Математическая модель обработки мультиспектральных данных для мобильной платформы экологического мониторинга

   Целью исследования является математическое обоснование процесса обработки мультиспектральных данных с целью обнаружения локальных зон загрязнения окружающей среды с возможностью классификации загрязняющего вещества.

   Методы. В качестве базового математического аппарата используются основы прикладной теории стохастических систем, основанной на уравнениях для многомерных характеристических функций и функционалов. При определении загрязняющего вещества используется критерий, отражающий способность предметов и подчиняющийся закону Ламберта. Для решения задачи классификации объектов применены подходы с использованием бинарной логистической регрессии. При оценке результатов исследования применены статистические методы анализа.

   Результаты. Полученные частные математические модели позволяют учесть множество факторов, воздействующих на мобильные платформы экологического мониторинга и функционирующих в автоматическом режиме. Обосновывают возможность дистанционного анализа локальных зон загрязнения окружающей среды с возможностью определения загрязняющих веществ, таких как углеводороды, фосфат-ионы и др., а также поиска несанкционированных локаций строительного и бытового мусора. Повышают точностные характеристики в 1,3 раза при определении параметров выделенных объектов за счет обработки данных, полученных в различных спектральных диапазонах. Способствуют снижению вычислительной сложности алгоритма классификации в 1,1 раза с учетом объема входных данных в ограниченном спектральном диапазоне и уменьшению разрешения эталонного объекта, при этом не влияющего на точность классификации.

   Заключение. Разработана математическая модель обработки данных и изображений, полученных в нескольких спектральных диапазонах, при функционировании мультиспектрального устройства для автономной мобильной платформы экологического мониторинга, позволяющая выделять объекты в поле зрения устройства с подвижной платформы, получать детализированное изображение объектов рабочей сцены с пространственной привязкой относительно используемой системы координат, отличительной особенностью которой является повышение точности вычисления координат локальных зон загрязнений и повышение достоверности классификации объектов, исходя из характеристики диффузионной отражательной способности в различных спектральных диапазонах.

1. Состояние земельных, почвенных и водных ресурсов. URL: https://www.fao.org/3/cb7654ru/online/src/html/chapter-1-5.html (дата обращения: 12. 03. 2023).

2. Remote sensing-based water quality assessment for urban rivers: A study in linyi development area / S. Miao, C. Liu, B. Qian, Q. Miao // Environmental Science and Pollution Research. 2020. N 27. P. 34586–34595.

3. Assessment of some water quality parameters in the Red River downstream, Vietnam by combining field monitoring and remote sensing method / T. T. Tham, T. L. Hung, T. T. Thuy, V. T. Mai, L. T. Trinh, C. V. Hai, T. B. Minh // Environmental Science and Pollution Research. 2022. N 29. P. 41992–42004.

4. Extraction of Urban Water Bodies from High-Resolution Remote-Sensing Imagery Using Deep Learning / Y. Chen, R. Fan, X. Yang, J. Wang, A. Latif // Water. 2018. N 10. P. 585.

5. He Y., Jin S., Shang W. Water quality variability and related factors along the yangtze river using landsat-8 // Remote Sensing. 2021. N 13 (12). P. 2241.

6. El Din E. S. Enhancing the accuracy of retrieving quantities of turbidity and total suspended solids using Landsat-8-based-principal component analysis technique // Spatial Science. 2019. N 66 (3). P. 1–20.

7. Nutrient estimation by HJ-1 satellite imagery of Xiangxi Bay, Three Gorges Reservoir China / Y. Huang, D. Fan, D. Liu, L. Song, D. Ji, E. Hui // Environmental Earth Sciences. 2016. N 75 (8). P. 633.

8. Спевакова С. В. Мультиспектральный датчик изображения для автономного устройства экологического мониторинга // Юность и знания – гарантия успеха : сборник научных трудов VII Международной молодежной научной конференции : в 3 т. / под ред. А. А. Горохова. Курск: Университетская книга, 2020. С. 352–356.

9. Интеллектуальная система обработки изображений, получаемых с беспилотных летательных аппаратов / С. А. Филист, Р. А. Томакова, Н. Г. Нефедов, Е. И. Пузырев, И. Н. Горбачев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 4. С. 64–85. doi: 10.21869/2223-1536-2022-12-4-64-85.

10. Schowengerdt R. A. Remote Sensing: Models and Methods for Image Processing 3^rd ed. San Diego, USA: Academic Press, 2007. 560 р.

11. Potential Applications of the Sentinel-2 Multispectral Sensor and the ENMAP hyperspectral Sensor in Mineral Exploration / C. Mielke, N. K. Boshce, C. Rogass, K. Segl, C. Gauert, H. Kaufmann // EARSel eProceedings. 2014. N 13 (2). P. 93–102.

12. Multispectral demosaicking algorithm based on inter-channel correlation / J. Mizutani, S. Ogawa, K. Shinoda, M. Hasegawa, S. Kato // Proceedings of the 2014 IEEE Visual Communications and Image Processing Conference. Valletta, Malta: IEEE, 2014. P. 474–477.

13. Формирование пространства признаков для задач классификации сложных структурированных изображений на основе спектральных окон и структур нейронных сетей / С. А. Филист, К. Д. Али Кассим, А. А. Кузьмин, О. В. Шаталова, Е. А. Алябьев // Известия Юго-Западного государственного университета. 2016. № 4 (67). С. 56–68.

14. Vignolo A., Pochettino A., Cicerone D. Water quality assessment using remote sensing techniques: Medrano Creek, Argentina // Journal of Environmental Management. 2006. N 81. P. 429–433.

15. Чернецкая И. Е., Спевакова С. В. Мультиспектральное оптико-электронное устройство для автономной мобильной платформы экологического мониторинга // Труды МАИ. 2020. № 114. С. 13.

16. Курдюмова Т. И., Григорьева А. Л. Математическая модель связи лазерного дальномера с типом лазерного излучения // Постулат. 2018. № 41 (30). С. 46.

17. Спевакова С. В., Чернецкая И. Е. Классификация объектов изображения сверточной нейронной сетью на основе диффузной отражательной способности материалов // Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений : материалы XVI Международной научно-технической конференции / Юго-Западный государственный университет. Курск, 2021. С. 230–232.

18. Спевакова С. В. Построение маршрута мобильного робота на основе анализа мультиспектральных данных // Интеллектуальные и информационные системы. Интеллект – 2019 : сборник трудов конференции / Тульский государственный университет. Тула, 2019. С. 334–337.

19. An algorithm for the traveling salesman problem / J. D. C. Little [et al.] // Operations research. 1963. Vol. 11, no. 6. P. 972–989.

20. Фисенко Е. В. Анализ результатов использования методики мультииндексной обработки спектральных изображений подстилающей поверхности по комплексным данным дистанциооного зондирования // Известия высших учебных заведений. Геодезия и аэрофотосьемка. 2019. № 3. C. 324–332.