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., Коноплева А. И. Классификация угодий по степени зарастания на основе сегментации спутниковых изображений методами глубокого обучения // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2026. Т. 26, вып. 3. С. 176-183. DOI: 10.18500/1819-7663-2026-26-3-176-183, EDN: GSCKZO

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
скачать
(загрузок: 10)
Язык публикации: 
русский
Рубрика: 
География
Тип статьи: 
Научная статья
УДК: 
502.63:528.854
DOI: 
10.18500/1819-7663-2026-26-3-176-183
EDN: 
GSCKZO

Классификация угодий по степени зарастания на основе сегментации спутниковых изображений методами глубокого обучения

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
Коноплева Алена Игоревна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Аннотация: 

В статье рассматривается применение методов глубокого обучения для автоматической сегментации спутниковых изображений с целью классификации угодий по состоянию зарастания древесно-кустарниковой растительностью. В качестве исходных данных использовались трехканальные спутниковые снимки и размеченные специалистами векторные полигоны, включающие такие классы, как поле, залежь, различные типы растительности, водные и антропогенные объекты. Для решения задачи сегментации применялись архитектуры U-Net и DeepLabv3+ с предобученным кодировщиком ResNet50 с использованием комбинированных функций потерь. В результате экспериментов наилучшие показатели качества сегментации продемонстрировала модель DeepLabv3+ с функцией ComboLoss. Практическим итогом работы стала реализация плагина для геоинформационной системы QGIS, позволяющего выполнять автоматическую сегментацию и векторизацию спутниковых данных. Предложенный подход может быть использован для мониторинга земель, анализа изменений ландшафтов и поддержки принятия решений в области природопользования.

Ключевые слова: 
семантическая сегментация
глубокое обучение
спутниковые снимки
дистанционное зондирование
U-Net
DeepLabv3+
землепользование
сельское хозяйство
лесная растительность
Список источников: 
  1. Foley J. A., DeFries R., Asner G. P., Barford C., Bonan G., Carpenter S. R., Chapin F. S., Coe M. T., Daily G. C., Gibbs H. K., Helkowski J. H., Holloway T., Howard E. A., Kucharik C. J., Monfreda C., Patz J. A., Prentice I. C., Ramankutty N., Snyder P. K. Global consequences of land use // Science. 2005. Vol. 309, № 5734. P. 570–574. https://doi.org/10.1126/science.1111772
  2. Hansen M. C., Potapov P. V., Moore R., Hancher M., Turubanova S. A., Tyukavina A., Thau D., Stehman S. V., Goetz S. J., Loveland T. R., Kommareddy A., Egorov A., Chini L., Justice C. O., Townshend J. R. G. Highresolution global maps of forest cover change // Science. 2013. Vol. 342, № 6160. P. 850–853. https://doi.org/10.1126/science.1244693, EDN: SOHMPX
  3. 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. https://doi.org/10.18500/1819-7663-2025-25-3-194-200, EDN: QMVWVB
  4. 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
  5. Kamilaris A., Prenafeta-Boldú F. X. Deep learning in agriculture: A survey // Computers and Electronics in Agriculture. 2018. Vol. 147. P. 70–90. https://doi.org/10.1016/j.compag.2018.02.016, EDN: VFAIQR
  6. Pekel J. F., Cottam A., Gorelick N., Belward A. S. Highresolution mapping of global surface water // Nature. 2016. Vol. 540, № 7633. P. 418–422. https://doi.org/10.1038/nature20584, EDN: YWPJEF
  7. Prishchepov A. V., Radeloff V. C., Baumann M., Kuemmerle T., Müller D. Effects of institutional changes on land use: Agricultural land abandonment during the transition from state-command to marketdriven economies in post-Soviet Eastern Europe // Environmental Research Letters. 2012. Vol. 7, № 2. P. 1–13. https://doi.org/10.1088/1748-9326/7/2/024021, EDN: RIEZJL
  8. Федоров А. В., Шлапак П. А., Муженский Д. А. Исследование линейной эрозии путем создания уточненной цифровой модели рельефа на основе SRTM (на примере территории Хвалынского района Саратовской области) // Известия Саратовского университета. Новая серия. Серия : Науки о Земле. 2020. Т. 20, вып. 1. С. 36–40. https://doi.org/10.18500/1819-7663-2020-20-1-36-40, EDN: WLGHXN
  9. Liakos K. G., Busato P., Moshou D., Pearson S., Bochtis D. Machine learning in agriculture: A review // Sensors. 2018. Vol. 18, № 8. Art. 2674. https://doi.org/10.3390/s18082674
  10. Belgiu M., Drăguţ L. Random forest in remote sensing: A review of applications and future directions // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. Vol. 114. P. 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
  11. 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
  12. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Lecture Notes in Computer Science. 2015. Vol. 9351. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
  13. Chen L. C., Zhu Y., Papandreou G., Schroff F., Adam H. Encoder–decoder with atrous separable convolution for semantic image segmentation // Proceedings of the European Conference on Computer Vision (ECCV). Munich, 2018. P. 833–851. https://doi.org/10.1007/978-3-030-01234-2_49
  14. Kussul N., Lavreniuk M., Skakun S., Shelestov A. Deep learning classification of land cover and crop types using remote sensing data // IEEE Geoscience and Remote Sensing Letters. 2017. Vol. 14, № 5. P. 778– 782. https://doi.org/10.1109/LGRS.2017.2681128, EDN: YYGEJR
  15. Lee S. H., Han K. J., Lee K., Lee K. J., Oh K. Y., Lee M. J. Classification of Landscape Affected by Deforestation Using High-Resolution Remote Sensing Data and DeepLearning Techniques // Remote Sensing. 2020. Vol. 12, № 20. Art. 3372. https://doi.org/10.3390/rs12203372, EDN: LTDPKM
  16. Wagner F. H., Sanchez A., Tarabalka Y., Lotte R. G., Ferreira M. P., Aidar M. P. M., Gloor E., Phillips O. L., Aragão L. E. O. C. Using the U-net Convolutional Network to Map Forest Types and Disturbance in the Atlantic Rainforest with Very High Resolution Images // Remote Sensing in Ecology and Conservation. 2019. Vol. 5, № 4. P. 360–375. https://doi.org/10.1002/rse2.111
  17. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, 2016. P. 770–778. https://doi.org/10.1109/CVPR.2016.90
Поступила в редакцию: 
09.04.2026
Принята к публикации: 
16.06.2026
Опубликована: 
30.09.2026