Методологія ідентифікації шламонакопичувачів з використанням методів машинного навчання на геопросторових зображеннях
DOI:
https://doi.org/10.33216/1998-7927-2022-275-5-16-20Ключові слова:
класифікація зображень дистанційного зондування, машинне навчання, шламонакопичувачАнотація
В останні роки спостерігається зростання випадків деформації промислових шламонакопичувачів, результатом якої у багатьох випадках є руйнівний вплив на навколишнє середовище та екосистему. Моніторинг шламонакопичувачів має вирішальне значення для запобігання руйнівним наслідкам деформації. Традиційні методи моніторингу вимагають великих ресурсів та також малоефективні для раннього виявлення потенційної деформації. Віддалений моніторинг на основі геопросторових зображень є перспективним напрямком для моніторингу шламонакопичувачів з метою раннього виявлення потенційної деформації. В роботі представлено формалізацію етапів та визначення методології моніторингу шламонакопичувачів на основі геопросторових зображень з використанням методів машинного навчання: визначено засоби моніторингу, формалізовано етапи, розроблено технічну блок-схему процесу. Визначена методологія включає наступні етапи: (1) формування вибірки та передобробка зображень, (2) класифікація з використанням алгоритмів машинного навчання, (3) валідація результатів класифікації та визначення моделі з найвищою точністю. Методологіязаснована на використанні Google Earth Engine (GЕЕ). Засоби платформи включають інтерактивний сервер додатків, що працює з відкритим каталогом даних, обчислювальне інтегроване середовище розробки, геопросторовий API (клієнтські бібліотеки надають оболонки Python і JavaScript для веб-API в архітектурі REST. Практичну реалізацію та оцінку якості запропонованої методології проведено на основі даних зображень шламонакопичувача содового виробництва ВАТ «Лисичанська сода». Проведено попередню обробку зображень: 1) відбір зображень без хмар, для покращення результатів подальшого аналізу, 2) об’єднання шарів зображень ДДЗ, 3) анотація об’єктів, 4) розділення даних на тестовий та тренувальний набори даних пікселів. Класифікацію реалізовано з використанням алгоритмів CART, RF та SVM Ефективність моделей визначено на основі точності ідентифікації. Найвища точність на тестових даних досягнута з використанням SVM, що становила 98,05%.
Посилання
1. Celenza, G., 2019. Industrial waste treatment process engineering: Biological Processes. CRC Press.
2. Grebby S. et al. Advanced analysis of satellite data reveals ground deformation precursors to the Brumadinho Tailings Dam collapse. Communications Earth & Environment. – 2021. – Т. 2. – №. 1. – С. 1-9.
3. Robertson, P. K., L.d. Melo, D.J. Williams, and G.W. Wilson. Report of the Expert Panel on the Technical Causes of the Failure of Feijão Dam I. 2019. URL: https://www.resolutionmineeis.us/documents/robertson-et-al-2019 (дата звернення 10.12.2022).
4. Критська Я. О., Білобородова Т.О. Дослідження мето-дів обробки та аналізу геопросторових зображень для віддаленого моніторингу поверхневих вод. Вісник СНУ імені Володимира Даля. – 2022. – №. 1 (271). – С. 11-17.
5. Imran, Shabir Ahmad, Do Hyeun Kim. Quantum GIS based descriptive and predictive data analysis for effective planning of waste management. IEEE. – 2020. – Т. 8. – С. 46193-46205.
6. Kodwo Miezah, Kwasi Obiro-Danso. Municipal solid waste characterization and quantification as a measure towards effective waste management in Ghana. Waste management. – 2015. – Т. 46. – С. 15-27.
7. Cigna, F., & Tapete, D. (2021). Present-day land subsidence rates, surface faulting hazard and risk in Mexico City with 2014–2020 Sentinel-1 IW InSAR. Remote Sensing of Environment. – 2021. – Т. 253. – С. 112161.
8. Google Earth Engine. Developers.google.com URL: https://developers.google.com/earth-engine (дата звер-нення 10.12.2022).
9. Ghorbanzadeh O., Blaschke T., Gholamnia K., Meena S.R., Tiede D., Aryal J. Evaluation of different machine learning methods and deep-learning convolutional neural networks for landslide detection. Remote Sensing. – 2019. – Т. 11. – №. 2. – С. 196.
10. Roodposhti M. S., Aryal J., Bryan B. A. A novel algorithm for calculating transition potential in cellular automata models of land-use/cover change. Environmental modelling & software. – 2019. – Т. 112. – С. 70-81.
11. Mezaal M. R., Pradhan B., Rizeei H. M. Improving landslide detection from airborne laser scanning data using optimized Dempster–Shafer. Remote Sensing. – 2018. – Т. 10. – №. 7. – С. 1029.
12. Micheletti N, Foresti L, Robert S, Leuenberger M, Pedrazzini A, Jaboyedoff M, Kanevski M. Machine learning feature selection methods for landslide susceptibility mapping. Mathematical geosciences. – 2014. – Т. 46. – №. 1. – С. 33-57.
13. Huang Y., Zhao L. Review on landslide susceptibility mapping using support vector machines. Catena. – 2018. – Т. 165. – С. 520-529.
14. Kavzoglu T., Colkesen I., Sahin E. K. Machine learning techniques in landslide susceptibility mapping: a survey and a case study. Landslides: Theory, practice and modelling. – 2019. – С. 283-301.
15. Melville B., Lucieer A., Aryal J. Object-based random forest classification of Landsat ETM+ and WorldView-2 satellite imagery for mapping lowland native grassland communities in Tasmania, Australia. International journal of applied earth observation and geoinformation. – 2018. – Т. 66. – С. 46-55.
16. Shaikh M. A. Using GIS in Solid Waste Management Planning: A case study for Aurangabad, India. – Institutionen för datavetenskap, 2006.
17. Sentinel-2 MSI: MultiSpectral Instrument, Level-2A. Developers.google.com URL: https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR. (дата звернення 10.12.2022).
