Точность сверточных нейронных сетей при идентификации спутниковых изображений термокарстовых полигональных образований
Автор: В.В. Жебсаин, А.Ю. Гололобов, А.Ф. Посельский, Н.И. Башарин
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 3 т.50, 2026 года.
Бесплатный доступ
В работе представлены результаты исследования метрик точности идентификации термокарстовых изменений ландшафта в космических изображениях при помощи технологии нейронных сетей. Темпы развития термокарстовой деградации ландшафтов в регионах распространения криолитозон, в частности, в Якутии за последние десятилетия существенно ускорились, в связи с глобальными процессами потепления климата. В работе рассмотрены вопросы подготовки обучающего набора для нейросетевых численных экспериментов. Разработан экспериментальный реестр термокарстовых объектов, содержащий большое количество спутниковых изображений термокарстовых полигональных образований. Представлены результаты исследований метрик, характеризующих точность идентификации спутниковых изображений термокарстовых образований при помощи разработанной прикладной компьютерной программы, реализующей многослойную сверточную нейронную сеть, максимальные значения которых составили 0,95-0,96 для Recall и 0,94-0,95 для Precision и F1-score. Выполнено 17 серий численных экспериментов, состоящих в среднем из 7-8 экспериментов, с целью изучения зависимости указанных метрик от моделей сверточных нейронных в результате, которых отобраны модели обеспечивающие наилучшие показатели при решении задач идентификации термокарстовых образований.
Сверточные нейронные сети, машинное обучение, термокарстовые образования, спутниковые изображения, наборы обучающих данных
Короткий адрес: https://sciup.org/140315733
IDR: 140315733 | DOI: 10.18287/COJ1780
The accuracy of convolutional neural networks in identifying satellite images of thermokarst polygonal formations
The paper presents the results of a study of the accuracy metrics for identifying thermokarst landscape changes in space images using neural network technology. The rate of thermokarst degradation of landscapes in regions with permafrost, particularly in Yakutia, has significantly accelerated in recent decades due to global climate warming. The paper discusses the preparation of a training set for neural network numerical experiments. An experimental registry of thermokarst objects has been developed, containing a large number of satellite images of thermokarst polygonal formations. The results of studies of metrics characterizing the accuracy of identification of satellite images of thermokarst formations using a developed applied computer program implementing a multilayer convolutional neural network, the maximum values of which were 0.95-0.96 for Recall and 0.94-0.95 for Precision and F1-score, are presented. 17 series of numerical experiments were performed, consisting of an average of 7-8 experiments, in order to study the dependence of these metrics on convolutional neural models, as a result of which models were selected that provide the best performance in solving problems of identifying thermokarst formations.
