Zemes pārklājuma klasifikācija pēc satelītattēliem ir viens no galvenajiem Zemes novērošanas (EO) uzdevumiem, sākot ar pirmo EO satelītu palaišanu. To izmanto, lai sagatavotu zemes pārklājuma kartes, kurās parādītas mežu, lauksaimniecības platības, ūdens baseini, ceļi, ēkas un citas kategorijas, kas vajadzīgas zemes resursu uzskaitei. Mēs esam izveidojuši automatizētu klasifikācijas tehnoloģiju, kas ir nevadīta un ļoti stabila (turpmāk tekstā Dynland). Mūsu darba prototips ļauj lietotājiem klasificēt multispektrālos ģeotelpiskos attēlus zemes izmantošanai un zemes pārklājuma klasēs. Dynland tehnoloģija ļauj izmantot mašīnmācīšanās metodes lietojumprogrammās, kur tas agrāk nebija iespējams, jo trūka pietiekamu apmācības datu. Mazākas prasības attiecībā uz apmācības datiem lietotājiem nozīmē ievērojami zemākas izmaksas un ātrāku ģeotelpisko analīzes rezultātu piegādi.
Dynland nevadītā ģeotelpisko attēlu analīzes klasifikācijas tehnoloģija skar divas nozarēs: Zemes novērošanu (EO) un mašīnmācīšanos (ML). EO iespējas palielinās apstākļos, kad Zemes novērošanai tiek izmantoti jau 596 pavadoņi. EO dati ir kļuvuši plaši pieejami, izmantojot publiskās investīcijas ES (Copernicus programma) un privātās investīcijas ASV (190 satelīti tikai Planet Labs saimē). Pašlaik jau katru dienu ir pieejami jauni visas pasaules optiskie attēli. EO datu iegūšana, izmantojot bezpilota lidaparātus (UAV), piemēram, dronus, ir kļuvusi plaši izplatīta. UAV balstīti EO dati jau tiek izmantoti lauksaimniecībā un nonāks citās nozarēs ar UAV integrāciju kopīgā gaisa telpā.
Mēs esam veikuši mūsu klasterizācijas algoritma iekšējo un trešo pušu salīdzinājumu ar populārākajiem klasterizācijas un klasifikācijas algoritmiem. Testi tika veikti gan ar sintētiskiem, gan ar reāliem multispektrāliem satelītu datiem. Mūsu algoritms pārspēja citus klasterizācijas algoritmus precizitātes ziņā, veidojot pareizas spektrāli tuvu pikseļu kopas, kas saistītas ar vienu datu apakšklasi. Klasifikācija ar Dynland ir iespējama apstākļos, kad vadītos algoritmus neizdodas izmantot, jo nav pietiekama daudzuma apmācības datu.
Intervijas ar potenciālajiem EO datu lietotājiem atklāj problēmas, kuras mēs redzam kā iespējas:
- ticamu apmācības datu apkopošana daudzās pielietojumos ir ne tikai dārga, bet bieži vien neiespējama;
- lauka dati netiek kopīgoti starp projektiem pat tajos gadījumos, kad tas radītu pievienoto vērtību;
- iekšējās kompetences veidošana, dārgu tālvadības programmatūras pakotņu, aparatūras un apmācības iegāde bieži pārsniedz ieguvumus;
- komerciālo EO satelīta datu izcenojumi ir neefektīvi – minimālie pasūtījumu izmēri no 25 km2 līdz 100 km2 ar cenu 5-100 EUR / km2 bieži ir par daudz maziem, ģeogrāfiski vai laikā izkliedētiem EO uzdevumiem.
Mēs esam sākuši Dynland tehnoloģijas komercializāciju, lai risinātu identificētās tirgus problēmas. Mūsu tehnoloģija ir pietiekami vispārīga, lai pievienotu vērtību lielākajā daļā ģeotelpisko attēlu klasifikācijas uzdevumos. Mūsu prioritārie pielietojumi ir multispektrālo attēlu klasificēšana mežsaimniecībā, precīzā lauksaimniecībā, apdrošināšanā un zemes pārklājuma klasifikācija valsts iestādēm. Pastāv ievērojams pieprasījums pēc pilnībā automatizētiem pakalpojumiem ar pievienoto vērtību, kuriem nav nepieciešami apmācības dati. Pilnībā automatizēti EO pakalpojumi ir vieni no visstraujāk augošajiem EO nozares segmentiem ar 38% CAGR.
