Разработка методики определения изменений береговой линии поверхностных водных объектов по материалам разновременных космических съёмок тема диссертации и автореферата по ВАК РФ 25.00.34, кандидат наук Нгуен Тхань Доан

• Нгуен Тхань Доан
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Нгуен Тхань Доан

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ОПЫТА ИСПОЛЬЗОВАНИЯ МАТЕРИАЛОВ КОСМИЧЕСКОЙ СЪЁМКИ ДЛЯ ОПРЕДЕЛЕНИЯ ИЗМЕНЕНИЯ БЕРЕГОВОЙ ЛИНИИ ПОВЕРХНОСТНЫХ ВОДНЫХ ОБЪЕКТОВ

1.1. Определение понятия береговой линии

1.2. Методы применения материалов космической съёмки для определения береговой линии

1.2.1. Физическая основа применения материалов космической съёмки для определения положения береговой линии

1.2.2 Методы извлечения береговой линии на космическом снимке

1.3. Методы машинного обучения, современное состояние и перспективы их применения в дистанционном зондировании

1.3.1. Традиционные методы машинного обучения в системе дешифрирования космических изображений

1.3.2. Обзор метода глубокого обучения в области дистанционного зондирования Земли

Выводы по первой главе

ГЛАВА 2. РАЗРАБОТКА МЕТОДИКИ ОПРЕДЕЛЕНИЯ ИЗМЕНЕНИЙ БЕРЕГОВОЙ ЛИНИИ ПОВЕРХНОСТНЫХ ВОДНЫХ ОБЪЕКТОВ ПО МАТЕРИАЛАМ РАЗНОВРЕМЕННОЙ КОСМИЧЕСКОЙ СЪЁМКИ

2.1. Теоретические основы свёрточных нейронных сетей

2.2. Технологическая схема методики определения изменения береговой линии поверхностных водных объектов по материалам разновременной космической съёмки

2.3. Определение требований к используемым космическим данным

2.3.1. Требования к виду и содержанию исходных космических изображений

2.3.2. Требования к времени проведения космической съемки

2.3.3. Выбор набора индикаторов для определения положения береговой линии

2.4. Подготовка исходных данных для создания набора обучающих данных для нейронной сети

2.4.1. Предварительная обработка исходных космических изображений

2.4.2. Генерация изображений-маски

2.5. Обучения модели свёрточной нейронной сети

2.5.1. Влияние увеличения обучающих данных на точность определения положения береговой линии

2.5.2. Инициация модели сверточной нейронной сети

2.5.3. Обучение модели сверточной нейронной сети

2.6. Применение обученной модели свёрточной нейронной сети для определения береговой линии на космическом снимке

2.7. Определение изменений береговой линии

2.8. Картографирование результатов определения положений береговой линии поверхностных водных объектов

Выводы по второй главе

ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНАЯ АПРОБАЦИЯ РАЗРАБОТАННОЙ МЕТОДИКИ ОПРЕДЕЛЕНИЯ ИЗМЕНЕНИЙ БЕРЕГОВОЙ ЛИНИИ ПОВЕРХНОСТНЫХ ВОДНЫХ ОБЪЕКТОВ ПО МАТЕРИАЛАМ РАЗНОВРЕМЕННЫХ КОСМИЧЕСКИХ СЪЁМОК

3.1. Физико-географическая и экономико-географическая характеристики изучаемого региона

3.2. Подбор исходных экспериментальных материалов

3.3. Экспериментальная оценка влияния набора обучающих данных на качество обученной модели

3.3.1. Исследование влияния исходных обучающих данных на качество обученной модели нейронной сети

3.3.2. Критерии оценки точности полученных результатов

3.4. Экспериментальная апробация обученной модели в бассейне реки Оки

3.5. Экспериментальная оценка изменений положения береговой линии в дельте Меконга

3.6. Экспериментальная оценка изменений положения береговой линии в бассейне реки Оки

Выводы по третьей главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Разработка методики определения изменений береговой линии поверхностных водных объектов по материалам разновременных космических съёмок»

ВВЕДЕНИЕ

Актуальность темы исследования. Расположение береговой линии и изменение положения этой границы во времени имеют первостепенное значение для ученых, инженеров и менеджеров, занимающихся прибрежными районами. Проблема определения береговой линии водных объектов уже давно затрагивает многие сферы жизни, потому что вода всегда была ценным ресурсом человечества. Эта проблема имеет важные последствия в таких областях, как управление природными ресурсами, в том числе водными ресурсами, управление сельским хозяйством, при оценке последствий и ликвидации чрезвычайных ситуаций, вызванных штормами, наводнениями, абразия берегов рек и моря. Тема исследования актуальна, но в настоящее время нет общепринятого определения понятия береговая линия и нет общепринятого метода определения положения береговой линии. Обычно для определения береговой линии в США, Европе и некоторых других странах используется линия среднего уровня полной воды. Следовательно, первоначальное определение береговой линии определяется топографической высотной информацией. Определение положения береговой линии по одиночным космическим снимкам, которые не содержат высотную информацию, проводится с помощью косвенных признаков, позволяющих определить положения береговой линии в виде границы между водной поверхностью и другими объектами [1]. Такие косвенные признаки называются индикаторами береговой линии. Многие исследователи предложили использовать различные индикаторы для определения береговой линии на космических изображениях (на пример, граница растительности и граница влажного песка) [1]. Однако не существует общепринятого способа определения индикаторов береговой линии. Каждый исследователь может предложить выбрать наиболее подходящие индикаторы как для исходных данных, так и для области своего исследования. Из-за этого несоответствия трудно использовать данные из разных исследований и разных источников для оценки изменений береговой линии в конкретном районе. Отсутствие синхронизации используемых входных данных приводит к возможности неверной оценки изменений береговой линии. Особенно

в некоторых областях, таких как район дельты Меконга на юге Вьетнама, где изменчивость береговой линии очень высока, точность определения изменчивости становится еще более важной. Этот факт обуславливает необходимость разработки новой методики определения береговой линии, который позволяет использовать многочисленные источники данных и при этом обеспечивать достаточно точные результаты.

Объектом диссертационного исследования является методика автоматизированного дешифрирования разновременных многозональных космических изображений, позволяющая проводить исследования изменений береговой линий поверхностных водных объектов.

Предмет исследования - береговая линия поверхностных водных объектов и её количественные показатели для оценки изменений береговой линии поверхностных водных объектов.

Целью диссертационной работы является разработка методики определения изменений береговой линий поверхностных водных объектов по материалам разновременных космических съёмок.

Для достижения поставленной цели необходимо было решить следующие задачи:

- выполнить аналитический обзор состояния решаемой проблемы и определить основные направления научных исследований для решения проблемы определения изменений береговой линии по материалам разновременных космических съёмок;

- разработать требования к исходным данным;

- разработать методику автоматизированной обработки разновременных космических изображений для определения береговых линий поверхностных водных объектов;

- разработать набор показателей для количественной оценки изменений береговой линии поверхностных водных объектов;

- провести экспериментальные исследования разработанной методики и проанализировать полученные результаты.

