Аннотация результатов, полученных в 2022 году
Целью проекта является разработка новых алгоритмов распознавания нарушений лесного покрова с определением причины их возникновения по разновременным спутниковым снимкам Sentinel-2. В рамках выполнения проекта в 2022 г. основные поставленные задачи были успешно решены. Были созданы обучающие и проверочные наборы данных для распознавания вырубок и ветровалов, которые могут быть использованы в ходе сравнительных экспериментов по распознаванию, с применением различных алгоритмов машинного обучения. В частности, обучающая выборка включает свыше 17 тыс. участков нарушений лесного покрова (разных типов вырубок и ветровалов), а проверочные наборы данных в общем сложности включают свыше 7 тыс. объектов, в том числе – выделенных по снимкам сверхвысокого пространственного разрешения. Созданные наборы данных охватывают значительную часть разнообразия лесов не только Пермского края, но и в целом Европейской территории России. Это дает перспективы масштабирования проекта в будущем. На основе созданных наборов данных проведены эксперименты с моделями машинного обучения – градиентного бустинга (XGBoost), Random Forest и сверточной нейронной сети архитектуры U-net. Поскольку при мультиклассовой сегментации были получены низкие оценки точности распознавания, то было решено разрабатывать разные модели для распознавания вырубок и ветровалов. При обучении было показано, что сверточные нейронные сети обеспечивают более высокую точность распознавания вырубок, чем алгоритмы XGBoost и Random Forest, даже с учетом постобработки их выходных данных (морфологических преобразований). На независимых данных были протестированы три модели машинного обучения: ранее разработанная модель на основе архитектуры U-net (далее U-net1) (Тарасов и др., 2021), новая модель U-net (далее U-net2), обученная в рамках данного проекта, а также модель Random Forest (далее RF). Оценка выполнена для шести случаев ветровалов, наблюдавшихся в разных частях лесной зоны ЕТР и Урала, и вызванных разными метеорологическими явлениями. Выявлены существенные различия по точности распознавания в зависимости как от использованной модели машинного обучения, так и от характеристик ветровала и поврежденного лесного массива. Две модели из трех использованных (RF и U-net2) дают удовлетворительную точность (среднее значение F-меры свыше 0,5). По всем трем моделям наиболее высокая точность распознавания достигнута для ветровалов вызванных смерчами, что обусловлено геометрическими особенностями таких ветровалов. Рассмотрены возможные причины выявленных различий в точности распознавания между разными ветровалами – породный состав леса и средний размер участка повреждения древостоя. Зависимость точности распознавания от породного состава древостоев не очевидна и требует уточнения на основе данных о породном составе лесов с более высоким пространственным разрешением. Средняя площадь участка повреждения оказывает более существенное влияние, что показано на основе проверочных данных, полученных по снимкам сверхвысокого разрешения. Также важно отметить, что для трех ветровалов из шести точность распознавания оказалась выше, чем в аналогичной работе (Scharvogel et al., 2020). Это показывает соответствие результатов мировому уровню. Также оценена точность распознавания нарушений лесного покрова на тестовых сценах Sentinel-2, с учетом влияния породного состава древостоев и площади поврежденных участков. Основным отличием результатов распознавания вырубок от результатов для ветровалов является низкая эффективность алгоритма RF. Это обусловлено особенностями обучающей выборки, поскольку при ее создании проходные и выборочные рубки были размечены как целостные объекты. В то же время для сверточных нейронных сетей оценки точности распознавания (значение F-меры до 0,80) оказались существенно выше, чем ранее опубликованные в работах (Isaienkov et al., 2021; Тарасов и др., 2021), что показывает практическую значимость полученных результатов. Выявлены существенные различия в точности распознавания вырубок в зависимости от породного состава лесов и характера лесопользования. Максимальная точность распознавания характерна для обширных вырубок в смешанных и темнохвойных лесах (на северо-западе Пермского края), а минимальная – для выборочных и проходных рубок в лиственных лесах (на юге Пермского края). Обучение отдельной модели для распознавания проходных и выборочных рубок потенциально может существенно повысить точность распознавания для южной части края, где полученные результаты пока неудовлетворительные. Важнейшим фактором, определяющим точность распознавания нарушений лесного покрова, является сезон съемки. Для зимних (со снежным покровом) и летних (без снежного покрова) пар снимков точность распознавания существенно выше, чем для переходных. Направление перехода (зима – лето или лето – зима) не оказывают существенного влияния на точность распознавания с применением модели U-net2. Также была оценена также точность для разных типов нарушений лесного покрова: сплошных рубок, выборочных и проходных рубок, лесных дорог и ветровалов. Выявлены существенные различия по точности распознавания между разными типами: как и ожидалось, минимальное значение точности производителя (producer’s accuracy) получено для лесных дорог в летнее время, а максимальное – для сплошных рубок в зимнее время. По результатам исследований в 2022 г. опубликована одна статья в рецензируемом журнале. Еще одна статья «Оценка применимости моделей машинного обучения для распознавания вырубок и ветровалов в лесной зоне России по спутниковым снимкам Sentinel-2» находится на рецензии в журнале «Современные проблемы дистанционного зондирования Земли из Космоса». Также результаты представлены на XX Международной конференции «Современные проблемы дистанционного зондирования Земли из Космоса». Руководителем проекта в мае 2022 г. успешно защищена диссертация на соискание ученой степени доктора географических наук по теме «Опасные метеорологические явления, связанные с ветром, и их воздействие на лесной покров Европейской территории России: методы идентификации, закономерности пространственно-временного распределения и условия возникновения», специальность 25.00.30 – Метеорология, климатология, агрометеорология (полный текст работы и автореферата доступен по ссылке https://kpfu.ru/dis_card?p_id=3317). В октябре 2022 г. присужден диплом доктора географических наук (№ диплома ДОК000039).