Mūsu tehnoloģija nodrošina ļoti precīzu attēlā esošo objektu klasifikāciju, neizmantojot apmācības datus. Tā uztver satelīta attēlu (1), sagrupē visus pikseļus klasteros, pēc tam klasteriem piešķir klases (2) un sniedz lietotājiem informāciju par klasēm un to izmēriem (3).
Ar detalizētu tehnoloģijas aprakstu var iepazīties šeit.
Projekti
-
Sentinel datu izmantošana uzticamu karšu gatavošanai: SentiMap
-
Uz tālizpēti balstīta meža riska faktoru uzraudzības sistēma (Forest Risk) #ERAF
-
Satelītdatos balstīta jauna mežaudzes krājas novērtēšanas tehnoloģija (WoodStock) #ERAF
-
Dynamic land use monitoring by fusion of satellite data (DynLand) #ESA
- Tehnoloģijas drošai un uzticamai gudrajai pilsētai (GUDPILS) #SRP (VPP)
- Koku sugu identificēšana Latvijas mežos (TrIdent) #SRP (VPP)
-
Purvu un kūdrāju automatizēta identifikācija, izmantojot satelīta datu laikrindas (MireClass) #ESA
-
Dinamiska zemes lietošanas pārraudzība (NevKlas) #ESIF
- Laika sinhronizācija ar augstu precizitāti sadalītai zinātnisku mērījumu sistēmai (DaLaS) #ERAF
- Inovatīvas biomedicīnisko attēlu iegūšanas un apstrādes tehnoloģijas (InBiT) #ESIF
- Multi – modeļu izstrādes tehnoloģija .NET pielietojumu projektiem (MEDUS) #ESIF
Publikācijas
- Martins Pukitis, Ints Mednieks. "Classification of satellite images using Dynland technology" Proc. SPIE 12786, Ninth International Conference on Remote Sensing and Geoinformation of the Environment (RSCy2023), 127860E (21 September 2023); https://doi.org/10.1117/12.2681896
- Andris Skromulis, Juris Breidaks, Mārtiņš Puķītis. 2023. "Wetland Change Detection Using Sentinel-2 in the Part of Latvia" Environment. Technology. Resources. Proceedings of the International Scientific and Practical Conference. https://doi.org/10.17770/etr2023vol1.7305
- Linda Gulbe, Juris Zarins, Ints Mednieks, “Automated delineation of microstands in hemiboreal mixed forests using stereo GeoEye-1 data”. MPDI Open Access Journals, Remote Sens. 18 March 2022. https://www.mdpi.com/2072-4292/14/6/1471.
- Impact of Base-to-Height Ratio on Canopy Height Estimation Accuracy of Hemiboreal Forest Tree Species by Using Satellite and Airborne Stereo Imagery
- Sinica-Sinavskis J., Dinuls R., Zarins J., Mednieks I., Automatic tree species classification from Sentinel 2 images using deficient inventory data, 2020 17th Biennial Baltic Electronics Conference (BEC), Tallinn, Estonia, pp. 1-6, 2020.
- Romans Dinuls, Ints Mednieks. (2018). Nonparametric Classification of Satellite Images.ICoMS 2018 Proceedings of the 2018 International Conference on Mathematics and Statistics Pages 64-68, Porto, Portugal — July 15 - 17, 2018
- A. Lorencs, I. Mednieks & J. Sinica-Sinavskis. Selection of informative hyperspectral band subsets based on entropy and correlation. International Journal of Remote Sensing, 39:20, pp. 6931-6948, 2018. DOI: 10.1080/01431161.2018.1468107
- Selection of Informative Bands for Classification of Hyperspectral Images Based on Entropy
- LORENCS, A., MEDNIEKS, I., SINICA-SINAVSKIS, J., 2015. Classification of Multisensor Images with Different Spatial Resolution, Electronics and Electrical Engineering, Vol. 21, No. 5, pp.81-85
- LORENCS, A., MEDNIEKS, I., SINICA-SINAVSKIS, J. 2014. Simplified Classification of Multispectral Image Fragments. Electronics and Electrical Engineering. Kaunas: Technologija, 20(6), pp. 136–139.
