Perustiedot Satelliittikuva luokittelu

Satelliittikuvan luokittelu on keskeinen tehtävä kaukokartoituksessa, jossa maapeiteet luokitellaan .Nämä menetelmät ovat työvaltaisia, vaativat asiantuntijatietoa opintoalueesta ja usein kamppailevat heterogeenisten maisema- tai sekapikseleiden kanssa. Siirtyminen koneoppimiseen on tuonut merkittäviä tuloksia sekä nopeudella että tarkkuudella, erityisesti kun satelliittidatan määrä kasvaa konstellaation avulla [.

Satelliittikuvat tallennetaan useisiin spektrikaistoihin.Näkyvät, lähellä infrapunaa, lyhytaaltoinfrapunaa ja lämpöä.Luetteloijat käyttävät näitä spektrisiä allekirjoituksia ja ottavat huomioon tilalliset olosuhteet, ilmakehän vaikutukset ja kausivaihtelut. Koneoppimisalgoritmit oppivat erottamattomia kuvioita suoraan tunnistetuista koulutusnäytteistä, mikä vähentää manuaalisen kynnysten tai sääntöjen rakentamisen tarvetta. Tämä kyky sopeutua paikallisiin tiedonjakeluihin on tehnyt koneoppimisesta hallitsevan paradigman nykyaikaisille luokittelutyövirroille.

Key Machine Learning Algoritmit Satelliittikuva luokittelu

Tukivektorikoneet

Support Vector Machines (SVMs) ovat valvottuja oppimismalleja, jotka löytävät optimaalisen hyperplane erottelevat luokat korkea-ulotteisessa ominaisuustilassa. Satelliittikuvan Ominaisuustila koostuu usein spektrikaistan arvoista, kasvillisuus indekseistä tai rakennemittareista. SVM-algoritmi tunnistaa tukivektorit. SVM-algoritmi tunnistaa päätöksen rajaa lähimpänä olevat koulutusnäytteet ja käyttää niitä maksimoimaan katteen luokkien välillä. Ytimen temppu (radio-pohjatoiminto, polynomi tai sigmoid) mahdollistaa SVM-mallien mallintamisen ilman, että se nimenomaisesti muuntaa syötetilaa. SVM-mallit toimivat hyvin pienillä tai keskikokoisilla koulutusaineistoilla ja ovat osoittaneet vahvat tulokset maa-peiteluokituksesta heterogeenisillä alueilla. SVM-suoritus riippuu kuitenkin normalisointiparametrin C ja ytimen gamma kaltaisista viritysmittareista.

Satunnainen metsä

Random Forest on monista päätöspuista rakennettu yhdistelmämenetelmä, joka on koulutettu datan bootstrup-osajoukkoon ja satunnaiseen osajoukkoon. Luokitusvaiheessa kukin puu äänestää luokan puolesta, ja suurin osa päätöksestä tehdään. Tämä varianssin vähentäminen vähentää varustelua verrattuna yhteen päätöspuuhun ja tarjoaa sisäänrakennettuja ominaisarvopisteitä, jotka auttavat tulkitsemaan eniten spektrin taajuuksia tai kasvillisuusindeksit vaikuttavat eniten erotteluun. Random Forest on kestävä melulle, puuttuva data ja korkeaulotteinen ominaisuusalue, mikä tekee siitä go-to-algoritmin operatiiviselle maakartoitukselle. Se voi edelleen käsitellä suuria tietokokonaisuuksia tehokkaasti ja rinnakkain. Random Forest on käytetty laajasti tuotteissa, kuten FAO:n Global Forest Resources Assessment].

Syvät hermoverkot (konvolutionaaliset hermoverkot)

ISPRS-vertailutietoaineistot mahdollistavat hienosäätöjen etätunnistustehtäviin, joissa on suhteellisen vähän merkittyjä satelliittikuvia. Arkkitehtuurit, kuten ResNet, U-Net ja EfficientNet, ovat kuitenkin yleisesti mukautettuja pikseli-viisas semanttiseen segmentointiin, jossa kukin pikseli on määritetty luokkaan. CNN-tiedostot ovat erinomainen yhdistelmä monimutkaisiin kuvioihin, kuten tieverkkoihin, rakennusjalanjälkeihin ja viljelysrajoihin.

