Design of high precision optical image stabilization system for high resolution Earth observation remote sensing

Building upon the positive outcomes and evidence of dissemination across the community of the first Special Issue “Remote Sensing and Geosciences for Archaeology”, the second edition of this Special Series of Geosciences dedicated to “Earth Observation, Remote Sensing and Geoscientific Ground Investigations for Archaeological and Heritage Research” collects a varied body of original scientific research contributions showcasing the technological, methodological, and interpretational advances that have been achieved in this field of archaeological and cultural heritage sciences over the last years. The fourteen papers, published after rigorous peer review, allowed the guest editor to make considerations on the capabilities, limitations, challenges, and perspectives of Earth observation (EO), remote sensing (RS), and geoscientific ground investigations with regard to: (1) archaeological prospection with high resolution satellite SAR and optical imagery; (2) high resolution documentation of archaeological features with drones; (3) archaeological mapping with LiDAR towards automation; (4) digital fieldwork using old and modern data; (5) field and archaeometric investigations to corroborate archaeological hypotheses; (6) new frontiers in archaeological research from space in contemporary Africa; and (7) education and capacity building in EO and RS for cultural heritage.

Download Full-text

Practical Approach for Controlling Optical Image Stabilization System

International Journal of Control Automation and Systems ◽

10.1007/s12555-018-0913-0 ◽

2019 ◽

Vol 18 (4) ◽

pp. 824-833 ◽

Cited By ~ 2

Author(s):

Woo-Yong Kim ◽

Hyung-Tae Seo ◽

Soohyun Kim ◽

Kyung-Soo Kim

Keyword(s):

Optical Image ◽

Practical Approach ◽

Stabilization System ◽

Image Stabilization

Download Full-text

An Improved Faster R-CNN Method to Detect Tailings Ponds from High-Resolution Remote Sensing Images

Remote Sensing ◽

10.3390/rs13112052 ◽

2021 ◽

Vol 13 (11) ◽

pp. 2052

Author(s):

Dongchuan Yan ◽

Guoqing Li ◽

Xiangqiang Li ◽

Hao Zhang ◽

Hua Lei ◽

...

Keyword(s):

Remote Sensing ◽

Deep Learning ◽

High Resolution ◽

High Precision ◽

Large Scale ◽

Dam Failure ◽

Remote Sensing Images ◽

Feature Maps ◽

Tailings Pond ◽

Tailings Ponds

Dam failure of tailings ponds can result in serious casualties and environmental pollution. Therefore, timely and accurate monitoring is crucial for managing tailings ponds and preventing damage from tailings pond accidents. Remote sensing technology facilitates the regular extraction and monitoring of tailings pond information. However, traditional remote sensing techniques are inefficient and have low levels of automation, which hinders the large-scale, high-frequency, and high-precision extraction of tailings pond information. Moreover, research into the automatic and intelligent extraction of tailings pond information from high-resolution remote sensing images is relatively rare. However, the deep learning end-to-end model offers a solution to this problem. This study proposes an intelligent and high-precision method for extracting tailings pond information from high-resolution images, which improves deep learning target detection model: faster region-based convolutional neural network (Faster R-CNN). A comparison study is conducted and the model input size with the highest precision is selected. The feature pyramid network (FPN) is adopted to obtain multiscale feature maps with rich context information, the attention mechanism is used to improve the FPN, and the contribution degrees of feature channels are recalibrated. The model test results based on GoogleEarth high-resolution remote sensing images indicate a significant increase in the average precision (AP) and recall of tailings pond detection from that of Faster R-CNN by 5.6% and 10.9%, reaching 85.7% and 62.9%, respectively. Considering the current rapid increase in high-resolution remote sensing images, this method will be important for large-scale, high-precision, and intelligent monitoring of tailings ponds, which will greatly improve the decision-making efficiency in tailings pond management.

