Семинар Отдела картографии и дистанционного зондирования Земли

28 сентября 2021

Во вторник 28 сентября в 11-00 в музее Института выступит:

Тарасов Андрей Владимирович (Ассистент кафедры картографии и геоинформатики Пермского государственного национально исследовательского университета).

Тема доклада - "Оперативное картографирование нарушений лесного покрова на основе спутниковых данных с высоким пространственно-временным разрешением"

Аннотация:  Мониторинг нарушений лесного покрова является одной из важнейших областей применения спутниковых данных. Перспективным путем повышения точности распознавания таких объектов на снимках является использование алгоритмов глубокого обучения (сверточных нейронных сетей). В настоящей работе представлен алгоритм выявления нарушений лесного покрова по снимкам Sentinel-2 на основе сверточной нейронной сети архитектуры Unet. Обучение и валидация модели реализованы на примере территории нескольких регионов Европейской части России. Всего проведено более 50 экспериментов с базовой архитектурой, в результате которых установлено, что наиболее информативными признаками являются спектральные каналы Red, NIR, SWIR1, SWIR2 и их разности. Созданы модели распознавания нарушений лесного покрова для снимков зимнего, летнего и переходного сезонов, а также модель для всех сезонов. Разработанные модели обеспечивают повышение точности распознавания нарушений лесного покрова более чем в два раза в сравнении с традиционными методами, основанными на растровой арифметике. В наибольшей степени их преимущества проявляются при детектировании выборочных рубок, которые выделяются как целостные объекты, в то время как с помощью традиционных методов удается выделить лишь отдельные пиксели с наибольшими изменениями в яркости. Также разработанные модели менее чувствительны к теням, что позволяет успешно использовать их для мониторинга вырубок по снимкам осенне-зимнего периода. Основным ограничением метода являются большие затраты на формирование обучающей выборки, но в то же время увеличение объема выборки повышает способность модели к обобщению и адаптации к новым данным.