Степень разработанности темы. Определение положения и оценка изменений береговой линии по космическим снимкам выполнялось большим количеством как российских, так и зарубежных ученых. При выполнении диссертационного исследования автор опирался на труды известных учёных в области дистанционного зондирования Земли, аэрокосмической съемки, фотограмметрии, геодезии, геоинформатики, искусственного интеллекта, в частности: Малинников В.А., Зверев А.Т., Михайлов А.П., Чибуничев А.Г., Журкин И.Г., Тутубалина О.В., Михеева А.И., Курганович К.А, Донцов А.А., Маркеев В.Ю., Арзамасцев А.А., Макфитерс С. К., Пикенс А.Х., Крижевский А., и др.

Методы исследования. В работе использованы методы системного и структурного анализа, ГИС-анализа, цифровой обработки космических изображений, классификации космических изображений, математической статистики.

Научная новизна работы заключается в том, что:

- разработана новая автоматизированная методики определения изменений береговой линии поверхностных водных объектов по материалам космических съёмок с субпиксельной точностью с применением модели глубокой свёрточной нейронной сети;

- впервые представляются методы предварительной обработки многоспектральных космических изображений и постобработки результата классификации, повышающие эффективность применения модели нейронной сети в задаче определения положения береговой линии;

- впервые выполнены расчеты показателей изменений береговой линии в южной части дельты реки Меконга (Вьетнам) за период 2008-2020 годы, также для 3 участков бассейна реки Оки за период 2015-2019гг. Теоретическая значимость диссертационного исследования состоит в

развитии технологии глубокого обучения для автоматизированной обработки космических снимков с целью определения изменений положения береговой линии поверхностных водных объектов.

Практическая значимость исследования определяется тем, что новая методика позволяет производить обработку большого объема разнородных и разновременных космических снимков для решения задачи определения изменений положения береговой линии поверхностных водных объектов за счет универсальности обучающей выборки, высокой работоспособности применяемой модели сверточной нейронной сети и комбинированной постобработки полученных результатов. Результаты научных исследований автора могут быть использованы научными и производственными организациями в таких направлениях, как управление земельными и водными ресурсами, проектирование береговой защиты, цифровое картографирование поверхностных водных объектов и другие.

Основные положения и результаты, выносимые на защиту:

- предложенная методика автоматизированной обработки разновременных космических изображений с использованием модели глубокой свёрточной нейронной сети позволяет получить береговую линию с субпиксельной точностью и возможность калибровки положения полученной береговой линии;

- предложенные методы предварительной обработки космических изображений и постобработки результата классификации позволяют уменьшить объем данных, необходимых для обучения сверточных нейронных сетей, и в то же время повысить точность получаемых результатов;

- построенные нами картосхемы позволяют определить величину изменений положения береговой линии в исследуемых районах за период 2008-2020гг. и 2015-2019гг.

Степень достоверности. В диссертационном исследовании автор использует проверенные открытые источники данных, применяет современные и передовые методы обработки данных и анализа результатов. Надежность исследования подтверждается теоретическим обоснованием, а также экспериментальным тестированием.

Апробация результатов. Результаты проведенного диссертационного исследования были представлены автором в виде докладов на научно-технических конференциях:

- «Разработка методики определения положения береговой линии поверхностных водных объектов по материалам аэрокосмических съёмок», 75-я международная научно-техническая конференция студентов, аспирантов и молодых ученых МИИГАиК, МИИГАиК, 2020;

- «Использование метода глубокого обучения для определения поверхностных водных объектов», международная научно-техническая онлайн конференция "Пространственные данные в условиях цифровой трансформации", МИИГАиК, 2020;

- «Разработка методики определения положения береговой линии поверхностных водных объектов по материалам аэрокосмических съёмок», международный молодежный научный форум «ЛОМОНОСОВ-2020», МГУ, 2020;

- «Исследование влияния внешних факторов на скорости изменения береговой линии по материалам космических съемок», международный молодежный научный форум «ЛОМОНОСОВ-2021», МГУ, 2021;

- «Исследование динамики изменения береговой линии по материалам разновременных космических съемок», международной конференции «Пространственные данные: наука и технологии 2021», МИИГАиК, 2021; Разработанная автором методика применена в рамках проекта «Создание

геоинформационной модели и интерактивной карты экологических рисков бассейна реки Оки», МИИГАиК, 2021-2022гг.

Соответствие паспорту специальности 25.00.34. Диссертация соответствует паспорту специальности 25.00.34 - «Аэрокосмическое исследование Земли, фотограмметрия» в части:

- пункта 4 «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследований»;

- пункта 5 «Теория и технология получения количественных характеристик динамики природных и техногенных процессов с целью их прогноза». Публикации:

1. Нгуен Т.Д., Малинников В.А. Определения береговой линии поверхностных водных объектов по космическим снимкам // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2021. - № 3. - С. 274-281.

2. Нгуен Т.Д., Малинников В.А. Разработка методики определения положения береговой линии поверхностных водных объектов по материалам аэрокосмических съемок с использованием технологии глубокого обучения // МОНИТОРИНГ. Наука и технологии - 2021. - № 2(48). - С. 32-40.

3. Нгуен Т.Д., Малинников В.А. Исследование динамики изменения береговой линии по материалам разновременных космических съемок // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2021. - № 4. - С. 436-441.

4. Nguyen T.D. Improving the efficiency of using deep learning model to determine shoreline position in high-resolution satellite imagery // E3S Web of Conferences -2021. - 310. - С. 4002-4016.

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, списка принятых сокращений и списка использованной литературы. Общий объем диссертации составляет 132 страницы и содержит 113 страниц основного текста, 54 рисунка и 13 таблиц. Список использованной литературы включает 126 наименований.

Автор выражает благодарность своему научному руководителю - д.т.н., проф. Малинникову В.А., а также всем коллегам за оказанную помощь в подготовке диссертационной работы.

ГЛАВА 1. АНАЛИЗ ОПЫТА ИСПОЛЬЗОВАНИЯ МАТЕРИАЛОВ

КОСМИЧЕСКОЙ СЪЁМКИ ДЛЯ ОПРЕДЕЛЕНИЯ ИЗМЕНЕНИЯ

БЕРЕГОВОЙ ЛИНИИ ПОВЕРХНОСТНЫХ ВОДНЫХ ОБЪЕКТОВ 1.1. Определение понятия береговой линии

Вода - драгоценный ресурс человечества. С древних времен люди предпочитали жить в районах с обильными водными ресурсами. Сегодня, согласно статистике Матти Кумму и его коллег, около 70% населения мира живет в пределах 5 км от ближайшего источника воды [2]. Поверхностные воды, такие как моря, реки и озера, не только обеспечивают людей водой для повседневной жизни, но также содержат много других ценных ресурсов, таких как рыболовство и полезные ископаемые. Они также являются важными транспортными маршрутами, туристическими и курортными объектами. Таким образом, защита водных ресурсов и защита прибрежных территорий является приоритетом в правовой системе многих стран мира.

