СЕМАНТИЧЕСКАЯ СЕГМЕНТАЦИЯ НЕФТЯНОГО ЗАГРЯЗНЕНИЯ ЗЕМЕЛЬ ПО СНИМКАМ PLANETSCOPE С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ

Аннотация

Мониторинг нефтяного загрязнения земель является актуальной задачей для Казахстана. В советское время добыча нефти на некоторых месторождениях осуществлялась амбарным способом, при котором буровые отходы, технологические жидкости и сопутствующие сточные воды собирались в специально вырытых земляных амбарах в непосредственной близости от места добычи, поэтому накопилось большое количество замазученных территорий, требующих рекультивации с сопутствующим мониторингом. Дистанционное зондирование вкупе с обработкой снимков методами глубокого обучения, позволяющими более точно сегментировать замазученные территории, облегчает проведение мониторинга таких территорий. В данной работе представлен датасет ROSID-HR, построенный на основе мультиспектральных снимков PlanetScope, что позволяет сегментировать нефтяное загрязнение малой площади. При создании ROSID-HR в качестве опорной разметки использовались замазученные участки, входящие в разработанный нами ранее набор данных ROSID, что позволило сохранить согласованность аннотаций между двумя датасетами. Экспериментальным путем установлена оптимальная композиция каналов PlanetScope (Blue-Red-NIR) для лучшего отделения нефтезагрязненных территорий от теней и техногенных объектов. Для проверки работоспособности датасета была проведена семантическая сегментация с использованием классической модели DeepLabv3+ и трансформерной модели Mask2Former. При использовании архитектуры Mask2Former показатель IoU для класса «нефть» на тестовой выборке составил 69,73%, что в три раза превышает результат модели DeepLabv3+, показавшей 21,63%. Полученные результаты подтверждают эффективность применения данных PlanetScope в сочетании с Mask2Former для обнаружения замазученных участков малой площади.