Опыт применения алгоритма случайного леса для классификации лесисто-городской местности на примере Академгородка

Работа посвящена исследованию возможностей алгоритма машинного обучения Random Forest для классификации типов земного покрова на территории с высокой ландшафтной неоднородностью. В качестве тестового полигона рассматривается Академгородок (Новосибирск) - район, сочетающий крупные массивы естественной растительности и плотную городскую застройку. Такое сочетание делает его удобной моделью для отработки методов автоматизированного дешифрирования в условиях лесисто-городской среды.
Актуальность работы определяется тем, что оперативная и достоверная оценка состояния таких территорий востребована в задачах экологического мониторинга, городского планирования и контроля за изменением растительного покрова. Ручное дешифрирование трудоемко, а готовые глобальные карты наземного покрова зачастую недостаточно точны на локальном уровне. В связи с этим представляет интерес оценка того, насколько доступные методы машинного обучения способны воспроизводить и уточнять такие карты на примере отдельного региона.
В работе используется методический подход, основанный на открытых спутниковых данных и свободно распространяемых библиотеках машинного обучения. В качестве исходных данных привлекаются снимки спутника Sentinel-2 уровня L2A, полученные через платформу Microsoft Planetary Computer. Для обучения модели отбираются спектральные каналы видимого, ближнего и коротковолнового инфракрасного диапазонов, а также рассчитываются спектральные индексы, чувствительные к наличию растительности и застройки. В качестве источника эталонных меток рассматривается глобальная карта наземного покрова ESA WorldCover, что позволяет отказаться от трудоемкой ручной разметки на начальном этапе и сосредоточиться на оценке самого алгоритма.
Отдельное внимание уделяется анализу информативности отдельных спектральных признаков и их вкладу в решение задачи разделения лесных, городских и водных объектов. Обсуждаются ограничения выбранного подхода, связанные с качеством эталонных меток и спектральной близостью переходных классов растительности и открытой почвы. Намечаются направления дальнейшего развития работы, включая уточнение обучающей выборки с использованием данных ручной дешифровки и расширение набора спектральных признаков.