Например, в России есть положение о водоохранных зонах, указанное в Водном кодексе [3]. Соответственно, водоохранными зонами (ВЗ) являются территории, которые примыкают к береговой линии морей, рек, ручьев, каналов, озер, водохранилищ, и на которых устанавливается специальный режим осуществления хозяйственной и иной деятельности в целях предотвращения загрязнения, засорения, заиления указанных водных объектов и истощения их вод, а также сохранения среды обитания водных биологических ресурсов и других объектов животного и растительного мира [3].

В границах водоохранных зон устанавливаются прибрежные защитные полосы (ПЗП), на территориях которых вводятся дополнительные ограничения хозяйственной и иной деятельности.

Ширина водоохранной зоны морей, рек, ручьев, каналов, озер, водохранилищ и ширина их прибрежной защитной полосы устанавливаются от соответствующей береговой линии.

Наряду с водоохранными зонами и прибрежными защитными полосами «Водным кодексом» также определяется береговая полоса. Береговая полоса —

полоса земли вдоль береговой линии водного объекта, предназначенная для общего пользования. На рисунке 1.1 ниже показано взаимное расположение вышеуказанных зон.

50-200м

Рисунок 1.1 - Положение о коридорах для охраны водных объектов Из этого положения видно, что положение береговой линии играет важную юридическую роль, поскольку оно является исходной линией для установления водоохранной зоны, прибрежной защитной полосы и береговой полосы. Поэтому очень важно точное определение положение береговых линий. Надежное установление водоохранных зон (ВЗ), прибрежных защитных полос (ПЗП) и береговых полос (БП) играет важную роль в обеспечении государственного управления сельскохозяйственной деятельностью, управлением движением водных путей и многими другими видами деятельности и является юридическим обоснованием решения вопросов землепользования хозяйствующими субъектами и гражданами [4]. Расположение береговой линии и изменение положения этой границы во времени имеют первостепенное значение для ученых, инженеров и менеджеров, занимающихся прибрежными районами. Эта проблема имеет важные последствия в таких областях, как управление ресурсами, в том числе водными ресурсами, управление сельским хозяйством, поддержка в ликвидации чрезвычайных ситуаций, вызванных штормами, наводнениями, эрозией берегов рек и моря.

Наличие поверхностных вод очень изменчиво, с различными тенденциями по всему миру, отражающими прямые и косвенные антропогенные и природные

факторы. Можно перечислить некоторые естественные причины изменения береговой линии, такие как:

• волны;

• ветер;

• необычные погодные факторы (штормы);

• перемещение наносов из одного региона в другой;

• прибрежная эрозия из-за дождя.

Человеческая деятельность, вызывающая изменения береговой линии, может быть упомянута как:

• строительство плотин гидроэлектростанции гидроэлектростанций строятся на реках, что снижает количество наносов, сбрасываемых в море;

• строительные работы на прибрежных территориях, таких как набережные, защитные дамбы, выравнивание части моря для строительных работ;

• добыча ресурсов на побережье и под водой, таких как добыча песка и вырубка мангровых зарослей, облегчает эрозию в прибрежной зоне.

Улучшение количественной оценки тенденции изменений положения поверхностных водных объектов поможет нам лучше понять влияние этих изменений и подготовить планы по защите природных экосистем и деятельности человека в прибрежных районах.

В идеальном представлении береговая линия - это линия, отделяющая поверхность воды от суши [5]. Несмотря на кажущуюся простоту, это определение на практике сложно применить. На самом деле понятие «береговая линия» устанавливается в соответствии с соглашениями и договорами между различными странами и регионами. В настоящее время в Водном и Земельном кодексах Российской Федерации прописана необходимость установления границ водных объектов, однако не оговорено какими способами и методами [6, 7].

Согласно п. 4 ст. 5 Водного кодекса Российской Федерации [3], береговая линия (граница водного объекта) определяется для:

• моря - по постоянному уровню воды, а в случае периодического изменения уровня воды - по линии максимального отлива;

• реки, ручья, канала, озера, обводненного карьера - по среднемноголетнему уровню вод в период, когда они не покрыты льдом;

• пруда, водохранилища - по нормальному подпорному уровню воды;

• болота - по границе залежи торфа на нулевой глубине.

Согласно стандарта СТО ГГИ 52.08.40-2017 Государственного гидрологического института, береговые линии некоторых водных объектов на карте определяются следующим образом: изображаемая на картах береговая линия моря соответствует линии уреза воды при наиболее высоком ее уровне во время прилива, а при отсутствии приливных явлений - линии прибоя. Береговая линия и отметки уровня озёр, прудов и рек соответствуют среднему меженному уровню, а береговая линия крупных водохранилищ - нормальному подпорному уровню [8].

В других регионах мира также есть свои определения понятия «береговая линия». В соответствии с определением Европейского агентства по окружающей среде, береговая линия (от англ. coastline) - это «линия, которая отделяет поверхность суши от океана или моря» [9]. В этом смысле, это относится к пространственно-непрерывной линии контакта между землей и водоемом. Это определение используется для описания характера береговой линии в европейских странах в рамках проекта EUROSION [10].

В США береговая линия определяется пересечением суши с водной поверхностью. Береговая линия, показанная на картах, представляет собой линию

о /" о о т-\ о

контакта между сушей и выбранной высотой воды. В районах, подверженных приливным колебаниям, береговая линия является средним уровнем полной воды, наблюдаемого в течение 19-летнего лунного цикла (от англ. Mean High Water -MHW). В замкнутых прибрежных водах с ослабленным влиянием приливов можно использовать линию среднего уровня воды [11].

Вьетнам также использует определение береговой линии по среднему уровню полной воды в техническом руководстве по определению среднего уровня полной воды Министерства природных ресурсов и окружающей среды Вьетнама в 2016 году [12].

Стандартного метода определения положения береговой линии не существует [6, 7, 1] и это подразумевает выбор критериев, желательно таких, которые можно повторно использовать в последующих исследованиях, для определения положения границы раздела суши и воды [13].

1.2. Методы применения материалов космической съёмки для определения береговой линии

К настоящему времени сложились три в значительной степени различных подхода к определению границ водных объектов [14]. Первый метод базируется на статистической обработке данных ежесуточных измерений уровней воды на гидрологических постах. Этот метод позволяет наиболее точно определить среднюю высоту поверхностных водных объектов в районе расположения гидрологических станциях. Однако основным ограничением этого метода является невозможность определения водного режима в районах, где не установлены гидрологические станции.

Для преодоления вышеуказанного недостатка родился второй метод. Второй метод базируется на проведении полевых инженерно-гидрологических и инженерно-геодезических изысканий на водных объектах с построением кривой связи расхода Q от уровня воды Н (для водотоков) или объема котловины V от уровня воды Н (для озер и обводненных карьеров). Использование систем мониторинга гидрологического и метеорологического состояния в сочетании с математическим гидрологическим моделированием по всему бассейну позволяет определять высоту поверхностных вод на всей территории, подлежащей мониторингу.

