Использование нейросетей глубокого обучения для автоматической валидации материалов лесоустройства по данным спутниковой съёмки

В статье рассматривается применение нейросетей глубокого обучения для проверки таксационных показателей лесов, полученных при проведении лесоустройства. Авторами разработана технология верификации данных лесоустройства, основанная на использовании оптических спутниковых снимков высокого разрешения, обработка которых происходит посредством нейросетей. В качестве исходных данных взяты снимки территории Меленковского участкового лесничества Владимирской области с аппаратов Sentinel-2, проведена атмосферная коррекция с помощью алгоритма Sen2Cor. Автоматизация процесса лесотаксационного дешифрирования снимков выполнена в программном обеспечении «Геотрон. Лес-валидация» – специализированном геоинформационном ресурсе, разработанном сотрудниками НЦ ОМЗ, ФБУ ВНИИЛМ и ФГБУ

«Рослесинфорг». Для обучения нейросетевых моделей использовались библиотеки TensorFlow и Keras, обучающая выборка основана на средних значениях пикселей в границах каждого выдела для каждого канала. После обучения нейросеть определяет таксационные показатели для каждого выдела, а также выдает разницу между данными из лесоустроительной документации и рассчитанными с помощью нейросети, что позволяет выявить отклонения по запасу, полноте, возрасту насаждений. Работа модели продемонстрировала, что значительная часть неточных данных по лесоустройству характерна для сложных насаждений с несколькими породами в составе, а также для редкостойных приспевающих и спелых древостоев с различным породным составом первого яруса.  Результат проведенного эксперимента показал, что точность обучения и работы нейросети напрямую зависит от объема данных, в частности, количества выделов, по которым происходит обучение. Приемлемые результаты получаются при количестве выделов, превышающем 5000 штук. Исходя из этого, разработанная технология позволяет получить хорошие результаты по валидации результатов лесоустройства на территории, превышающей площадь 10 тысяч гектаров, что сравнимо со средней площадью одного участкового лесничества в центральной части России. 

1. Богодухов М.А., Барталев С.А., Жарко В.О. Исследование возможностей распознавания преобладающих пород леса с использованием регрессионной оценки долевого участия пород по запасу на основе данных Sentinel-2 и материалов пробных площадей // Современные проблемы дистанционного зондирования Земли из космоса: мат. 22-й Межд. конф. М., 2024. C. 159.

2. Иванов С.В., Сидоренков В.М., Ачиколова Ю.С., Астапов Д.О., Тищенко П.А., Буряк Л.В., Рыбкин А.С. Возможности использования данных группировки спутников ДЗЗ стран БРИКС для решения тематических задач получения информации о лесных экосистемах // Лесохозяйственная информация. 2024. № 4. C. 42-55.

3. Марков Н.Г., Мачука К.Р. Модели и методы глубокого обучения для решения задач дистанционного мониторинга лесных ресурсов // Известия Томского политехнического университета. Инжиниринг георесурсов. 2024. Т. 335, № 6. C. 55-74.

4. Мельников А.В., Полищук Ю.М., Русанов М.А., Аббазов В.Р., Кочергин Г.А., Куприянов М.А., Байсалямова О.А., Соколов О.И. Сравнительный анализ нейросетевых моделей для картографирования лесных рубок по летним космическим снимкам // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24, № 5. C. 806-814.

5. Сидоренков В.М., Мартынюк А.А., Сережкин А.В. Использование данных спутниковой съемки Sentinel 2 для оценки характеристик лесной растительности таежных лесов // Экологические и биологические основы повышения продуктивности и устойчивости природных и искусственно возобновленных экосистем: мат. межд. науч. конф. Воронеж, 2018. C. 103-115.

6. Сидоренков В.М., Астапов Д.О., Перфильева О.В., Рябцев О.В., Рыбкин А.С. Определение таксационных показателей чистых насаждений сосны по данным спутника «Канопус-В» // Ракетно-космическое приборостроение и информационные системы. 2022a. Т. 9, № 2. C. 36-43.

7. Сидоренков В.М., Астапов Д.О., Рыбкин Е.С., Ачиколова Ю.С., Рябцев О.В. Возможности использования спутниковой съемки с космического аппарата Метеор-М для определения количественных и качественных характеристик лесов // Лесохозяйственная информация. 2022b. № 2. C. 5-12.

8. Abadi M. TensorFlow: learning functions at scale // Proceedings of the 21st ACM SIGPLAN International Conference on Functional Programming: ICFP 2016. N.-Y., 2016. P. 1.

9. Brandt M., Chave J., Li S., Fensholt R., Ciais P., Wigneron J.-P., Gieseke F., Saatchi S., Tucker C.J., Igel C. High-resolution sensors and deep learning models for tree resource monitoring // Nature Reviews Electrical Engineering. 2025. Vol. 2, no. 1. P. 13-26.

10. Main-Knorn M., Pflug B., Louis J., Debaecker V., Müller-Wilm U., Gascon F. Sen2Cor for Sentinel-2 // Proceedings of SPIE. 2017. Vol. 10427. P. 37-48.

11. Marques T., Carreira S., Miragaia R., Ramos J., Pereira A. Applying deep learning to real-time UAV-based forest monitoring: Leveraging multi-sensor imagery for improved results // Expert Systems with Applications. 2024. Vol. 245: Applying deep learning to real-time UAV-based forest monitoring. P. 107-123.

12. Sen2Cor. Science Toolbox Exploitation Platform // European Space Agency. URL: https://step.esa.int/main/snap-supported-plugins/sen2cor/ (дата обращения: 10.06.2025).

13. Zhang Z., He G., Wang X. A practical DOS model-based atmospheric correction algorithm // International Journal of Remote Sensing. 2010. Vol. 31. P. 2837-2852.