Автоматизация обработки изображений с помощью алгоритмов машинного обучения в GRASS GIS с использованием встроенной библиотеки Scikit-Learn для Python

Исследована обработка изображений с использованием методов машинного обучения (ML) и искусственных нейронных сетей (ANN) с применением алгоритмов геоинформационной системы Geographic Resources Analysis Support System (GRASS GIS) и встроенной библиотеки Scikit-Learn языка Python. Данные получены от United States Geological Survey (USGS) и включают мультиспектральные спутниковые изображения Landsat 8 Operational Land Imager/Thermal Infrared Sensor (OLI/TIRS). Изображения были собраны в 2013 и 2023 годах для оценки категорий земного покрова в каждом из годов. Область исследования охватывает дельту Нила и оазис Файюм, Египет. Для обработки данных дистанционного зондирования был применён ряд модулей обработки растровых изображений с использованием скриптового языка GRASS GIS. Спутниковые изображения были классифицированы в растровые карты, представляющие типы земного покрова. Включены модули i.cluster и i.maxlik для неконтролируемой (unsupervised) классификации, использованные в качестве обучающего набора случайных пиксельных семян, а также r.random, r.learn.train, r.learn.predict и r.category для части обработки изображений с ML. Проанализированы последствия различных параметров ML на картографические выходы, такие как скорость и точность, случайность узлов, аналитическое определение выходных весов и распределение зависимости пикселей для каждого алгоритма. Были протестированы и сравнены контролируемые модели обучения, доступные в GRASS GIS, включая Gaussian Naive Bayes (GaussianNB), многослойный персептрон (MLPClassifier), классификатор опорных векторов (SVM) и классификатор случайного леса (RF). Хотя каждый алгоритм разработан для различных целей применения ML в обработке данных ДЗЗ, их техническая реализация и практическое назначение представляют ценные подходы к картографической обработке данных и анализу изображений. Результаты показали, что наиболее времязатратным был SVM, тогда как самые быстрые результаты были достигнуты при использовании GaussianNB, а наилучшие результаты классификации — при использовании классификатора RF.