Разработка интеллектуальной системы обнаружения разливов нефти на водных поверхностях по космическим снимкам
ВВЕДЕНИЕ
Актуальность. Разливы нефти на водоемах стали серьезной проблемой для окружающей среды и общественной безопасности. Благодаря всеобщей вовлеченности к утилизации морских ресурсов, в последние годы быстро развивалась отрасль водного транспорта и оффшорная нефтегазовая промышленность. Однако, разливы нефти с судов и морских нефтяных платформ по всему миру происходят достаточно часто. Такие ситуации приводят к огромному экологическому и материальному ущербу. Аварии, связанные с разливами нефти, часто происходят в районах со сложной окружающей средой. В таких регионах особенно сложно своевременно попасть на загрязненную территорию для ее очистки. Процесс устранения последствий аварии может длиться долго, поэтому необходимы наблюдения для изучения распространения разливов нефти и того, насколько они влияют на экологическую безопасность. Вышесказанное обусловило актуальность исследования. Предлагается применить комплексный подход, который сочетает в себе использование технических средств и разработку мониторинговой системы, выполняющей в реальном времени анализ данных для автоматического детектирование разлива нефти.
Таким образом, разработка программной системы для обнаружения раз-лива нефтепродуктов на поверхности воды с использованием данных дистан-ционного зондирования Земли, является актуальной задачей.
Цель и задачи. Целью магистерской диссертации является повышение точности обнаружения разлива нефтепродуктов на поверхности воды с использованием данных дистанционного зондирования Земли (ДЗЗ), используя современные технологии машинного обучения.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ 5
1 СПОСОБЫ ОБРАБОТКИ И АНАЛИЗА СНИМКОВ ДЗЗ РАЗЛИВА НЕФТИ НА ВОДНЫХ ПОВЕРХНОСТЯХ 8
1.1 Общие сведения о последствиях разливов нефти 8
1.2 Общая характеристика методов получения снимков ДЗЗ с разливами нефти на водных поверхностях 9
1.3 Модели машинного обучения для обнаружения разливов нефти в оптическом изображении 11
1.4 Анализ существующих методов семантической сегментации снимков ДЗЗ 18
1.5 Обзор существующего программного обеспечения 19
1.6 Выводы по главе 24
2 ПРОЕКТИРОВАНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ 25
2.1 Создание набора данных 25
2.2 Сегментация изображений нефтяных пятен 26
2.3 Классификация образцов 28
2.4 Концептуальное проектирование базы данных 29
2.5 Логическое проектирование базы данных 32
2.6 Выбор целевой СУБД 35
2.7 Физическое проектирование базы данных 36
2.8 Выводы по главе 39
3. РАЗРАБОТКА ПРОГРАММНОГО ПРОДУКТА 40
3.1 Структура программного продукта 40
3.2 Реализация бизнес-правил 41
3.3 Руководство программиста 42
3.4 Руководство пользователя 43
3.5 Экспериментальные исследование и тестирование программного продукта 48
3.6 Выводы по главе 52
ЗАКЛЮЧЕНИЕ 53
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 54
СПИСОК ПУБЛИКАЦИЙ АВТОРА ПО ТЕМЕ РАБОТЫ 56
ПРИЛОЖЕНИЕ А 58
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1) Малыхина, М.П. Базы данных: основы, проектирование, использование / М.П. Малыхина. – Санкт-Петербург: БХВ-Петербург, 2007. – 528 c. – Текст: непосредственный.
2) Программирование баз данных в Delphi 7. Учебный курс / В.В. Фаро-нов: СПБ:, 2006. – 457 с. – Текст: непосредственный.
3) Стружкин, Н.П. Базы данных: проектирование. практикум: учебное пособие для академического бакалавриата / Н.П. Стружкин, В.В. Годин. – Люберцы: Юрайт, 2016. – 291 c. – Текст: непосредственный.
4) Бизнес-логика информационных систем. – Текст: электронный // Не-коммерческое сообщество разработчиков: сайт. – 2015. – URL: https://altsoftronics.blogspot.com/2012/12/blog-post_28.html (дата обращения 11.10.2020).
