Возможности нейронных сетей для идентификации гарей по спутниковым данным

Мониторинг последствий лесных пожаров критически важен для оценки экологического ущерба и планирования восстановительных мероприятий. Особую актуальность эта задача приобретает применительно к торфяным экосистемам, пожары в которых приводят к значительным выбросам углерода, деградации ландшафтов и длительному задымлению территорий. Существующие методы дешифрирования таких гарей часто трудоемки и требуют экспертного вмешательства. В работе предложен метод автоматического попиксельного выявления гарей на основе свёрточной нейронной сети U-Net.
Основой исследования послужили многоканальные спутниковые снимки Landsat-5, включающие шесть спектральных каналов, полученные до и после пожаров, а также предварительный растровый слой гарей, взятый из исследования Института лесоведения РАН (Медведева и др., 2020). Таким образом, с помощью двух коллекций данных ("до" и "после" пожара) и маски в качестве эталона для обучения машинный алгоритм смог выявить разницу характерных спектральных особенностей, связанных с процессами выгорания растительности и изменением отражательной способности поверхности.
Разработанная архитектура выполняет предобработку геопространственных данных и нормализацию каналов, а также формирует сбалансированные обучающую и тестовую выборки. Оценка качества проводилась с использованием стандартных метрик, а также визуального сопоставления карт гарей с эталонной маской. Исследование на тестовом участке показало, что модель корректно выделяет области, подвергшиеся пожару, и воспроизводит границы гарей с высокой степенью совпадения с верифицированными данными.
В дальнейшем планируется масштабирование алгоритма на другие торфяники, не входившие в обучающий набор. Полученные результаты демонстрируют потенциал применения нейронных сетей для оперативного тематического картографирования и оценки последствий пожаров по данным дистанционного зондирования Земли.

Работа проведена в рамках Государственного задания ИЛАН РАН и при поддержке Российского научного фонда (проект 23-74-00067).