Использование методов машинного обучения для определения типов леса по данным ДЗЗ территории горнопромышленных работ

Методы машинного обучения широко применяются для решения задач в различных областях: анализ данных, классификация, регрессия, обработка естественного языка, компьютерное зрение и др. Одним из перспективных направлений является обработка спутниковых данных для исследования территорий горнопромышленных работ.
Объекты горной промышленности, такие как отвалы или хвостохранилища, в которых хранятся отходы выработки, часто становятся источником загрязнения окружающей среды. По этой причине требуется проводить мониторинг таких объектов для оценки их влияния на экологию близлежащих территорий.
Одним из наиболее часто применяемых способов оценки влияния объектов горной промышленности на экологию является использование вегетационных индексов, таких как нормализованный вегетационный индекс (NDVI), усовершенствованный вегетационный индекс (EVI) или более точный атмосфероустойчивый вегетационный индекс (ARVI), на который почти не влияют атмосферные факторы. Но для верной оценки состояния прилегающей к исследуемому объекту лесной растительности нужно знать ее тип: хвойный, лиственный или смешанный лес. Значения вегетационных индексов для различных типов леса могут сильно отличаться, что приводит к ошибкам определения зоны загрязнения. Поэтому для оценки влияния зоны загрязнения, сначала требуется определить участки с различными типами растительности на исследуемой территории.
Целью данной работы является определение типов леса по данным дистанционного зондирования Земли (ДЗЗ) с использованием методов машинного обучения на основе нейронных сетей. В качестве исходных данных использовались спутниковые снимки Sentinel-2 за летний и зимний периоды на территории ДФО, а также данные Global Forest Canopy Height 2019. Проведено сравнение различных комбинаций входных данных (каналы спутниковых снимков, вегетационные индексы и данные по высоте лесного полога) для обучения нейронной сети U-Net и выбор их оптимальной комбинации для лучшего определения типа леса на исследуемой территории: хвойный, лиственный или смешанный.
Результатом проведенного исследования являются три модели нейронной сети U-Net для определения типа леса, обученные на спутниковых снимках за различные временные периоды: поздняя осень, лето, осень и лето совместно. Точность определения типов леса этими моделями составила ~76%, ~72% и ~89% соответственно.
Для выполнения расчетов были использованы вычислительные ресурсы ЦКП «Центр данных ДВО РАН»