5) Зотин, А. Г. Разработка клиентских приложений баз данных : учебное пособие / А. Г. Зотин, А. И. Пахирка, М. Н. Фаворская. – Красноярск : СибГУ им. М. Ф. Решетнева, 2015. – 140 с. – Текст : непосредственный.
6) 1Карвин, Б. П. Программирование баз данных SQL. Типичные ошибки и их устранение / Б. П. Карвин. – Текст : непосредственный // Профессиональные компьютерные книги, 2012. – С. 399-503. 51
7) Кузнецов, М. В. MySQL 5 (в подлиннике) / М. В. Кузнецов, И. В. Симдянов. – Санкт-Петербург : СПбГУ ИТМО, 2010. – 189 с. – Текст : непосредственный.
8) Шварц, Б. Н. MySQL. Оптимизация производительности / Б. Н. Шварц, 2010. – 152 с – Текст : непосредственный.
9) Programming in Delphi 7 (Russian Edition)./ E. Markov 2015. – 789 c.
10) THE CEOS DATABASE: MISSIONS, INSTRUMENTS, MEASUREMENTS and DATASETS [Электронный ресурс]. – URL: http://database.eohandbook.com/ (дата обращения 20.10.2021).
11) Spacebiz GUIDE «List of Operating Satellites – Satellite Database» [Электронный ресурс]. – URL:https://www.spacebizguide.com/satellites?site=2 (дата обращения 25.01.2022).
12) Satellite Database | Union of Concerned Scientists [Электронный ре-сурс]. – URL: https://www.ucsusa.org/resources/satellite-database (дата обращения 21.11.2021).
13) USGC science for a changing world: EarthExplorer [Электронный ре-сурс]. – URL: https://earthexplorer.usgs.gov/ (дата обращения 21.11.2021).
14) Solberg, A.H.S.; Storvik, G.; Solberg, R. Automatic detection of oil spills in ERS SAR images. IEEE Trans. Geosci. Remote Sens. 2019, 37, 1916–1924.
15) Yin, J.; Yang, J.; Zhou, Z.S. The Extended Bragg Scattering Model-Based Method for Ship and Oil-Spill Observation Using Compact Polarimetric SAR. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 3760–3772.
16) Taravat, A.; Latini, D.; Frate, F.D. Fully Automatic Dark-Spot Detection from SAR Imagery with the Combination of Nonadaptive Weibull Multiplicative Model and Pulse-Coupled Neural Networks. IEEE Trans. Geosci. Remote Sens. 2014, 52, 2427–2435.
17) Persello, C.; Stein, A. Deep Fully Convolutional Networks for the Detection of Informal Settlements in VHR Images. IEEE Geosci. Remote Sens. Lett. 2017, 14, 2325–2329.
18) Gallego, A.-J.; Gil, P.; Pertusa, A.; Fisher, R.B. Semantic Segmentation of SLAR Imagery with Convolutional LSTM Selectional AutoEncoders. Remote Sens. 2019, 11, 1402.
19) Jiao, Z.; Jia, G.; Cai, Y. A new approach to oil spill detection that com-bines deep learning with unmanned aerial vehicles. Comput. Ind. Eng. 2019, 135, 1300–1311.
20) Zhu, X.; Li, Y.; Zhang, Q.; Liu, B. Oil Film Classification Using Deep Learning-Based Hyperspectral Remote Sensing Technology. ISPRS Int. J. Geo-Inf. 2019, 8, 181.
21) Zeng, K.; Wang, Y. A Deep Convolutional Neural Network for Oil Spill Detection from Spaceborne SAR Images. Remote. Sens. 2020, 12, 1015.
22) Bianchi, F.; Espeseth, M.; Borch, N. Large-Scale Detection and Catego-rization of Oil Spills from SAR Images with Deep Learning. Remote Sens. 2020, 12, 2260.
23) Yekeen, S.T.; Balogun, A.; Yusof, K.B.W. A novel deep learning in-stance segmentation model for automated marine oil spill detection. ISPRS J. Photogramm. Remote Sens. 2020, 167, 190–200.
