Использование методов машинного обучения для уточнения площадей, пройденных огнем, по данным высокого разрешения

Авторы
Енина Екатерина Алексеевна (1)
Балашов Иван Васильевич (2)
Организации
(1) МГУ им. М.В.Ломоносова
(2) Институт космических исследований РАН
Сессия
Дистанционное зондирование Земли
Форма представления
Устный
Место работы научного руководителя
ИКИ РАН
Научный руководитель
Лупян Евгений Аркадьевич
Текст тезисов
Ежегодно на территории РФ сгорают миллионы гектар леса. Традиционно для задач мониторинга пожаров и получения оперативных оценок площадей на глобальных территориях используются спутниковые данные о термических аномалиях среднего пространственного разрешения.
Использование данных высокого пространственного разрешения позволяет получать более точные оценки площадей, пройденных огнем, чем полученные по данным о горении среднего разрешения. До настоящего времени такие оценки в сервисах, создаваемых в ИКИ РАН, проводились выборочно, в автоматизированном режиме оператором, с использованием инструмента управляемой классификации изображений и требовали значительного времени. Получение таких оценок для всех пожаров на территории РФ является длительным и ресурсоемким процессом. Применение методов машинного обучения позволило бы увеличить производительность получения первичных оценок площадей, и, в перспективе, сделать этот процесс полностью автоматическим для всех зон горения, детектированных по среднему разрешению.
В работе описывается опыт применения алгоритма автоматического уточнения контуров пожаров при помощи сверточной нейронной сети архитектуры U-Net. Нейронная сеть была реализована с помощью библиотеки TensorFlow 2.0 на языке Python. Для обучения и тестирования нейронной сети был подготовлен набор данных, состоящий из 6750 спутниковых снимков лесного пожара. Для каждого изображения была создана маска, в которой для каждого пикселя было определено, относится он к гари или нет. Для обучения на вход нейросети подавалась половина из полученных изображений. Тестирование проводилось на оставшихся снимках. Применение данного метода с настройками по умолчанию показало хороший уровень точности оценок и перспективность подхода.
В настоящем докладе представлены результаты, полученные в результате работы предложенной нейронной сети. Сформулированы проблемы, возникающие при создании обучающего и тестового набора данных и предлагаются пути их решения. Также предлагаются различные подходы к оценке точности и верификации полученных результатов. В заключении, формулируются дальнейшие этапы работ по применению методов машинного обучения для получения оценок площадей пройденных огнем, по данными высокого разрешения.