Нейросетевая модель для сегментации космических снимков в мониторинге факторов обезлесения территории

Статья посвящена важной проблеме применения нейросетевых моделей в задачах мониторинга состояния лесных территорий с использованием оптических спутниковых снимков. Цель исследования. Целью исследования явилась разработка нейросетевой модели лесных рубок, пригодной для автоматизации дешифрирования многоспектральных космических снимков Sentinel-2 в задачах мониторинга состояния лесных ресурсов лесодобывающего региона на примере Ханты-Мансийского автономного округа. Материалы и методы. Основу разработанной модели составила процедура сегментации космических снимков лесных рубок, основанная на сверточной нейронной сети глубокого обучения. Дешифрирование снимков со спутника Sentinel-2 проведено с помощью средств современной геоинформационной системы QGIS. Для подготовки набора обучающих данных было обработано более 990 пар разновременных космических снимков лесных территорий Ханты-Мансийского автономного округа за зимний (снежный) период 2018-2022 гг., с использованием которых было сформировано более 70 тыс. кадров в составе набора обучающих данных и соответствующих им масок контуров лесных рубок. Результаты. В результате выполненной работы создана нейросетевая модель лесных рубок, реализующая эффективную сегментацию космических снимков, что позволило автоматизировать трудоемкую процедуру дешифрирования многоспектральных снимков Sentinel-2 с целью выделения контуров лесных рубок. Полученный в работе набор обучающих данных в количестве более 70 тыс. кадров был разделен на обучающую, валидационную (проверочную) и тестовую (контрольную) выборки, объемы которых для разработки нейросетевой модели лесных рубок составили 58 000, 10 000 и 3600 кадров соответственно. Новизна разработанной модели определяется, с одной стороны, использованием для обучения нейронной сети зимних (снежных) космических снимков и, с другой стороны, применением пар разновременных снимков, полученных до и после лесной рубки. В качестве критериев для оценки точности обученной модели нейронной сети применены метрики Recall, Precision и F-мера, значения были рассчитаны по тестовой выборке. Рассчитанная точность выявления рубок с использованием предлагаемой модели на тестовой выборке данных по разным метрикам достигает 85-87 %. Заключение. Разработанная нейросетевая модель лесных рубок может быть использована в задачах мониторинга и картографирования состояния лесных ресурсов северных лесодобывающих территорий России с применением многоспектральных космических снимков Sentinel-2.