патчи размера 32×32 в количестве 811 изображения без применения аугментаций показал лучшие значения метрик за счет ограничений слоев пулинга и сохранения пространственной топологии. Для успешного использования МС данных Канопус-В и извлечения из них наибольшей информативности, необходимо обоснованно подходить к выбору вегетационного периода. Например, должен быть обеспечен баланс между фенологическим периодом и количеством классов, на которые разбивается изображение. В случае отсутствия выбора информативного периода, не стоит осуществлять углубленную классификацию ландшафтов (по типу породного состава леса и т.п.), а ограничиться более крупными классами. Для этого могут быть применены традиционные меры спектральной разделимости классов, как показано в статье [5]. В рассматриваем примере такая мера расстояния, как Джеффриса — Матуситы была выше и варьировалась для всех объектов от 1,40 до 1,90 по данным за 2024 г. по сравнению с 2014 г., где расстояние было всего лишь 0,44. Например, точность сегментации этих же классов весной 2014 г. была выше и достигала IoU=0,73.
В перспективе обучение сверточных нейронных сетей должно осуществлять по разновременным данным МС съемки с учетом сезонной изменчивости элементов ландшафта, как реализовано в работах [6-7].