Основы классификации спутниковых изображений

Классификация спутниковых изображений является основной задачей в дистанционном зондировании, которая присваивает ярлыки наземного покрытия, такие как лес, город, вода и сельское хозяйство, каждому пикселю или объекту на спутниковом изображении. Точная классификация поддерживает мониторинг окружающей среды, анализ расширения городов, реагирование на стихийные бедствия и управление сельским хозяйством. Традиционные подходы классификации основаны на пиксельных статистических методах, таких как максимальная вероятность или ручная фотоинтерпретация. Эти методы требуют трудоемких, требуют экспертных знаний области исследования и часто борются с неоднородными ландшафтами или смешанными пикселями. Сдвиг в сторону машинного обучения обеспечил значительный рост как скорости, так и точности, особенно по мере роста объемов спутниковых данных с такими созвездиями, как Copernicus Sentinel и коммерческими поставщиками.

Спутниковые изображения записываются в нескольких спектральных диапазонах — видимых, ближне-инфракрасных, коротковолновых инфракрасных и тепловых — каждый из которых захватывает различные свойства поверхностных материалов. Классификаторы должны использовать эти спектральные сигнатуры при учете пространственного контекста, атмосферных эффектов и сезонных вариаций. Алгоритмы машинного обучения изучают дискриминационные шаблоны непосредственно из меченых учебных образцов, тем самым уменьшая необходимость ручного порогового или нормостроительного. Эта способность адаптироваться к локальным распределениям данных сделала машинное обучение доминирующей парадигмой для современных рабочих процессов классификации.

Ключевые алгоритмы машинного обучения для классификации спутниковых изображений

Поддержка векторных машин

Поддерживающие векторные машины (SVM) являются контролируемыми моделями обучения, которые находят оптимальные классы гиперплоскости в высокоразмерном пространстве признаков. Для спутниковых изображений пространство признаков часто состоит из значений спектральной полосы, индексов растительности или мер текстуры. Алгоритм SVM идентифицирует вспомогательные векторы — обучающие образцы, наиболее близкие к границе решения — и использует их для максимизации запаса между классами. Трюк ядра (радиальная базовая функция, полиномиальная или сигмоидная) позволяет SVM моделировать нелинейные границы без явного преобразования входного пространства. SVM хорошо работают с небольшими и умеренными наборами данных обучения и показали сильные результаты для классификации по покрову земли в гетерогенных регионах. Однако производительность SVM зависит от настройки гиперпараметров, таких как параметр регуляризации C и гамма ядра, которые часто требуют перекрестной валидации. Всесторонний обзор приложений SVM в дистанционном зондировании можно найти в Mountrakis et al. (2011) [[FLT

Случайный лес

Случайный лес - это ансамбль, построенный из многих деревьев решений, каждый из которых обучен на загруженном подмножестве данных и случайном подмножестве признаков. Во время классификации каждое дерево голосует за класс, и принимается решение большинства. Этот подход к уменьшению дисперсии уменьшает переобучение по сравнению с одним деревом решений и обеспечивает встроенные оценки важности признаков, которые помогают интерпретировать, какие спектральные полосы или индексы растительности в наибольшей степени способствуют разделению. Случайный лес устойчив к шуму, отсутствующим данным и многомерным пространствам признаков, что делает его алгоритмом для эффективного управления большими наборами данных и параллелизуем. Случайный лес широко используется для таких продуктов, как Глобальная оценка лесных ресурсов ФАО . Его основное ограничение заключается в том, что он все еще может переобучаться на очень шумных или несбалансированных наборах данных, хотя стратегии, такие как стратифицированная выборка и корректировки веса класса, смягчают это.

Глубокие нейронные сети (Convolutional Neural Networks)

Свёрточные нейронные сети (CNN) стали самыми современными для классификации спутниковых изображений, особенно когда пространственный контекст и текстурные паттерны имеют решающее значение. CNN автоматически изучают иерархические особенности из исходных пиксельных входов — краёв, форм и объектов — через несколько свёрточных и объединяющих слоев. Обучение передаче, используя сети, предварительно обученные большим наборам данных естественного изображения, таким как ImageNet, позволяет точно настраивать задачи дистанционного зондирования с относительно небольшим количеством меченых спутниковых изображений. Архитектуры, такие как ResNet, U-Net и EfficientNet, обычно адаптированы для семантической сегментации с использованием пикселей. CNN преуспевают в захвате сложных шаблонов, таких как дорожные сети, строительные следы и границы урожая. Однако они требуют больших аннотированных наборов данных, значительных вычислительных ресурсов (GPU) и тщательной регуляризации, чтобы избежать переобучения. Базы данных ISPRS обеспечивают стандартизированные испытательные стенды для оценки производительности CNN на аэро- и спутниковых изображениях.

Ближайшие соседи

K-Nearest Neighbors (KNN) - это непараметрический, основанный на примере ученик, который классифицирует пиксель большинством голосов среди своих ближайших учебных образцов в пространстве признаков. Для вычисления близости используются такие метрики расстояния, как Euclidean, Manhattan или Mahalanobis. KNN проста в реализации, не требует явной фазы обучения и хорошо работает, когда базовые распределения классов различны и данные обучения являются локально репрезентативными. Он остается полезным для небольших наборов данных или в качестве базового метода. Несмотря на его простоту, KNN страдает от чувствительности к нерелевантным функциям, проклятие размерности в высокоразмерных спектральных пространствах и вычислительная неэффективность для больших наборов обучения - каждый запрос требует сканирования с помощью грубой силы всех примеров. Методы уменьшения размерности, такие как PCA или выбор функций, часто применяются перед использованием KNN.

