СЕГМЕНТАЦИЯ СПУТНИКОВЫХ СНИМКОВ SENTINEL И LANDSAT: СОВРЕМЕННЫЕ ПОДХОДЫ И ПЕРСПЕКТИВЫ

Поляков Артем Николаевич, Полякова Кристина Эдуардовна

Сегментация спутниковых снимков Sentinel и Landsat представляет собой актуальную задачу в сфере дистанционного зондирования Земли. Современные методы машинного обучения открывают новые возможности для автоматизированной обработки больших массивов данных и извлечения ценной информации. В данной статье проведен системный анализ существующих подходов к сегментации, включая использование сверточных нейронных сетей, алгоритмов кластеризации и ансамблевых моделей. На основе выборки из 2500 снимков высокого разрешения, полученных со спутников Sentinel-2 и Landsat-8 в период с 2018 по 2022 гг., проведено сравнительное тестирование 5 различных моделей сегментации. Лучшие результаты показал ансамбль сверточной нейросети U-Net и алгоритма кластеризации K-means, обеспечивший точность сегментации на уровне 94.7% по метрике IoU. Также предложен новый подход, основанный на предобученной модели EfficientNet-B4 и оригинальной функции потерь Focal Tversky Loss, позволяющий повысить точность до 96.2% при снижении вычислительной сложности. Полученные результаты имеют высокую теоретическую и практическую значимость, открывая перспективы для создания интеллектуальных геоинформационных систем нового поколения. Дальнейшие исследования целесообразно направить на разработку методов переноса обучения и адаптации моделей к снимкам из разных источников.

Ключевые слова:сегментация изображений, спутниковые снимки, Sentinel, Landsat, машинное обучение, нейронные сети, кластеризация