Установление древесной границы перигляциальной среды по материалам дистанционного зондирования методом свёрточных нейронных сетей

Подчас непросто определить точные пространственные пределы современных перигляциальных обстановок. Параметром для проведения границы перигляциальной среды может служить древесная растительность. Рассматриваются перигляциальные среды, которые охватывают холодные безлесные (с редко прямостоящими деревьями) пространства зоны тундр.
В качестве примера, рассмотрим процесс выявления древесной границы на Тазовском полуострове. Из древесного яруса здесь произрастает лиственница сибирская (Larix sibirica) - хвойное дерево из семейства сосновых (Pinaceae), но в отличие от большинства хвойных деревьев, являющихся вечнозелеными породами, лиственница сбрасывает осенью всю свою листву-хвою, то есть это летнезеленое растение.
Для установления границы произрастания лиственницы используем прием распознавания по образцу. Методика распознавания состоит в сопоставлении искомого объекта на материале дистанционного зондирования с эталонами для выбора образца, как целостного зрительного образа. Методика распознавания реализована на использовании аппарата свёрточных нейронных сетей (СНС). СНС – особый класс архитектур искусственных нейронных сетей (ИНС), котрый может быть ориентирован на работу с изображениями. Исходные данные для анализа представляются в матричном виде. Ключевой особенностью данного класса архитектур является наличие особых свёрточных слоёв. Первоначально СНС обучается на множестве изображений, в которых объекты распознавания (эталоны) заранее отмечены на фрагментах снимков дистанционного зондирования . Затем обученная сеть используется для распознавания объектов данного класса на материале всей исследуемой территории. Логика распознавания объектов автоматически формируется в процессе обучения ИНС по эталонам и инкапсулирована в ней.
Ключевой процедурой является предлагаемое обучение, суть которого заключается в том, что СНС обучается в несколько этапов. На первом этапе сеть обучается на большом массиве фрагментов снимков с фиксированными границами древесных объектов. А на последующих -дообучается на снимках целевых объектов (на снимках тех объектов, которые требуется распознавать). Такой подход позволяет уменьшить количество размеченных снимков целевых объектов.
В системе AutoGenNet, основным массивом первого этапа трансферного обучения MRCNN стал массив изображений MS COCO dataset (Microsoft Common Objects in Context). Набор данных состоит из изображений, которые используются для обучения СНС решению задач обнаружения и сегментации. На втором этапе трансферного обучения, MRCNN дообучается на массиве размеченных на снимках древесных единиц.
Для решения задачи разметки изображений древесных растений на космических снимках и подготовки обучающей выборки была разработана специальная программа Markup
После окончания разметки изображений лиственницы на снимках файлы запоминаются и служат в дальнейшем в качестве обучающей выборки на втором этапе трансферного обучения.
Далее выполняется работа по дообучению для решения задачи распознавания деревьев. Данная работа выполняется с использованием программы автоматизированного синтеза моделей ИНС AutoGenNet. Пользователь отбирает и загружает файлы обучающей выборки и запускает процесс трансферного обучения MRCNN. Дообученная модель MRCNN далее используется созданной системой AutoGenNet для распознавания стволов деревьев на новых снимках, не входивших в обучающую выборку.
Снимки, которые были автоматически размечены MRCNN можно открыть и редактировать в программе Markup, исправляя ошибки распознавания, допущенные сетью. Исправленные снимки можно использовать для следующих итераций трансферного обучения модели. Дообучение можно проводить при получении каждого отредактированного пользователем снимка, поэтапно повышая точность исходной версии модели MRCNN. Либо, набрав достаточно большой набор обучающих снимков, обучить MRCNN с нуля и создать новую версию модели в системе распознавания древесных пород растений.
Анализ данных по распространению лиственницы сибирской в пределах Тазовского полуострова позволил выявить границу верхнего предела произрастания прямостоящих деревьев перигляциальной среды, что имеет значение при проведении границы внутри зональных полос и может трактоваться как северная граница полосы южных тундр. Выявленная древесная граница проходит на западе Тазовского полуострова через 68°20' с. ш., а на востоке - 68°22' с. ш., что меняет существующее представление крайнего предела распространения прямостоячих деревьев. Методика позволяет проводить мониторинг древесной границы. Динамика движения этой полосы может отражать инвариант ряда глобальных изменений в географической оболочке планеты.
Предлагаемый процесс трансферного обучения полностью автоматизирован. Проверка методики анализа перигляциальной среды с целью деления ее на однородные, в географическом понимании, широтные полосы подтвержден путем многолетнего полевого обследования искомой территории и анализом составленных крупномасштабных фитоэкологических карт сопредельных с выделенной границей территорий.