Збільшення просторового розрізнення температурних продуктів Sentinel-3 з використанням рекурентних нейронних мереж
dc.contributor.advisor | Савчук, Михайло Миколайович | |
dc.contributor.author | Шуміло, Леонід Леонідович | |
dc.date.accessioned | 2020-06-21T12:50:34Z | |
dc.date.available | 2020-06-21T12:50:34Z | |
dc.date.issued | 2020-05-20 | |
dc.description.abstracten | Land Surface Temperature (LST) is an essential urban variable and can be used to identify problem areas of the city and monitor of natural disasters. Satellite data is the only source of information that give possibility provide LST analysis in large areas. For this purpose, LST modeling algorithms based on thermal channels of multispectral images are used. Within ERA-Planet SMURBS project Space Research Institute NASU-SSAU developing smart cities monitoring and analysis services. These services include smart cities land surface temperature monitoring, analysis of the city planning using the land surface characteristics and peat-fires and active fire detection. The two major satellite missions that provide multispectral data for simulating land surface temperature are the Sentinel-3 mission and the Landsat-8 mission. However, different spatial and temporal resolution make it difficult to combine the data obtained from these satellite missions. The Landsat-8 provides satellite data that allows to obtain land surface temperature maps with a high spatial resolution of the 30 m, but has a low temporal resolution of 16 days, which is not sufficient for near-real-time operational land surface temperature monitoring services. The Sentinel-3 mission provides 1-km-wideland surface temperature maps and this fact makes these images less informative for urban surface analysis, with a high temporal resolution of 2 images per day (morning and evening). Based on these data specifics, an important task arises to increase the LST spatial resolution of the Sentinel-3 products. This is possible by using modern methods of multispectral satellite data fusion and deep learning methods. The result of this dissertation is a new method of Sentinel-3 satellite data spatial resolution up-scaling based on the fusion of the Sentinel-2, Landsat-8 and Sentinel-3 data and the LSTM recurrent neural network architecture. Improved satellite product cloud recovery method based on random forest regression model used to detect non-masked pixel clouds as anomalies and cloud recovery. Applied research has been done using satellite data for the cities of Rivne, Irpin and Kyiv. | uk |
dc.description.abstractuk | Кваліфікаційна робота містить: 100 стор., 45 рисунків, 5 таблиць, 70 джерел. Температура земної поверхні (LST) є важливим показником стану міських територій та може використовуватися для виявлення проблемних зон міста та моніторингу природних лих. Супутникові дані є єдиним джерелом інформації, що дає можливість проводити аналіз LST для великих територій. Для цього використовуються алгоритми моделювання LST на основі термальних каналів мультиспектральних супутникових даних. В рамках проекту ERA-Planet SMURBS Інститут Космічних Досліджень НАНУ та ДКАУ розробляє сервіси моніторингу та аналізу розумних міст. Важливими сервісами є моніторинг температури земної поверхі міста, аналіз планування міста за допомогою характеристик поверхні землі та виявлення підземних та наземних пожеж. Двома основними актуальними місіями, які надають мультиспектральні дані для моделювання температури земної поверхні є місія Sentinel-3 та місія Landsat-8. Проте різне просторове та часове розрізнення спричиняє складнощі у поєднані даних отриманих від цих супутникових місій. Landsat-8 надає супутникові дані, що дозволяють отримувати карти температури земної поверхні з високим просторовим розрізненням термального каналу 30 м., проте має низьке часове розрізнення 16 днів, що є недостатнім для сервісів моніторингу температури земної поверхні в режимі близькому до реального часу. Місія Sentinel-3 дає можливість отримувати карти температури земної поверхні з просторовим розрізнення 1 км., що робить ці знімки малоінформативними для аналізу міської поверхні,при цьому ця місія має високе часове розрізнення в 2 знімки на день (ранковий та вечірній час). Враховуючи ці специфіки даних виникає актуальна задача збільшення просторового розрізнення LST продуктів Sentinel-3. Це є можливим при застосуванні сучасних методів злиття мультиспектральних супутникових даних та методів глибинного навчання. Результатом даної дисертації є новий метод збільшення просторового розрізнення супутникових даних Sentinel-3 на основі злиття даних Sentinel-2, Landsat-8 та Sentinel-3 i архітектури рекурентної нейронної мережі LSTM. Покращено метод відновлення хмар супутникових продуктів на основі регресійної моделі випадкових лісів, яка застосовується для виявлення незамаскованих пікселів хмар в якості аномалій і відновлення хмар. Зроблено прикладні дослідження з використанням супутникових даних для міста Рівне, Ірпінь та Київ. | uk |
dc.format.page | 102 с. | uk |
dc.identifier.citation | Шуміло, Л. Л. Збільшення просторового розрізнення температурних продуктів Sentinel-3 з використанням рекурентних нейронних мереж : магістерська дис. : 113 Прикладна математика / Шуміло Леонід Леонідович. – Київ, 2020. – 102 с. | uk |
dc.identifier.uri | https://ela.kpi.ua/handle/123456789/34343 | |
dc.language.iso | uk | uk |
dc.publisher | КПІ ім. Ігоря Сікорського | uk |
dc.publisher.place | Київ | uk |
dc.subject | температура земної поверхні | uk |
dc.subject | нейронні мережі | uk |
dc.subject | дистанційне зондування Землі | uk |
dc.subject | Long Short Term Memory Recurrent Neural Networks | uk |
dc.subject | Sentіnel-3 | uk |
dc.subject | розумні міста | uk |
dc.subject | land surface temperature | uk |
dc.subject | neural network | uk |
dc.subject | remote sensing | uk |
dc.subject | smart city | uk |
dc.title | Збільшення просторового розрізнення температурних продуктів Sentinel-3 з використанням рекурентних нейронних мереж | uk |
dc.type | Master Thesis | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Shumilo_magistr.pdf
- Розмір:
- 33.73 MB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 9.06 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: