Сегментация вырубок, гарей и ветровалов по разновременным спутниковым снимкам Sentinel-2 с применением различных архитектур сверточных нейронных сетей

Развитие моделей машинного обучения, и в частности сверточных нейронных сетей для анализа изображений происходит быстрыми темпами. Они широко применяются для сегментации нарушений лесного покрова по спутниковым снимкам, однако в каждой работе данные имеют свою специфику, связанную с типом нарушений и их площадью, процентом изъятия древостоя, характеристиками насаждений, рельефа местности и других факторов. В настоящей работе были обучены пять различных моделей (различные модификации архитектуры сверточных нейронных сетей U-net). Три из них, которые показали наилучшие результаты при обучении, были проверены на независимых наборах данных (парных снимках Sentinel-2, полученных в разные сезоны 2021-2023 гг.), на которых были предварительно размечены границы свежих вырубок, гарей и ветровалов.
В результате установлено, что модификации архитектуры U-net, которые показали наилучшие результаты при обучении (Attention U-Net и MobilNetv2 U-Net) не обеспечили повышение точности распознавания на независимых данных. Наиболее высокая точность (среднее значение F-меры 0,59) получена по базовой модели U-net. Стоит отметить, что такие значения точности существенно ниже, чем в ранее опубликованных зарубежных работах (Al-Dabbagh et al., 2022; Lee et al., 2022), но сопоставимы с результатами, опубликованными ранее для Украины и России (Isaienkov et al., 2021; Тарасов и др., 2021). Такое расхождение обусловлено особенностями самих нарушений лесного покрова: в первой группе работ рассмотрены в основном крупные сплошные нарушения (гари), а во второй значительную часть проверочного набора данных составляли выборочные и проходные рубки, которые отличаются относительно слабым изменением спектральных характеристик и объективной сложностью автоматической сегментации.
Основным фактором, определяющим точность распознавания нарушений лесного покрова, являются характеристики самих нарушений – площадь и тип, что было показано еще в работе (Канев и др., 2022). Точность распознавания растет по мере увеличения доли сплошных рубок. Существенные различия также выявлены между снимками разных сезонов, причем максимальна точность распознавания по зимним парам снимков, а минимальна – по летним, что опять же обусловлено сложностью сегментации проходных и выборочных рубок по летним снимкам. Породный состав лесов оказывает менее существенное влияние, хотя для двух из трех тестовых участков максимальная точность отмечена в темнохвойных лесах, а минимальная – в лиственных, что соответствует характеру изменения спектральных характеристик на вырубках. Статистически значимое влияние освещенности склонов на точность распознавания по зимним парам снимков не выявлено.
Точность распознавания гарей на данном этапе оказалась неудовлетворительной, что обусловлено особенностями обучающей выборки.

Исследование выполнено при поддержке Российского научного фонда и Пермского государственного национального исследовательского университета (проект № 22-27-20018).