Analizy zabudowy miejskiej z wykorzystaniem SAR. Nowe badania naukowców z PW

Zespół naukowców z Politechniki Warszawskiej opracował innowacyjną metodę automatycznej klasyfikacji gęstości zabudowy miejskiej z wykorzystaniem mikrofalowych obrazów satelitarnych SAR (Synthetic Aperture Radar).

Wizualne porównanie wyników algorytmów przy użyciu optymalnej kombinacji cech (fot. PW)

Metodykę, która może wspierać monitorowanie i planowanie rozwoju miast opracowali dr inż. Joanna Pluto-Kossakowska z Wydziału Geodezji i Kartografii przy współpracy z Sandhim Wangiyaną z Wydziału Elektroniki i Technik Informacyjnych. Badania zostały przeprowadzone w ramach Wirtualnego Laboratorium Modelowania Geoinformacji dla Miast (VCityLab), działającego przy Wydziale Geodezji i Kartografii PW i skupiającego się na zaawansowanych metodach geoinformatycznych w analizie struktur miejskich. 

– Głównym celem projektu było opracowanie metodyki do rozróżniania różnych typów zabudowy miejskiej – od obszarów o wysokiej gęstości zabudowy po tereny przemysłowe i zieleń miejską – opowiada dr inż. Joanna Pluto-Kossakowska. – Badania przeprowadzono w dwóch europejskich metropoliach: Londynie i Warszawie, wybierając je ze względu na różnorodność struktur miejskich i topograficznych. Systemy satelitarne SAR działają niezależnie od warunków pogodowych i oświetlenia, co stanowi znaczącą przewagę nad tradycyjnymi obrazami optycznymi. Do analizy wykorzystano dane z dwóch typów sensorów mikrofalowych: wysokorozdzielczego ICEYE działającego w paśmie X oraz ogólnodostępnego Sentinel-1 w paśmie C. Zastosowano zaawansowane techniki przetwarzania obrazów, w tym analizę tekstur oraz algorytmy uczenia maszynowego. Istotne było wykorzystanie cech teksturalnych i wydobycie informacji o fizycznym charakterze obiektów. 

W badaniach porównano różne algorytmy uczenia maszynowego (m.in. Random Forest, Extreme Gradient Boosting) oraz sieć neuronową U-Net opartą na architekturze splotowej. Przeanalizowano, jak różnice w rozdzielczości przestrzennej i polaryzacji danych SAR wpływają na zdolność do rozróżniania klas miejskich, w tym na wykrywanie małych obiektów, takich jak drogi i budynki. Najlepsze rezultaty osiągnęła sieć U-Net, która dla danych wysokorozdzielczych z pasma X uzyskała dokładność ogólną 79%. Dane z satelity ICEYE o rozdzielczości 0,5 metra pozwoliły na znacznie lepszą identyfikację klas o złożonej strukturze zabudowy. Badania wykazały również, że algorytmy oparte na sieciach neuronowych lepiej radzą sobie z wyzwaniami związanymi z szumem charakterystycznym dla obrazów radarowych.

- Innowacyjność badań polega na kompleksowym podejściu do analizy danych SAR w kontekście planowania urbanistycznego oraz na stworzeniu nowego zestawu danych referencyjnych opartego na bazie danych Urban Atlas – wyjaśnia dr inż. Joanna Pluto-Kossakowska. – Wyniki mają istotne znaczenie praktyczne dla monitorowania dynamiki zmian w miastach oraz wspomagania procesów planowania przestrzennego. Opracowana metodyka może być wykorzystana przez samorządy i instytucje zajmujące się planowaniem urbanistycznym do regularnego monitorowania rozwoju miast, co jest szczególnie wartościowe w kontekście zrównoważonego rozwoju.

Badania podkreślają wartość danych SAR jako komplementarnego źródła informacji o strukturze miast, szczególnie gdy obrazy optyczne są niedostępne z powodu zachmurzenia. Wyniki badań zostały opublikowane w artykule pt. „Supervised Semantic Segmentation of Urban Area Using SAR” i stanowią istotny wkład w rozwój technologii teledetekcyjnych stosowanych w urbanistyce. Praca dowodzi, że połączenie zaawansowanych metod uczenia maszynowego z danymi radarowymi otwiera nowe możliwości w zakresie monitorowania środowiska miejskiego. Więcej informacji o zespole VCityLab: www.vcitylab.pw.edu.pl. 

Źródło: PW