Для цитирования:
Огнева М. В., Шлапак П. А., Васильев А. А., Моисеев Д. С. Автоматическое определение лесных пород методами машинного обучения на основе обработки спутниковых снимков // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2025. Т. 25, вып. 3. С. 194-200. DOI: 10.18500/1819-7663-2025-25-3-194-200, EDN: QMVWVB
Автоматическое определение лесных пород методами машинного обучения на основе обработки спутниковых снимков
Мониторинг состояния и видового разнообразия древесных пород играет значительную роль в рамках менеджмента лесных ресурсов. Появление мультиспектральных спутниковых снимков высокого качества открывает возможности для использования информации о вегетации растительности на определенной территории в течение длительного периода времени, извлекаемых из фотографий, в дополнение к данным, получаемым в результате полевых исследований. В работе рассматривается использование снимков со спутника Sentinel 2 для автоматизированной разметки на примере территории памятника природы «Природный парк Кумысная Поляна», расположенного в окрестностях г. Саратова. В качестве инструментов автоматизации использовались методы машинного обучения с учителем. В работе было описано три подхода, различающиеся используемыми алгоритмами, а также способами структурирования получаемой информации со спутниковых снимков. В результате работы тестовая часть исследуемой территории была классифицирована по семи видам деревьев, включающим в себя выделы с доминированием наиболее распространенных пород. В дальнейшем подобный подход к автоматизации разметки лесных карт потенциально позволит увеличить интервал обновления данных в рамках полевых исследований и повысить их эффективность.
- Макаров В. З., Гусев В. А., Шлапак П. А., Решетарова Д. А. Выбор оптимального метода распознавания сельскохозяйственных культур по космоснимкам высокого разрешения (на примере саратовского Заволжья) // Известия Саратовского университета. Новая серия. Серия : Науки о Земле. 2020. Т. 20, вып. 3. С. 162–170. https://doi.org/10.18500/1819-7663-2020-20-3-162-170, EDN: EBJEPG
- Ермолаев Н. Р., Юдин С. А., Белобров В. П., Ведешин Л. А., Шаповалов Д. А. Использование нейронных сетей и облачных сервисов для выделения геометрий сельскохозяйственных полей на основе данных дистанционного зондирования Земли // Исследования Земли из космоса. 2023. № 6. С. 98–105. https://doi.org/10.31857/S0205961423060039, EDN: ANJWSV
- Аббасов И. Б., Дешмух Р. Р. Распознавание изображений сельскохозяйственных культур, растений и лесных массивов // Известия ЮФУ. Технические науки. 2020. № 3 (213). С. 202–212. https://doi.org/10.18522/2311-3103-2020-3-202-212, EDN: GLVQUZ
- Данилов В. А., Морозова В. А., Моисеев Д. С. Применение математико-картографического моделирования для комплексной оценки оползневой опасности методом анализа иерархий на территории г. Саратова // Известия Саратовского университета. Новая серия. Серия : Науки о Земле. 2024. Т. 24, вып. 4. С. 259–268. https://doi.org/10.18500/1819-7663-2024-24-4-259-268, EDN: SEEUUV
- Данилов В. А., Морозова В. А., Фёдоров А. В., Шлапак П. А. Открытые данные дистанционного зондирования для выявления археологических объектов // Известия Саратовского университета. Новая серия. Серия : Науки о Земле. 2024. Т. 24, вып. 3. С. 150–158. https://doi.org/10.18500/1819-7663-2024-24-3-150-158, EDN: AQYZTX
- Макаров В. З. Тюков Д. В., Шлапак П. А. Использование данных дистанционного зондирования Земли при изучении горных ледников (на примере ледника Алибек в Карачаево-Черкессии) // Известия Саратовского университета. Новая серия. Серия : Науки о Земле. 2022. Т. 22, вып. 1. С. 13–20. https://doi.org/10.18500/1819-7663-2022-22-1-13-20, EDN: IFZSKT
- Mouret F., Morin D., Planells M., Vincent-Barbaroux C. Tree species classification at the pixel-level using deep learning and multispectral time series in an imbalanced context. URL: https://arxiv.org/pdf/2408.08887 (дата обращения: 20.07.2025).
- He T., Zhou H., Hu C., Hu J., Xue X., Xu L., Lou X., Zeng K., Wang Q. Deep Learning in Forest Tree Species Classification Using Sentinel-2 on Google Earth Engine: A Case Study of Qingyuan County // Sustainability. 2023. Vol. 15, iss. 3. Art. 2741. https://doi.org/10.3390/su15032741, EDN: JANRZL
- Polyakova A., Mukharamova S., Yermolaev O., Shaykhutdinova G. Automated Recognition of Tree Species Composition of Forest Communities Using Sentinel-2 Satellite Data // Remote Sensing 2023. Vol. 15, iss. 2. Art. 329. https://doi.org/10.3390/rs15020329, EDN: JHMBXQ
- Bolyn C., Lejeune P., Michez A., Latte N. Mapping tree species proportions from satellite imagery using spectralspatial deep learning // Remote Sensing of Environment. 2022. Vol. 280. Art. 113205 https://doi.org/10.1016/j.rse.2022.113205, EDN: NGROST