Download Full-text

Assessment and inventory of forest parameters using medium-high resolution satellite data

10.12681/eadd/48769 ◽

2021 ◽

Author(s):

Ειρήνη Χρυσάφη

Keyword(s):

Remote Sensing ◽

High Resolution ◽

Satellite Data ◽

Earth Observation ◽

Landsat 8 ◽

Spectral Instrument ◽

Stacked Generalization ◽

Sentinel 2

Τα μεσογειακά δάση χαρακτηρίζονται από υψηλή χωροχρονική ετερογένεια και αποτελούν ένα από σημαντικότερα σημεία της βιοποικιλότητας στον πλανήτη. Η σημαντική αξία τους και το ευρύ φάσμα των οικοσυστημικών υπηρεσιών που παρέχουν, αναγνωρίζεται ευρέως από επιστήμονες, διεθνείς συμβάσεις και οργανισμούς. Ωστόσο, η ευπάθεια τους σε ανθρώπινες και φυσικές απειλές έχει ως αποτέλεσμα την διατάραξη τους. Συνεπώς, σχέδια βιώσιμης διαχείρισης και αειφορικής ανάπτυξης καθίστανται ως επιτακτική ανάγκη. Οι πρακτικές παρακολούθησης και απογραφής δασών απαιτούν την αξιόπιστη εκτίμηση δασικών παραμέτρων, όπως η κυκλική επιφάνεια, ο αριθμός δέντρων ανά μονάδα επιφάνειας και ξυλώδες όγκου. Η ετερογένεια των μεσογειακών δασών και η δύσκολη πρόσβασής τους, καθιστά την επιστήμη της τηλεπισκόπησης ως εξαιρετικά χρήσιμο μέσο για την αξιολόγηση των δασικών πόρων. Η τεχνολογία της τηλεπισκόπησης και τα ανοιχτά δεδομένα τηλεπισκόπησης παρέχουν μεγάλες δυνατότητες στον τομέα της δασολογίας και στην δασική απογραφή. Επιπλέον, η ταχεία πρόοδος στους αλγόριθμους τεχνητής νοημοσύνης διευκολύνει την ανάλυση ευρέος φάσματος δεδομένων. Σε αυτό το πλαίσιο, ο συνδυασμός αυτών των ισχυρών εργαλείων (δεδομένα τηλεπισκόπησης και προσεγγίσεις μηχανικής μάθησης) συνιστά μια πολλά υποσχόμενη, αλλά και ερευνητική πρόκληση, για την εκτίμηση δασικών παραμέτρων. Στη παρούσα διατριβή, εξετάζονται διάφορες προσεγγίσεις για την βελτιστοποίηση της εκτίμησης δασικών παραμέτρων με την χρήση δορυφορικών εικόνων και τεχνικών μηχανικής μάθησης.Η δομή της παρούσας διατριβής αποτελείται από τρία μέρη. Το πρώτο μέρος αποτελείται από τέσσερα κεφάλαια. Αρχικά, στο Κεφάλαιο 1, γίνεται μια εισαγωγή στην αξία των μεσογειακών δασών, στις υπηρεσίες που παρέχουν και στις απειλές που αντιμετωπίζουν. Το Κεφάλαιο 2 τονίζει την ανάγκη αειφορικής διαχείρισης των δασών και κατ 'επέκταση της απογραφής και αξιόπιστης εκτίμησης δασικών παραμέτρων. Στο Κεφάλαιο 3, παρουσιάζονται εν συντομία πηγές δεδομένων τηλεπισκόπησης και η συμβολή τους σε δασικές εφαρμογές και ιδιαίτερα στην εκτίμηση δασικών παραμέτρων, σε περιοχές της Μεσογείου. Το κεφάλαιο 4, αποτελεί μια εισαγωγή στους αλγόριθμους τεχνητής νοημοσύνης και μηχανικής μάθησης και πώς αυτές οι προσεγγίσεις εφαρμόζονται στον τομέα της τηλεπισκόπησης και της δασολογίας. Τέλος παρουσιάζονται τα ερευνητικά ερωτήματα και τα αντικείμενα της παρούσας διατριβής. Το δεύτερο μέρος αποτελείται από τέσσερα άρθρα, εκ των οποίων, το πρώτο (Κεφάλαιο 7) έχει δημοσιευτεί στο περιοδικό Remote Sensing of Environment (2017) και αφορά την εκτίμηση δασικών παραμέτρων χρησιμοποιώντας δια-εποχιακές εικόνες Landsat 8 Operational Land Imager. Το δεύτερο άρθρο (Κεφάλαιο 8) έχει δημοσιευτεί στο Remote Sensing Letters (2017) και αφορά τις σχέσεις μεταξύ ξυλώδες όγκου και εικόνων Sentinel-2 Multi Spectral Instrument. Το τρίτο άρθρο (Κεφάλαιο 9) έχει δημοσιευτεί στο περιοδικό International Journal of Applied Earth Observation and Geoinformation (2019) και αφορά την αξιολόγηση των δορυφορικών δεδομένων Sentinel-2 Multi Spectral Instrument για την εκτίμηση του ξυλώδες όγκου. Το τελευταίο άρθρο (Κεφάλαιο 10) που προορίζεται προς δημοσίευση, αποτελεί μια προκαταρκτική μελέτη για την εκτίμηση του ξυλώδες όγκου σε ένα μεσογειακό δασικό οικοσύστημα, με μία μετά-μαθησιακή προσέγγιση και την ανάπτυξη ενός μοντέλου συσσωρευμένης γενίκευσης (stacked generalization). Τέλος, στο τρίτο μέρος της παρούσας διατριβής παρουσιάζονται συνοπτικά οι απαντήσεις των ερωτημάτων που τέθηκαν στην παρούσα διατριβή και τα προβλήματα - περιορισμοί που αντιμετωπίστηκαν. Επίσης, προτείνονται δυνατότητες και προοπτικές εξέλιξης της παρούσας έρευνας, που θα μπορούσε να αποτελέσουν αντικείμενο για μελλοντική έρευνα.