Два перечисленных выше метода используют гидрологические наблюдения. Чтобы создать карту, показывающую положение береговой линии на основе данных о высоте поверхностных водных объектов, эти два метода требуют использования дополнительных данных, получаемых из цифровых моделей рельефа [15]. Эта цифровая модель рельефа может быть получена с помощью геодезических измерений на местности или путем обработки стереопар аэрокосмических изображений методом фотограмметрии [16]. Преимуществом

этих двух методов является высокая точность, береговая линия может иметь погрешности от сантиметров до дециметров. Едгар Рубен Монтель Андраге провел эксперимент по мониторингу береговой линии с помощью фотограмметрии с точностью до 3 см [17, 18]. Однако они также имеют некоторые недостатки, такие как:

• стоимость определения береговой линии на большой территории высока;

• требуется время и усилия для обработки после сбора данных на местности;

• невозможно проводить измерения в труднодоступных местах (геодезический метод);

• ограниченное доступ к архивным данным.

Из-за вышеуказанных ограничений во многих исследованиях проводилось определение береговой линии на одиночных спутниковых снимках. Определение положения береговой линии по одиночным космическим снимкам проводится с помощью косвенных признаков, позволяющих определить береговой линии в виде границы между водной поверхностью и другими объектами. Такие косвенные признаки называются индикаторами береговой линии. Некоторые из преимуществ использования данных спутниковых изображений можно перечислить ниже:

• оперативность проведения анализа изменчивости береговой линии на большой площади;

• стоимость определения береговой линии на большой территории невысока;

• возможно проводить измерения в труднодоступных местах;

• наличие архивных данных.

Однако недостатком этого метода является то, что точность получаемой береговой линии не столь высока, как у двух упомянутых выше методов (обычно погрешность определения положения береговой линии от 0,5м). Поэтому этот метод используется для построения карт мелкого масштаба (1:25000, 1:50000), а также для оперативной оценки изменений береговой линии на большой площади, чтобы обнаружить значительные изменения береговой линии. Рассмотрим этот метод более подробно в разделах ниже.

1.2.1. Физическая основа применения материалов космической съёмки для определения положения береговой линии

Дистанционное зондирование Земли (ДЗЗ) представляет собой процесс, посредством которого собирается информация об объекте, территории или явлении без непосредственного контакта с ним [19]. В современном понимании термин относится к технологиям воздушного или космического зондирования местности с целью обнаружения, классификации и анализа объектов земной поверхности, а также атмосферы и океана. Данные дистанционного зондирования в основном представлены в виде изображений, полученных с летательных аппаратов (беспилотники, самолеты, спутники) и представляет собой наиболее целесообразную форму измерения, регистрации и визуализации излучения, несущего географическую информацию об исследуемых объектах.

Общей физической основой дистанционного зондирования является функциональная зависимость между зарегистрированными параметрами собственного или отраженного излучения объекта и его биогеофизическими характеристиками, и пространственным положением [19]. Исследование спектральных отражательных свойств ландшафта является одним из основных элементов в изучении природной среды космическими методами. Каждый объект на Земле имеет разную отражательную способность, представленную кривой спектральной отражательной способности г^, изменяющейся с длиной волны.

ВА во

Где: В л - интегральная яркость отражающей поверхности узкого диапазона длины волн А;

В0 - яркость идеально рассеивающей, полностью отражающей поверхности [20].

Кривые спектрального излучения характеризует освещенность объекта, а энергия отраженного излучения - его яркость. Каждый объект обладает собственной кривой спектральной отражательной способности. Она определяется как отношение энергий отраженного и падающего излучения и является функцией

длины волны. С помощью такой кривой можно получить общую оценку спектральной отражательной способности объекта в некотором относительно широком диапазоне [21]. Согласно классификации Е.Л.Кринова все природные образования с их характерными спектральными характеристиками отражения разделены на три класса [22]. На приведенном рисунке римскими цифрами обозначен класс объектов, арабскими - тип объектов.

Класс I - обнажения, почвы - Для спектральных кривых гх этого класса характерным является постепенный подъем в сторону длинных волн, типы поверхностей различаются наклоном кривых гх.

Класс II - растительные образования - Для поверхностей этого класса характерен максимум в области 0,55 мкм, минимум в пределах главной полосы поглощения хлорофилла (0,66-0,68 мкм), за которым следует резкий подъем в сторону длинных волн с максимумом примерно для длины волны X = 0,8-1,0 мкм, типы поверхностей этого класса в основном отличаются величиной гх для этой области спектра.

Класс III - водные поверхности, водоемы и снеговой покров - объединяет три типа: тип 1 - снег, покрытый ледяной коркой; тип 2 - свежевыпавший снег; тип 3 -водная поверхность под некоторым, достаточно большим углом к нормали, т. е. отражающая голубое небо. Примеры этих 3 классов показаны на рисунке 1.2 ниже.

Гл

0.8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0

0,4 0,5 0,6 0.7 0,8-/мкм

Рисунок 1.2 - Основные спектральные классы природных объектов [22]

Водные объекты имеют другие свойства оптической отражательной способности, чем другие типы объектов. На изображении 1.2 видно, что водные объекты характеризуются самыми низкими значениями коэффициентов спектральной отражательной способности среди других природных объектов. При этом все другие природные объекты даже в состоянии увлажненности имеют больший коэффициент отражения. Этот факт используется при обнаружении водных объектов на измеренном изображении [23]. Современные системы дистанционного зондирования способны захватывать многоспектральные изображения, что означает, что информация записывается не только в видимых длинах волн, но и в инфракрасных. Это позволяет изображениям дистанционного зондирования отличать водные объекты от других объектов. В таблице 1.1 ниже приведена информация о некоторых популярных в мире космических системах дистанционного зондирования.

Список литературы диссертационного исследования кандидат наук Нгуен Тхань Доан, 2022 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Boak E.H., Turner I.L. Shoreline Definition and Detection: A Review // Journal of Coastal Research. - 2005. - 214 : Vol. 2005. - pp. 688-703.

2. Kummu M., de Moel H., Ward P., Varis O. How Close Do We Live to Water? A Global Analysis of Population Distance to Freshwater Bodies // PLoS One. -2011. - 6 : Vol. 6.

3. Водный кодекс Российской Федерации (с изменениями на 24 апреля 2020 года) (редакция, действующая с 14 июня 2020 года)., 2020.

4. ГУ ГГИ Методические рекомендации по определению расчетных гидрологических характеристик при отсутствии данных гидрометрических наблюдений. - Санкт-Петербург : Нестор-История, 2009 г..

5. Dolan R., Hayden B., May P., May S. The reliability of shoreline change measurements from aerial photographs // Shore Beach. - 1980. - Vol. 48. - pp. 2229.

6. Потапов В.П., Гиниятуллина О.Л., Андреева Н.В. Использование данных дистанционного зондирования Земли для оценки антропогенного воздействия на водные объекты // Горный информационно-аналитический бюллетень. - 2013 г.. - Т. 6. - стр. 465-474.

7. Пьянков С.В., Шихов А.Н. Опасные гидрометеорологические явления: режим, мониторинг, прогноз. - Пермь : Раритет-Пермь, 2014. - стр. 296.

