Satelliittikuvien analysointi konvoluutio- ja transformerneuroverkoilla

Abstract

Satelliitit keräävät jatkuvasti hyödyllistä tietoa maapallostamme kuvien muodossa. Satelliittikuvien sisältämän tiedon hyödyntäminen on erittäin arvokasta ihmiskunnalle. Tiedon ansiosta ihmiskunta pystyy varautumaan esimerkiksi luonnonkatastrofeihin tai seuraamaan ilmastonmuutoksen vaikutuksia laaja-alaisesti. Satelliittikuvien analysoinnin automatisointi on kuitenkin hyvin monimutkainen tehtävä, sillä koneiden on vaikea tulkita kuvia ihmisen lailla. Tämä työ keskittyy neuroverkkoihin, joiden avulla on mahdollista analysoida kuvia. Työn tutkimuksessa harjoitetaan kaksi toisistaan erilaista neuroverkkomallia satelliittikuvien segmentointitehtävää varten. Toinen malleista perustuu konvoluutioneuroverkkoihin ja toinen transformerneuroverkkoihin. Tutkimuksen tulosten perusteella mallien suoriutumisessa oli eroja tarkkuudessa ja tehokkuudessa. Konvoluutioneuroverkkoihin perustuvan mallin harjoittaminen oli selvästi verrokkimallia nopeampaa. Transformerneuroverkkoihin perustuvan mallin tarkkuus oli taas verrokkimalliaan parempi. Tulosten perusteella molemmat mallit tuntuivat myös tunnistavan tietynlaisia alueita satelliittikuvista muita alueita paremmin. Tällaisia alueita olivat esimerkiksi maanviljely-, kaupunki-, ja metsäalueet.

Satellites are constantly collecting useful information about the Earth in the form of images. Utilizing the information contained in satellite images is very valuable to humanity. This information, for example, allows us to prepare for natural disasters or to monitor the effects of climate change on a larger scale. However, automating the analysis of satellite images is a very complex task, because it is difficult for machines to interpret images in the same way as human vision. This work focuses on neural networks that can analyze images. In the research of the work, two different neural network models are trained for the segmentation task of satellite images. One of the models is based on convolutional neural networks and the other model is based on transformer neural networks. The results of the research showed that, the models had differences in the reliability and efficiency. The training of the model based on convolutional neural networks was clearly faster than the other model. On the other hand, the reliability of the model based on transformer neural networks was better than the other model. Based on the results, both models also seemed to recognize certain areas from satellite images better than other areas. Such areas were, for example, agricultural, urban, and forest areas.