Download Full-text

Estimating the Volume of Oil Tanks Based on High-Resolution Remote Sensing Images

Remote Sensing ◽

10.3390/rs11070793 ◽

2019 ◽

Vol 11 (7) ◽

pp. 793

Author(s):

Tong Wang ◽

Ying Li ◽

Shengtao Yu ◽

Yu Liu

Keyword(s):

Remote Sensing ◽

High Resolution ◽

High Precision ◽

Relative Error ◽

Absolute Error ◽

Optical Remote Sensing ◽

Practical Applications ◽

Oil Tank ◽

Actual Height ◽

Oil Tanks

The purpose of this study is to obtain oil tank volumes from high-resolution satellite imagery to meet the need to measure oil tank volume globally. A preprocessed remote sensing HSV image is used to extract the shadow of the oil tank by Otsu thresholding, shadow area thresholding, and morphological closing. The oil tank shadow is crescent-shaped. Hence, a median method based on sub-pixel subdivision positioning is used to calculate the shadow length of the oil tank and then determine its height with high precision. The top of the tank and its radius in the image are identified using the Hough transform. The final tank volume is calculated using its height and radius. A high-resolution Gaofen 2 optical remote sensing image is used to evaluate the proposed method. The actual height and volume of the tank we tested were 21.8 m and 109,532 m3. The experimental results show that the mean absolute error of the height of the tank calculated by the median method is 0.238 m, the relative error is within 1.15%, and the RMES is 0.23. The result is better than the previous work. The absolute error between the calculated and the actual tank volumes ranges between 416 and 3050 m3, and the relative error ranges between 0.38% and 2.78%. These results indicate that the proposed method can calculate the volume of oil tanks with high precision and sufficient accuracy for practical applications.

Download Full-text