УДК: 
DOI: 
10.22389/0016-7126-2021-970-4-54-64
1 Ямашкин С.А.
2 Ямашкин А.А.
3 Занозин В.В.
4 Бармин А.Н.
Год: 
№: 
970
Страницы: 
54-64

Национальный исследовательский Мордовский государственный университет им. Н.П. Огарева

1, 
2, 

Астраханский государственный университет

3, 
4, 
Аннотация:
В статье предложено решение проблемы повышения точности классификации данных дистанционного зондирования Земли в условиях дефицита размеченных обучающих выборок посредством привлечения геосистемного подхода, предполагающего анализ генетической однородности территориально-смежных образований различного масштаба и иерархического уровня. К преимуществам предложенной модели GeoSystemNet относится наличие большого числа степеней свободы, что позволяет гибко ее конфигурировать, исходя из решаемой проблемы. Апробация модели GeoSystemNet для классификации набора данных EuroSAT, алгоритмически расширенного с позиции геосистемного подхода, показала возможность повысить точность классификации в условиях дефицита обучающих данных в пределах 9 % и приблизиться к точности моделей глубокого машинного обучения ResNet50 и GoogleNet. Применение геосистемного подхода, согласно предложенной методике, для повышения эффективности классификации материалов дистанционного зондирования Земли требует индивидуального решения задачи по формированию данных для анализа.

Список литературы: 
1.   Беручашвили Н.Л. Четыре измерения ландшафта – М.: Мысль, – 1986. – 182 c.
2.   Кикин П. М., Колесников А. А., Портнов А. М., Грищенко Д. В. Анализ и прогнозирование пространственно-временных экологических показателей с использованием методов машинного обучения // ИнтерКарто. ИнтерГИС. – 2020. – Т. 26. – № 3. – С. 53–61. DOI: 10.35595/2414-9179-2020-3-26-53-61.
3.   Николаев В. А. Ландшафтоведение – М.: Изд-во МГУ, – 2000. – 94 c.
4.   Сочава В.Б. Введение в учение о геосистемах – Новосибирск: Наука, – 1978. – 320 c.
5.   Bengio Y., LeCun Y. (2007) Scaling learning algorithms towards AI // Large-scale kernel machines. 34 (5), pp. 1-41.
6.   Boureau Y. L., Ponce J., LeCun Y. (2010) A theoretical analysis of feature pooling in visual recognition. Proceedings of the 27th international conference on machine learning (ICML-10). Haifa, Israel pp. 111-118.
7.   Chollet F. (2017) Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition. Honolulu, USA pp. 1251-1258. DOI: 10.1109/CVPR.2017.195.
8.   Helber P., Bischke B., Dengel A., Borth D. (2019) Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 12 (7), pp. 2217-2226. DOI: 10.1109/IGARSS.2018.8519248.
9.   Hu X., Weng Q. (2009) Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer perceptron neural networks // Remote Sensing of Environment. 113 (10), pp. 2089-2102. DOI: 10.1016/j.rse.2009.05.014.
10.   Ioffe S., Szegedy C. (2015) Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv: 1502.03167 [cs. LG] URL: arxiv.org/pdf/1502.03167.pdf (дата обращения: 26.04.2022).
11.   Kim D. E., Gourbesville P., Liong S. Y. (2019) Overcoming data scarcity in flood hazard assessment using remote sensing and artificial neural network // Smart Water. 4 (1), 2 p. DOI: 10.1186/s40713-018-0014-5.
12.   Kussul N., Lavreniuk M., Skakun S., Shelestov A. (2017) Deep learning classification of land cover and crop types using remote sensing data // IEEE Geoscience and Remote Sensing Letters. 14 (5), pp. 778-782. DOI: 10.1109/LGRS.2017.2681128.
13.   LeCun Y., Bengio Y., Hinton G. (2015) Deep learning // Nature. 521 (7553), pp. 436. DOI: 10.1038/nature14539.
14.   Schowengerdt R. A. (2006) Remote sensing: models and methods for image processing, 3 ed Academic Press, Orlando, 843 p.
15.   Yamashkin S., Radovanovic M., Yamashkin A., Vukovic D. (2018) Using ensemble systems to study natural processes // Journal of Hydroinformatics. 20 (4), pp. 753-765. DOI: 10.2166/hydro.2018.076.
Образец цитирования:
Ямашкин С.А., 
Ямашкин А.А., 
Занозин В.В., 
Бармин А.Н., 
Разработка алгоритма классификации данных дистанционного зондирования Земли с применением методов глубокого машинного обучения для анализа геосистемной модели территории // Геодезия и картография. – 2021. – № 4. – С. 54-64. DOI: 10.22389/0016-7126-2021-970-4-54-64