8. СТО ГГИ 52.08.40-2017, Определение морфометрических характеристик водных объектов суши и их водосборов с использованием технологии географических информационных систем по цифровым картам Российской Федерации и спутниковым снимкам. ООО РПЦ Офорт, 2017 г.

9. Определение понятия «береговая линия» европейским агентством по окружающей среде. [Электронный ресурс]. - Режим доступа: https://www.eea.europa.eu/help/glossary/eea-glossary/coastline.

10. Puissant A., Lefevre S., Weber J. Coastline extraction in VHR imagery using

mathematical morphology with spatial and spectral knowledge // International Society for Photogrammetry and Remote Sensing Congress (ISPRS). - 2008.

11. Определение понятия «береговая линия» национальным управление мокеанических и атмосферных исследований США.

12. Техническое руководство по определению среднего уровня полной воды. -2016 : Министерство природных ресурсов и окружающей среды Вьетнама.

13. Besset M., Gratiot N., Anthony E., Bouchette F., Goichot M., Marchesiello P. Mangroves and shoreline erosion in the Mekong River delta, Viet Nam // Estuarine, Coastal and Shelf Science. - 2019 г.. - Т. 226. - стр. 106263.

14. Калимуллина Г.И. Применение разновременных космических снимков Landsat для установления береговых линий (границ) водных объектов // Экологический сборник 7: Труды молодых ученных. Всероссийская (с международным участием) молодежная научная конференция. - 2019 г.. - Т. 1. - стр. 209-213.

15. Сатдаров А.З. Методические проблемы установления охранных зон водотоков и опыт их решения на примере водных объектов Республики Татарстан // Эрозионные, русловые и устьевые процессы (исследования молодых ученых университетов). Сборник статей по материалам XI семинара молодых ученых вузов, объединяемых советом по проблеме эрозионных, русловых и устьевых процессов. - 2016 г.. - стр. 204-210.

16. Михайлов А.П., Чибуничев А.Г. Фотограмметрия. - Москва : МИИГАиК, 2016.

17. Михайлов А.П., Едгар Рубен Монтель Андраге Фотограмметрический метод мониторинга состояния морских и океанских побережий по материалам аэрофотосъемки // Известия вузов "Геодезия и аэрофотосъемка". - 2013 г.. - Т. 4. - стр. 30-32.

18. Едгар Рубен Монтель Андраге Экспериментальные исследования методики мониторинга состояния прибрежной полосы по материалам

аэрофотосъёмки // Известия вузов "Геодезия и аэрофотосъемка". - 2014 г.. - Т. 3. - стр. 35-37.

19. Панасюк М., Сафиоллин Ф., Логинов Н., Пудовик Е. Картография, фотограмметрия и дистанционное зондирование Земли. - Казань : Казанский (Приволжский) федеральный университет, 2018.

20. Балдина Е.А., Лабутина И.А. Дешифрирование аэрокосмических снимков. -Москва : КДУ, Добросвет, 2021. - стр. 269.

21. Толстохатько В.А., Пеньков В.А. Фотограмметрия и дистанционное зондирование. - Харьков : ХНАГХ, 2013. - стр. 113.

22. Алтынов А., Малинников В., Попов С., Стеценко А., Спектрометрирование ландшафта. - Москва : МИИГАиК, 2015.

23. Катаев М.Ю. и Бекеров А.А. Методика обнаружения водных объектов по многоспектральным спутниковым измерениям // Доклады ТУСУРа. - 2017 г.. - 4 : Т. 20. - стр. 105-108.

24. Zhu L., Suomalainen J., Liu J., Hyyppa J., Kaartinen H., Haggren H. A Review: Remote Sensing Sensors // Multi-purposeful Application of Geospatial Data. -2017. - pp. 19-42.

25. Pajak M.J. and Leatherman S. The high water line as shoreline indicator // Journal of coastal research. - 2002. - Vol. 18. - pp. 329-337.

26. Leatherman S. Shoreline change mapping and management along the US East Coast // Journal of coastal research. - 2003. - Vol. 38. - pp. 5-13.

27. Ferreira O., Garcia T., Matias A., Tabordac R., Dias J. An integrated method for the determination of set-back lines for coastal erosion hazards on sandy shores // Continental Shelf Research. - 2006. - Vol. 26. - pp. 1030-1044.

28. Makota V., Sallema R., Mahika C. Monitoring Shoreline Change Using Remote Sensing And Gis: A Case Study Of Kunduchi Area, Tanzania // Western Indian Ocean Journal of Marine Science. - 2004. - Vol. 3. - pp. 1-10.

29. Toure S., Diop O., Kpalma K., Maiga A. Shoreline Detection using Optical

Remote Sensing: A Review // ISPRS International Journal of Geo-Information. -2019. - Vol. 8. - p. 75.

30. Hoeke R.K., Zarillo G.A., Synder M. A GIS Based Tool for Extracting Shoreline Positions From Aerial Imagery (Beachtools) // Coastal and Hydraulics Engineering Technical Note CHETN-IV-37. - 2001. - 37 : Vol. IV. - pp. 1-12.

31. Baiocchi V., Brigante R., Dominici D., Radicioni F. Coastline Detection Using High Resolution Multispectral Satellite Images // FIG Working Week 2012, Rome, Italy, 2012.

32. Maglione P., Parente C., Vallario A. Coastline extraction using high resolution WorldView-2 satellite imagery // European Journal of Remote Sensing. - 2014 г.. -1 : Т. 47. - pp. 685-699.

33. Smith K., Terrano J., Pitchford J., Archer M. Coastal Wetland Shoreline Change Monitoring: A Comparison of Shorelines from High-Resolution WorldView Satellite Imagery, Aerial Imagery, and Field Surveys // Remote Sensing. - 2021. -Vol. 13. - p. 3030.

34. Лабутина И.А., Балдина Е.А. Использование данных дистанционного зондирования для мониторинга экосистем ООПТ. - Москва : WWF России, 2011.

35. Солдатов В., Ягунов М., Голубев Д., Сашко Е. Дистанционный лесопатологический мониторинг лесов Красноярского края // Мониторинг, моделирование и прогнозирование опасных природных явлений и чрезвычайных ситуаций: Материалы всероссийской научно-практической конференции. - Железногорск : Сибирская пожарно-спасательная академия -филиал Санкт-Петербургского университета ГПС МЧС России, 2013.

36. Sorgenfrei R. и Groenewold S. Historical coastline change analysis between 1903/04 and 2017. - Coastal protection tool for the Mekong delta, 2017 г..

37. Tucker C.J., Sellers P.J. Satellite remote sensing of primary productivity // International Journal of Remote Sensing. - 1986. - 11 : Т. 7. - pp. 1395-1416.

38. Domenikiotis C., Loukas A., Dalezios N.R. The use of NOAA/AVHRR satellite data for monitoring and assessment of forest fires and floods // Natural Hazards Earth System Science. - 2003. - Vol. 3. - pp. 115-128.

39. McFeeters S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features // International Journal of Remote Sensing. -1996. - 7 : Vol. 17. - pp. 1425-1432.

