Использование свёрточных нейронных сетей для обнаружения крон деревьев разных видов и участков поврежденных древостоев на спутниковых RGB-изображениях сверхвысокого разрешения

Объекты растительного покрова, запечатленные на спутниковых изображениях, а также изображениях, полученных с беспилотных летательных аппаратов, обладающие специфическими пространственными паттернами и цветовыми композициями, могут с высокой точностью быть распознаны при помощи нейросетевых алгоритмов. На основе свёрточной нейронной сети (СНС) архитектуры U-Net, впервые использованной для анализа биомедицинских изображений (Ronneberger et al., 2015), нами созданы СНС U-Net-подобной архитектуры. С их помощью решены задачи распознавания на спутниковых RGB-изображениях сверхвысокого разрешения: 1) крон хвойных деревьев пихты цельнолистной (Abies nephrolepis), сосны кедровой корейской (Pinus koraiensis) и тополей (Populus spp.) в хвойно-широколиственных лесах юга Приморского края; 2) ветровальных участков в лесном покрове на островах Сахалин и Кунашир, возникших вследствие прохождения тайфунов; 3) крон усыхающих и усохших елей (Picea jezoensis, P. glehnii, P. abies), появившихся вследствие вспышек численности жуков-короедов на юге Сахалина и Кунашире. В качестве источников данных дистанционного зондирования использованы общедоступные RGB-изображения спутниковых систем WorldView-2, WorldView-3, GeoEye-1 и Pleiades-1A/B с разрешением 0.4–0.5 м/пиксел. Все программные решения реализованы на языке высокого уровня Python с использованием библиотеки Tensorflow.
Точности результатов распознавания указанных объектов лесного покрова при помощи СНС сравнивали с точностями применения «традиционных» методов машинного обучения: наивный байесовский классификатор, квадратичный дискриминантный анализ, метод k-ближайших соседей, метод опорных векторов, метод адаптивного бустинга и случайный лес.
Основные выводы.1. В отличие от алгоритмов машинного обучения, оперирующих исключительно цветовыми композициями пикселей распознаваемых объектов, СНС оперируют и пространственными паттернами пикселей, что позволяет достичь высокой точности распознания целевых объектов (значение показателя сбалансированной точности не меньше 0.94). Такая точность распознавания не отличается от экспертной, а при распознавании объектов подобных кронам усохших деревьев, зачастую и превосходит ее. При этом аккуратность выделения контуров объектов превосходит ручную. 2. Преимуществом использования СНС перед такими алгоритмами, как метод опорных векторов, заключается в отсутствии необходимости инжиниринга признаков и тонкой настройки работы классификатора. 3. Ложноположительные результаты распознавания при помощи СНС возможны в случае появления на изображениях объектов со схожими паттернами и цветовыми композициями, что и у целевых объектов. Например, в случае с ветровалами такими объектами оказались выброшенные на морской берег стволы деревьев, разрушенные деревянные дома, а также находящиеся в безлистном состоянии субальпийские криволесья близ горных вершин (аналогичные по видовому составу леса на более низких высотах находились в облиственном состоянии). Таким образом, экспертная постобработка результатов распознавания с учетом контекстной информации, которая отсутствует в данных дистанционного зондирования и не может быть воспринята алгоритмами машинного обучения, необходима для получения качественного конечного картографического продукта. Подробно методология, дизайн и результаты изложены в ряде публикаций (Kislov, Korznikov, 2020; Korznikov et al., 2021; Kislov et al., 2021). Часть работ выполнена в рамках реализации гранта РНФ № 20-74-00001 «Лесные плантации в условиях изменения климата на юге Дальнего Востока России: результаты и перспективы 90-летней лесокультурной практики».