- A.Lorencs, J.Sinica-Sinavskis, “Analysis of two-stage Bayes classifiers construction method: 2-dimensional case,” Automatic Control and Computer Sciences, September 2013, Vol. 47, No. 5, pp. 254-266, 2013.
- R. Dinuls, G. Erins, A. Lorencs, I. Mednieks, and J. Sinica-Sinavskis, “Tree species identification in mixed Baltic forest using LiDAR and multispectral data,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 5, no. 2, pp. 594–603, 2012.
- R. Dinuls, A. Lorencs, I. Mednieks. "Using Consolidated Covariance Image for Discrimination of Habitats," Proceedings of the 13th Biennial Baltic Electronics Conference, Tallinn, Estonia, pp.299-302, 2012.
- I.Mednieks. "A Method for Correction of Rural Multispectral Aerial Image Mosaics." Proceedings of the 13th Biennial Baltic Electronics Conference, Tallinn, pp.295-298, 2012.
- A. Lorencs, Yu. Sinitsa-Sinyavskis. "A two-stage method for building classifiers," Automatic Control and Computer Sciences, September 2012, Volume 46, Issue 5, pp. 214-222.
- A. Lorencs, I. Mednieks, J. Sinica-Sinavskis, “Design problems of tree species classifiers for multispectral images,” Automatic Control and Computer Sciences, Vol. 45, No. 2, pp. 61-69, 2011.
- R. Dinuls, A. Lorencs, I. Mednieks. “Performance Comparison of Methods for Tree Species Classification in Multispectral Images,” Electronics and Electrical Engineering. Kaunas: Technologija, 2011, No.5(111), pp. 119–122.
- G.Erins, A.Lorencs, I.Mednieks, J.Sinica-Sinavskis. “Tree Species Classification in Mixed Baltic Forest,” Proceedings of 3rd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2011, pp.1-4.
- LORENCS, A., Sinica-Sinavskis, j., Jakovels, d., Mednieks, i., 2016. Melanoma-Nevus Discrimination Based on Image Statistics in Few Spectral Channels, Electronics and Electrical Engineering (Elektronika ir Elektrotechnika, Vol. 22, No2, pp. 66-72
- A.A.Lorencs. Multidimensional Observation Plans Inducing Nondegeneracy of Information Matrixes of Regression Models. Automatic Control and Computer Sciences, 2010, Vol.44, No.2, pp.69-77.
- A. Lorencs, J. Sinica-Sinavskis. One method of image processing and its numerical analysis. Electronics and Electrical Engineering. Kaunas; Technologija, 2010. No.7 (103), pp.25-29.
- I.Mednieks. Morphology-Based Approach to Detection of Free Form Line Objects in Grayscale Images. Electronics and Electrical Engineering - Kaunas: Technologija, 2010, No. 8(104), pp. 27-30.
- A.Lorencs, I.Mednieks, J.Sinica-Sinavskis. “Fast Object Detection in Digital Grayscale Images”, Proceedings of the Latvian Academy of Sciences. Section B., 2009, Vol.63, No.3, pp.116-124.
- I.Mednieks, A.Skageris. “Real Time Image Processing for Object Detection”, “Electronics and Electrical Engineering”, Kaunas: Technologija, 2009, No.4(92), p.33-36.
- A.Lorencs, I.Mednieks, J.Sinica-Sinavskis. Biomedical Image Processing Based on Regression Models. NBC - 14th Nordic-Baltic Conference on Biomedical Engineering and Medical Physics, Riga, June 16-20, 2008. IFMBE Proceedings, Vol.20, pp. 536-539.
- I.Mednieks. Object detection in grayscale images based on covariance features. Proceedings of ICSES 2008, Krakow, September 2008, pp. 205-209