Використання згорткової нейронної мережі для обробки мультиспектральних зображень, застосованої до проблеми виявлення пожежонебезпечних лісових територій

Autor: Yaloveha, Vladyslav, Hlavcheva, Daria, Podorozhniak, Andrii
Jazyk: angličtina
Rok vydání: 2019
Předmět:
Zdroj: Сучасні інформаційні системи; Том 3 № 1 (2019): Сучасні інформаційні системи; 116-120
Advanced Information Systems; Vol. 3 No. 1 (2019): Advanced Information Systems; 116-120
Современные информационные системы-Sučasnì ìnformacìjnì sistemi; Том 3 № 1 (2019): Современные информационные системы; 116-120
ISSN: 2522-9052
Popis: Neural networks are intensively developed and used in all spheres of human activity in the modern world. Their use to determine the fire hazardous forest areas can begin to solve the problem of preventing wildfires. In recent years, wildfires have acquired enormous proportions. Wildfires are difficult to control and, if they occur, require a large amount of resources to eliminate them. The paper is devoted to solve the problem of identifying fire hazardous forest areas. The Camp Fire (California, USA) areas are considered. The purpose of the paper is to research the possibility of using convolutional neural networks for the detection fire hazardous forest areas using multispectral images obtained from Landsat 8. The tasks of research are finding the territories where the largest fires occurred in recent time; analyzing economic and ecologic losses from wildfires; receiving and processing multispectral images of wildfire areas from satellite Landsat 8; calculation of spectral indices (NDVI, NDWI, PSRI); developing convolutional neural network and analyzing results. The object of the research is the process of detecting fire hazardous forest areas using convolutional neural network. The subject of the research is the process of recognition multispectral images using deep learning neural network. The scientific novelty of the research is the recognition method of multispectral images by using convolutional neural network has been improved. The theory of deep learning neural networks, the theory of recognition multispectral images and mathematical statistics methods are used. The spectral indices for allocating the object under research (green vegetation, humidity, dry carbon) were calculated. It is obtained that the classification accuracy for a convolutional neural network on the test data is 94.27%.
В современном мире нейронные сети интенсивно развиваются и используются во всех сферах человеческой деятельности. Их применение для определения пожароопасности лесных территорий может начать решение проблемы предупреждения лесных пожаров. Лесные пожары трудно контролируются и, в случае возникновения, требуют большого количества ресурсов для их устранения. Работа посвящена решению задачи определения пожароопасности лесных территорий. Рассматривается территория пожара «Camp Fire», которая произошла в Калифорнии (США). Целью работы является исследование возможности применения сверточных нейронных сетей для определения пожароопасности лесных территорий на основе мультиспектральных изображений, полученных со спутника Landsat 8. Поставленная цель предполагает решение таких задач: рассмотрение территорий, на которых произошли масштабные лесные пожары за последнее время, анализ экономических и экологических убытков от лесных пожаров; получение и обработка мультиспектральных изображений территории пожара со спутника Landsat 8; расчет спектральных индексов (NDVI, NDWI, PSRI); реализация сверточной нейронной сети и анализ результатов работы. Объектом исследования является процесс определения пожароопасных лесных территорий с использованием сверточной нейронной сети. Предметом исследования является процесс распознавания мультиспектральных изображений с использованием нейронных сетей глубокого обучения. Научная новизна заключается в усовершенствовании метода распознавания мультиспектральных изображений за счет использования сверточных нейронных сетей. Методами исследований является теория нейронных сетей глубокого обучения, теория распознавания мультиспектральных изображений, методы математической статистики. Вычислены спектральные индексы для выделения характеристик исследуемой территории (зеленой растительности, количества влаги, сухого углерода). Точность классификации для сверточной нейронной сети на тестовой выборке составила 94.27%.
У сучасному світі нейронні мережі інтенсивно розвиваються і використовуються в усіх сферах людської діяльності. Їх застосування для визначення пожежонебезпечності лісових територій може розпочати вирішення проблеми попередження лісових пожеж. Лісові пожежі важко контролюються та, у разі виникнення, вимагають великої кількості ресурсів для їх усунення. Робота присвячена вирішенню задачі визначення пожежонебезпечності лісових територій. Розглядається територія пожежі «Camp Fire», що сталася у Каліфорнії (США). Метою роботи є дослідження можливості застосування згорткових нейронних мереж для визначення пожежонебезпечності лісових територій на основі мультиспектральних зображень, отриманих з супутника Landsat 8. Поставлена мета передбачає вирішення таких завдань: огляд територій, на яких відбулися наймасштабніші лісові пожежі за останній час, аналіз економічних та екологічних збитків від лісових пожеж; отримання та обробка мультиспектральних зображень території пожежі з супутника Landsat 8; розрахунок спектральних індексів (NDVI, NDWI, PSRI); реалізація згорткової нейронної мережі та аналіз результатів роботи. Об’єктом дослідження є процес визначення пожежонебезпечних лісових територій з використанням згорткової нейронної мережі. Предметом дослідження є процес розпізнавання мультиспектральних зображень з використанням нейронних мереж глибокого навчання. Наукова новизна полягає в удосконаленні методу розпізнавання мультиспектральних зображень за рахунок використання згорткових нейронних мереж. Методами досліджень є теорія нейронних мереж глибокого навчання, теорія розпізнавання мультиспектральних зображень, методи математичної статистики. Обчислено спектральні індекси для виділення характеристик досліджуваної території (зеленої рослинності, кількості вологи, сухого вуглецю). Отримана точність класифікації для згорткової нейронної мережі на тестовій вибірці склала 94.27%.
Databáze: OpenAIRE
Externí odkaz: