Научно-технологическая программа "Большие вызовы" 2025
Направление "Космические технологии"
Направление "Космические технологии"
Выявление и оценка разливов нефтепродуктов в акваториях по спутниковым снимкам с использованием методов машинного обучения
Партнёры проекта
Аннотация
В данной работе производилось распознавание разливов нефтепродуктов на спутниковых снимках в акватории Керченского пролива с использованием созданной в ходе проекта нейросети. Рассматривались схожие исследования и различные методики оценки разливов, выполнен поиск спутниковых данных в целях создания выборки для обучения нейросети, был создан программный код для нейросети, выполнено её обучение и тестирование, создан интерфейс для работы с ней. Итоговыми продуктами проекта являются: набор данных дистанционного зондирования Земли со спутника Sentinel-1 в радиолокационном диапазоне, собранный из открытых источников, приложение для упрощения процесса разметки и обработки снимков со встроенной нейросетью, обученной на основе собранных данных.
Данная разработка облегчает распознавание и анализ разливов нефтепродуктов.
Данная разработка облегчает распознавание и анализ разливов нефтепродуктов.
Актуальность и проблематика исследования
В настоящее время происходит большое количество аварий, в ходе которых случается незапланированный выброс нефтепродуктов, что наносит существенный ущерб окружающей среде. Для обнаружения разливов нефтепродуктов используются различные методы. Спутниковая съёмка – один из самых эффективных. Однако на данный момент существующие системы и средства выявления разливов по спутниковым снимкам не являются полностью открытыми и свободно доступными.
Последствия загрязнения береговой линии Анапы после разлива нефтепродуктов, декабрь 2024 г.
Цель и задачи проекта
Цель проекта - поиск решений и реализация инструментов, облегчающих распознавание и анализ разливов нефтепродуктов в акваториях по спутниковым снимкам
Задачи
Анализ и подготовка данных
Собрать данные дистанционного зондирования Земли необходимые для обучения нейронной сети.
Сопоставить разные типы спутниковых снимков для идентификации и подтверждения разливов нефтепродуктов
Сопоставить разные типы спутниковых снимков для идентификации и подтверждения разливов нефтепродуктов
Разработка инструментария для разметки
Разработать программу для разметки спутниковых снимков и создания набора данных для обучения нейросети
Выбор архитектуры и обучение нейронной сети
Реализовать программный код на Python для обучения свёрточной нейронной сети. Обучить нейросеть на основе собранных данных и протестировать её
Разработка приложения
Создать пользовательский интерфейс для распознавания разливов нефтепродуктов на спутниковых снимках с использованием разработанной нейронной сети
Представление результатов
Выполнить публикацию результатов проектной работы в открытом доступе
Источники данных
Инструменты для поиска данных и доступа к ним
Инструменты для обработки данных
В ходе проекта была создана свёрточная нейронная сеть с архитектурой U-net и набор данных для её обучения на основе данных со спутника Sentinel-1.
Дополнительно для тестирования нейронной сети была использована свободно распространяемая обучающая выборка, содержащая в себе 3020 изображений размером 2048*2048*2 в формате GeoTiff, также созданная на основе снимков со спутника Sentinel-1. (DOI: 10.5281/zenodo.8346860).
Дополнительно для тестирования нейронной сети была использована свободно распространяемая обучающая выборка, содержащая в себе 3020 изображений размером 2048*2048*2 в формате GeoTiff, также созданная на основе снимков со спутника Sentinel-1. (DOI: 10.5281/zenodo.8346860).
Съёмочные диапазоны
Радиолокационный
Применим в любых погодных условиях 24 часа в сутки, но результаты измерений зависят от скорости ветра над водной поверхностью и предполагают возможность ошибочного определения других объектов и явлений как разливов нефтепродуктов
Видимый
В этом диапазоне изображения получаются с наиболее высоким разрешением и есть возможность определить тип загрязнения, но он не может применяться ночью и в облачную погоду, что сильно сокращает объём выборки данных для обучения нейросети
Тепловой
Диапазон может применяться в любое время суток, но малоэффективен при распознавании разливов нефтепродуктов, результаты измерений также зависят от погодных условий
Данные обучающей выборки (Sentinel-1)
Разметка и разбиение снимков
Обучение нейронной сети
График потерь при обучении нейросети на созданном наборе данных
График потерь при обучении нейросети на наборе данных из открытых источников
Приложение для разметки снимков и распознавания разливов нефтепродуктов
Итоги проекта
- Подбор и анализ снимковПроанализированы данные дистанционного зондирования Земли со спутников Landsat-8/9, Sentinel-1/2 и Метеор-М акватории Чёрного моря в различных съёмочных диапазонах и создана обучающая выборка из радиолокационных снимков
- Обучение нейросетиПроведено обучение нейронной сети на свободно распространяемой и собранной выборках
- Приложение для разметки и взаимодействия с нейронной сетьюРазработано приложение для разбиения снимков по регулярной сетке, создания пиксельных масок и синтетических изображений, а также для запуска распознавания разливов нефтепродуктов с помощью нейросети
Возможности развития проекта
- Расширение набора данныхСоздание расширенных обучающих выборок на основе созданной в рамках проекта, в том числе с использованием снимков в других диапазонах
- Развитие методикиРазработка алгоритмов комбинированного анализа данных разных спутниковых снимков
- Совершенствование программных средствПовторное обучение нейросети с использованием расширенных наборов обучающих данных
Наша команда
- Кокорин АндрейПрограммист
- Куцеба ВладиславАналитик данных
- Рохмистрова ОльгаМенеджер и дизайнер проекта
- Лебеденко МаркАналитик данных
- Черепов ВсеволодПрограммист
Ссылка на ресурсы проекта
DOI: 10.5281/zenodo.16307597
DOI: 10.5281/zenodo.16320853
DOI: 10.6084/m9.figshare.29624933
GitHub проекта