СЕМАНТИЧЕСКАЯ СЕГМЕНТАЦИЯ СЕЗОННЫХ РАЗНОВРЕМЕННЫХ МНОГОСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ МОДЕЛЕЙ НЕЧЕТКОЙ ЛОГИКИ И СЕТИ U-NET

Abstract

В статье рассматривается задача семантической сегментации инфракрасных и видимых изображений растительности, дорожных покрытий, транспортных средств и инженерных сооружений полученных с многоспектральных средств беспилотных летательных аппаратов (БпЛА) для летнего, осеннего, и зимнего периодов года. Определение изменения радиационной температуры поверхности земли (ТПЗ) для различных периодов года с использованием данных многоспектральной съемки высокого пространственно-временного разрешения необходимо для моделирования радиационного теплопереноса среды и выявления устойчивых признаков различения техногенных объектов. Факторы, влияющие на ТПЗ, исследовались путем спектротемпоральной съемки заданного участка местности. Распознавание техногенных объектов проводилось с использованием сети глубокого обучения U-Net. Результаты показали, что в ясные и облачные дни имелись значительные различия в ТПЗ и выделении потока тепла для типичных техногенных поверхностей, таких как асфальтовые и бетонные дороги, металлические перекрытия, транспортные средства и инженерные сооружения. В ясные дни суточные колебания разных поверхностей значительно варьировались, чего не наблюдалось в облачные дни. Искусственные поверхности всегда выступали главным источником аномального тепла. Солнечное излучение и температура воздуха среди метеорологических факторов положительно коррелировали с температурой поверхностей. Влажность воздуха отрицательно коррелировала с ТПЗ и играла роль в охлаждении поверхности земли. The article considers the problem of semantic segmentation of infrared and visible images of vegetation, road surfaces, vehicles and engineering structures obtained from multispectral means of unmanned aerial vehicles (UAVs) for summer, autumn and winter periods of the year. Determining the change in the radiation temperature of the earth's surface (RTS) for different periods of the year using multispectral survey data of high spatiotemporal resolution is necessary for modeling the microthermal environment and identifying stable features for distinguishing man-made objects. The factors affecting the RTS were studied by correlating the RTS with meteorological data. Recognition of man-made objects was carried out using the U-Net deep learning network. The results showed that on clear and cloudy days there were significant differences in the RTS and the release of sensible heat for typical man-made surfaces, such as asphalt and concrete roads, metal ceilings, vehicles and engineering structures. On clear days, the daily fluctuations of different surfaces varied significantly, which was not observed on cloudy days. Artificial surfaces always acted as the main source of abnormal heat. Solar radiation and air temperature among meteorological factors were positively correlated with surface temperature. Air humidity was negatively correlated with the RTS and played a role in cooling the earth's surface. The experimental studies were carried out on the territory of an engineering town with an area of 11.4 hectares. Using a multispectral camera installed on a UAV, images with a resolution of 18 cm per pixel were obtained for different time intervals. The process of surveying the earth's surface was carried out six times during the day, starting at 6:00 and ending at 24:00, with intervals of 4 hours. Remote monitoring of the Earth was carried out in August, October, November and December 2025.