Гиперспектрлік спутниктік суреттер орман өрттерін анықтайды

Соңғы жылдары климаттың өзгеруі және басқа да адами қоршаған орта мәселелері ғылыми әдебиеттерде айтарлықтай назар аударды. Тарихи тұрғыдан алғанда, орман өрттері көбінесе өртті бақылау мұнараларынан кең аумақтарды бақылау және өрт детекторлары сияқты қарапайым құрылғыларды пайдалану арқылы анықталды. Дегенмен, бұл әдіс өте дәл болмады және оның тиімділігіне ұзақ бақылау кезеңдерінде жиналған адамның шаршауы әсер етуі мүмкін. Екінші жағынан, газдарды, жалынды, түтінді және жылу шығарындыларын анықтау үшін қолданылатын балама сенсорлар әдетте өлшеу уақытын ұзартуды қажет етеді. Сонымен қатар, бұл сенсорлардың өлшеу диапазонының шектеулі болуына байланысты тек көптеген сенсорлар ғана үлкен аумақтарды қамти алады. Нысананы тану, терең оқыту және қашықтықтан зондтау технологияларының қарқынды дамуы бізге орман өрттерін табу және бақылаудың жаңа әдістерін ұсынды.

1. Негізгі техникалық жіктеулер

Қазіргі уақытта кеңінен қолданылатын технологияларды үш түрге бөлуге болады, олар белсенді өрттерді немесе түтінді нақты уақыт режимінде немесе нақты уақытқа жақын анықтауға немесе бақылауға қабілетті: жердегі, әуедегі және спутниктік жүйелер. Бұл технологиялар әдетте көрінетін жарық, инфрақызыл, көпспектрлі немесе гиперспектрлі сенсорлармен біріктіріледі; деректер жиналғаннан кейін оны қолданыстағы жасанды интеллект (ЖИ) алгоритмдерін (әдетте машиналық оқыту (ЖО) әдістерін пайдаланып өңдеуге болады). Бұл технологиялар орман өрттерін ерте сатысында анықтау және түтін мен өрттің әрекетін модельдеу үшін адам жасаған мүмкіндіктерді алуға немесе қуатты ЖИ әдістеріне негізделген. Өртті анықтау әдістерінің әртүрлі түрлері 1-суретте көрсетілген.

1-сурет. Өртті анықтау әдістері

Соңғы жылдары орман өрттерін спутниктік суреттерді пайдаланып анықтауға тырысып, кең ауқымды зерттеулер жүргізілді, бұл негізінен ұшырылған спутниктердің көптігіне және онымен байланысты шығындардың азаюына байланысты. Атап айтқанда, Жерді бақылауға (ЖББ) арналған спутниктер жиынтығы жасалды (мысалы, Планета). Спутниктер әдетте орбиталарына қарай жіктеледі, олардың әрқайсысының өзіндік артықшылықтары мен кемшіліктері бар. 1-кестеде ең маңызды санаттар көрсетілген.

1-кесте. Спутниктік санаттары

Төмен полярлы SSO орбиталарында орналасқан геостационарлық орбиталық (GEO) спутниктерінің көпшілігінде ғарыш аппараттарының күн сәулесінің бірдей бұрышында әр уақытта бірдей көріністі бақылауын және көлеңкелердің әр өту кезінде бірдей болуын қамтамасыз ету үшін дәл биіктік пен көлбеулік бағалаулары бар. Күнмен синхрондалған спутниктік деректер жоғары кеңістіктік ажыратымдылыққа ие, бірақ уақыттық ажыратымдылығы төмен (LandSat-7/8 8 күндік қайталау цикліне ие, ал Sentinel 2A/2B орта ендік аймақтарында 2-3 күндік қайталау цикліне ие), ал GEO спутниктерінің кеңістіктік ажыратымдылығы төмен, бірақ уақыттық ажыратымдылығы жоғары. Сондықтан олар белсенді орман өрттерін нақты уақыт режимінде анықтауда тиімді емес; оның орнына олар өртенген аумақты бағалау сияқты уақытқа сезімтал емес тапсырмаларға жақсырақ сәйкес келеді. Геостационарлық орбита спутниктік жүйелері орман өрттерін анықтай алады, себебі олар үлкен аумақтарды көре алады. Жерді суретке түсіретін спутниктердің көпшілігі көп спектрлі бейнелеу сенсорларын пайдаланады және геостационарлық немесе полярға жақын күнмен синхронды орбиталарда орналасқан.

2-кесте. Қашықтықтан зондтаудың кейбір тиісті спутниктік жүйелерінің тізімі және олардың сипаттамалары

2. Ағымдағы анықтау әдістері

Гиперспектрлік деректерге сүйене отырып, алдын ала тікелей ақпаратты жеке диапазондарды зерттеу арқылы алуға болады. Мысалы, түтінді көрінетін жақын инфрақызыл (VNIR) диапазонын зерттеу арқылы анықтауға болады, ал белсенді орман өрттерін қысқа толқынды инфрақызыл (SWIR) диапазонындағы қаныққан пикселдерді зерттеу арқылы алуға болады. Шын мәнінде, 2000 нм-ден 2400 нм-ге дейінгі диапазонда сигнал белсенді орман өрттерін бақылау кезінде оңай қанығады, себебі Жерден түсірілген сигнал күннен түсетін сигналдан үлкен (өйткені орман өрттері белсенді қуат сәулелендіргіштері ретінде әрекет етеді). Дегенмен, конволюциялық нейрондық желілерді пайдаланып, бүкіл спектрлік сипаттамаларды талдау қателіктерді болдырмауға және жіктеудің сенімділігін арттыруға мүмкіндік береді.

CNN көп класты жіктеу моделі 2-суретте көрсетілген. Гиперспектрлік деректердің кіріс пиксель спектрінде SWIR және VNIR арналары бар. Сондықтан, бұл C = 2^34 элементтері бар гиперкуб (кіріс гиперкубынан кейбір пайдасыз шикі деректерді алып тастағаннан кейін). 3 ядросы, n1 = 112 сүзгісі, сол толтырғышы, ReLU белсендіру функциясы және l2 ядросының реттегіші бар бір өлшемді конволюциялық қабат бірінші жасырын қабат болып табылады. Конволюциялық қабаттан кейін, пул өлшемі 2 және қадамы 2 болатын максималды пул қабаты бар (2-суретте көрсетілгендей n2 = n1 екенін ескеріңіз). Бұл максималды пулдың нәтижесі тегістеу қабаты арқылы өтеді, содан кейін 128 бірліктен тұратын толық қосылған қабатқа қосылады (ReLU белсендіру функциясымен). Соңғы қабат - көп класты жіктеу үшін SoftMax белсендіру функциясы бар тығыз бірлік қабаты. C1 және C2 суреттеріндегі метрикаларды бағалау оңай және желі архитектурасына байланысты екенін атап өткен жөн. Модельді оқыту үшін біз Adam оңтайландырғышын және жіктеу кросс-энтропия шығын функциясын қолданамыз.

2-сурет. CNN моделінің көп классты жіктелуі