ВИВЧЕННЯ ЕКЗОГЕННИХ ПРОЦЕСІВ ЗАХІДНОГО УЗБЕРЕЖЖЯ КРИМСЬКОГО ПІВОСТРОВА ІЗ ЗАСТОСУВАННЯМ МЕТОДІВ ГЛИБИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.17721/1728-2713.104.15Ключові слова:
берегова лінія, згорткова нейронна мережа, модель U-Net, Кримський півострівАнотація
Вступ. Моніторинг зміни контурів берегових ліній є актуальним завданням у галузі екологічних, геологічних та інформаційних досліджень. Однак такі завдання є комплексними і вимагають використання сучасних методів обробки та аналізу даних, у тому числі даних дистанційних зондувань Землі. Одним із сучасних підходів для вирішення такого класу завдань є використання методів машинного навчання, чому й присвячені дослідження у цій статті. Об'єктом дослідження авторів є берегова лінія вздовж узбережжя західної частини Кримського півострова, дослідження якої традиційними методами стали неможливими через тимчасову окупацію Кримського півострова з 2014 року. В останнє десятиліття берегова лінія Криму могла зазнати значних змін у результаті антропогенної діяльності (у тому числі пов'язаної з військовими діями) та зсувно-абразивних процесів. У цьому дослідженні автори ок5реслюють дослідження змін берегової лінії західної частини Кримського півострова за останнє десятиліття.
Методи. Автори використовували моделі CNN (U-Net model) для ефективного розпізнавання берегової лінії та її меж на супутникових знімках без необхідності ручної векторизації.
Результати. Дослідження включало розробку коду Python для автоматичного створення звітів, що включають інформацію про точність мережі (0.95) та функції втрат (0.19), що полегшило оцінку різних підходів та методів. Додатково в ході дослідження було створено сценарії використання навченої мережі в задачі семантичної сегментації та переведення результату моделі сегментації у векторизований результат контурів берегової лінії Кримського півострова, який був представлений у вигляді ймовірнісного растру.
Висновки. Використання такого підходу корисне для моніторингу змін берегової лінії річок, морів та озер на всій території України.
Посилання
Arbelaez, P., Fowlkes, C., & Martin, M. (2007). The Berkeley Segmentation Dataset and Benchmark. https://www2.eecs.berkeley.edu /Research/Projects/CS/vision/bsds/
Bairak, H. R., & Mukha, B. P. (2010). Dystantsiini doslidzhennia Zemli. Navch. posibnyk. Vydavn. tsentr LNU im. I. Franka [In Ukrainian].
Bayram, B., Erdem, F., Akpinar, B., Ince, A.K., Bozkurt, S., Reis, H. C., & Seker, D. Z. (2017). The Efficiency of Random Forest Method for Shoreline Extraction from LANDSAT-8 and GOKTURK-2 Imageries. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 4(1), 141–145.
Boiko, K. Ye., & Koshliakov, O. Ye. (2015). Quantitative Regional Landslide Hazard Prediction Using GIS within Southern Coast of Crimea. Geoіnformatika, 3(55), 76–82 [in Ukrainian].
Cherkez, Ye., Medinets, V., Pavlik, T., Shatalin, S., Konareva, O., & Medinets, S. (2021). Otsinka dynamiky berehovoi linii (proekt PONTOS). Odeskyi natsionalnyi universytet imeni I.I. Mechnykova, Odesa, 06.06.2021. [in Ukrainian]. https://pontos-eu.aua.am/wp-content/uploads/2021/07/4.-Coastline_ changes_2021-07-06.pdf
Demir, N., Oy, S., Erdem, F., Şeker, D. Z., & Bayram, B. (2017). Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 4(1), 445–449.
Elgohary, T., Mubasher, A., & Salah, H. (2017). Significant deep wave height prediction by using support vector machine approach (Alexandria as case of study). International Journal of Current Engineering and Technology, 7(1), 135–143.
Elnabwy, M. T., Elbeltagi, E., El Banna, M. M., Elshikh, M. M., Motawa, I., & Kaloop, M. R. (2020). An Approach Based on Landsat Images for Shoreline Monitoring to Support Integrated Coastal Management-A Case Study, Ezbet Elborg, Nile Delta, Egypt. International Journal of Geo-Information. 9(4), 199–218.
Ge, X., Sun, X., & Liu, Z. (2014). Object-oriented coastline classification and extraction from remote sensing imagery. Remote Sensing of the Environment: 18th National Symposium on Remote Sensing of China. International Society for Optics and Photonics. May, 2014. https://doi.org/10.1117/12.2063845.
Goldstein, E. B., Coco, G., & Plant, N. G. (2019). A review of machine learning applications to coastal sediment transport and morphodynamics. Earth-Science Reviews, 194(1), 97–108.
