Новый алгоритм, который меняет всё: как спутники будут точнее следить за природой

Российские ученые из Южного федерального университета в Ростове-на-Дону совершили значительный прорыв в области обработки данных дистанционного зондирования Земли.

Под руководством старшего научного сотрудника Бориса Козловского, они разработали инновационный метод предварительной обработки гиперспектральных изображений лесов и почв, полученных с помощью спутниковых или авиационных систем.

Этот метод, поддержанный Российским научным фондом (РНФ), обещает революционизировать разработку и применение искусственного интеллекта (ИИ) в мониторинге окружающей среды, повышая точность и эффективность таких систем.

Гиперспектральные камеры, используемые для получения данных, представляют собой высокотехнологичные устройства, способные регистрировать отражение электромагнитных волн в очень широком спектральном диапазоне. В отличие от обычных камер, которые фиксируют изображение в нескольких цветовых каналах (красный, зеленый, синий), гиперспектральные камеры "видят" сотни, а иногда и тысячи узких спектральных полос. Что позволяет получить гораздо более детальную информацию о химическом составе, физическом состоянии и других характеристиках объектов на поверхности Земли.

Это открывает безграничные возможности для экологического мониторинга, изучения климатических изменений, анализа состояния почв и растительности, а также решения множества других задач в области геоинформатики и природопользования.

Однако обработка огромных массивов данных, генерируемых гиперспектральными камерами, представляет собой сложную вычислительную задачу. Традиционные методы обработки требуют значительных вычислительных ресурсов и специализированного программного обеспечения, что ограничивает их доступность и применение.

Разработанный в ЮФУ алгоритм решает эту проблему, предлагая эффективный и ресурсосберегающий подход к предварительной обработке данных.

Суть метода заключается в особом способе обработки "шумных" или некачественных спектральных профилей, которые часто встречаются в гиперспектральных изображениях из-за атмосферных помех, технических несовершенств аппаратуры или других факторов.

Вместо того чтобы отбрасывать эти "плохие" данные, алгоритм использует их для уточнения и улучшения "хороших" профилей. Он вычисляет средний спектральный профиль — своеобразный "идеальный" образец для данного типа объектов — и затем "приближает" к нему все остальные профили, минимизируя влияние шумов и артефактов.

Этот процесс математически моделирует истинное спектральное состояние объекта, устраняя искажения и повышая точность последующего анализа.

Главное преимущество этого метода заключается в его нетребовательности к вычислительным ресурсам. В отличие от многих существующих алгоритмов, он не нуждается в мощных компьютерах или специализированных вычислительных кластерах, что делает его доступным для широкого круга пользователей и позволяет применять его в условиях ограниченных ресурсов. Это значительно расширяет возможности использования гиперспектральных данных и способствует развитию технологий дистанционного зондирования.

Более того, предложенный метод существенно улучшает качество данных, поступающих на вход ИИ-систем, предназначенных для анализа гиперспектральных изображений. Повышение качества данных напрямую влияет на точность работы алгоритмов машинного обучения, позволяя им более эффективно различать различные типы объектов, выявлять изменения в окружающей среде и делать более точные прогнозы.

Эксперименты показали, что использование этого алгоритма предварительной обработки значительно снижает вероятность ошибок в классификации объектов на гиперспектральных изображениях, что делает ИИ-системы мониторинга природы более надежными и эффективными.

В результате метод способствует развитию технологий экологического мониторинга, позволяя получать более точные и своевременные данные о состоянии окружающей среды, что критически важно для принятия обоснованных решений в области охраны природы и рационального природопользования.

Это открывает новые перспективы для анализа изменений климата, мониторинга лесных массивов и сельскохозяйственных угодий, а также для решения других задач, связанных с оценкой состояния экосистем и прогнозированием природных явлений.