Нейромережевий підхід сегментації сільськогосподарських угідь на супутникових зображеннях
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро
Abstract
UKR: В сучасному аграрному секторі важливу роль відіграє точне картографування та моніторинг агроугідь за допомогою супутникових знімків, що дозволяє оптимізувати використання ресурсів, планувати посівні площі та прогнозувати врожайність. Семантична сегментація геоданих за допомогою глибокого навчання відкриває нові можливості для автоматизації цих процесів, проте потребує ретельного вибору та оптимізації моделей, здатних ефективно працювати з високорозмірними геопросторовими даними. Дана робота присвячена аналізу та порівнянню трьох різних модифікацій архітектури U-Net для задачі семантичної сегментації агроугідь на основі супутникових зображень. Було досліджено моделі з різними архітектурними особливостями, включаючи застосування остаточних блоків, методів нормалізації та регуляризації. Результати показали, що деякі модифікації архітектури U-Net можуть значно підвищити точність сегментації, що відкриває шлях для подальших досліджень у напрямку вдосконалення алгоритмів обробки супутникових даних для потреб аграрного сектору.
ENG: Precision mapping and monitoring of agricultural lands using satellite imagery have become crucial for optimizing agricultural practices. This research focuses on exploring the effectiveness of deep learning models, particularly U-Net modifications, for semantic segmentation of agricultural lands in satellite images. Recent Studies and Publications Analysis. Recent advancements in convolutional neural networks (CNNs) have shown promising results in various semantic segmentation tasks, including medical imaging, flood mapping, and environmental monitoring. Studies such as "Residual wave vision U-Net for flood mapping using dual polarization Sentinel-1 SAR imagery" and "Deep learning-based hybrid feature selection for the semantic segmentation of crops and weeds" underline the adaptability of U-Net architectures to di-verse data characteristics, motivating their application in agricultural land segmentation. Research Objective. The primary aim of this study is to assess the applicability and efficiency of modified U-Net architectures in accurately segmenting agricultural lands from satellite images. It seeks to identify optimal model modifications that enhance segmentation accuracy while maintaining computational efficiency, contributing to more effective agricultural monitoring. Main Body of Research. Utilizing satellite images from the Copernicus HUB archive, this work experiments with various U-Net architectures incorporating residual blocks, normalization methods, and regularization techniques. The study compares the performance of these models in segmenting agricultural lands, highlighting the impact of architectural enhancements on improving model precision and generalization capabilities. Conclusions. The research concludes that specific modifications in the U-Net architecture significantly enhance the segmentation accuracy of agricultural lands in satellite images. Implementing residual blocks, batch normalization, and dropout proved effective in overcoming overfitting, suggesting a promising direction for future work in geospatial data processing for agriculture. Further investigation into hyperparameter tuning, data-set expansion, and ensemble methods is recommended to refine the models' predictive performance.
ENG: Precision mapping and monitoring of agricultural lands using satellite imagery have become crucial for optimizing agricultural practices. This research focuses on exploring the effectiveness of deep learning models, particularly U-Net modifications, for semantic segmentation of agricultural lands in satellite images. Recent Studies and Publications Analysis. Recent advancements in convolutional neural networks (CNNs) have shown promising results in various semantic segmentation tasks, including medical imaging, flood mapping, and environmental monitoring. Studies such as "Residual wave vision U-Net for flood mapping using dual polarization Sentinel-1 SAR imagery" and "Deep learning-based hybrid feature selection for the semantic segmentation of crops and weeds" underline the adaptability of U-Net architectures to di-verse data characteristics, motivating their application in agricultural land segmentation. Research Objective. The primary aim of this study is to assess the applicability and efficiency of modified U-Net architectures in accurately segmenting agricultural lands from satellite images. It seeks to identify optimal model modifications that enhance segmentation accuracy while maintaining computational efficiency, contributing to more effective agricultural monitoring. Main Body of Research. Utilizing satellite images from the Copernicus HUB archive, this work experiments with various U-Net architectures incorporating residual blocks, normalization methods, and regularization techniques. The study compares the performance of these models in segmenting agricultural lands, highlighting the impact of architectural enhancements on improving model precision and generalization capabilities. Conclusions. The research concludes that specific modifications in the U-Net architecture significantly enhance the segmentation accuracy of agricultural lands in satellite images. Implementing residual blocks, batch normalization, and dropout proved effective in overcoming overfitting, suggesting a promising direction for future work in geospatial data processing for agriculture. Further investigation into hyperparameter tuning, data-set expansion, and ensemble methods is recommended to refine the models' predictive performance.
Description
Вік. Гнатушенко: ORCID 0000-0001-5304-4144
Keywords
семантична сегментація, агроугіддя, супутникові зображення, глибоке навчання, архітектура U-Net, геодані, semantic segmentation, agricultural landsc, agricultural lands, satellite images, deep learning, U-Net architecture, geodata, КІТС
Citation
Гончаров О. Г., Гнатушенко Вік. В., Шевцова О. С. Нейромережевий підхід сегментації сільськогосподарських угідь на супутникових зображеннях. Системні технології. Дніпро, 2024. Т. 4, № 153. С. 87–101. DOI: 10.34185/1562-9945-4-153-2024-09.