Ученые разработали новый способ обработки спутниковых снимков, при котором 2D-изображение анализируется искусственным интеллектом. Алгоритм на основе машинного обучения предсказывал распределение хаоса и порядка и формировал изображение в соответствии с нерегулярностью объекта. Используемый подход позволяет уменьшить время анализа спутниковых изображений с восьми дней до пары секунд, тем самым ускоряя мониторинг состояния природных биотопов и оценку разрастания городов и сельскохозяйственных площадей. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Remote Sensing.

На рисунке сверху — авторы публикации (Андрей Величко, Максим Беляев, Матиас Вагнер и Алиреза Тарават), в центре — пример участка поверхности и соответствующее 2D-распределение энтропии, снизу представлен график сечения распределения энтропии: с оригинальной SvdEn энтропией (красная линия), ее аппроксимации методом градиентного бустинга (черная линия) и методом адаптивного бустинга (синяя линия). По графику снизу видно, что аппроксимация методом градиентного бустинга намного точнее повторяет оригинальную зависимость, чем аппроксимация методом адаптивного бустинга. Источник: Андрей Величко

На рисунке сверху — авторы публикации (Андрей Величко, Максим Беляев, Матиас Вагнер и Алиреза Тарават), в центре — пример участка поверхности и соответствующее 2D-распределение энтропии, снизу представлен график сечения распределения энтропии: с оригинальной SvdEn энтропией (красная линия), ее аппроксимации методом градиентного бустинга (черная линия) и методом адаптивного бустинга (синяя линия). По графику снизу видно, что аппроксимация методом градиентного бустинга намного точнее повторяет оригинальную зависимость, чем аппроксимация методом адаптивного бустинга. Источник: Андрей Величко

 

Энтропия — это мера хаоса, нерегулярности или разнородности, которую используют для описания систем различной природы. Так, снимки местности, полученные при наблюдении космическими или авиационными средствами, несут информацию о степени нерегулярности объектов, что видно по относительному расположению пикселей с разным оттенком серого. Например, анализируя их, можно понять, насколько пострадал лес от пожара, сильного ветра или нашествия вредителей, — живая биомасса более упорядочена, чем мертвая, а значит, ей будут соответствовать более однородные участки. Используя снимки разных лет, удается проследить области хаоса и порядка и оценить, как быстро природные ландшафты заменяются более регулярными городами и сельскохозяйственными угодьями.

Ученые из Физико-технического института Петрозаводского государственного университета (Петрозаводск) вместе с немецкими и британскими коллегами разработали универсальный способ на основе машинного обучения, который позволяет оценивать энтропию на картографических снимках. Для начала 2D-изображение автоматически разделялось на круги с определенным радиусом. В рамках каждого из них пиксели соединялись линией так, что в результате получалась последовательность элементов, различающихся по тональности. Подход позволял преобразовать двухмерный снимок в одномерный ряд данных.

Существуют математические методы, позволяющие рассчитывать сложность таких рядов, то есть их энтропию. Авторы предложили другой подход, при котором с помощью машинного обучения модель обрабатывает, классифицирует и устанавливает закономерности между небольшим набором элементов ряда. Так проходит многократное «обучение» модели искусственного интеллекта на нескольких снимках. После этого она способна с высокой точностью предсказывать значения энтропии уже на других снимках. Эффективность подхода оценивалась по сходству значений энтропии, предсказанных искусственным интеллектом и рассчитанных математическими методами, и оказалась высокой (точность составила от 81 до 99%). Кроме того, использование обученных моделей позволило сократить время обработки снимков с восьми дней до пары секунд.

Примечательно, что модель искусственного интеллекта с большей точностью определяла неоднородные участки на снимках, например, края рек, водохранилищ или дорог. Так, даже не слишком контрастная дорога давала на графике пик примерно на 0,15 условных единиц выше, чем фон. Обусловлено это тем, что составляющие эти объекты элементы сильнее различаются между собой, что фиксировалось резким увеличением энтропии. Участки с относительно гладкой текстурой, например обработанные поля, имели низкую энтропию. Разработанный метод найдет большое практическое применение во многих областях науки, например, он позволит ускорить обработку снимков при картографировании.

«Мы впервые показали возможность предсказывать энтропию одномерных рядов методами искусственного интеллекта. Мы надеемся, что полученные результаты будут полезны специалистам в области информационных технологий. Представленный инструмент ускорит анализ энтропии, что особенно актуально, если базы данных содержат большое число снимков, как хранилища фотографий со спутников», — рассказывает руководитель проекта, поддержанного грантом РНФ, Андрей Величко, кандидат физико-математических наук, ведущий научный сотрудник Физико-технического института Петрозаводского государственного университета.

 

Информация и фото предоставлены пресс-службой Российского научного фонда