Hasan, H., Shafri, H.Z.M., & Habshi, M. (2019). A Comparison Between Support Vector Machine (SVM) and Convolutional Neural Network (CNN) Models for Hyperspectral Image Classification. IOP Conference Series: Earth and Environmental Science. https://doi.org/10.1088/1755-1315/357/1/012035.
Horiachkyn, Y. N., & Ivanov V. A. (2010). Modern conditions of the Black Sea coast of the Crimea. Reports of the National Academy of Sciences of Ukraine, 10, 87–92 [in Ukrainian].
Kattenborn, T., Schiefer, F., Frey, J., Feilhauer, H., Mahecha, M., & Dormann, C. (2022). Spatially autocorrelated training and validation samples inflate performance assessment of convolutional neural networks. ISPRS Open Journal of Photogrammetry and Remote Sensing, 5, Article 100018. https://doi.org/10.1016/j.ophoto.2022.100018
Kokkinos, I. (2016). Pushing the boundaries of boundary detection using deep learning. 4th International Conference on Learning Representations (ICLR 2016), 4.
Kotolupova, I. P. (2014). Coastal management of the Black Sea (on the example of the Crimea). Optimization and Protection of Ecosystems, 11, 7681. http://nbuv.gov.ua/UJRN/ecooo_2014_11_10
Krasovskyi, H., & Petrosov, V. (2003). Informatsiini tekhnolohii kosmichnoho monitorynhu vodnykh ekosystem ta vodospozhyvannia mist. Nauk. dumka [in Ukrainian].
Lialko, V. I., Fedorovskyi, O. D., Popov, M. O. (2006). Bahatospektralni metody dystantsiinoho zonduvannia Zemli v zadachakh pryrodokorystuvannia. Nauk. dumka [in Ukrainian].
Liu, H., & Jezek, K. C. (2004). Automated extraction of coastline from satellite imagery by integrating Canny edge detection and locally adaptive thresholding methods. International Journal of Remote Sensing, 25(5), 937–958.
Liu, H., Luo, J., Sun, Y., Xia, L., Wu, W., Yang, H., Hu, X., & Gao, L. (2019). Contouroriented Cropland Extraction from High Resolution Remote Sensing Imagery Using Richer Convolution Features Network. 8th International Conference on AgroGeoinformatics (Agro-Geoinformatics). https://doi.org/10.1109/MGRS.2016.2641240
Martyniuk, V., & Tomchenko, O. (2021). The use of remote sensing of the Earth to assess the natural and anthropogenic transformations of lakes in the Polissya region. Ukrainian journal of remote sensing, 8(2), 27–35 [in Ukrainian]. https://doi.org/10.36023/ujrs.2021.8.2.194
Maulik, U., & Chakraborty, D. (2017). Remote Sensing Image Classification: A survey of support-vector-machine-based advanced techniques. IEEE Geoscience and Remote Sensing Magazine, 5(1), 33–52. https://doi.org/10.1109/MGRS.2016.2641240
Okhrimchuk, R., Demidov, V., & Brudko, K. (2022). Semantic segmentation of Western Crimean coastline for highresolution satellite images using deep learning based on U-Net architecture. 16th International Conference Monitoring of Geological Processes and Ecological Condition of the Environment, Nov 2022. (p. 1–5). https://doi.org/10.3997/22144609.2022580213
Okhrimchuk, R., Tishaiev, I., & Zatserkovnyi, V. (2020). Anticlines Prediction Using Deep Learning. 26th European Meeting of Environmental and Engineering Geophysics. https://doi.org/10.3997/2214-4609.202020136
Rogers, M. (2020). Machine Learning and remote sensing applications to shoreline dynamics (Doctoral thesis). https://doi.org/10.17863/CAM.84999
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation, Proceedings of the International Conference on Medical Image Computing and ComputerAssisted Intervention (MICCAI). Munich, Germany: Springer, 234–241.
Starodubtsev, V.M. (2019). Coastline change in the Sakarya river mouth (Turkey). Scientific reports of NUBiP of Ukraine, 4(80). http://dx.doi.org /10.31548/dopovidi2019.04.001
Tomchenko, O., Mazurkiewicz, L., & Malets, A. (2017). Study of Dnieper's islands' shoreline change dynamics within Kiev region (at the example of Velykiy Pivnichniy island). Visnyk of Taras Shevchenko National University of Kyiv. Geography, 1/2(66/67), 84–88 [іn Ukrainian]. http://doi.org/10.17721 /1728-2721.2017.66.12
Xie, S., & Tu, Z. (2015). Holistically-nested edge detection. IEEE International Conference on Computer Vision, 07–13 December 2015. https://doi.org/10.1109/ICCV.2015.164
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial 4.0 International License.
Ознайомтеся з політикою за посиланням: