Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Двадцать первая международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"

XXI.F.107

Сегментация вырубок, гарей и ветровалов по разновременным спутниковым снимкам Sentinel-2 с применением различных архитектур сверточных нейронных сетей

Подопригорова Н.С. (1), Шихов А.Н. (2), Тарасов А.В. (2), Канев А.И. (1)
(1) МГТУ им. Н.Э. Баумана, Москва, Россия
(2) Пермский государственный национально-исследовательский университет, Пермь, Россия
Развитие моделей машинного обучения, и в частности сверточных нейронных сетей для анализа изображений происходит быстрыми темпами. Они широко применяются для сегментации нарушений лесного покрова по спутниковым снимкам, однако в каждой работе данные имеют свою специфику, связанную с типом нарушений и их площадью, процентом изъятия древостоя, характеристиками насаждений, рельефа местности и других факторов. В настоящей работе были обучены пять различных моделей (различные модификации архитектуры сверточных нейронных сетей U-net). Три из них, которые показали наилучшие результаты при обучении, были проверены на независимых наборах данных (парных снимках Sentinel-2, полученных в разные сезоны 2021-2023 гг.), на которых были предварительно размечены границы свежих вырубок, гарей и ветровалов.
В результате установлено, что модификации архитектуры U-net, которые показали наилучшие результаты при обучении (Attention U-Net и MobilNetv2 U-Net) не обеспечили повышение точности распознавания на независимых данных. Наиболее высокая точность (среднее значение F-меры 0,59) получена по базовой модели U-net. Стоит отметить, что такие значения точности существенно ниже, чем в ранее опубликованных зарубежных работах (Al-Dabbagh et al., 2022; Lee et al., 2022), но сопоставимы с результатами, опубликованными ранее для Украины и России (Isaienkov et al., 2021; Тарасов и др., 2021). Такое расхождение обусловлено особенностями самих нарушений лесного покрова: в первой группе работ рассмотрены в основном крупные сплошные нарушения (гари), а во второй значительную часть проверочного набора данных составляли выборочные и проходные рубки, которые отличаются относительно слабым изменением спектральных характеристик и объективной сложностью автоматической сегментации.
Основным фактором, определяющим точность распознавания нарушений лесного покрова, являются характеристики самих нарушений – площадь и тип, что было показано еще в работе (Канев и др., 2022). Точность распознавания растет по мере увеличения доли сплошных рубок. Существенные различия также выявлены между снимками разных сезонов, причем максимальна точность распознавания по зимним парам снимков, а минимальна – по летним, что опять же обусловлено сложностью сегментации проходных и выборочных рубок по летним снимкам. Породный состав лесов оказывает менее существенное влияние, хотя для двух из трех тестовых участков максимальная точность отмечена в темнохвойных лесах, а минимальная – в лиственных, что соответствует характеру изменения спектральных характеристик на вырубках. Статистически значимое влияние освещенности склонов на точность распознавания по зимним парам снимков не выявлено.
Точность распознавания гарей на данном этапе оказалась неудовлетворительной, что обусловлено особенностями обучающей выборки.

Исследование выполнено при поддержке Российского научного фонда и Пермского государственного национального исследовательского университета (проект № 22-27-20018).

Ключевые слова: нарушения лесного покрова, рубки, гари, ветровалы, сегментация, сверточная нейронная сеть, U-net, снимки Sentinel-2, F-мера
Литература:
  1. Канев А.И., Тарасов А.В., Шихов А.Н., Подопригорова Н.С., Сафонов Ф.А. Распознавание вырубок и ветровалов по спутниковым снимкам Sentinel-2 с применением свёрточной нейронной сети U-net и факторы, влияющие на его точность // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т.20. № 3. С. 136–151. DOI: 10.21046/2070-7401-2023-20-3-136-151.
  2. Тарасов А.В. Шихов А.Н. Шабалина Т.В. Распознавание нарушений лесного покрова по спутниковым снимкам Sentinel-2 с помощью свёрточных нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 3. С. 51–64. DOI: 10.21046/2070-7401-2021-18-3-51-64.
  3. Al-Dabbagh A.M., Ilyas M. Uni-temporal Sentinel-2 imagery for wildfire detection using deep learning semantic segmentation models // Geomatics, Nat. Hazards and Risk. 2023, V. 14(1), Art. No. 2196370. DOI: 10.1080/19475705.2023.2196370.
  4. Isaienkov K., Yushchuk M., Khramtsov V., Seliverstov O. Deep Learning for Regular Change Detection in Ukrainian Forest Ecosystem with Sentinel-2 // IEEE J. Selected Topics in Applied Earth Observations and Rem. Sens. 2021. V. 14. P. 364–376. DOI: 10.1109/JSTARS.2020.3034186.
  5. Lee C., Park S., Kim T., Liu S., Md Reba M.N., Oh J., Han Y. Machine Learning-Based Forest Burned Area Detection with Various Input Variables: A Case Study of South Korea // Applied Sci. 2022. V. 12. Art. No. 10077. DOI: 10.3390/app121910077.

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов

396