Реалізація методу семантичної сегментації на основі глибокого навчання для визначення щільності рослинності

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.265807

Ключові слова:

густота рослинності, глибоке навчання, семантична сегментація, класифікаційна модель, дані двовимірного зображення

Анотація

На сухість торфовищ впливає густота рослинності. Якщо торфовища сухі, вони стають вразливими для пожежонебезпеки. Для розрахунку індексу посухи фахівці мають провести аналіз густоти рослинності. Проте польовий аналіз потребує величезної кількості ресурсів. Крім того, точність аналізу, заснованого на супутникових даних, є недостатньою. Таким чином, у цьому дослідженні представлені дані двовимірного зображення, одержані за допомогою безпілотних літальних апаратів. Об'єктом цього дослідження є Захисний лісовий масив Лян Анганг I в Банджарбару, Південний Калімантан, Індонезія. Його обстежено для отримання інформації про його рослинний покрив. Після цього було зібрано та використано загалом 300 зображень рослинного покриву. Метод глибокого навчання з семантичною сегментацією використовуватиметься для порівняння результатів визначення методів з експертними результатами як справжніми підставами. Вклад цього дослідження полягає у визначенні оптимальної продуктивності моделі глибокого навчання, яка використовується для класифікації щільності рослинності за трьома категоріями: гола / не випасається, злегка випасається і сильно випасається. Продуктивність оцінюється на основі правильності та перетину по об'єднанню. Отримання правильних параметрів моделі класифікації з використанням методів глибокого навчання і порівняння результатів кращої моделі сегментації є цілями наступних досліджень. Згідно з проведеними експериментальними дослідженнями, оптимальне значення параметра імпульсу для MobileNetV2, Xception та Inception-ResNet-v2 становить 0,9, а оптимальна точність становить у середньому 82,69 відсотка. Найбільш підходящий імпульс для архітектури ResNet 18 – 0,1. Результатом семантичної сегментації з використанням моделі DeepLabV3 з архітектурою Inception-ResNet-v2 є оптимальна модель оцінки щільності рослинності порівняно з моделлю U-Net.

Біографії авторів

Yuslena Sari, Universitas Lambung Mangkurat

Master of Computer Science, Head of Department

Department of Information Technology

Yudi Arifin, Universitas Lambung Mangkurat

Doctor of Silviculture and Forest Ecology, Professor, Vice Rector for Planning, Cooperation and Public Relations

