Использование свёрточных нейронных сетей для классификации фаций болотного массива «Мухрино» по данным высокодетальной съёмки при помощи БВС

В условиях климатических изменений ключевым инструментом оценки их последствий является мониторинг углеродного баланса экосистем. Болотные комплексы играют особую роль в этом процессе, аккумулируя углерод в торфяной толще и снижая последствия выбросов парниковых газов.
Важной основой мониторинга углеродного баланса является картографическая оценка площади и пространственной структуры болотных экосистем. Однако их высокая микромасштабная изменчивость делает традиционные методы дешифрирования по спутниковым данным недостаточно точными. Использование высокодетальной аэрофотосъёмки с беспилотных воздушных средств (БВС) в сочетании с методами машинного обучения позволяет проводить картографирование фациальной структуры болотных массивов с субсантиметровой точностью.
Цель работы — апробация и верификация методики картографирования фациальной структуры болотного массива «Мухрино» через обучение свëрточных нейронных сетей.
Для классификации фаций использован ортофотоплан болотного массива «Мухрино» (N60.9°, E68.68°), полученный на платформе DJI Matrice 300 с подвесом Zenmuse L1 в июле 2023 г. в RGB-диапазоне (разрешение 0,09 м/пиксель). Изображение было разделено на тайлы 96×96 пикселей; те из них, что содержали более 90–99 % однотонных пикселей, исключались как малоинформативные. 75 % тайлов использовались для обучения модели, 25 % — для тестирования.
Кластеризация тайлов, соответствующая болотным фациям и необходимая для обучения модели, была выполнена в QGIS методом ISODATA с последующей ручной корректировкой.
В процессе машинного обучения применялась свёрточная нейронная сеть (Convolutional Neural Network, CNN), реализованная в среде Matlab. Архитектура модели включала блоки «свёртка – активация – нормализация – пулинг», а также методы аугментации (повороты, зеркальные отражения, сдвиги, изменение яркости/контраста) и регуляризацию Dropout (отключение части нейронов при обучении для предотвращения переобучения).
Модель корректно классифицировала шесть фаций: открытое болото, рямы, грядово-мочажинный комплекс (гряды и мочажины), рямово-мелкомочажинный комплекс и смешанный лес. Общая точность (Overall Accuracy) на тестовой выборке составила 78,9 %. Пространственное распределение фаций: грядово-мочажинный комплекс – 60%, рямы – 20%, рямово-мелкомочажинный комплекс – 10%, смешанный лес – 6%, открытое болото – 4%.
Наибольшие ошибки связаны с линейными просеками и мелкими водотоками, которые интерпретировались как болотные фации. Дополнительно выявлены ошибки на границах между рямами и рядово-мелкомочажинными комплексами, близкими по спектральным и текстурным характеристикам. Для повышения точности требуется компенсация дисбаланса классов в выборке, а также интеграция дополнительных источников данных (лидарных, межсезонных и др.).
Исследование выполнено в рамках проекта РНФ №25-17-20042 «Разработка системы комплексной оценки состояния природных сред с учётом целей низкоуглеродного развития ХМАО-Югры: БПЛА, ГИС, нейронные сети и наземная верификация».