Возможности применения методов машинного обучения для пространственного моделирования основных таксационных характеристик лесов с использованием данных космической съёмки

Развитие методов машинного обучения способствует всё более широкому распространению данных дистанционного зондирования Земли в различных сферах деятельности, в том числе в лесном хозяйстве и в рамках лесоучётных работ, в частности. В исследовании проанализирована возможность применения методов машинного обучения для пространственного моделирования основных таксационных показателей лесов с использованием данных, полученных при государственной инвентаризации лесов, а также находящихся в открытом доступе космических снимков Landsat-8/9. Качественные показатели лесов (древесная порода и состав насаждения) определяли путём классификации спутниковых снимков методом RandomForest, а количественные – с помощью многофакторной линейной регрессии на основании спектральной яркости каналов зимних космических снимков. Для получения векторных границ сегментов (условных выделов) и расчёта для них медианных значений таксационных показателей использована сегментация спутниковых изображений. Средняя точность распознавания преобладающей породы в сегменте (условном выделе) по натурным данным составила 70%. При этом точность определения хвойных пород – 100%. Ошибки MAE (Mean Absolute Error) и RMSE (Root Mean Square Error) при прогнозировании основного количественного таксационного показателя – среднего запаса древостоя на 1 га – при наземной верификации смоделированных данных составили ±25,8 и ±32,2% соответственно.