Аннотация результатов, полученных в 2023 году
В ходе реализации проекта в 2023 г. выполнены следующие основные работы: • Обучены модели для автоматического распознавания нарушений лесного покрова RandomForest, градиентный бустинг (XGBoost) и сверточные нейронные сети (СНС) архитектуры U-net для бинарной классификации вырубок и ветровалов. Также выполнена оценка значимости признаков при распознавании вырубок и ветровалов с помощью модели XGBoost. Обученные модели валидированы для разновременных и разносезонных пар снимков на трех тестовых участков в пределах Пермского края. Всего рассмотрено 15 пар снимков. • На трех тестовых сценах Sentinel-2 выполнена классификация лесов по преобладающей лесообразующей породе (с помощью инструментария Random Forest в пакете ESA SNAP), и проведена оценка влияния этого фактора на качество распознавания нарушений лесного покрова с помощью СНС архитектуры U-net. Также оценивалось влияние коэффициента освещенности поверхности (только для пары снимков, полученной в зимний период). Рассчитаны показатели точности распознавания нарушений в зависимости от того, в каких типах лесах они произошли (для летних снимков) и при каких значениях параметра освещенности (для зимних снимков). • Создан обучающий набор данных для распознавания гарей от лесных пожаров по снимкам Sentinel-2 и обучены СНС архитектуры U-net для распознавания гарей. • Обучены и протестированы на независимых данных 4 новых модели машинного обучения для распознавания нарушений лесного покрова, которые представляют собой модификацию базовой архитектуры U-net с разными энкодерами (ResNet50, MobilNetv2), а также изменениями самой архитектуры (MultiRes U-Net, Attention U-Net). • Предложены и реализованы подходы к мультиклассовой сегментации нарушений лесного покрова, в том числе на основе создания ансамбля моделей машинного обучения. • Выполнена оценка применимости разработанных моделей распознавания ветровалов для мониторинга ветровалов по территории России и актуализации данных на картографическом веб-сервисе http://tornado.gispsu.ru/. В 2023 г. получены следующие основные научные результаты На основе сегментации вырубок и ветровалов по независимому набору данных установлено, что модели Random Forest и XGBoost дают в основном неудовлетворительные результаты распознавания, особенно на разносезонных парах снимков (значение F-меры на некоторых парах снимков было близко к нулю). Результат объясняется особенностями обучающей выборки, в которой большинство рубок являются не сплошными, а проходными или выборочными. Такие рубки характеризуются крайне неравномерным распределением спектральной яркости по площади, где максимумы и минимумы соответствуют участкам с сохранившимися или изъятыми деревьями. Поэтому в дальнейшем все работы велись со сверточными нейронными сетями, а попиксельные модели Random Forest и XGBoost не использовались. При сравнении результатов распознавания нарушений лесного покрова с применением различных архитектур СНС установлено, что модификации архитектуры U-net, которые показали наилучшие результаты при обучении (Attention U-Net и MobilNetv2 U-Net) не обеспечили повышение точности распознавания на независимых данных. Наиболее высокая точность (среднее значение F-меры 0,59) получена по базовой модели U-net. Такие значения точности сопоставимы с результатами, опубликованными (Isaienkov et al., 2021; Тарасов и др., 2021). Основным фактором, определяющим точность распознавания нарушений лесного покрова, являются характеристики самих нарушений – площадь и тип, что было показано еще в работе (Канев и др., 2023). Точность распознавания растет по мере увеличения доли сплошных рубок. Существенные различия также выявлены между снимками разных сезонов, причем максимальна точность распознавания по зимним парам снимков. По летним парам снимков и снимкам разных сезонов площадь нарушений существенно недооценивается, что обусловлено сложностью сегментации проходных и выборочных рубок (ошибки пропуска преобладают над ложными срабатываниями). Преобладающая порода в древостое оказывает менее существенное влияние на точность. На двух из трех тестовых участков максимальная точность отмечена в темнохвойных лесах, а минимальная – в лиственных лесах, что соответствует характеру изменения спектральных характеристик на вырубках. Статистически значимое влияние освещенности склонов на точность распознавания по зимним парам снимков не выявлено. Точность распознавания гарей, которая оценивалась на примере 14 крупных лесных пожаров 2021-2022 гг., оказалась неудовлетворительной, что требует доработки обучающей выборки и использованных моделей машинного обучения. Результаты мультиклассовой сегментации оказались неудовлетворительными для большинства рассмотренных пар снимков летнего сезона и разносезонных (лето-зима и зима-лето) с применением обоих вышеописанных подходов к ансамблированию моделей. Это обусловлено объективным сходством спектральных, а иногда и геометрических признаков нарушений разных типов, а именно разных типов вырубок и ветровалов. Полученные результаты проекта представлены на трех международных научных конференциях (Конференция ИнтерКарто-ИнтерГИС-2023, XXV Международная научно-техническая конференция "Нейроинформатика-2023" и XXI Международная конференция «Современные проблемы дистанционного зондирования Земли из космоса») в виде устных докладов. Также опубликованы статьи в журналах «Современные проблемы дистанционного зондирования Земли из Космоса», «Cosmic Research», и в материалах конференции Нейроинформатика-2023. Подана статья в журнал «Исследования Земли из Космоса» (получена положительная рецензия). Все перечисленные издания индексируются в базе данных Scopus.