Известия Саратовского университета. Новая серия.

Серия Науки о Земле

ISSN 1819-7663 (Print)
ISSN 2542-1921 (Online)


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

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 49)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
630.231:528.854
EDN: 
QMVWVB

Автоматическое определение лесных пород методами машинного обучения на основе обработки спутниковых снимков

Авторы: 
Огнева Марина Валентиновна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Шлапак Павел Александрович, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Васильев Александр Алексеевич, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Моисеев Денис Сергеевич, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Аннотация: 

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.

Список источников: 
  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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).
  8. 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
  9. 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
  10. 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
Поступила в редакцию: 
19.04.2025
Принята к публикации: 
29.05.2025
Опубликована: 
30.09.2025