ПОВЫШЕНИЕ ТОЧНОСТИ РАСПОЗНАВАНИЯ ПРОСЕК ДЛЯ ЭФФЕКТИВНОГО СПУТНИКОВОГО МОНИТОРИНГА НЕЗАКОННЫХ ВЫРУБОК ЛЕСА

Аннотация

Данная работа посвящена проблеме автоматизированного выявления лесных рубок по данным дистанционного зондирования Земли в контексте проведения своевременных мероприятий по защите лесного законодательства. Поскольку визуальное дешифрирование спутниковых снимков характеризуется низкой производительностью ввиду человеческого фактора (утомляемость и снижение концентрации внимания при длительном выполнении монотонной работы), в условиях стремительного развития технологий искусственного интеллекта широкое распространение приобретают автоматизированные системы мониторинга незаконных лесных рубок, основанные на нейросетевых методах. Такие решения, сочетающие возможности человеческого восприятия и потенциал нейронных сетей, обеспечивают высокую точность и оперативность обработки больших объёмов спутниковых данных, повышая результативность мер по охране лесного фонда. Несмотря на успешное применение нейросетевых методов в рассматриваемой предметной области, их использование на практике сталкивается с существенными трудностями, обусловленными недостаточной эффективностью распознавания незаконно вырубленных лесных просек, предназначенных для прокладки дорог, линий электропередачи, трубопроводов. Это приводит к невозможности выявления существенной части нарушений лесного законодательства. Цель исследования: повышение точности распознавания лесных просек на спутниковых снимках без снижения качества распознавания рубок других типов. Материалы и методы. Предложен метод, основанный на ансамблировании нейронных сетей, предусматривающий обучение моделей с использованием модифицированной функции потерь Tversky Loss и аггрегацию выходов посредством побитовых операций. Для подтверждения результативности метода проведена серия экспериментов на наборе данных о лесных рубках, осуществленных на территории Ханты-Мансийского автономного округа – Югры за период 2018–2022 гг. Данные представлены размеченными изображениями со спутника Sentinel-2 и охватывают периоды как «бесснежного» сезона рубок (июнь–сентябрь), так и «снежного» (ноябрь–апрель). Результаты. Предложенный метод позволил повысить точность распознавания лесных просек по показателю F1-меры на 5,35 % для «бесснежного» сезона и на 6,8 % – для «снежного» сезона без потерь в качестве распознавания других типов вырубок. Заключение. Полученные результаты могут послужить основой для дальнейших аналогичных исследований, ориентированных на другие сложные для распознавания типы рубок, в частности, загражденные плотной облачностью, дымкой, облачными тенями.