Intelligent Technology for Land Cover Monitoring due to Amber Mining on Optical Satellite Images

ENG: Purpose. This article proposes to develop an intelligent technology for detecting land cover changes due to amber mining based on Sentinel-2 optical satellite images. Methodology. The presented intelligent technology combines methods of geometric and radiometric correction, the Dark Object Subtraction algorithm, a hybrid architecture of convolutional neural networks (CNN + EfficientNet-Edge), and an algorithm for detecting changes over time based on the symmetric difference of changed pixels, which ensures high accuracy and efficiency in the process of analysing land cover changes. Findings. The effectiveness of the proposed technology was assessed using the F1-score, Recall, Precision, and Accuracy metrics. The values of the recall and F1-score metrics (92 %) confirm the ability of the system to detect the boundaries of land cover disturbance zones accurately. In addition, the accuracy (94 %), recall (90 %), and overall accuracy (93 %) confirm the ability of the model to effectively classify both mining-impacted areas and areas without signs of anthropogenic interference with a minimum number of errors. The low value of land cover change segmentation error (4.7 %) indicates the high quality of spatial interpretation of the results. Originality. The paper proposes a comprehensive use of convolutional neural networks with the EfficientNet-Edge architecture to detect land cover changes due to amber mining. This approach overcomes the limitations of traditional feedforward neural networks associated with problems of incorrect initialization and suboptimal distribution of weight coefficients. In particular, a comprehensive use of two feature processing levels is proposed: the first one processes simple texture features obtained using average pooling in the CNN architecture, and the second one processes spectral features formed from a 4D tensor at the last convolutional layer of EfficientNet-Edge. This helps to overcome the instability of the training process and improve the ability of the model to detect land cover changes caused by hydromechanical amber mining accurately. An annotation of areas resulting from amber mining and areas without signs of anthropogenic interference was developed. Practical value. The developed technology has practical value for determining changes in the land cover caused by hydromechanical extraction of amber. The theoretical results obtained allow for an effective assessment of the scale of changes and facilitate informed management decisions in environmental protection.

UKR: Мета. Розробка інтелектуальної технології визначення змін земного покриву внаслідок видобутку бурштину на основі оптичних супутникових знімків Sentinel-2. Методика. Представлена інтелектуальна технологія поєднує методи геометричної та радіометричної корекції, алгоритм Dark Object Subtraction, гібридну архітектуру згорткових нейронних мереж (CNN + EfficientNet-Edge), а також алгоритм виявлення змін у часі на основі симетричної різниці змінених пікселів, що забезпечує високу точність і ефективність у процесі аналізу змін земного покриву. Результати. Ефективність запропонованої технології була оцінена за допомогою метрик F1-міри, відгук (Recall), точності (Precision) і загальної точності (Accuracy). Значення метрик повноти та F1-міри (92 %) підтверджують здатність системи до точного виявлення меж зон порушень земного покриву. Крім того, точність (94 %), відгук (90 %) і загальна точність (93 %) підтверджують здатність моделі ефективно класифікувати як ділянки, що зазнали впливу видобутку, так і ділянки без ознак антропогенного втручання, з мінімальною кількістю помилок. Низьке значення похибки сегментації змін земного покриву (4,7 %) свідчить про високу якість просторової інтерпретації результатів. Наукова новизна. У роботі запропоноване використаня згорткових нейронних мереж з архітектурою EfficientNet-Edge для визначення змін земного покриву внаслідок видобування бурштину. Цей підхід дозволяє подолати обмеження традиційних нейронних мереж прямого поширення, пов’язаних із проблемами некоректної ініціалізації й неоптимальним розподілом вагових коефіцієнтів. Зокрема, запропоноване комплексне застосування двох рівнів обробки ознак: на першому обробляються прості текстурні ознаки, що отримуються за допомогою середнього пулінгу в архітектурі CNN, на другому – спектральні ознаки, що формуються з 4D тензора на останньому згортковому шарі EfficientNet-Edge. Це дозволяє подолати нестабільність процесу навчання й підвищити здатність моделі точно виявляти зміни земного покриву, спричинені гідромеханічним видобутком бурштину. Розроблена анотація ділянок унаслідок видобутку бурштину і ділянок без ознак антропогенного втручання. Практична значимість. Розроблена технологія має практичну цінність для визначення змін земного покриву, спричинених гідромеханічним видобутком бурштину. Отримані результати дають можливість ефективно оцінювати масштаби змін і сприяють прийняттю обґрунтованих управлінських рішень у сфері охорони довкілля.