Анализ многоканальных спутниковых изображений городских территорий методами глубокого обучения

Интякова А. А.; Абламейко С. В.

Анализ многоканальных спутниковых изображений городских территорий методами глубокого обучения

Абламейко С. В.

2026

https://doi.org/10.29235/1561-2430-2026-62-2-164-176

Рассмотрена проблема классификации растительного покрова в плотно застроенной урбанизированной среде по изображениям дистанционного зондирования Земли сверхвысокого разрешения. Целью исследования является разработка и валидация нейросетевого алгоритма для высокоточной семантической сегментации городских зеленых зон с использованием мультимодальных данных. Предложена усовершенствованная архитектура сверточной нейронной сети U-Net, модифицированная для работы с 7-канальным входным тензором (RGB, NIR, RedEdge, DSM, NDVI). В основе подхода лежит стратегия раннего слияния (Early Fusion), объединяющая спектральные измерения с перспективными структурными характеристиками (цифровой моделью поверхности, DSM). Для преодоления дисбаланса классов применена функция Focal Loss. Предложенная модель позволила надежно разделить спектрально идентичные ярусы (трава и деревья) и исключить ложные срабатывания на зеленых антропогенных объектах. Итоговый показатель Mean IoU составил 0,725. Полнота (Recall) обнаружения лесных массивов достигла 0,93, а сложного миноритарного класса «Кустарники» – 0,77. Эксперимент на независимой тестовой территории подтвердил высокую способность модели к генерализации (F1-score 0,93). Комплексирование 7 каналов информации и применение модифицированной U-Net полностью оправдано для задач точного расчета площадей насаждений и экологического мониторинга в концепции «Умный город».

Интякова А. А., Абламейко С. В. Анализ многоканальных спутниковых изображений городских территорий методами глубокого обучения. Известия Национальной академии наук Беларуси. Серия физико-математических наук. 2026;62(2):164-176. https://doi.org/10.29235/1561-2430-2026-62-2-164-176

Цитирование

Список литературы

1. Neyns, R. Mapping of Urban Vegetation with High-Resolution Remote Sensing: A Review / R. Neyns, F. Canters // Remote Sensing. – 2022. – Vol. 14, № 4. – Art. ID 1031. https://doi.org/10.3390/rs14041031

2. Long, J. Fully convolutional networks for semantic segmentation / J. Long, E. Shelhamer, T. Darrell // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – Boston, MA, USA, 2015. – P. 3431–3440. https://doi.org/10.1109/cvpr.2015.7298965

3. Semantic Segmentation Using Deep Learning with Vegetation Indices for Rice Lodging Identification in Multi-date UAV Visible Images / M.-D. Yang, H.-H. Tseng, Y.-C. Hsu, H. P. Tsai // Remote Sensing. – 2020. – Vol. 12, № 4. – Art. ID 633. https://doi.org/10.3390/rs12040633

4. U-Net Ensemble for Enhanced Semantic Segmentation in Remote Sensing Imagery / I. Dimitrovski, V. Spasev, S. Loshkovska, I. Kitanovski // Remote Sensing. – 2024. – Vol. 16, № 12. – Art. ID 2077. https://doi.org/10.3390/rs16122077

5. GreenNet: A dual-encoder network for urban green space classification using high-resolution remotely sensed images / Ke Chen, Yang Wang, Cunrui Huang [et al.] // International Journal of Applied Earth Observation and Geoinformation. – 2025. – Vol. 142. – Art. ID 104709. https://doi.org/10.1016/j.jag.2025.104709

6. Khan, B. A. Semantic Segmentation of Aerial Imagery Using U-Net with Self-Attention and Separable Convolutions / B. A. Khan, J.-W. Jung // Applied Sciences. – 2024. – Vol. 14, № 9. – Art. ID 3712. https://doi.org/10.3390/app14093712

7. Li, R. Research on CTSA-DeepLabV3+ Urban Green Space Classification Model Based on GF-2 Images / R. Li, J. Zhao, Y. Fan // Sensors. – 2025. – Vol. 25, № 13. – Art. ID 3862. https://doi.org/10.3390/s25133862

8. Ying Wei. Semantic Segmentation of Urban Green Space and Water Body in High-Resolution Remote Sensing Images Based on Low-Rank Adaptation / Ying Wei, Chen Yang, Tianxing Yin // 37th Chinese Control and Decision Conference (CCDC). – Xiamen, China, 2025. – P. 418–423. https://doi.org/10.1109/ccdc65474.2025.11090983

9. Ronneberger, O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 / eds.: N. Navab, J. Hornegger, W. Wells, A. Frangi. – Springer, Cham, 2015. – P. 234–241. – (Lecture Notes in Computer Science; vol. 9351). – https://doi.org/10.1007/978-3-319-24574-4_28

10. Lee, D. H. A Review on Recent Deep Learning-Based Semantic Segmentation for Urban Greenness Measurement / D. H. Lee, H. Y. Park, J. Lee // Sensors. – 2024. – Vol. 24, № 7. – Art. ID 2245. https://doi.org/10.3390/s24072245

11. Zhang, D. Semantic segmentation of multi-source remote sensing image based on multi-path context module / D. Zhang, Y. Yan // Discover Applied Sciences. – 2026. – Vol. 8. – Art. ID 361. https://doi.org/10.1007/s42452-026-08338-1

12. Focal Loss for Dense Object Detection / Tsung-Yi Lin, P. Goyal, R. Girshick [et al.] // Proceedings of the IEEE International Conference on Computer Vision (ICCV). – Venice, Italy, 2017. – P. 2980–2988. https://doi.org/10.1109/iccv.2017.324

13. Kingma, D. P. Adam: A Method for Stochastic Optimization / D. P. Kingma, J. Ba // Arxiv [Preprint]. – 2014. – URL: https://arxiv.org/abs/1412.6980. https://doi.org/10.48550/arXiv.1412.6980

Источник

Информация

Автор

Интякова А. А. Белорусский государственный университет
Абламейко С. В. Белорусский государственный университет; Объединенный институт проблем информатики Национальной академии наук Беларуси

Страницы

164-176

Год издания

2026

Ключевые слова

Коллекции

Известия Национальной академии наук Беларуси. Серия физико-математических наук