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
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
Автори зберігають авторські права та надають журналу право першої публікації роботи, одночасно ліцензованої за ліцензією Creative Commons Attribution License, яка дозволяє іншим поширювати роботу з посиланням на авторство роботи та її першу публікацію в цьому журналі.
Автори можуть укладати окремі додаткові договірні угоди щодо неексклюзивного розповсюдження опублікованої в журналі версії роботи (наприклад, розміщувати її в інституційному репозиторії або публікувати в книзі) з посиланням на її першу публікацію в цьому журналі.
Авторам дозволяється та заохочується розміщувати свої роботи онлайн (наприклад, в інституційних репозиторіях або на своєму вебсайті) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш раннього та більшого цитування опублікованих робіт (див. Вплив відкритого доступу).