Преимущества машинного обучения перед традиционными методами

  • Более высокая точность в сложных ландшафтах:] Традиционные методы предполагают гауссовские распределения или линейную сепарабельность, тогда как алгоритмы машинного обучения фиксируют нелинейные, мультимодальные отношения, общие для спутниковых снимков реального мира. Например, Random Forest и CNN обычно производят общую точность, превышающую 90% на эталонных наборах данных, опережая классификаторы максимальной вероятности на 10-20 процентных пунктов.
  • Автоматизация разработки функций: Модели глубокого обучения изучают пространственные и спектральные особенности сквозно, уменьшая ручные усилия, необходимые для разработки ручных индексов или фильтров текстуры. Это снижает барьер для неспециалистов для создания высококачественных карт.
  • Масштабируемость для больших объемов данных: Потоки машинного обучения могут обрабатывать терабайты спутниковых данных параллельно с использованием распределенных вычислительных рамок. Эта масштабируемость необходима для создания глобальных продуктов наземного покрытия с высоким пространственно-временным разрешением.
  • Адаптируемость и непрерывное совершенствование: Модели могут быть переобучены по мере поступления новых данных полевых обследований, что позволяет постоянно обновлять карты классификации.Активные стратегии обучения также снижают усилия по маркировке, выбирая наиболее информативные образцы для аннотации.

Проблемы и ограничения

Требования к данным и стоимость маркировки

Все модели машинного обучения под наблюдением требуют больших объемов точно обозначенных учебных данных. Для спутниковых изображений данные о наземной истине обычно поступают из полевых исследований, изображений с более высоким разрешением или существующих карт наземного покрова. Приобретение таких меток для различных географических регионов и фенологических стадий дорого и требует много времени. Для смягчения этого узкого места разрабатываются слабо контролируемые и самоконтролируемые подходы к обучению, но они остаются активными исследовательскими границами.

Вычислительные требования

Глубокие нейронные сети, в частности, требуют мощных графических процессоров и большой памяти для обучения на мультиспектральных плитках высокого разрешения. Облачные сервисы, такие как Google Earth Engine и Amazon SageMaker, предлагают масштабируемые вычисления, но затраты могут быть значительными для крупномасштабных проектов. Модели сжатия, обрезки и облегченные архитектуры (например, MobileNet) появляются для снижения вычислительных требований для развертывания на периферийных устройствах или спутниковых платформах.

Переобучение и обобщение

Модели машинного обучения могут перестраиваться на данные обучения, особенно когда набор данных небольшой или несбалансированный. Методы регуляризации (выпадение, распад веса, ранняя остановка) и перекрестная валидация помогают, но передача модели, обученной в одном регионе, в другой с различными характеристиками наземного покрова, часто ухудшает производительность. Методы адаптации домена и многоисточниковое обучение являются активными областями исследований для улучшения обобщения в пространственных и временных областях.

Модель интерпретируемости

Сложные модели, такие как глубокие нейронные сети, работают как «черные ящики», что затрудняет понимание того, почему конкретный пиксель был классифицирован как, скажем, лес вместо кустарника. Инструменты объяснимости (например, SHAP, LIME, Grad-CAM) адаптируются для дистанционного зондирования для определения того, какие спектральные полосы или пространственные паттерны приводят к принятию решений о классификации. Это особенно важно для нормативных или научных приложений, где модельное мышление должно быть прозрачным.

Будущие направления и новые тенденции

Интеграция глубокого обучения и классификации спутниковых изображений продолжает быстро развиваться. Механизмы внимания и архитектуры трансформаторов, первоначально разработанные для обработки естественного языка, адаптируются для захвата пространственных зависимостей на большие расстояния в спутниковых изображениях, опережая CNN по определенным задачам сегментации. Самоконтролируемое обучение преподносит модели на немаркированных изображениях, затем оттачивает их с несколькими метками, резко сокращая потребности в аннотации. Кроме того, слияние радарных (SAR) и оптических данных с использованием мультимодальных нейронных сетей улучшает классификацию в облачных регионах. Облачные платформы, такие как ] Google Earth Engine теперь интегрируют API машинного обучения, позволяя аналитикам создавать и оценивать классификаторы непосредственно на архивах данных планетарного масштаба. По мере увеличения времени посещения спутников и расширения баз данных наземной правды, машинное обучение будет поддерживать операционные системы мониторинга в режиме реального времени для обезлесения, урбанизации и продуктивности сельского хозяйства.

Заключение

Алгоритмы машинного обучения превратили классификацию спутниковых изображений из ручного статистического упражнения в автоматизированный высокоточный процесс, способный обрабатывать массивные потоки данных. Поддержка векторных машин, случайного леса, глубоких нейронных сетей и даже более простых методов, таких как K-Nearest Neural Networks, каждый из которых предлагает конкретные преимущества для различных приложений, причем глубокое обучение в настоящее время лидирует. Несмотря на постоянные проблемы в маркировке данных, вычислительной стоимости и интерпретируемости, активные исследования в самоконтролируемом обучении, сжатии моделей и адаптации домена обещают сделать эти инструменты более доступными и надежными. Продолжение интеграции машинного обучения со спутниковым наблюдением Земли обеспечит критическую информацию для управления окружающей средой, устойчивости к изменению климата и устойчивого развития.