Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Девятнадцатая международная конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

XIX.F.260

Распознавание и картографирование нарушений лесного покрова по спутниковым снимкам Sentinel-2 с помощью свёрточных нейронных сетей

Тарасов А.В. (1), Шихов А.Н. (1), Шабалина Т.В. (1)
(1) Пермский государственный национально-исследовательский университет, Пермь, Пермь
Мониторинг нарушений лесного покрова — одна из важнейших областей применения спутниковых данных. Перспективный путь повышения точности распознавания таких объектов на снимках заключается в использовании алгоритмов глубокого обучения (свёрточных нейронных сетей). В настоящей работе представлен алгоритм выявления нарушений лесного покрова по снимкам Sentinel-2 на основе свёрточной нейронной сети архитектуры U-Net. Обучение и валидация модели реализованы на примере нескольких регионов европейской части России. Всего проведено более 50 экспериментов с базовой архитектурой, в результате которых установлено, что наиболее информативными признаками оказываются спектральные каналы Red, NIR, SWIR1, SWIR2 и их разности. Созданы модели распознавания нарушений лесного покрова для снимков зимнего, летнего и переходного сезонов, а также модель для всех сезонов. Оценка точности выделенных контуров выполнена по границам нарушений, оцифрованных вручную по снимкам Sentinel-2.
Разработанные модели обеспечивают повышение точности распознавания нарушений лесного покрова более чем в два раза в сравнении с традиционными методами, основанными на растровой арифметике. Средняя точность, оцененная по показателю F-меры, составляет 0,48 и 0,23 соответственно. Полученные оценки точности близки к ранее опубликованным для территории Украины (Isaienkov et al., 2021).
В наибольшей степени преимущества сверточных нейронных сетей проявляются при детектировании выборочных рубок, которые выделяются как целостные объекты, в то время как с помощью традиционных методов удаётся выделить лишь отдельные пиксели с наибольшими изменениями в яркости. При выделении несплошных рубок установлено, что разработанные модели выявляют меньше объектов для одного контрольного, чем традиционные методы, причем наибольшее различие наблюдается в переходные сезоны.
Помимо оценки точности по сезонам, на примере территории Пермского края была оценена точность работы алгоритмов на участках с разным характером лесопользования. Выделены три тестовых участка − зона с преобладанием выборочных и проходных рубок при значительной площади сельхозугодий, лесная зона с высокой долей проходных рубок и лесная зона с преобладанием сплошных рубок. Во всех случаях доля выявленных объектов моделью составила свыше 90%, причем как при расчете по площади, так и по количеству. Доля пропусков объектов составила в среднем 6%, а ложных срабатываний – 7,7%.
Также разработанные модели менее чувствительны к теням, что позволяет успешно использовать их для мониторинга вырубок по снимкам осенне-зимнего периода. Основным ограничением метода становятся большие затраты на формирование обучающей выборки, но в то же время увеличение объёма выборки повышает способность модели к обобщению и адаптации к новым данным.
Для публикации полученных данных в оперативном режиме создан картографический веб-сервис. Основными функциями сервиса являются пообъектный просмотр изменений лесного покрова о серии снимков и возможность формировать картографическую схему по выбранному объекту. Данная схема содержит необходимую информацию для лесопользователей, а именно характеристику площади и местоположения выявленного нарушения лесного покрова.

Ключевые слова: Исследование выполнено при поддержке РФФИ, проект № 19-35-90005
Литература:
  1. Isaienkov K., Yushchuk M., Khramtsov V., Seliverstov O. Deep Learning for Regular Change Detection in Ukrainian Forest Ecosystem with Sentinel-2 // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2021. V. 14. P. 364–376.

Дистанционное зондирование растительных и почвенных покровов

382