K-neimmat naapurit

K-Nearest Naapurit (KNN) on ei-parametrinen, instanssipohjainen oppija, joka luokittelee pikselin enemmistöäänellä k:n lähimpien koulutusnäytteidensä joukkoon. Etäisyysmittareita, kuten Euclidean, Manhattan tai Mahalanobisia käytetään läheisyyden laskentaan. KNN on helppo toteuttaa, ei vaadi mitään nimenomaista koulutusvaihetta, ja toimii hyvin silloin, kun taustalla olevat luokkajakaumat ovat erillisiä ja koulutustiedot ovat paikallisesti edustavia. Se on edelleen hyödyllinen pienille datakokonaisuuksille tai perustason menetelmänä. Huolimatta sen yksinkertaisuudesta, KNN kärsii herkkyyden epäolennaisille ominaisuuksille, korkean-ulotteisten spektristen tilojen mittojen kirous ja laskennallisen tehottomuuden suurille koulutussarjoille edellyttää kaikkien esimerkkien kartoitus-force-skannausta.

Edut koneen oppimisen yli perinteisiä menetelmiä

  • Korkeampi tarkkuus monimutkaisissa maisemissa:[ Perinteisissä menetelmissä oletetaan Gaussin jakauman tai lineaarisen erottelukyvyn olevan, kun taas koneoppimisen algoritmeissa otetaan vastaan ei-lineaarisia, multimodaalisia suhteita, jotka ovat yhteisiä reaalimaailman satelliittikuvissa. Esimerkiksi Satunnainen metsä ja CNN tuottavat rutiininomaisesti yli 90%:n kokonaistarkkuuden vertailuaineistoissa, mikä ylittää suurimman todennäköisyyden luokittelijat 10.
  • Ominaisuuden suunnittelu:[[] Syväoppimismallit oppivat avaruudellisia ja spektrisiä ominaisuuksia päästä päähän, mikä vähentää käsin valmistettavien indeksejä tai tekstuurisuodattimia suunnittelevien manuaalisten pyrkimysten tarvetta. Tämä alentaa muiden kuin asiantuntijoiden mahdollisuuksia tuottaa laadukkaita karttoja.
  • Katavuus suuriin tietomääriin:[ Koneoppimisputkistot voivat käsitellä satelliittidataa samanaikaisesti hajautettujen laskentakehysten avulla.Tämä skaalautuvuus on olennaisen tärkeää maailmanlaajuisten maapeitetuotteiden tuottamisessa korkealla spatiotemporaalisella resoluutiolla.
  • Soveltuvuus ja jatkuva parantaminen:[ Mallit voidaan kouluttaa uudelleen, kun uusia kenttätutkimustietoja tulee saataville, mikä mahdollistaa luokituskarttojen jatkuvan päivittämisen. Aktiiviset oppimisstrategiat vähentävät myös tarkennusta valitsemalla kaikkein informatiivisimmat näytteet.

Haasteet ja rajoitukset

Tietovaatimukset ja merkintäkustannukset

Kaikki valvotut koneoppimismallit vaativat suuria määriä tarkasti merkittyjä koulutustietoja. Satelliittikuvissa maatotuustiedot tulevat tyypillisesti kenttätutkimuksista, resoluutiokuvauksista tai olemassa olevista maakartoista. Tällaisten merkkien hankkiminen erilaisille maantieteellisille alueille ja fenologisille vaiheille on kallista ja aikaa vievää. Heikkoa valvontaa ja itsevalvontaa kehitetään tämän pullonkaulan lieventämiseksi, mutta ne ovat edelleen aktiivisia tutkimusrajoja.

Laskuvaatimukset

Syvä neuroverkot, erityisesti, vaativat tehokkaita GPU-laitteita ja suurta muistia huippuresoluutioisten monispektrilaattojen harjoitteluun. Pilvipohjaiset palvelut, kuten Google Earth Engine ja Amazon SageMaker, tarjoavat skaalautuvan laskutavan, mutta kustannukset voivat olla huomattavia suurille hankkeille. Mallikompressio, karsinta ja kevyet arkkitehtuurit (esim. MobileNet) ovat kehittymässä vähentämään laskennan vaatimuksia reunalaitteiden tai satelliittialustojen käyttöönotolle.

