Создание нейросетевой карты категорий землепользования России по данным Sentinel-2

Создание однородных карт категорий землепользования для обширных территорий необходимо для экологического мониторинга, сельскохозяйственной статистики и исследования изменений земной поверхности. При применении нейросетевых методов одной из основных трудностей остаётся подготовка пространственно полной и согласованной обучающей разметки. В России задачу осложняют разнообразие природных условий и большие объёмы спутниковых данных.
В ранее выполненной работе (Leonov et al., 2026) разработан метод построения шестиклассовой карты на основе мультиспектральных изображений Sentinel-2 и нейронной сети U-Net. Обучающая разметка подготовлена на основе глобальных продуктов Dynamic World (Brown et al., 2022), ESA WorldCover (Zanaga et al., 2022) и ESRI Land Cover (Impact Observatory, 2022), приведённых к единой легенде, включающей лесные земли, возделываемые земли, пастбища, водно-болотные угодья, поселения и другие земли. Пиксели с совпадающими после гармонизации классами всех трёх источников образуют слой разметки повышенной достоверности. Дополнительные метки на основе WorldCover расширяют пространственное покрытие разметки, но при обучении учитываются с меньшим весом. Для Dynamic World применялись данные, агрегированные за бесснежный период (Кашницкий, Лупян, 2025). Входными данными модели служат сезонные композитные изображения по шести спектральным каналам Sentinel-2 (Кашницкий и др., 2022).
Отдельная независимая оценка качества была проведена на пилотной территории Московской области по 1740 экспертно интерпретированным точкам. Для нейросетевой карты получены общая точность 0,9397 и взвешенная F1-мера 0,9398. В выполненном сравнении с глобальными продуктами эти показатели оказались наибольшими среди карт, обеспечивающих полное покрытие контрольной выборки. Полученные результаты послужили основанием для перехода от регионального эксперимента к картографированию территории России. При этом приведённые показатели характеризуют Московскую область и не должны интерпретироваться как оценка точности национальной карты.
В настоящей работе обученная модель применена к массиву сезонных композитных изображений Sentinel-2 за 2021 год, охватывающему территорию России. Обработка спутниковых тайлов включает нейросетевую классификацию изображений и сохранение геопривязанных тематических растров. Каждому пикселю, для которого доступен спутниковый композит, присваивается одна из шести категорий общей легенды. Из результатов сформирован национальный набор тематических растров в единой системе классов. При формировании и обработке спутниковых данных использовались возможности Центра коллективного пользования «ИКИ-Мониторинг» (Лупян и др., 2019).
Показана возможность применения технологии картографирования в масштабах страны. При картографировании нейронная сеть использует изображения Sentinel-2 и не требует исходных глобальных тематических карт для каждого обрабатываемого тайла. Следующий этап работы связан с независимой проверкой качества национального продукта в разных природных зонах, анализом пространственной неоднородности ошибок и совершенствованием распознавания трудноразделимых категорий, прежде всего пастбищ и возделываемых земель.
Работа выполнена в рамках темы ИКИ РАН «Мониторинг» (государственная регистрация 126031818938-6) с использованием инфраструктуры Центра коллективного пользования «ИКИ-Мониторинг».