Задача актуализации данных о состоянии лесного фонда является важной как для государственных органов, так и для лесоарендаторов, использующих лесные ресурсы, причем определение характеристик традиционным глазомерно-измерительным методом крайне затратно. В настоящее время повышается интерес к исключительно дистанционным методам, для которых возможно получение данных на большие территории, в том числе удаленные. Исследуется породный, возрастной состав леса, и его эксплуатационные характеристики.

Одной из подзадач является определение преобладающей породы, которое важно для категоризации выделов и дальнейшего решения об эксплуатации участка леса.

Современные методы машинного обучения, основанные на сверточных нейронных сетях, показывают крайне высокие результаты в задачах компьютерного зрения, к которым относится анализ данных ДЗЗ.

В рамках данной работы мы исследовали возможность применения таких методов для решения задачи определения преобладающей породы древостоя. Была собрана обучающая выборка на основе данных повыдельной лесотаксации и мультиспектральных данных ДЗЗ высокого разрешения (WorldView-2,3). Данные высокого разрешения потенциально позволяют получить более подробную информацию о лесных ресурсах, однако меньшее количество каналов в инфракрасной части спектра создает дополнительные ограничения.

Исследования проводились для территорий Мандрогского (Ленинградская область) и Горнозаводского (Пермский край) лесничеств. Преобладающими породами являются ель, сосна, береза и осина. Одной из важных проблем является возможность переноса обучения, то есть применения модели на данных, отличающихся от обучающей выборки. При анализе изображений для разных областей статистическое распределение существенно отличается, а также изменяются спектральные характеристики пород. Мы использовали схему с обучением нейронной сети на одной области и тонкой настройкой (дообучением) по малой подвыборке на другой области.

Задача была сформулирована в форме многоклассовой сегментации: разбить изображение внутри маски леса на области, соответствующие каждой из возможных для рассматриваемой территории преобладающих пород. Архитектура использованной нейросети основана на Unet, кодировщик - ResNet34.

Эксперимент проводился в следующем порядке:
1. Обучение и тестирование по Мандрогскому лесничеству. Средняя точность определения породы - 0.75.
2. Тестирование по другому региону без дополнительной настройки.
3. Дообучение по Горнозаводскому лесничеству (использована подвыборка).
4. Тестирование после дообучения: точность по Горнозаводскому лесничеству поднялась, по Мандрогскому незначительно упала.

Полученные результаты позволяют сделать вывод, что разработанный метод подходит для оценки лесотаксационных характеристик. В настоящее время продолжаются работы для получения более подробных данных - процентного содержания каждой породы в древостое, возраст и высота деревьев преобладающей породы.
Перенос обучения на новый, ранее не представленный в обучающей выборке регион, при том же наборе пород деревьев, возможен при условии наличия небольшой обучающей выборки, при этом не происходит существенного ухудшения результатов в исходных регионах.