Авторы
Михайлов Н.В. (1), Хвостиков С.А.(1), Барталев С.А.(1)
Организации
(1) Институт космических исследований РАН
Секция
Дистанционное зондирование Земли
Научный руководитель
Барталев Сергей Александрович
Место работы научного руководителя
Институт космических исследований РАН
Текст тезисов
Запас лесов является важной характеристикой состояния экосистем, необходимой, в том числе для оценки запаса и бюджета углерода наземной биомассы, и которую можно определить с помощью методов дистанционного зондирования.
Доклад посвящен разработке и исследованию методов глубокого машинного обучения для оценки запаса стволовой древесины лесов. В докладе описаны результаты экспериментов по использованию модели глубокой нейронной сверточной сети, основанной на архитектуре U-Net [1] с некоторыми модификациями для предсказания запаса леса по спектральным признакам, отражающим сезонные изменения и динамику лесного покрова.
Для оценки запасов лесов архитектура модели U-net была адаптирована для решения задачи регрессии, с учетом некоторых особенностей используемых данных. Сеть обучалась методом стохастического градиентного спуска на основе входных изображений-признаков и соответствующих данных запасов.
В качестве признаков для обучения модели были использованы ежедневные композитные изображения MODIS, полученные на основе методов фильтрации и интерполяции, разработанных в ИКИ РАН [2]. В частности, использовались коэффициенты спектральной яркости в видимом, ближнем ИК и среднем ИК каналах MODIS, полученные в течение вегетационного периода с 1 июня по 15 сентября 2010 года с шагом 15 дней. Также использовалось сочетание красного и ближнего инфракрасного композита MODIS за зимний сезон 2010-2011 года.
В результате проведенных исследований была создана экспериментальная база для применения методов глубокого машинного обучения для определения запаса лесов. Построенная модель сравнивалась с полученными ранее результатами оценка запаса на основе метода градиентного бустинга LightGBM. Результат применения модели на территорию страны получается менее зашумленным и боле сглаженным, что является особенностью семейства сверточной модели. Модель лучше обрабатывает места с низкими значениями и улучшает точность оценки характеристик лесов. Также модель способна лучше воспроизводить высокие значения запаса, присутствующие в исходной обучающей выборке. Полученные для 2010 года результаты далее могут использоваться для воссоздания временного ряда запаса стволовой древесины за период с 2001 по 2024 годы на основе инвариантных спутниковых индикаторов.
Работа выполнена в рамках темы «Мониторинг» (госрегистрация №122042500031-8). Обработка данных ДЗЗ проводилась с использованием ресурсов Центра коллективного пользования «ИКИ-Мониторинг» [3].
Литература:
[1] Huang H. et al. Unet 3+: A full-scale connected unet for medical image segmentation //ICASSP 2020-2020 IEEE international conference on acoustics, speech and signal processing (ICASSP). – IEEE, 2020. – С. 1055-1059.
[2] Миклашевич Т. С., Барталев С. А., Плотников Д. Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова //Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16. – №. 6. – С. 143-154.
[3] Лупян Е.А., Прошин А.А., Бурцев М.А., Кашницкий А.В., Балашов И.В., Барталев С.А., Константинова А.М., Кобец Д.А., Мазуров А.А., Марченков В.В., Матвеев А.М., Радченко М.В., Сычугов И.Г., Толпин В.А., Уваров И.А. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С.151-170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
Доклад посвящен разработке и исследованию методов глубокого машинного обучения для оценки запаса стволовой древесины лесов. В докладе описаны результаты экспериментов по использованию модели глубокой нейронной сверточной сети, основанной на архитектуре U-Net [1] с некоторыми модификациями для предсказания запаса леса по спектральным признакам, отражающим сезонные изменения и динамику лесного покрова.
Для оценки запасов лесов архитектура модели U-net была адаптирована для решения задачи регрессии, с учетом некоторых особенностей используемых данных. Сеть обучалась методом стохастического градиентного спуска на основе входных изображений-признаков и соответствующих данных запасов.
В качестве признаков для обучения модели были использованы ежедневные композитные изображения MODIS, полученные на основе методов фильтрации и интерполяции, разработанных в ИКИ РАН [2]. В частности, использовались коэффициенты спектральной яркости в видимом, ближнем ИК и среднем ИК каналах MODIS, полученные в течение вегетационного периода с 1 июня по 15 сентября 2010 года с шагом 15 дней. Также использовалось сочетание красного и ближнего инфракрасного композита MODIS за зимний сезон 2010-2011 года.
В результате проведенных исследований была создана экспериментальная база для применения методов глубокого машинного обучения для определения запаса лесов. Построенная модель сравнивалась с полученными ранее результатами оценка запаса на основе метода градиентного бустинга LightGBM. Результат применения модели на территорию страны получается менее зашумленным и боле сглаженным, что является особенностью семейства сверточной модели. Модель лучше обрабатывает места с низкими значениями и улучшает точность оценки характеристик лесов. Также модель способна лучше воспроизводить высокие значения запаса, присутствующие в исходной обучающей выборке. Полученные для 2010 года результаты далее могут использоваться для воссоздания временного ряда запаса стволовой древесины за период с 2001 по 2024 годы на основе инвариантных спутниковых индикаторов.
Работа выполнена в рамках темы «Мониторинг» (госрегистрация №122042500031-8). Обработка данных ДЗЗ проводилась с использованием ресурсов Центра коллективного пользования «ИКИ-Мониторинг» [3].
Литература:
[1] Huang H. et al. Unet 3+: A full-scale connected unet for medical image segmentation //ICASSP 2020-2020 IEEE international conference on acoustics, speech and signal processing (ICASSP). – IEEE, 2020. – С. 1055-1059.
[2] Миклашевич Т. С., Барталев С. А., Плотников Д. Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова //Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16. – №. 6. – С. 143-154.
[3] Лупян Е.А., Прошин А.А., Бурцев М.А., Кашницкий А.В., Балашов И.В., Барталев С.А., Константинова А.М., Кобец Д.А., Мазуров А.А., Марченков В.В., Матвеев А.М., Радченко М.В., Сычугов И.Г., Толпин В.А., Уваров И.А. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С.151-170. DOI: 10.21046/2070-7401-2019-16-3-151-170.