Центр сопряженного мониторинга окружающей среды и природных ресурсов
«Мониторинг. Наука и технологии» Рецензируемый и реферируемый научно-технический журнал
Меню раздела «МНТ»
ГЛАВНАЯ
цели и задачи
Перечень ВАК
ВЫПУСКИ
2021
выпуск №1
выпуск №2
статья #01
статья #02
статья #03
статья #04
статья #05
статья #06
статья #07
статья #08
статья #09
статья #10
статья #11
статья #12
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
все выпуски
АВТОРАМ
этика
порядок рецензирования
правила для авторов
ПОДПИСКА
О ЖУРНАЛЕ
главный редактор
редакционный совет
редакционная коллегия
документы
свидетельство
issn
ENG
Меню разделов
ГЛАВНАЯ
Раздел: «ЦЕНТР»
Раздел: «МНТ»
Раздел: «СБОРНИК»
Раздел: «MST»

Нгуен Т.Д., Малинников В.А.
Разработка методики определения положения береговой линии поверхностных водных объектов по материалам аэрокосмических съемок с использованием технологии глубокого обучения
Shoreline detection using remote sensing data with deep learning technology
УДК:
528.7; 528.8
Аннотация:
Статья посвящена проблеме определения положения береговой линии поверхностных водных объектов по материалам аэрокосмических съемок. Данное исследование направлено на применение технологии глубокого обучения для решения задачи определения положения береговой линии, так как в последние годы технология глубокого обучения развивается очень быстро и имеет большой потенциал для применения в дистанционном зондировании. Показано преимущество метода глубоко погружения по сравнению с традиционными методами при определении положения береговой линии по космическим изображениям. Предложено несколько способов повышения точности метода глубокого обучения для определения положения береговой линии поверхностных водных объектов по материалам аэрокосмических съемок.
Ключевые
слова:
дистанционное зондирование, береговая линия, аэрокосмическая съемка, глубокое обучение, нейронная сеть, метод опорных векторов, индекс NDVI, индекс NDWI
Abstracts:
This paper presented a method of coastlines identifying using remote sensing images and deep learning technology. This study focuses on the application of deep learning technology for determining the position of the shoreline, since in recent years deep learning technology has been developing very rapidly and has great potential for application in remote sensing.Experiments were conducted for two areas of Vietnam using Landsat 8 satellite imagery. Comparing deep learning with traditional methods such as support vector machine (SVM) and NDWI index shows that deep learning is an effective method for semantic segmentation of remote sensing data. Authors also propose some works to be done to improve the accuracy of deep learning model when determining water surface.
Keywords:
remote sensing, coastline, shoreline, deep learning, neural network, NDVI, NDWI, SVM

Текст статьи Текст статьи
7,8 МБ
Скачать

вернуться к списку статей

Авторы статьи:
НГУЕН
Тхань Доан
ngthanhdoan@outlook.com
аспирант, Московский государственный университет геодезии и картографии
МАЛИННИКОВ
Василий Александрович
доктор технических наук, профессор, заведующий кафедрой космического мониторинга и экологии, Московский государственный университет геодезии и картографии
Список литературы:
1.
Hanqiu Xu. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing. 2006. Vol. 27. No. 14.
2.
Курганович К.А. Сравнение алгоритмов дешифрирования водных поверхностей по индексам NDWI и MNDWI на примере степных озер Восточного Забайкалья // В сборнике: Водные ресурсы и водопользование. Сборник трудов. Чита. 2015. С. 15-23.
3.
Донцов А.А., Пестунов И.А., Рылов С.А., Суторихин И.А. Автоматизированный мониторинг площадей акваторий озер и водохранилищ по спутниковым данным // Интерэкспо Гео-Сибирь. 2017. Т. 4. №2. С. 38-45.
4.
Lei Ma, Yu Liu, Xueliang Zhang, Yuanxin Ye, Gaofei Yin, Brian Alan Johnson. Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing. 2019. Vol. 152.
5.
Pickens A.H., Hansen M.C., Hancher M., Stehman S.V., Tyukavina A., Potapov P., Marroquin B., Sherani Z. Mapping and sampling to characterize global inland water dynamics from 1999 to 2018 with full Landsat time-series. Remote Sensing of Environment. Volume 243. 2020. 111792.
6.
Olaf Ronneberger, Philipp Fischer, Thomas Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science. 2015. Vol. 9351.
7.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016.
8.
Ram Krishna Pandey, AswinVasan, A.G.Ramakrishnan. Segmentation of Liver Lesions with Reduced Complexity Deep Models. Conference: International Conference on Signal Processing and Communications (SPCOM 2018). 2018.
9.
Маркеев В.Ю., Арзамасцев А.А. Коррекция коэффициентов наклона функций активации нейронов методом обратного распространения ошибки // В сборнике: Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2013). Cборник трудов VI международной конференции. 2013. С. 151-153.
10.
R.Sorgenfrei, S.Groenewold. Historical coastline change analysis between 1903/04 and 2017. Coastal protection tool for the Mekong delta. 2017.
 
МНТ Выпуски 2021 Выпуск №2 Статья #03
© ООО «ЦСМОСиПР», 2021
Все права защищены
Яндекс.Метрика
  +7(926) 067-59-67
  +7(963) 406-99-55