Абстрактный
Спутники используются для анализа погоды. Спутниковые изображения можно использовать для предсказания типа местности в районе. В этом проекте используются изображения разных классов для определения типа местности или классификации области как облачной.
Вступление
В последние годы мы стали свидетелями значительного прогресса в интерпретации изображений с помощью дистанционного зондирования (ДЗ) и ее широких приложениях. Поскольку изображения RS становятся более доступными, чем когда-либо прежде, растет спрос на автоматическую интерпретацию этих изображений.
В последнее время изображения дистанционного зондирования широко используются для классификации городских территорий и обнаружения изменений. Классификация используется для различных приложений, таких как мониторинг сельскохозяйственных культур (состояние урожая, тип урожая и оценка урожайности), характеристики картографирования почвы (тип почвы, эрозия почвы и влажность почвы), различия в картировании лесного покрова (плотность листьев, текстура растительного покрова), почвенный покров обнаружение изменений (сезонные и годовые изменения), оценка стихийных бедствий (наводнения, циклоны и сильные дожди), применение водных ресурсов, картографирование водно-болотных угодий и инвентаризация окружающей среды, городское и региональное планирование и аналогичные другие объекты, представляющие интерес, можно наблюдать с использованием данных дистанционного зондирования .
Ручная классификация с использованием методов интерпретации изображений требует больше времени и специалистов на местах. Поэтому в своей работе мы сосредоточились на эффективной автоматической классификации спутниковых изображений. Сверточные нейронные сети используются для классификации спутниковых изображений. CNN - это глубокая нейронная сеть, которая больше всего подходит для работы с изображениями. CNN поможет обеспечить более высокую точность классификации. Матрица неточностей используется для оценки общей точности классификации. Глубокое обучение - это класс моделей машинного обучения, которые представляют данные на разных уровнях абстракции с помощью нескольких уровней обработки. Он добился поразительных успехов в обнаружении и классификации объектов, объединив большие модели нейронных сетей, называемые CNN, с мощным графическим процессором.
В этом проекте предлагается алгоритм интерпретации изображений с использованием набора данных.
Предлагаемая методология
Используемый набор данных
Набор данных, используемый в этой статье, взят из Kaggle. Ссылка на набор данных приведена в конце этой статьи. Набор данных - это набор изображений спутникового дистанционного зондирования -RSI-CB256. Он имеет 5631 изображение в 4 разных папках с названиями Cloudy, Desert, Green_area и Water. Все изображения в формате * .jpg. Набор данных разделен на тестовые поезда 80:20.
Предлагаемая модель
Модель, используемая в этом проекте, имеет 4 сверточных слоя. У каждого слоя есть слой MaxPooling. После сверточных слоев есть три плотных слоя, завершающих модель. Последний слой классифицирует изображение на 4 типа, как указано в наборе данных.
На рисунке ниже показано краткое изложение предложенной модели, в которой в качестве входного изображения используется изображение размером 80x80x3.
Увеличение данных
Поскольку в наборе данных всего около 5000 изображений, увеличение данных выполняется с помощью ImageDataGenerator со следующими параметрами:
rescale=1/.255, rotation_range=10, horizontal_flip=True, validation_split=0.2
Составление, обучение и оценка модели
Модель компилируется оптимизатором как Адам. Модель обучена за 30 эпох.
Потери, используемые в модели, представляют собой бинарную кроссентропию, также называемую лог-потерей.
Метрика, используемая для проверки модели, - «точность», уравнение ниже показывает формулу точности.
После обучения модели использовался набор для проверки, точность составила 94%. На рисунках ниже показаны точность в зависимости от эпох и логарифм потерь в зависимости от эпох.
Заключение
Таким образом, чтобы получить более продвинутые возможности дистанционного зондирования, местности можно классифицировать с помощью изображений. Теперь этот алгоритм можно использовать в устройствах дистанционного зондирования. Модель в этой статье дает точность 94% /. В будущем эту точность можно улучшить, используя более совершенные модели и большее количество изображений. Кроме того, тип погоды также можно классифицировать с использованием более сложных моделей CNN.
Справочные ссылки
Репозиторий Github -
Набор данных Kaggle
