Дешифрирование депрессивных строительных объектов по данным спутниковой съемки и подспутникового мониторинга

Введение. Исследуются депрессивные строительные объекты (ДСО) и наличие их на территории Арктики. Применение технологий дистанционного зондирования Земли из космоса является незаменимым для обеспечения подспутникового мониторинга по определению аварийных, поврежденных и заброшенных строительных объектов в труднодоступных регионах. Цель исследования — возможность дешифрования ДСО по данным аэрокосмического мониторинга. Для арктических территорий дистанционные методы актуальны из-за неблагоприятных метеорологических условий, а также из-за депрессивного характера большинства населенных пунктов. Депрессивные строительные объекты служат одним из основных признаков обследуемых территорий. В мировой практике существуют определенные методы по дешифрованию депрессивных сооружений. Это иерархический метод глубокого обучения на базе снимков Google Street View, информационное моделирование исторических зданий, фотограмметрия с помощью БПЛА, 3D-съемки.

Материалы и методы. Использованы спутниковые изображения высокого пространственного разрешения, отображающие территории с различными условиями освещения, ландшафта и компонентного состава поверхности Арктики. Предмет исследования — комплексный метод визуального дешифрования ДСО.

Результаты. Представлены области и признаки дешифрирования, актуальность дешифрирования депрессивных объектов в Арктическом регионе. Приведены примеры аварийных и заброшенных объектов и их дешифровочные признаки на спутниковых, наземных и аэрофотоснимках. Показан экологический аспект ДСО, связанных с продуцированием свалок и определенными механизмами поведения по отношению к землепользованию.

Выводы. Рассмотренные методы дешифрирования ДСО по данным аэрокосмического мониторинга позволят проводить их кадастровый учет, картографирование и систематизацию, оценивать количественные и качественные характеристики этих объектов и депрессивность исследуемых регионов. Это наиболее актуально для Арктического региона.

1. Казарян М.Л., Рихтер А.А., Шахраманьян М.А., Недков Р. Космический мониторинг объектов захоронения твердых бытовых отходов и промышленных отходов (ТБО и ПО): теоретико-методические и социально-экономические аспекты : монография. М. : НИЦ ИНФРА-М, 2019. 278 с. DOI: 10.12737/monography_5c4efa771779a4.89852001. EDN ZAIMOL.

2. Рязанова Н.Е., Сорокин П.А. Опыт применения дистанционного зондирования растительности при исследовании динамики экосистем российской Арктики // Науки о земле: вчера, сегодня, завтра : мат. III Междунар. науч. конф. 2017. С. 7–12. EDN ZBJMLL.

3. Заров Е.А. Исследование Арктики из космоса // GoArctic. 2018. URL: https://goarctic.ru/news/issledovanie-arktiki-iz-kosmosa/

4. Morckel V.C. Spatial characteristics of housing abandonment // Applied Geography. 2014. Vol. 48. Pp. 8–16. DOI: 10.1016/j.apgeog.2014.01.001

5. Zou S., Wang L. Detecting individual abandoned houses from google street view: A hierarchical deep learning approach // ISPRS Journal of Photogrammetry and Remote Sensing. 2021. Vol. 175. Pp. 298–310. DOI: 10.1016/j.isprsjprs.2021.03.020

6. Zou S., Wang L. Mapping individual abandoned houses across cities by integrating VHR remote sensing and street view imagery // International Journal of Applied Earth Observation and Geoinformation. 2022. Vol. 113. P. 103018. DOI: 10.1016/j.jag.2022.103018

7. Fiorillo F., Perfetti L., Cardani G. Automated Mapping of the roof damage in historic buildings in seismic areas with UAV photogrammetry // Procedia Structural Integrity. 2023. Vol. 44. Pp. 1672–1679. DOI: 10.1016/j.prostr.2023.01.214

8. Fiorillo F., Cardani G., Balin S. Scan-to-HBIM: integrated survey and information modelling for the documentation of structural damage // DENNE. 2022.

9. Рихтер А.А., Шахраманьян М.А. Направления проектных работ в области космического экологического мониторинга и трехмерного моделирования : монография. М. : ИНФРА-М, 2022. 277 с. DOI: 10.12737/1858257

10. Kazaryan M., Shakhramanyan M., Richter A., Getsov P., Gramatikov P. Global system for space monitoring of environmental littering // Proceedings of the Bulgarian Academy of Sciences. 2022. Vol. 75. Issue 7. Pp. 1028–1036. DOI: 10.7546/CRABS.2022.07.11

11. Mason D.C., Dance S.L., Cloke H.L. Floodwater detection in urban areas using Sentinel-1 and WorldDEM data // Journal of Applied Remote Sensing. 2021. Vol. 15. Issue 3. DOI: 10.1117/1.JRS.15.032003

12. Gao Y., Gao M., Damdinsuren B., Dorjsuren M. Early drought warning based on chlorophyll fluorescence and normalized difference vegetation index in Xilingol League of China // Journal of Applied Remote Sensing. 2021. Vol. 15. Issue 3. DOI: 10.1117/1.JRS.15.032006

13. Lung H., Huang A., Goldberg M. Special section guest editorial: satellite remote sensing for disaster monitoring and risk assessment, management, and mitigation // Journal of Applied Remote Sensing. 2021. Vol. 15. Issue 3. DOI: 10.1117/1.JRS.15.032001

14. Meddeber L., Zouagui T., Berrached N. Efficient photometric and geometric stitching approach for remote sensing images based on wavelet transform and local invariant // Journal of Applied Remote Sensing. 2021. Vol. 15. Issue 3. DOI: 10.1117/1.JRS.15.034502

15. Akhavan Z., Hasanlou M., Hosseini M., Becker-Reshef I. Soil moisture retrieval improvement over agricultural fields by adding entropy–alpha dual-polarimetric decomposition features // Journal of Applied Remote Sensing. 2021. Vol. 15. Issue 3. DOI: 10.1117/1.JRS.15.034516

16. Cai R., Shang G. Flexible 3-D Gabor features fusion for hyperspectral imagery classification // Journal of Applied Remote Sensing. 2021. Vol. 15. Issue 3. DOI: 10.1117/1.JRS.15.036508

17. Massout S., Smara Y. Panchromatic and multispectral image fusion using the spatial frequency and the à trous wavelet transform // Journal of Applied Remote Sensing. 2021. Vol. 15. Issue 3. DOI: 10.1117/1.JRS.15.036510

18. Шаптала В.Г., Радоуцкий В.Ю., Шаптала В.В. Основы моделирования чрезвычайных ситуаций : учебное пособие. Белгород : БГТУ, 2010. 165 с. EDN QKJYVJ.