Аннотация результатов, полученных в 2024 году
Проведены работы по внедрению методов глубокого обучения в схему предложенного на предыдущем этапе проекта объектно-ориентированного метода (ООМ) определения видового состава и структурных характеристик смешанных лесов на основе совместной тематической обработки спутниковых изображений среднего и высокого пространственного разрешения. Показано, что использование нейросетевых моделей с различными архитектурами позволило усовершенствовать основную схему обработки по показателям точности и детализации выходной информационной продукции. Представлен обзор публикаций, посвященных решению проблемы сегментации крон отдельных деревьев с использованием традиционных и нейросетевых методов. Предложена новая более эффективная модификация метода текстурной сегментации панхроматических изображений TTSPCA. Данный метод был предложен на предыдущем этапе проекта и показал свою эффективность как для решения задачи определения контуров древостоев, так и для сегментации лесокультурных насаждений. Замена традиционного ансамблевого алгоритма классификации ECOC SVM классификатором на основе глубокой полносвязной нейронной сети позволила значимо повысить точность TTSPCA. Тематическая обработка панхроматических изображений Worldview-2 с пространственным разрешением 0.5 м территории Савватьевского лесничества (Тверская область) с использованием усовершенствованного метода TTSPCA позволила с достаточно высокой точностью сегментировать 5 типов поверхности, имеющих видимые различия по текстуре: лес, луговая растительность, открытые песчаные почвы, водная поверхность и зона застройки. Новая модификация TTSPCA позволила сегментировать древостои обследуемой территории с ошибкой 5.6%, в то время как при использовании ранее предложенной модификации, ошибка составляла 9.3%. Визуальный анализ результатов текстурной сегментации также показал преимущества усовершенствованного метода TTSPCA. Предложена схема текстурной сегментации на основе трехуровневой сверточной нейронной сети (CNN), позволяющая достигнуть большей детализации основных типов природных и антропогенных объектов. При формировании наборов данных использовалось от 10 до 100 базовых изображений объектов, которые трансформировались с различными параметрами для построения конечного набора аугментированных обучающих данных. Показано, что в течении 30 эпох ошибка, оцениваемая по тестовой выборке, снижается до 0.5%. Оценка полной вероятности ошибки сегментации древостоев составила 7.1% с дисбалансом между ошибками 1-го и 2-го рода менее 1%. Проведенные тестовые расчеты также показали, что дальнейшее увеличение глубины нейронной сети не дает увеличения точности, при этом возникают значительные сложности с обучением. Данный результат согласуется с данными многомасштабной текстурной обработки, полученными на предыдущем этапе проекта. Таким образом, предлагаемая схема текстурной обработки на основе CNN, хотя и имеет несколько большую ошибку по сравнению с усовершенствованным методом TTSPCA, может быть использована в общей схеме в случае, когда сглаживание важных деталей, например небольших нарушений структуры лесного полога является недопустимым. Проведены тестовые расчеты по оценке породного состава древостоев на основе совместной спектрально-текстурной обработки с использованием нейросетевых моделей на базе моделей U-Net, U-Net++ и Attention U-Net. В качестве входной информации использовались как исходные мультиспектральные изображения Worldview-2 с разрешением 2 м, так и результаты паншарпенинга к разрешению 0.5 м. Точности сегментации с помощью алгоритмов данного типа оказались невысокими – среднее значение коэффициента Жаккара составило 32-35%, однако анализ для отдельных пород (береза, лиственница Сукачева) оценка точности методом кроссвалидации достигала 85%. Наибольшую точность показала модель Attention U-Net. Для включения данной технологии в общую схему обработки необходимо проведение дополнительных исследований. Проведены расчеты, показывающие высокую способность к обобщению метода определения видового состава древостоев на основе спектрально-временных признаков представленного на предыдущем этапе проекта. При обработке многовременных изображений Sentinel-2 территории Савватьевского лесничества (Тверская область) было получено, что определяемые оптимальные даты съемки, наиболее информативные каналы и вегетационные индексы совпадают с результатами, полученными для Бронницкого лесничества (Московская область). Оценка точности сегментации вечнозеленых видов составила 0.2%: Ошибки классификации отдельных пород, оцененные методом кросс-валидации, также достаточно низкие: сосна обыкновенная – 2.5%, ель европейская - 2.6%, береза бородавчатая – 2.8%, осина - 2.1%, ольха черная - 5.6%. Проведена работа по оценке последствий пирогенного воздействия на одну из наиболее крупных популяций сербской ели в районе горы Великий Столац (Сербия) с использованием многовременных многоспектральных изображений Sentinel-2. Сербская ель является реликтовым, исчезающим видом деревьев, общая популяция которого претерпевает значительное сокращение за последние 100 лет. Для анализа спутниковой информации мы предложили многоэтапный метод, который позволяет выделить популяцию сербской ели на обследуемой территории, определить динамику изменения жизненного состояния за последние 10 лет и оценить последствия от лесного пожара, который произошел в данном районе в 2021 году. По полученным оценкам повреждения получили около 50% площади насаждений сербской ели в рассматриваемом районе, причем для половины поврежденных участков прогнозируется гибель данного вида. Наибольшее повреждение получили насаждения в центральной части северного склона горы Великий Столац. Средние оценки площадей классов повреждений за восстановительный период: здоровые: 17.6 га, ослабленные: 8.4 га, поврежденные: 8.0 га, усыхающие: 1.2 га. Анализ динамики вегетационных индексов показал отсутствие значимых тенденций к естественному возобновлению сербской ели.