Department of Forestry

Novitasari Novitasari, Universitas Lambung Mangkurat

Doctor of Civil Engineering, Head of Hydraulic Laboratory

Department of Civil Engineering

Mohammad Faisal, Universitas Lambung Mangkurat

Doctor of Bioinformatic, Secretary of Department

Department of Computer Science

Посилання

  1. Warren, M., Hergoualc’h, K., Kauffman, J. B., Murdiyarso, D., Kolka, R. (2017). An appraisal of Indonesia’s immense peat carbon stock using national peatland maps: uncertainties and potential losses from conversion. Carbon Balance and Management, 12 (1). doi: https://doi.org/10.1186/s13021-017-0080-2
  2. Gumbricht, T., Román-Cuesta, R. M., Verchot, L. V., Herold, M., Wittmann, F., Householder, E. et. al. (2017). Tropical and Subtropical Wetlands Distribution version 2. Center for International Forestry Research (CIFOR). doi: https://doi.org/10.17528/CIFOR/DATA.00058
  3. Margono, B. A., Potapov, P. V., Turubanova, S., Stolle, F., Hansen, M. C. (2014). Primary forest cover loss in Indonesia over 2000–2012. Nature Climate Change, 4 (8), 730–735. doi: https://doi.org/10.1038/nclimate2277
  4. Hope, G., Chokkalingam, U., Anwar, S. (2005). The Stratigraphy and Fire History of the Kutai Peatlands, Kalimantan, Indonesia. Quaternary Research, 64 (3), 407–417. doi: https://doi.org/10.1016/j.yqres.2005.08.009
  5. Tacconi, L. (2016). Preventing fires and haze in Southeast Asia. Nature Climate Change, 6 (7), 640–643. doi: https://doi.org/10.1038/nclimate3008
  6. Sandhyavitri, A., Amri, R., Fermana, D. (2016). Development of Underground Peat Fire Detection. Proceeding of the First International Conference on Technology, Innovation and Society. doi: https://doi.org/10.21063/ictis.2016.1069
  7. Garcia-Prats, A., Antonio, D. C., Tarcísio, F. J. G., Antonio, M. J. (2015). Development of a Keetch and Byram – Based drought index sensitive to forest management in Mediterranean conditions. Agricultural and Forest Meteorology, 205, 40–50. doi: https://doi.org/10.1016/j.agrformet.2015.02.009
  8. Keetch, J. J., Byram, G. M. (1988). Drought Index. Forest Seruice Research Paper, 36.
  9. Abalo, M., Badabate, D., Fousseni, F., Kpérkouma, W., Koffi, A. (2021). Landscape-based analysis of wetlands patterns in the Ogou River basin in Togo (West Africa). Environmental Challenges, 2, 100013. doi: https://doi.org/10.1016/j.envc.2020.100013
  10. Karlson, M., Gålfalk, M., Crill, P., Bousquet, P., Saunois, M., Bastviken, D. (2019). Delineating northern peatlands using Sentinel-1 time series and terrain indices from local and regional digital elevation models. Remote Sensing of Environment, 231, 111252. doi: https://doi.org/10.1016/j.rse.2019.111252
  11. Chughtai, A. H., Abbasi, H., Karas, I. R. (2021). A review on change detection method and accuracy assessment for land use land cover. Remote Sensing Applications: Society and Environment, 22, 100482. doi: https://doi.org/10.1016/j.rsase.2021.100482
  12. Meng, S., Wang, X., Hu, X., Luo, C., Zhong, Y. (2021). Deep learning-based crop mapping in the cloudy season using one-shot hyperspectral satellite imagery. Computers and Electronics in Agriculture, 186, 106188. doi: https://doi.org/10.1016/j.compag.2021.106188
  13. Campos-Taberner, M., García-Haro, F. J., Martínez, B., Izquierdo-Verdiguier, E., Atzberger, C., Camps-Valls, G., Gilabert, M. A. (2020). Understanding deep learning in land use classification based on Sentinel-2 time series. Scientific Reports, 10 (1). doi: https://doi.org/10.1038/s41598-020-74215-5
  14. Tan, J., Zuo, J., Xie, X., Ding, M., Xu, Z., Zhou, F. (2021). MLAs land cover mapping performance across varying geomorphology with Landsat OLI-8 and minimum human intervention. Ecological Informatics, 61, 101227. doi: https://doi.org/10.1016/j.ecoinf.2021.101227
  15. Zaldo-Aubanell, Q., Serra, I., Sardanyés, J., Alsedà, L., Maneja, R. (2021). Reviewing the reliability of Land Use and Land Cover data in studies relating human health to the environment. Environmental Research, 194, 110578. doi: https://doi.org/10.1016/j.envres.2020.110578
  16. Bunyangha, J., Majaliwa, Mwanjalolo. J. G., Muthumbi, Agnes. W., Gichuki, Nathan. N., Egeru, A. (2021). Past and future land use/land cover changes from multi-temporal Landsat imagery in Mpologoma catchment, eastern Uganda. The Egyptian Journal of Remote Sensing and Space Science, 24 (3), 675–685. doi: https://doi.org/10.1016/j.ejrs.2021.02.003
  17. Magnússon, R. Í., Limpens, J., Kleijn, D., van Huissteden, K., Maximov, T. C., Lobry, S., Heijmans, M. M. P. D. (2021). Shrub decline and expansion of wetland vegetation revealed by very high resolution land cover change detection in the Siberian lowland tundra. Science of The Total Environment, 782, 146877. doi: https://doi.org/10.1016/j.scitotenv.2021.146877
  18. Mao, D., Tian, Y., Wang, Z., Jia, M., Du, J., Song, C. (2021). Wetland changes in the Amur River Basin: Differing trends and proximate causes on the Chinese and Russian sides. Journal of Environmental Management, 280, 111670. doi: https://doi.org/10.1016/j.jenvman.2020.111670
  19. Su, H., Yao, W., Wu, Z., Zheng, P., Du, Q. (2021). Kernel low-rank representation with elastic net for China coastal wetland land cover classification using GF-5 hyperspectral imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 171, 238–252. doi: https://doi.org/10.1016/j.isprsjprs.2020.11.018
  20. Khakim, M. Y. N., Bama, A. A., Yustian, I., Poerwono, P., Tsuji, T., Matsuoka, T. (2020). Peatland subsidence and vegetation cover degradation as impacts of the 2015 El niño event revealed by Sentinel-1A SAR data. International Journal of Applied Earth Observation and Geoinformation, 84, 101953. doi: https://doi.org/10.1016/j.jag.2019.101953
  21. Räsänen, A., Aurela, M., Juutinen, S., Kumpula, T., Lohila, A., Penttilä, T., Virtanen, T. (2019). Detecting northern peatland vegetation patterns at ultra‐high spatial resolution. Remote Sensing in Ecology and Conservation, 6 (4), 457–471. doi: https://doi.org/10.1002/rse2.140
  22. Lin, P., Lu, Q., Li, D., Chen, Y., Zou, Z., Jiang, S. (2019). Artificial intelligence classification of wetland vegetation morphology based on deep convolutional neural network. Natural Resource Modeling, 33 (1). doi: https://doi.org/10.1111/nrm.12248
  23. Huang, H., Lin, L., Tong, R., Hu, H., Zhang, Q., Iwamoto, Y. et. al. (2020). UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation. ICASSP 2020 – 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 1055–1059. doi: https://doi.org/10.1109/icassp40776.2020.9053405
  24. Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., Adam, H. (2018). Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. Lecture Notes in Computer Science, 833–851. doi: https://doi.org/10.1007/978-3-030-01234-2_49
  25. Szegedy, C., Ioffe, S., Vanhoucke, V., Alemi, A. (2017). Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 31 (1), 4278–4284. doi: https://doi.org/10.1609/aaai.v31i1.11231
  26. Bianco, S., Cadene, R., Celona, L., Napoletano, P. (2018). Benchmark Analysis of Representative Deep Neural Network Architectures. IEEE Access, 6, 64270–64277. doi: https://doi.org/10.1109/access.2018.2877890
  27. Krizhevsky, A., Sutskever, I., Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60 (6), 84–90. doi: https://doi.org/10.1145/3065386
Implementation of deep learning based semantic segmentation method to determine vegetation density

##submission.downloads##

Опубліковано

2022-10-30

Як цитувати

Sari, Y., Arifin, Y., Novitasari, N., & Faisal, M. (2022). Реалізація методу семантичної сегментації на основі глибокого навчання для визначення щільності рослинності. Eastern-European Journal of Enterprise Technologies, 5(2(119), 42–54. https://doi.org/10.15587/1729-4061.2022.265807

Номер

Том 5 № 2(119) (2022): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2022 Yuslena Sari, Yudi Arifin, Novitasari Novitasari, Mohammad Faisal

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.