Метод повышения пространственного разрешения полученных по данным MODIS карт с 230 до 10 м путём переноса разметки на данные Sentinel-2

В Институте космических исследований РАН (ИКИ РАН) по спутниковым данным прибора MODIS создана серия карт растительного покрова России (Барталев и др., 2016). Все эти карты имеют пространственное разрешение 230 м, регулярно обновляются и охватывают всю территорию страны. Одной из задач, для решения которых используются такие карты, является ведение национального кадастра парниковых газов. В основу системы учёта заложена межгодовая динамика площадей растительного покрова в 6 базовых классах: лесные земли, возделываемые земли, пастбища, водно-болотные угодья, поселения, прочие земли (IPCC, 2006). Однако разрешения 230 м во многих случаях недостаточно для качественной оценки. Более детальные карты на основе данных Sentinel-2, Sentinel-1 и Landsat, в свою очередь, уступают картам ИКИ РАН по числу тематических классов или по точности отнесения пикселей к классам (Мятлев и др., 2026).
В данной работе предлагается метод повышения пространственного разрешения обсуждаемых карт: новая карта генерируется методами машинного обучения по спутниковым данным более высокого разрешения, а обучающая выборка извлекается из существующих продуктов по данным MODIS. При таком подходе уже имеющиеся карты используются как готовые размеченные области при обучении модели классификации, которая назначает один класс каждому пикселю снимков более высокого разрешения. Такой перенос разметки с MODIS на Sentinel-2 способен повысить разрешение карт ИКИ РАН в 23 раза — с 230 до 10 м на пиксель. Ключевое практическое преимущество подхода — отсутствие потребности в эталонной карте высокого разрешения. При этом решающим фактором итоговой точности становится качество автоматически формируемой обучающей выборки. В близких работах (Zhang, Roy, 2017) способ отбора надёжных меток фиксирован и задан априори, тогда как здесь именно он является предметом исследования.
Основным источником данных служат снимки прибора MSI спутников Sentinel-2. Для каждого года использовались 90-дневные медианные безоблачные композиты по трём сезонам — весна, лето и осень (Кашницкий и др., 2022). Источником исходной разметки служат ежегодные карты ландшафтного покрова ИКИ РАН с разрешением 230 м, переведённые из 23 в 6 базовых классов. Для валидации в качестве эталона выбрана карта ESA WorldCover (10 м) (Zanaga et al., 2021), также переведённая в 6 классов. В качестве классификатора выбран RandomForest. Разработка и валидация выполнялись на данных за 2020 год по одному тайлу Самарской области — 39UVV.
Предложены и сопоставлены шесть способов извлечения выборки из карты MODIS. Простейший, случайный способ основан на отборе случайных признаков: для каждого пикселя карты MODIS, задающего зону выборки, из соответствующей области снимка Sentinel-2 случайным образом выбирается фиксированное число пикселей. В надёжном способе признаки отбираются на безопасном удалении от границ: по 230-м карте оставляются только пиксели, вся окрестность которых (блок 3×3) принадлежит тому же классу. Остальные четыре способа опираются на надёжные области и дополнительно отбирают признаки: по однородности (стандартному отклонению NDVI в пределах пикселя MODIS), по характерному для класса текстурному покрову (модулю градиента NDVI) и по близости к эталонному признаку класса (косинусному расстоянию до вектора медианных значений). Шестой способ очищает надёжные области от пикселей, похожих на эталоны других классов. Для первых трёх способов дополнительно проверена схема с загрублением данных Sentinel-2 до разрешения MODIS (230 м). Качество в каждом способе оценивалось напрямую, путём сравнения выборки с эталоном, и косвенно, по результатам классификации.
На тестовом тайле определён оптимальный способ — надёжный. Он обеспечивает наилучший баланс между полнотой, точностью и устойчивостью к пространственному несогласованию классов. При прямой оценке извлечённой выборки относительно эталона он даёт F1 = 0,74, а для построенной карты — F1 = 0,86 при общей точности 0,85. Обучение на исходных 10-м данных опережает схему с загрублением примерно на 3 % по общей точности. Способ отбора по близости к эталонному признаку лучше всех попадает в границы своего класса по WorldCover, однако по итоговой точности карты уступает надёжному: лучшее попадание выборки в эталон не гарантирует лучшей классификации. Надёжным способом построена карта землепользования Самарской области за 2020 год с разрешением 10 м по 15 тайлам. При её сравнении с WorldCover получены общая точность 0,86 и F1 = 0,88. Часть расхождений с эталоном обусловлена не ошибками классификации, а различиями в трактовке классов: например, садовые участки отнесены построенной картой к поселениям, а в WorldCover — к лесным землям. Поэтому реальная точность карты, по-видимому, выше.
Метод реализован в виде полного цикла обработки, включающего загрузку спутниковых данных, извлечение выборки из карты низкого разрешения, обучение модели классификации и генерацию итоговой карты. При наличии соответствующих входных данных метод может применяться для повышения пространственного разрешения имеющихся карт. В связи с планируемым завершением программы MODIS подобные карты предполагается строить по данным других приборов, например VIIRS, по тем же принципам, так что метод применим и к ним. Дальнейшее развитие связано с наращиванием временного измерения признакового пространства и переходом к нейросетевой семантической сегментации.
Автор выражает благодарность Колобахину Михаилу Юрьевичу за помощь в подготовке данной работы. Работа выполнена с помощью инфраструктуры Центра коллективного пользования «ИКИ-Мониторинг» (http://ckp.geosmis.ru/) (Лупян и др., 2019) в рамках темы ИКИ РАН «Мониторинг» (госрегистрация № 126031818938-6).