40. Xu H. Modification of Normalized Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery // International Journal of Remote Sensing. - 2006. - Т. 27. - pp. 3025-3033.

41. Ji L., Zhang L., Wylie B. Analysis of dynamic thresholds for the normalized difference water index // Photogrammetric Engineering and Remote Sensing. -2009. - 11 : Vol. 75. - pp. 1307-1317.

42. Нгуен Т.Д., Малинников В.А. Определения береговой линии поверхностных водных объектов по космическим снимкам // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2021 г.. - Т. 3. - стр. 274-281.

43. Tulbure M., Broich M., Stehman S., Kommareddy A. Surface water extent dynamics from three decades of seasonally continuous Landsat time series at subcontinental scale in a semi-arid region // Remote Sensing of Environment. -2016. - Vol. 178. - pp. 142-157.

44. Xie C., Huang X., Zeng W., Fang X. A novel water index for urban high-resolution eight-band WorldView-2 imagery // International Journal of Digital Earth. - 2016. -10 : Vol. 9. - pp. 925-941.

45. Acharya T., Lee D., Yang I., Lee J. Identification of Water Bodies in a Landsat 8 OLI Image Using a J48 Decision Tree // Sensors. - 2016. - 7 : Vol. 16.

46. Rokni K., Ahmad A., Selamat A., Hazini S. Water feature extraction and change detection using multitemporal Landsat imagery // Remote sensing. - 2014. - Vol. 6. - pp. 4173-4189.

47. Zhou Y., Dong J., Xiao X., Xiao T., Yang Z., Zhao G., Zou Z., Qin Y., Open

surface water mapping algorithms: A comparison of water-related spectral indices and sensors // Water. - 2017. - 4 : Vol. 9.

48. Taravat A., Rajaei M., Emadodin I., Hasheminejad H., Mousavian R., Biniyaz E. A spaceborne multisensory, multitemporal approach to monitor water level and storage variations of lakes // Water. - 2016. - 11 : Vol. 8.

49. Jiang H. , Feng M., Zhu Y., Lu N., Huang J., Xiao T. An automated method for extracting rivers and lakes from Landsat imagery // Remote Sensing. - 2014. - 6 : Vol. 6. - pp. 5067-5089.

50. Нгуен Т.Д., Малинников В.А. Разработка методики определения положения береговой линии поверхностных водных объектов по материалам аэрокосмических съемок с использованием технологии глубокого обучения // МОНИТОРИНГ. Наука и технологии. - 2021 г.. - 48 : Т. 2. - стр. 32-40.

51. Li J. и Sheng Y. An automated scheme for glacial lake dynamics mapping using Landsat imagery and digital elevation models: A case study in the Himalayas // International Journal of Remote Sensing. - 2012. - 16 : Vol. 33. - pp. 5194-5213.

52. Allen G.H., Pavelsky T.M. Patterns of river width and surface area revealed by the satellite-derived North American River Width data set // Geophysical Research Letters. - 2015. - Vol. 42. - pp. 395-402.

53. Choung Yun-Jae, Jo Myung-Hee Comparison between a Machine-Learning-Based Method and a Water-Index-Based Method for Shoreline Mapping Using a HighResolution Satellite Image Acquired in Hwado Island, South Korea // ournal of Sensors. - 2017. - Vol. 2017. - pp. 13.

54. Бекбаева А., Мажренова Ш., Ермеков Ф., Токбергенов И., Куришбаев А. Классификация содержания фосфора методами машинного обучения по данным дистанционного зондирования Земли // The Scientific Heritage. - 2020 г.. - Т. 56. - стр. 29-36.

55. Романов А.А., Рубанов К.А. Сравнение методов объектно-ориентированной и нейросетевой классификации данных дистанционного зондирования Земли

на основе материалов систем Landsat-5 и Orbview-3 // Современные проблемы дистанционного зондирования Земли из космоса. - 2012 г.. - 4 : Т. 9. - стр. 29-36.

56. Gu J., Wang Z., Kuen J., Ma L., Shahroudy A., Shuai B., Liu T., Wang X., Wang G., Cai J., Chen T., Recent advances in convolutional neural networks // Pattern Recognition. - 2018. - Vol. 77. - pp. 354-377.

57. Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks // Communications of the ACM. - 2017. - 6 : Vol. 60. - pp. 84-90.

58. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2016. -pp. 770-778.

59. Ma L., Liu Y., Zhang X., Ye Y., Yin G., Johnson B. Deep learning in remote sensing applications: A meta-analysis and review // ISPRS Journal of Photogrammetry and Remote Sensing. - 2019 . - Vol. 152. - pp. 166-177.

60. Liu Y., Chen X., Wang Z., Wang Z. J., Ward R., Wang X. Deep learning for pixellevel image fusion: Recent advances and future prospects // Information Fusion. -2018. - Vol. 42. - pp. 158-173.

61. Chen W., Zhong F., Tan Y. Multiple-Oriented and Small Object Detection with Convolutional Neural Networks for Aerial Image // Remote Sensing. - 2019. - 18 : Vol. 11.

62. Marcos D., Volpi M., Kellenberger B., Tuia D. Land cover mapping at very high resolution with rotation equivariant CNNs: Towards small yet accurate models // ISPRS Journal of Photogrammetry and Remote Sensing. - 2018. - Vol. 145. - pp. 96-107.

63. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Lecture Notes in Computer Science. - 2015. -Vol. 9351. - pp. 234-241.

64. Li R., Liu W., Yang L., Sun S., Hu W., Zhang F., Li W. DeepUNet: A Deep Fully Convolutional Network for Pixel-Level Sea-Land Segmentation // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2018. - 11 : Vol. 11. - pp. 3954-3962.

65. Chu Z., Tian T., Feng R., Wang L. Sea-Land Segmentation With Res-UNet And Fully Connected CRF // 2019 IEEE International Geoscience and Remote Sensing Symposium. - 2019. - pp. 3840-3843.

66. Ridwan M., Radzi N., Ahmad W., Mustafa I., Din N., Jalil Y., Isa A., Othman N., Zakiet W. Applications of Landsat-8 Data: a Survey // International Journal of Engineering & Technology. - 2018. - Vol. 7. - pp. 436-441.

67. Дубенко Ю.В., Тимченко Н.Н., Вандина А.И. Применение искусственных нейронных сетей к распознаванию объектов на изображении // Электронный сетевой политематический журнал "Научные труды КУБГТУ". - 2018 г.. - Т. 3. - стр. 595-608.

68. Бабкина М.О., Дмитриев А.В., Милов В.Р. Применение нейросетевых технологий при автоматическом обнаружении и распознавании образов в видеопотоке // Информационные системы и технологии - 2019. - Нижний Новгород : 2019.

69. Сверточная нейронная сеть, часть 1: структура, топология, функции активации и обучающее множество [Электронный ресурс]. - Режим доступа: https://habr.com/ru/post/348000/.

70. Михайлов В.В, Колпащиков Л.А., Соболевский В.А., Соловьев Н.В, Якушев Г.К. Методологические подходы и алгоритмы распознавания и подсчета животных на аэрофотоснимках // Информационно-управляющие системы. -2021 г.. - 114 : Т. 5. - стр. 20-32.

