Концептуальные подходы к использованию свёрточных нейронных сетей для выявления изменений состояния лесов по данным дистанционного зондирования Земли из космоса
Журнал: Лесохозяйственная информация @forestry-information
Рубрика: Геоинформационные технологии
Статья в выпуске: 3, 2026 года.
Бесплатный доступ
Сформулированы требования к данным дистанционного зондирования Земли (ДЗЗ), обеспечивающие максимальную эффективность нейросетевых моделей при оценке состояния лесов. Показано, что в настоящее время наиболее оптимальным является использование данных ДЗЗ с космических аппаратов серии Sentinel, хотя в перспективе необходимо предусматривать участие отечественной космической группировки. Для применения свёрточных нейронных сетей рекомендовано применять мультиспектральную космическую съёмку минимум в четырех спектральных каналах – красный, зелёный, синий и ближний инфракрасный (RED-GREEN-BLUE-NIR). Допускается расширение набора данных за счёт каналов SWIR и Red-Edge, что позволит сформировать более информативные композиты и расширить возможности для расчёта вегетационных индексов. Разработаны требования к космической съёмке: определены сроки, погодные условия, методы обработки данных ДЗЗ и правила синтеза каналов для диагностики повреждений лесных насаждений. Обосновано использование свёрточной нейронной сети YOLO (You Only Look Once) для выявления изменений состояния лесов по данным ДЗЗ из космоса. Рассмотрены возможности привлечения дополнительных массивов данных (лесоустроительная документация, результаты государственного лесопатологического мониторинга, государственного мониторинга воспроизводства лесов, лесопатологических обследований, мониторинга пожарной опасности в лесах и лесных пожаров) для минимизации погрешностей при распознавании целевых объектов. Предложен пошаговый алгоритм работ по использованию свёрточных нейронных сетей для выявления изменений состояния лесов по данным ДЗЗ из космоса.
Короткий адрес: https://sciup.org/143186238
IDS: 143186238 | УДК: 630*2 | DOI: 10.24419/LHI.2304-083.2026.3.13
Conceptual Approaches of Applying Convolutional Neural Networks to Determine Forest Condition Changes Using Satellite Remote Sensing Data
Conceptual approaches in convolutional neural net utilization to identify forest condition changes based on Earth space remote sensing data. Requirements for Earth remote sensing (ERS) data in forest condition assessment have been shaped. It is noted that currently the most optimal is use of ERS data from Sentinel satellites though in prospect it is necessary to plan domestic space group. It is recommended to apply multispectral space imagery minimally in 4 spectral channels – red, green, blue and near infrared (RED-GREEN-BLUE-NIR) for convolutional neural net application. It is acceptable to extend data set due to channels SWIR и Red Edge, that will enable shaping of informative aggregates and extend opportunities for vegetation index calculation. Space imagery requirements have been developed: timing, weather conditions, ERS data processing procedures and channel synthesis rules for forest damage diagnostics. Application convolutional neural net YOLO (You Look Only Once) for forest condition change identification based on ERS space data. Opportunities to involve additional data packages (forest inventory documentation, state forest pathology monitoring findings, state forest regeneration monitoring, forest pathology surveys, fire danger and wildfire monitoring) have been considered to minimize errors in target site detection. Step by step operation procedure of convolutional neural net application to identify forest condition change based on ERS space data is proposed.
