Zespół naukowców z Politechniki Warszawskiej opracował innowacyjną metodę automatycznej klasyfikacji gęstości zabudowy miejskiej z wykorzystaniem mikrofalowych obrazów satelitarnych SAR (Synthetic Aperture Radar).
Metodyka wspierająca monitorowanie i planowanie rozwoju miast
Dr inż. Joanna Pluto-Kossakowska z Wydziału Geodezji i Kartografii przy współpracy z Sandhim Wangiyaną z Wydziału Elektroniki i Technik Informacyjnych opracowali metodykę, która może wspierać monitorowanie i planowanie rozwoju miast.
– 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. 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.
Uczenie maszynowe w analizie tkanki miejskiej
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 wpływają na zdolność do rozróżniania klas miejskich, w tym na wykrywanie małych obiektów, takich jak drogi i budynki.
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 pełnego 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.