71. Станкевич Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник иркутского государственного технического университета. - 2018 г.. - 9 : Т. 22. - стр. 111-120.

72. Моисеева Е.Д. Проблема сегментации изображения лица с использованием нейросети u-net в медицине // Наука и инновации в современном мире. - 2019 г.. - стр. 157-161.

73. Ганеева Ю.Х. и Мясников Е.В. Сегментация радужной оболочки глаза на изображении с помощью сверточной нейронной сети архитектуры U-net // Информационные технологии и нанотехнологии (ИТНТ-2020). - Самара : 2020. - стр. 57-63.

74. Avsar N.B., Kutoglu H. Analysis of Seasonal Cycle of Sea Level Variations in The Black Sea // International symposium on applied geoinformatics (ISAG2019). -Istanbul, Turkey : [s.n.], 2019. - Vol. 1. - pp. 185-188.

75. Amiruddin A., Haigh I., Tsimplis M., Calafat F., Dangendorf S. The seasonal cycle and variability of sea level in the South China Sea // Journal of Geophysical Research: Ocean. - 2015. - 8 : Vol. 120. - pp. 5490-5513.

76. Commonwealth Scientific and Industrial Research (CSIRO) Causes of sea level change [Электронный ресурс]. - Режим доступа: https://research.csiro.au/slrwavescoast/sea-level/sea-level-change/.

77. Chai Y., Li Y., Yang Y., Li S., Zhang W., Ren J., Xiong H. Water level variation characteristics under the impacts of extreme drought and the operation of the Three Gorges Dam // Frontiers of Earth Science. - 2019. - Vol. 13. - pp. 510-522.

78. Кутявина Т.И., Рутман В.В., Ашихмина Т.Я. Дистанционный мониторинг зарастания высшей водной растительностью акватории эвтрофированного водохранилища // Теоретическая и прикладная экология. - 2020 г.. - Т. 3. -стр. 36-40.

79. Автушко С.А., Ивкович Е.Н. Многолетняя динамика зарастания озера Палик высшей водной растительностью // Экологическая культура и охрана окружающей среды: II Дорофеевские чтения. материалы международной научно-практической конференции. - Витебский государственный университет : 2016. - стр. 81-82.

80. Зарубина Е.Ю. Характеристика современного состояния высшей водной растительности водотоков нижнего течения Зеи [Конференция] // КОСМОДРОМ "ВОСТОЧНЫЙ" - БУДУЩЕЕ КОСМИЧЕСКОЙ ОТРАСЛИ РОССИИ. материалы II всероссийской научно-практической конференции. -Благовещенск : 2013. - стр. 5-12.

81. Мартыненко В.П., Дорофеев А.М., Бейнар П.Г., Здесев И.А. Высшая водная растительность озера Черново и ее изменения за 40 лет // Вестк Вщебскага дзяржаунага утверсггэта. - 2010 г.. - 55 : Т. 1. - стр. 133-141.

82. Наиболее распространённые технологии обработки спутниковых изображений [Электронный ресурс]. - Режим доступа: http://vestnik-glonass.ru/news/tech/naibolee-rasprostranyennye-tekhnologii-obrabotki-sputnikovykh-izobrazheniy/.

83. Учебно-методическая документация: Мониторинг лесохозяйственной деятельности. - Тюмень : Тюменский государственный университет, Институт наук о Земле, 2015.

84. Center Earth Resources Observation and Science (EROS) Collection 2 Landsat 8-9 OLI (Operational Land Imager) and TIRS (Thermal Infrared Sensor) Level-2 Science Product [Электронный ресурс]. - Режим доступа: https://www.usgs.gov/centers/eros/science/usgs-eros-archive-landsat-archives-landsat-8-9-olitirs-collection-2-level-2#overview.

85. Magdalena M., Bringfried P., Jerome L., Vincent D., Uwe M. и Ferran G. Sen2Cor for Sentinel-2 // Image and Signal Processing for Remote Sensing XXIII. - Wasaw, Poland : 2017.

86. Novelli A., Tarantino E., Caradonna G., Apollonio C., Balacco G., Piccinni A. Improving the ANN Classification Accuracy of Landsat Data Through Spectral Indices and Linear Transformations (PCA and TCT) Aimed at LU/LC Monitoring of a River Basin // Lecture Notes in Computer Science. - 2016. - Vol. 9787. - pp. 420-432.

87. Arora V., Sitiraju S., Amminedu E., Rao P. Incorporating Spectral Indices and

Textural Features for Improved Classification Accuracy Towards Semi-Automated River Sand Mapping Using High-Resolution Multispectral Satellite Imagery // Journal of Global Resources. - 2019. - 01 : Vol. 6. - pp. 8-15.

88. Kobayashi N., Tani H., Wang X., Sonobe R. Crop classification using spectral indices derived from Sentinel-2A imagery // Journal of Information and Telecommunication. - 2020. - 1 : Vol. 4. - pp. 67-90.

89. Lee J., Acharya T., Lee D. Exploring Land Cover Classification Accuracy of Landsat 8 Image Using Spectral Index Layer Stacking in Hilly Region of South Korea // Sensors and Materials. - 2018. - 12 : Vol. 30. - pp. 2927-2941.

90. Shorten C., Khoshgoftaar T.M. A survey on Image Data Augmentation for Deep Learning // Journal of Big Data. - 2019. - 1 : Vol. 6.

91. Shijie J., Ping W., Peiyi J., Siping H. Research on data augmentation for image classification based on convolution neural networks // 2017 Chinese Automation Congress (CAC). - Jinan, China : 2017.

92. Perez L., Wang J. The Effectiveness of Data Augmentation in Image Classification using Deep Learning // arXiv. - 2017. - Vol. abs/1712.04621.

93. Tran T., Pham T., Carneiro G., Palmer L., Reid I. A Bayesian Data Augmentation Approach for Learning Deep Models // 31st Conference on Neural Information Processing Systems (NIPS 2017). - Long Beach, CA, USA : 2017.

94. Diakogiannis F., Waldner F., Caccetta P., Wu C. ResUNet-a: A deep learning framework for semantic segmentation of remotely sensed data // ISPRS Journal of Photogrammetry and Remote Sensing. - 2020. - Vol. 162. - pp. 94-114.

95. Karl W., Taghi M.K., DingDing W. A survey of transfer learning // Journal of Big Data. - 2016. - 1 : Vol. 3. - pp. 9.

96. Попова Ю.Б., Яцынович С.В. Обучение искусственных нейронных сетей методом обратного распространения ошибки// В сборнике: Информационные технологии в образовании, науке и производстве. IV Международная научно-техническая интернет-конференция. - Омск : 2016. - стр. 39-43.

97. Архипов В.А. Сравнительный анализ метрик качества для моделей бинарной классификации на примере кредитного скоринга // Вестник Алтайской академии экономики и права. - 2019 г.. - Т. 9. - стр. 12-15.

