Wykrywanie anomalii na obrazach Sentinel-2

Opis problemu badawczego: Dane optyczne pozwalają na monitorowanie zmian w środowisku, ale detekcja nietypowych zdarzeń (anomalii) wymaga zaawansowanej analizy danych. Anomalie mogą obejmować wylesienia, susze, pożary, zmiany pokrycia terenu, zanieczyszczenia wód i anomalia w roślinności. Celem projektu jest opracowanie systemu automatycznego wykrywania anomalii na podstawie wskaźników spektralnych i metod uczenia maszynowego, w tym algorytmów nadzorowanych i nienadzorowanych.

Proponowane źródła danych:

• Microsoft Planetary Computer
• Earth Search by Element 84 (AWS Registry of Open Data)
• Google Earth Engine
• Copernicus Data Space Ecosystem

Proponowane techniki analizy danych:

• Wstępne przetwarzanie - korekcja atmosferyczna, maskowanie chmur, przycięcie do AOI
• Ekstrakcja cech spektralnych - obliczenie wskaźników spektralnych (np. NDVI czy MSAVI - zmiany wegetacji, NDWI - zmiany dot. zasięgu wód powierzchniowych, NBR - wykrywanie pożarów)
• Wykrywanie anomalii
  • Metody statystyczne (reguły odstające):
    • Z-score – oznaczanie wartości odległych od średniej o więcej niż X odchyleń standardowych
    • Percentylowa analiza progowa – wykrywanie wartości powyżej 95. lub poniżej 5. percentyla dla danego obszaru i wskaźnika spektralnego
    • Metody bazujące na głównych składowych (PCA) – analiza kierunków największej wariancji i identyfikacja punktów odstających
  • Metody wykrywania anomalii oparte na ML (unsupervised learning):
    • Isolation Forest – model izolujący nietypowe obserwacje (np. nagłe zmiany NDVI po wylesieniu).
    • Local Outlier Factor (LOF) – wykrywanie anomalii poprzez analizę gęstości punktów w przestrzeni cech spektralnych.
    • DBSCAN – grupowanie anomalii na podstawie gęstości obserwacji (pozwala wykrywać lokalne zmiany w środowisku).
    • Autoenkodery (AE) – redukcja wymiarowości i wykrywanie nietypowych pikseli poprzez różnicę między rekonstrukcją a rzeczywistym obrazem.