Liiallinen varustelu ja yleistys

Koneoppimismallit voivat olla koulutusdatan yläpuolella, varsinkin kun tietoaineisto on pieni tai epätasapainoinen. Säännöllistämistekniikat (dropout, painon hajoaminen, varhainen pysähtyminen) ja cross-validointiapu, mutta eri alueilla koulutettujen mallien siirtäminen toiseen maapeiteominaisuuksiltaan erilaisiin, heikentää usein suorituskykyä. Verkkoaluesopeutusmenetelmät ja monilähdekoulutus ovat aktiivisia tutkimusalueita, joilla pyritään parantamaan yleistymistä eri alueilla ja eri aika-alueilla.

Mallin tulkkattavuus

Monimutkaiset mallit, kuten syvä hermoverkot toimivat ...mustana laatikona, ... joten on vaikea ymmärtää, miksi tietty pikseli luokiteltiin esimerkiksi metsäksi pensaan sijaan. Selitettävyyttä (esim. SHAP, LIME, Grad-CAM) on mukautettu kaukokartoitukseen, jotta voidaan tunnistaa mitkä spektrikaistat tai tilamallit ohjaavat luokittelupäätöksiä. Tämä on erityisen tärkeää sääntely- tai tieteellisille sovelluksille, joissa mallin päättelyn on oltava avointa.

Tulevat Suuntaukset ja kehittyvät suuntaukset

Syvän oppimisen ja satelliittikuvan luokittelun integrointi kehittyy edelleen nopeasti. Huomiomekanismit ja muuntajien arkkitehtuurit. Alun perin kehitettyjä luonnonkielen käsittelyä varten.Niitä mukautetaan satelliittikuvien pitkän kantaman riippuvuuden sieppaamiseksi, CNN:ien toiminnan ulkopuolelle tietyissä segmentointitehtävissä. Itsenäinen opettelu esikouluttaa malleja tunnisteemattomista kuvista, sitten hienosäätää niitä muutamilla merkeillä, vähentää merkittävästi äänenvaimennuksen tarpeita ja maatalouden tuottavuutta. Lisäksi tutkan (SAR) ja optisten tietojen yhdistäminen multimodaalisissa hermoverkoissa parantaa luokitusta pilvi-karsinta-alueilla. Satelliittien uudelleenkäynnistämisaikojen lisääntyessä ja maa- ja tietokantojen laajentuessa Google Earth Engine -mallien kaltaisten tietokoneiden käyttöjärjestelmien avulla integroidaan nyt koneoppimisjärjestelmät, jolloin analyytikot voivat rakentaa ja arvioida luokittelulaitteita suoraan planeetta-tason tietoarkistoilla.

Päätelmät

Koneoppimisalgoritmit ovat muuntaneet satelliittikuvan luokituksen manuaalisesta, tilastollisesta harjoituksesta automaattiseksi, korkean tarkkuuden prosessiksi, joka kykenee käsittelemään massiivisia datavirtoja. Tukivektorikoneet, Satunnainen metsä, syväherätysverkostot ja vielä yksinkertaisemmat menetelmät, kuten K-Nearest Naapurit, tarjoavat erityisiä vahvuuksia eri sovelluksiin, joissa syväoppiminen johtaa nyt rajalle. Huolimatta jatkuvista haasteista tietojen merkitsemisessä, laskentakustannuksissa ja tulkinnassa, aktiivisessa tutkimuksessa itsevalvotussa oppimisessa, mallikompressiossa ja verkkotunnusten mukauttamisessa, lupaavat tehdä näistä välineistä helpommin lähestyttäviä ja kestävämpiä. Koneoppimisen ja satelliittien kaukokartoituksen jatkuva integrointi tarjoaa kriittisiä oivalluksia ympäristöasioiden hallintaan, ilmaston sietokykyyn ja kestävään kehitykseen.