98. Долотов В.В., Горячкин Ю.Н., Долотов А.В. Статистический анализ изменений береговой линии пляжа поселка Любимовка // Экологическая безопасность прибрежной и шельфовой зон моря. - 2017 г.. - Т. 1. - стр. 40-47.

99. Addo K.A., Jayson-Quashigah P.N., Kufogbe K.S. Quantitative Analysis of Shoreline Change Using Medium Resolution Satellite Imagery in Keta, Ghana // Marine Science. - 2011. - 1 : Vol. 1. - pp. 1-9.

100. Maiti S., Bhattacharya A.K. Shoreline change analysis and its application to prediction: A remote sensing and statistics based approach // Marine Geology. -2009. - 1 : Vol. 257. - pp. 11-23.

101. Baig M., Ahmad I., Shahfahad, Tayyab M., Rahman A. Analysis of shoreline changes in Vishakhapatnam coastal tract of Andhra Pradesh, India: an application of digital shoreline analysis system (DSAS) // Annals of GIS. - 2020. - 4 : Vol. 26. - pp. 361-376.

102. Thieler E., Himmelstoss E., Zichichi J., Ergul A. Digital shoreline analysis system (DSAS) version 4.0 - an ArcGIS extension for calculating shoreline change. - : USGS Publications Warehouse, 2009.

103. Мисиров С.А., Шевердяев И.В. и Магаева А.А. Оценка площадных потерь земель в пределах береговой зоны таганрогского залива // Экология. Экономика. Информатика. Серия: геоинформационные технологии и космический мониторинг. - 2021 г.. - 6 : Т. 2. - стр. 66-73.

104. Журкин И.Г., Шайтура С.В. Геоинформационные систем. - Москва : КУДИЦ-ПРЕСС, 2009.

105. Национальное собрание Вьетнама - Закон о водных ресурсах [Электронный ресурс]. - Режим доступа: https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moi-truong/Luat-tai-nguyen-nuoc-2012-142767.aspx.

106. Министерство природных ресурсов и окружающей среды Вьетнама Постановлением № 15/2005/QD-BTNMT "технические регламенты по созданию топографических карт масштаба 1:10000, 1:25000 и 1:50000 с использованием аэрокосмических данных" [Электронный ресурс]. - Режим доступа: https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moi-truong/Quyet-dinh-15 -2005-QD-BTNMT-ky-thuat-thanh-lap-ban-do-dia-hinh-ty-le-1-10000-1-25000-1-50000-bang-cong-nghe-anh-55470.aspx.

107. Чан Х.Т. Эколого-гидрологические проблемы дельты реки Меконг // Водное хозяйство России: проблемы, технологии, управление. - 2019 г.. - Т. 1. - стр. 24-39.

108. Ле А.Т. Сезон дождей в дельте Меконга [Электронный ресурс]. - Режим доступа: http://mekonginfo.org/assets/midocs/0001470-inland-waters-rainfall-in-cuu-long-delta.pdf.

109. Бананова В.А., Нгуен З.В. Влияние изменения климата на прибрежные экосистемы южной части республики Вьетнам // Современные проблемы науки и образования. - 2015 г.. - Т. 2-1. - стр. 775.

110. Olson K.R., Morton L.W. Дельта Меконга (регион) [Электронный ресурс]. -Режим доступа: https://geosfera.org/aziya/vetnam/2735-delta-mekonga.html.

111. Truong T.D., Do L.H. Mangrove forests and aquaculture in the Mekong river delta // Land Use Policy. - 2018 г.. - Vol. 73. - pp. 20-28.

112. Besset M., Gratiot N., Anthony E., Bouchette F., Goichot M., Marchesiello P. Mangroves and shoreline erosion in the Mekong River delta, Viet Nam // Estuarine Coastal And Shelf Science. - 2019. - Vol. 226.

113. Veettil B.K., Ngo X.Q. и Ngo T.T.T. Changes in mangrove vegetation, aquaculture and paddy cultivation in the Mekong Delta: A study from Ben Tre Province, southern Vietnam // Estuarine, Coastal and Shelf Science. - 2019. - Vol. 226.

114. FastAI github [Электронный ресурс]. - Режим доступа: https://github.com/fastai/fastai 1.

115. Nguyen T.D. Improving the efficiency of using deep learning model to determine shoreline position in high-resolution satellite imagery // E3S Web of Conferences. -4002-4016. - Vol. 310. - p. 310.

116. Geospatial positioning accuracy standards, part 3: national standard for spatial data accuracy [Электронный ресурс]. - Режим доступа: https://www.fgdc.gov/standards/projects/FGDC-standards-

proj ects/accuracy/part3/chapter3.

117. Map Accuracy Standards: U.S. Geological Survey Fact Sheet 171-99 [Электронный ресурс]. - Режим доступа: https://pubs.usgs.gov/fs/1999/0171/report.pdf.

118. Нгуен Т.Д., Малинников В.А. Исследование динамики изменения береговой линии по материалам разновременных космических съемок // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2021 г.. - Т. 4. -стр. 436-441.

119. Курганович К.А. Сравнение алгоритмов дешифрирования водных поверхностей по индексам NDWI и MNDWI на примере степных озер Восточного Забайкалья // В сборнике: Водные ресурсы и водопользование. -2015 г.. - стр. 15-23.

120. Донцов А.А., Пестунов И.А. и Рылов С.А. Автоматизированный мониторинг площадей акваторий озер и водохранилищ по спутниковым данным // Интерэкспо Гео-Сибирь. - 2017 г.. - 2 : Т. 4. - стр. 38-45.

121. Хоанг Ч.Т., Дао Н.К. Анализ изменений берегов рек в районе Хошимина с 1989 по 2015 год // // Журнал развития науки и технологий: Наука Земли и окружающей среды. - 2018 г.. - 2 : Т. 2. - стр. 80-88.

122. Сутырина Е.Н. Дистанционное зондирование Земли. - Иркутск : Изд-во ИГУ, 2013.

123. Маркеев В.Ю., Арзамасцев А.А. Коррекция коэффициентов наклона функций активации нейронов методом обратного распространения ошибки // В

сборнике: Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2013). сборник трудов VI международной конференции. 2013. - Воронеж : 2013. - стр. 151-153.

124. Nassar K., Mahmod W., Fath H., Masria A., Nadaoka K., Negm A. Shoreline change detection using DSAS technique: Case of North Sinai coast, Egypt // Marine Georesources & Geotechnology. - 2019. - 1 : Vol. 37. - pp. 81-95.

125. Министерство природных ресурсов и окружающей среды Вьетнама -Постановлением № 12/2020/TT-BTNMT "технические регламенты по созданию топографических карт и условным знакам карт масштаба 1:10000, 1:25000" [Электронный ресурс]. - Режим доступа: https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moi-truong/Thong-tu-12-2020-TT-BTNMT-Quy-dinh-ky-thuat-noi-dung-va-ky-hieu-ban-do-dia-hinh-quoc-gia-457452.aspx.

126. Fisher A., Flood N., Danaber T. Comparing Landsat water index methods for automated water classification in eastern Australia // Remote Sensing of Environment. - 2016 г.. - Vol. 175. - pp. 167-182.