Класифікування знімку Sentinel-2 із використанням моделі релеєвського розподілу
DOI:
https://doi.org/10.18372/1990-5548.84.20199Ключові слова:
функції правдоподібності, метод максимальної правдоподібності, розподіл Релея, дистанційне зондування, класифікування супутникового зображення, обробка сигналів спектральних каналів супутникових зображеньАнотація
На даний час класифікування земного покриву за супутниковими знімками є однією з найактуальніших та найважливіших задач дистанційного зондування. Багатоспектральні супутникові знімки, такі як знімки Sentinel-2, забезпечують зображення високої роздільної здатності у різних спектральних каналах, що дозволяє детально розрізняти наземні об’єкти. У даній роботі представлено метод класифікування супутникових знімків на основі розподілу Релея, методу максимальної правдоподібності та функцій правдоподібності. Розглянуто три класи земного покриву, а саме: “Вода”, “Рослинність” та “Забудови” та три спектральні канали (червоний, зелений та синій спектральний канал). Запропонована процедура класифікування включає моделювання розподілу спектру із використанням Релеєвського розподілу. Параметри розподілу Релея для кожного класу та для кожного спектрального каналу оцінюються на основі навчальних даних за наведеною формулою. Для обробки зображень використовується програмне забезпечення ESA SNAP. Для процедури класифікування використовується метод максимальної правдоподібності. У дистанційному зондуванні цей метод використовується для класифікування пікселів на супутникових знімках за різними класами. Цей метод базується на віднесенні кожного пікселя тому класу, до якого він належить із найбільшою ймовірністю. Описується методологія, яка включає в себе підготовку даних із використанням ESA SNAP та аналіз даних у Microsoft Excel. Розглянуто математичне формулювання розподілу Релея та алгоритм розрахунку функцій правдоподібності для кожного класу та для кожного спектрального каналу. Результати включають параметри розподілу Релея для кожного класу та для кожного спектрального канала, карти класифікації, розрахунок функцій правдоподібності та результат процедури класифікування. Результат класифікування залежить від того, якому саме класу відповідає максимальна функція правдоподібності. Було розглянуто приклад, де із використанням методу максимальної правдоподібності та розподілу Релея визначається клас “Рослинність”. Запропонований підхід може бути застосований для класифікування земного покриву, екологічного моніторингу, сільськогосподарських та геологічних задач.
Посилання
I. J. Myung, “Tutorial on maximum likelihood Estimation,” Journal of Mathematical Psychology, 47 (1), pp. 90–100, 2003. https://doi.org/10.1016/S0022-2496(02)00028-7
D. Lu and Q. Weng, “A survey of image classification methods and techniques for improving classification performance,” International Journal of Remote Sensing, 28(5), 823–870, 2007. https://doi.org/10.1080/01431160600746456
N. Balakrishnan, “Approximate MLE of the scale parameter of the Rayleigh distribution with censoring,” IEEE Transactions on Reliability, 38, 355–357, 1989. https://doi.org/10.1109/24.44181
L. Ma, Y. Liu, X. Zhang, Y. Ye, G. Yin, & B. A. Johnson, “Deep learning in remote sensing applications: A meta-analysis and review,” ISPRS Journal of Photogrammetry and Remote Sensing, 152, 166–177, 2019. https://doi.org/10.1016/j.isprsjprs.2019.04.015
A. F. H. Goetz, G. Vane, J. E. Solomon, & B. N. Rock, “Imaging spectrometry for Earth remote sensing,” Science, 228(4704), 1147–1153, 1985. https://doi.org/10.1126/science.228.4704.1147
C. Li, J. Wang, L. Wang, L. Hu, P. Gong, “Comparison of Classification Algorithms and Training Sample Sizes in Urban Land Classification with Landsat Thematic Mapper Imagery,” Remote Sensing, 6, 964–983, 2014. https://doi.org/10.3390/rs6020964
C. Persello and L. Bruzzone, “Active and Semisupervised Learning for the Classification of Remote Sensing Images,” IEEE Transactions on Geoscience and Remote Sensing, 52, 6937–6956, 2014. https://doi.org/10.1109/TGRS.2014.2305805
B. Janga, G. P. Asamani, Z. Sun, N. C. Cristea, “A Review of Practical AI for Remote Sensing in Earth Sciences,” Remote Sensing, 15, 2023 https://doi.org/10.3390/rs15164112
I. Prokopenko, S. Alpert, Y. Petrova, “Applications of Dempster – Shafer evidence theory to data processing in remote sensing,” CEUR Workshop Proceedings, 65–76, 2025.
C. Toth, and G. Jóźków, “Remote sensing platforms and sensors: A survey,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 115, pp. 22–36, May 2016, https://doi.org/10.1016/j.isprsjprs.2015.10.004
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
