ІНТЕЛЕКТУАЛЬНІ МЕТОДИ ТА МОДЕЛІ ОБРОБКИ СУПУТНИКОВИХ ДАНИХ У ЗАДАЧІ МОНІТОРИНГУ ЗВАЛИЩ

УДК 004.67

Яйлимова Ганна Олексіївна, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», anna.yailymova@gmail.com

Яйлимов Богдан Ялкапович, Інститут космічних досліджень НАН України та ДКА України, yailymov@gmail.com

Шелестов Андрій Юрійович, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», andrii.shelestov@gmail.com

Красільнікова Тетяна Миколаївна, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», tatijanaeco@gmail.com

DOI: http://doi.org/10.34229/2786-6505-2022-2-9

pages 128-140

Статтю присвячено розв’язанню важливої прикладної задачі пошуку сміттєзвалищ на основі методів машинного навчання з використанням супутникових даних високого просторового розрізнення. Проблема накопичення і зберігання відходів на легальних та несанкціонованих сміттєзвалищах актуальна і на сьогоднішній день. В Україні щороку утворюються мільйони тонн побутових відходів. Найбільші площі під полігони зайняті в Донецькій, Дніпропетровській, Одеській, Запорізькій областях. Так, в Донецькій області площі під сміттєзвалища займають 330 гектарів. Для моніторингу сміттєзвалищ використовуються різні технології, що базуються на супутникових даних і методах штучного інтелекту. Нині існують сервіси, за допомогою яких відстежується розташування сміттєзвалищ, але не надається інформація про територію сміттєзвалища та зміни її площі в часі. У процесі виконання досліджень розв’язано важливу задачу відокремлення полігонів від кар’єрів та штучних об’єктів шляхом поєднання попіксельної та об’єктної класифікації. Основна мета роботи полягала в розробці інтелектуальної інформаційної технології на основі нейромережевого підходу і побудові на її основі геопросторового продукту розміщення звалищ для Донецької області, а саме карти класифікації звалищ відходів. Запропонований алгоритм машинного навчання на основі історичних та сучасних супутникових даних дозволяє відстежувати площу полігону відходів та її зміни в часі. Розроблена інформаційна технологія апробована на території чотирьох територіальних громад у Донецькій області, а саме: Ольгинської, Мирноградської, Курахівської та Покровської. У результаті проведених досліджень також розроблено інформаційну панель, яка надає оперативні дані і дозволяє оцінювати динаміку змін сміттєзвалищ у регіоні в часі і просторі. Розроблена технологія має практичне значення для розробки програм керування та поводження з відходами в місцевих громадах.

  1. The state of the sphere of household waste management in Ukraine in 2021. URL: https://www.
    minregion.gov.ua/wp-content/uploads/2021/10/stan-sfery-povodzhennya-z-pobutovymy-vidhodamy.pdf
  2. Law of Ukraine «On Waste». URL: https://zakon.rada.gov.ua/laws/show/187/98-%D0%B2%
    D1%80#Text.
  3. Khosravi V., Doulati F., Gholizadeh A., Saberioon M. Satellite imagery for monitoring and mapping soil chromium pollution in a mine waste dump. Remote Sensing. 2021. 13, N 7. 1277. 20 p. DOI: 10.3390/rs13071277.
  4. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ICLR. 2015. 1409.1556. P. 1‒14. DOI: 10.48550/arXiv.1409.1556.
  5. Olugboja A., Wang Z. Intelligent waste classification system using deep learning convolutional neural network. Procedia Manufacturing. 2019. 35. P. 607‒612. DOI: 10.1016/j.promfg.
    2019.05.086.
  6. Rocio Nahime T., Fraternali P. Learning to identify illegal landfills through scene classification in aerial images. Remote Sensing. 2021. 13, N 22: 4520. DOI: 10.3390/rs13224520.
  7. Kussul N., Lavreniuk M., Shumilo L. Deep recurrent neural network for crop classification task based on sentinel-1 and sentinel-2 imagery. In IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium. 2020. P. 6914‒6917. DOI: 10.1109/IGARSS39084.
    2020.9324699.
  8. Shumilo L., Kussul N., Lavreniuk M. U-Net model for logging detection based on the sentinel-1 and sentinel-2 data. In 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. 2021. P. 4680‒4683. DOI: 10.1109/IGARSS47720.2021.9554885.
  9. STEP: Science Toolbox Exploitation Platform. URL: http://step.esa.int/main/toolboxes/snap/.
  10. Impact of SAR data filtering on crop classification accuracy. M. Lavreniuk, N. Kussul, M. Meretsky, V. Lukin, S. Abramov, O. Rubel. IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON). 2017. P. 912–917. DOI: 10.1109/UKRCON.2017.810038.
  11. Tucker C.J. Red and photographic infrared combinations for monitoring vegetation. Remote Sens. of Environ. 1979. 8. P. 127–150. DOI: 10.1016/0034-4257(79)90013-0.
  12. Curran P.J. Remote sensing of foliar chemistry. Remote Sens. of Environ. 1989. 29. P. 271–278. DOI: 10.1016/0034-4257(89)90069-2.
  13. McFeeters S.K. The use of normalised difference water index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 1996. 17. P. 1425–1432. DOI: 10.1080/01431169608948714. 
  14. Huete A.R. A soil-adjusted vegetation index (SAVI). Remote Sens. of Environ. 1988. 25. P. 295–309. DOI: 10.1016/0034-4257(88)90106-X.
  15. Jim´enez-Mu˜noz J. et al. Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data. IEEE Geoscience and Remote Sensing Letters. 2014. 11. P. 1840–1843. 
  16. Sobrino J. et al. Single-channel and two-channel methods for land 96 surface temperature retrieval from DAIS data and its application to the Barrax site. International Journal of Remote Sensing. 2004. 25, N 1. P. 215‒230.
  17. Wang F. et al. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data. Remote sensing. 2015. 7, N 4. P. 4268‒4289.
  18. Deep learning approach for large scale land cover mapping based on remote sensing data fusion. N. Kussul, A. Shelestov, M. Lavreniuk, I. Butko, S. Skakun. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2016. P. 198‒201. DOI: 10.1109/IGARSS.
    2016.7729043.
  19. Cloud approach to automated crop classification using Sentinel–1 imagery. A. Shelestov, M. Lavreniuk, V. Vasiliev, L. Shumilo, A. Kolotii, B. Yailymov, N. Kussul, H. Yailymova. IEEE Transactions on Big Data. 2020. 6, N 3. P. 572–582. DOI: 10.1109/ TBDATA.2019.2940237.
  20. Land cover changes analysis based on deep machine learning technique. N. Kussul, N. Lavreniuk, A. Shelestov, B. Yailymov, I. Butko. Journal of Automation and Information Sciences. 2016. 48, N 5. P. 42–54. DOI: 10.1615/JAutomatInfScien.v48.i5.40.
  21. Азарсков В.Н., Блохин Л.Н., Житецкий Л.С., Куссуль Н.Н. Робастные методы оценивания, идентификации и адаптивного управления. Київ : Вид-во Національного авіаційного ун-ту МОН України. 2004. 498 с.