Аннотация результатов, полученных в 2025 году
В ходе реализации проекта был выполнен комплекс взаимосвязанных исследований, направленных на разработку инновационных методов мониторинга лесных экосистем с использованием данных дистанционного зондирования Земли и современных алгоритмов искусственного интеллекта. Работы проводились последовательно, начиная с решения фундаментальных задач определения базовых характеристик лесов, через разработку усовершенствованных методов анализа, до создания специализированных решений для конкретных прикладных задач лесного хозяйства. На начальном этапе исследований были разработаны и тщательно протестированы алгоритмы машинного обучения, позволяющие с высокой точностью определять ключевые параметры лесных массивов, включая породный состав, высоту древостоя и возраст насаждений. Особое внимание уделялось созданию надежных методов выявления участков усыхания, вызванных опасным вредителем - уссурийским полиграфом (Polygraphus proximus Blandford). Для решения этой задачи был собран уникальный аннотированный набор данных для территории Пермского края, включающий спутниковые снимки различного пространственного разрешения (https://doi.org/10.3389/fenvs.2024.1412870). В процессе работы были апробированы и усовершенствованы современные архитектуры нейронных сетей, такие как YOLO для задач детекции, а также DeepLabV3 и HRNet для семантической сегментации. Эксперименты проводились с использованием различных цветовых пространств и вегетационных индексов, что позволило достичь высоких результатов: точность распознавания поврежденных участков составила F1=84.56% на данных высокого разрешения и 81.26% при использовании снимков Sentinel-2. Важным практическим результатом стало определение пороговых значений площадей повреждений, позволяющее организовать эффективный автоматический мониторинг состояния лесов. Дальнейшее развитие проекта привело к созданию инновационного мультизадачного подхода к прогнозированию взаимосвязанных параметров лесных массивов. Разработанная методика основана на формировании единого признакового пространства с использованием мультиспектральных данных Sentinel-2 и применении современных алгоритмов машинного обучения, включая MTGPR, MTW и CatBoost. Особого внимания заслуживает реализация алгоритма CatBoost MultiOutputRegressor, который продемонстрировал превосходные результаты: средний коэффициент детерминации R²=0.76 при прогнозировании трех ключевых параметров (высоты древостоя, запаса древесины и площади сечения стволов), что существенно превышает показатели традиционных одноцелевых моделей. При этом важным достижением стало не только повышение точности прогнозов, но и значительное снижение вычислительных затрат, что особенно ценно при обработке больших массивов данных. Отдельное направление исследований было посвящено разработке и совершенствованию методов повышения пространственного разрешения мультиспектральных снимков. В ходе работы была создана и всесторонне протестирована диффузионная модель EDiffSR, которая показала значительное преимущество перед традиционными CNN-архитектурами. Эксперименты подтвердили, что применение методов сверхвысокого разрешения позволяет существенно улучшить качество исходных данных без модернизации аппаратной части спутников. Практическая ценность разработанных методов была подтверждена в ходе их применения для классификации 16 видов деревьев, где комбинация исходных и улучшенных данных позволила увеличить точность распознавания на 5%. Отдельно была продемонстрирована значимость точных данных о лесной территории для задачи оценки пожарной обстановки на основе наблюдений ДЗЗ (https://doi.org/10.1038/s41598-025-94002-4). Были рассчитаны вегетационные индексы и проанализированы типы растительного покрова при разработке решений на основе ИИ по прогнозированию возникновения природных пожаров. Завершающим этапом проекта стала разработка инновационной методики Climate Structure Inpainting Augmentations (CSIA), предназначенной для генерации реалистичных климатических объектов на спутниковых снимках (https://doi.org/10.1016/j.asr.2025.01.049). Созданный pipeline CNN-инпейнтинга позволяет значительно расширить обучающие выборки за счет искусственного добавления облаков, их теней и снежного покрова, что особенно важно для северных регионов. Тестирование методики на наборе данных SPARCS (Landsat-8) продемонстрировало ее высокую эффективность: показатель IoU для облаков увеличился с 0.859 до 0.874, а для теней - с 0.658 до 0.690. При этом важным преимуществом предложенного подхода является его универсальность и возможность применения к различным типам спутниковых снимков. Проведенные исследования имеют значительную научную и практическую ценность. Созданный комплекс методов позволяет организовать эффективный мониторинг лесных экосистем на больших территориях, своевременно выявлять угрозы и оптимизировать природоохранные мероприятия. Разработанные решения готовы к внедрению в системы лесного хозяйства и могут быть адаптированы для различных регионов. Особого внимания заслуживает доказанная возможность значительного снижения затрат на дистанционный мониторинг без потери качества получаемых данных, что открывает новые перспективы для организации устойчивого лесопользования. Полученные результаты представляют собой существенный вклад в развитие методов экологического мониторинга и демонстрируют огромный потенциал сочетания современных технологий дистанционного зондирования с передовыми алгоритмами искусственного интеллекта.