УДК 004.932.2 Анализ изображения
УДК 528.88 Применение дистанционного зондирования
ГРНТИ 28.23 Искусственный интеллект
ГРНТИ 47.49 Радиотехнические системы зондирования, локации и навигации
Данное исследование посвящено решению проблем, связанных с повышением качества обработки и анализа открытых данных, связанных с цифровыми моделями рельефа. Особое внимание уделено урбанизированным территориям. Рассмотрены современные технологии, направленные на повышение точности и качества представленных геоданных. Проведен анализ существующих глобальных цифровых моделей рельефа и сделан их обзор. На основе данных Advanced Land Observing Satellite (ALOS), выбранных с помощью предложенного в статье метода оценки сформирована обучающая выборка, которая будет использоваться для тестирования инновационного подхода с применением нейронных сетей. Рассмотрено применение гибридной нейросетевой архитектуры, состоящей из блоков извлечения координатной информации и обработки посредством глубокого обучения модели. Данный подход позволяет более эффективно учитывать особенности урбанизированной местности и обеспечивает более точные результаты анализа. Проведенная работа имеет большое практическое значение для различных областей, таких как градостроительство и управление территориями, способствуя получению надежных данных о рельефе.
сверточная нейронная сеть, ЦМР, радиолокационная съемка, SAGA GIS, очистка данных
1. Розенберг И.Н., Дулин С.К., Дулина Н.Г. Геоинформационная система — инструмент цифровой трансформации геоданных // Системы и средства информатики. 2022. Т. 32. № 1. С. 46–54. DOIhttps://doi.org/10.14357/08696527220104.
2. Оньков И.В. Оценка точности высот SRTM для целей ортотрансформирования космических снимков высокого разрешения // Геоматика. 2011. № 3. С. 40–46.
3. Yifan Z., Wenhao Y. Comparison of DEM Super-Resolution Methods Based on Interpolation and Neural Networks // Sensors. 2022. Vol. 22(3). P. 745. DOIhttps://doi.org/10.3390/s22030745/.
4. Карачевцева И.П., Дубов C.C., Андреев М.В. и др. Открытые пространственные данные для исследования территорий и цифровые сервисы доступа к ним // Космические аппараты и технологии. 2023. Т. 7. № 2(44). С. 142–152. DOIhttps://doi.org/10.26732/j.st.2023.2.07.
5. Голицын Г.С. Особенности спектра рельефа поверхности Луны и планет // Астрономический вестник. Исследования Солнечной системы. 2021. Т. 55. № 1. С. 34–37. DOIhttps://doi.org/10.31857/S0320930X21010035.
6. Сергеев И.С., Егоров И.В., Глебова А.Б. Спектральный анализ рельефа для решения прогнозно-поисковых задач на примере рифтовой зоны Срединно-Атлантического хребта // Геоморфология. 2020. № 4. С. 34–44. DOIhttps://doi.org/10.31857/S0435428120040094.
7. Wang L., Liu H. An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling // International Journal of Geographical Information Science. 2006. Vol. 20. P. 193–213. DOIhttps://doi.org/10.1080/13658810500433453.
8. Chaohui T., Qingxin Z., Wenju W., et al. PLANET: Improved Convolutional Neural Networks with Image Enhancement for Image Classification. // Mathematical Problems in Engineering. 2020. Vol. 2020. P. 1–10. DOIhttps://doi.org/10.1155/2020/1245924.
9. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 770–778. DOIhttps://doi.org/10.1109/CVPR.2016.90.
