Российские ученые Ботанического сада-института ДВО РАН научили сверточную нейросеть распознавать участки поврежденных лесов — ветровалов и усохших деревьев, атакованных жуками-короедами. Метод работает с точностью 94 процента, а в качестве источника информации может использовать общедоступные спутниковые снимки сверхвысокого разрешения. В дальнейшем разработанный метод ученые планируют применить не только к спутниковым снимкам, но и к изображениям, полученным с беспилотных летательных аппаратов.

Результаты работы, поддержанной грантом Президентской программы Российского научного фонда (РНФ), опубликованы в журнале Remote Sensing in Ecology and Conservation.

«Мы получили программу, позволяющую находить участки интересующих нас лесных нарушений с экспертной точностью, быстро и на огромных площадях, — рассказывает Кирилл Корзников, кандидат биологических наук, руководитель проекта по гранту РНФ, ведущий научный сотрудник Ботанического сада-института ДВО РАН. — Мы сравнили наш подход распознавания нарушенных участков лесов с другими “традиционными” методами машинного обучения. Мы превзошли аналоги: точность составила порядка 94 процента. При этом используются лишь общедоступные цветные спутниковые изображения, выполненные в видимом электромагнитном диапазоне, без учета значений спектральных каналов в ультрафиолетовой или инфракрасной части спектра».

Леса покрывают треть всей земной поверхности, но их площадь постоянно сокращается: с 1990 года — на 178 миллионов гектар. Это происходит не только из-за действий человека, но и под влиянием природных стихий, таких как бури и сильные ветра. Еще один фактор — жизнедеятельность насекомых, среди которых печально известен жук короед-типограф, повреждающий еловые леса севера Евразии от Западной Европы до Японии.

Для отслеживания повреждений применяют дистанционное зондирование. Благодаря специальным проектам с применением спутников Landsat и Sentinel снимки высокого разрешения можно найти и в открытом доступе. Поэтому они используются для большинства исследований, связанных с мониторингом лесов. Чтобы на таких снимках обнаружить и подсчитать площадь повреждения, используют информацию о яркости пикселей — на результатах их сравнений основан глобальный мониторинг.

Пример оценки пятен ветровалов с использованием обученной нейронной сети. Остров Сахалин / ©Кирилл Корзников / ДВО РАН

Использование сверхвысокого разрешения (менее одного метра на пиксель) открывает возможности более точной оценки площадей поврежденных древостоев, выявления мест локальной гибели одиночных деревьев, а также установления причины их гибели.

Российские ученые из Ботанического сада-института ДВО РАН (Владивосток) применили сверточные нейронные сети U-Net-подобной архитектуры для распознавания погибших лесов на цветных RGB снимках сверхвысокого разрешения. Оригинальная нейронная сеть U-Net была создана для анализа биомедицинских изображений в 2015 году. Она позволяет использовать меньшее количество обучающих данных и дает возможность использовать ее, в том числе для сегментации изображений и распознавания объектов.

У разных типов нарушений лесов есть хорошо узнаваемые паттерны на спутниковых снимках. У авторов уже были опыт визуальной экспертной оценки состояния лесного покрова и данные полевых исследований, выполненных на островах Кунашир и Сахалин. На их основе они создали маски целевых областей — ветровалов и усохших деревьев, атакованных короедом-типографом. Маски и соответствующие им спутниковые изображения стали исходными данными для обучения нейронных сетей.

Далее обученные нейронные сети были успешно применены к спутниковым снимкам для обнаружения аналогичных типов нарушений в островных лесах. В дальнейшем разработанный метод ученые планируют применить не только к спутниковым снимкам, но и к изображениям, полученным с беспилотных летательных аппаратов. Новые методы наблюдений за динамикой лесного покрова существенно расширят возможности систем инвентаризации лесного хозяйства и охраны лесных ресурсов: будет намного проще отслеживать и фиксировать изменения, а значит, можно оперативно передавать информацию для дальнейшего принятия мер.