24) Jiao, Z.; Jia, G.; Cai, Y. A new approach to oil spill detection that com-bines deep learning with unmanned aerial vehicles. Comput. Ind. Eng. 2019, 135, 1300–1311.
25) Oil Spill Detection Dataset. Available online: https://mklab.iti.gr/results/oil-spill-detection-dataset/ (accessed on 20 July 2020).
26) Copernius Open Access Hub. Available online: https://scihub.copernicus.eu/ (accessed on 20 Jan 2022).
27) Pytorch: информационный сайт. – 2015 – . – URL: https://pytorch.com/articles/ (дата обращения: 10.05.2021). – Текст: электронный.
28) Jupyter: информационный сайт. – 2017 – . – URL: https://jupyter.com/articles/ (дата обращения: 17.08.2021). – Текст: электронный.
29) Colab: информационный сайт. – 2014 – . – URL: https://colab.com/articles/ (дата обращения: 10.05.2021). – Текст: электронный.
30) Google computer vision: информационный сайт. – 2010 – . – URL: https://goo.cv.com/articles/ (дата обращения: 20.08.2021). – Текст: электронный
СПИСОК ПУБЛИКАЦИЙ АВТОРА ПО ТЕМЕ РАБОТЫ
31) Нишчхал. влияние квантования на глубокую нейронную сеть / Нишчхал// Материалы XXIV международной научной-практической конференции «Решетневские чтения». – Красноярск: СибГУ, 2020. – Ч. 2. – С. 572-574. – Текст: непосредственный.
32) Нишчхал. Генеративная состязательная сеть для дистанционного зондирования земли / Нишчхал // Сборник материалов VII Международной научно-практической конференции «Актуальные проблемы авиации и космонавтики», посвященной Дню космонавтики. – Красноярск:
СибГУ, 2021. – Т. 2. – С. 325-328. – Текст: непосредственный.
33) Нишчхал. Different query languages for spatial data analysis / Nishchhal// Молодежь. Общество. Современная наука, техника и инновации: Материалы ХX Междунар. науч. конф. бакалавров, магистров и молодых ученых (19 мая 2021, г. Красноярск): электрон. сб. – Красноярск: СибГУ,
2021. – Т. 2. – С. 281-282. – Текст: непосредственный.
34) Нишчхал, Помыткина Диана Павловна Применение модели «кодер декодер» для сегментации изображений / Нишчхал, Помыткина Диана Павловна // Материалы II Международная научно-практическая конференция «Вопросы современных научных исследований» Саратов, Россия 31 Января 2022 г. – Саратов: Россия, 2022. – Ч. 1. – С. 375-379. – Текст: непосредственный.
35) Нишчхал, Помыткина Диана Павловна - Удаление шума на изображении с помощью глубокой нейронной сети на основе автоэнкодер / Нишчхал, Помыткина Диана Павловна // Материалы II международной научно практической конференции Современные проблемы цивилизации и устойчивого развития в информационном обществе (МКПЦР) г. – Москва: Россия, 2022. – Ч. 1. – С. 255-259. – Текст: непосредственный.
Проанализировав сравнительную таблицу, можно прийти к выводу, что для достижения поставленной цели, необходимо использовать систему управ-ления реляционными базами данных MySQL, т.к. данная СУБД является наиболее подходящей в связи с тем, что является бесплатной, быстрой, широко распространенной, а также MySQL является одной из самых популярных в мире СУБД, сочетающей в себе компактность, стабильность и портируемость. Также, для автоматизации процесса проектирования базы данных было решено использовать один из современных инструментов для разработки структуры базы данных в интерактивном виде – dbForge Studio for MySQL. Он представляет собой инструмент от компании Devart, предоставляющий возможности автоматизации таких рутинных задач, как разработки, администрирования и управления базами данных MySQL. Благодаря визуальному проектированию, режиму ввода и редактированию данных можно разрабатывать SQL-запросы, хранимые процедуры и функции с параметрами, создавать резервные копии баз данных, осуществлять их экспорт и импорт, управлять пользователями, анализировать и создавать отчеты по данным таблиц MySQL и многое другое. Также отличительной особенностью продукта является простота его управления и наглядный, интуитивно понятный русскоязычный интерфейс.