Use of Convolutional Neural Networks to Inventory Gullies (the Forest-Steppe of the Kalach Upland is an Example)
DOI:
https://doi.org/10.17308/geo/1609-0683/2026/1/13-21Keywords:
convolutional neural networks, gully, gully erosion, Mask-R-CNN, Kalachskaya Upland, Voronezh RegionAbstract
The purpose is to develop an algorithm for identifying gully relief forms based on high-resolution satellite images using convolutional neural networks. Materials and methods. Materials and methods. For the inventory of gullies, open data from remote sensing of the Earth, available to the public, were used. One of the most gully-ridden areas of the Central Black Soil Region, the forest-steppe of the Kalach Upland, was selected as the study area. To perform the task of identifying gullies, the Mask R-CNN neural network was used, with a supporting ResNet-34 architecture representing the development of earlier Single-Short Detector, U-net, and Faster R-CNN technologies. Results and discussion. The volume of the training sample included 2400 objects, the accuracy of identifying gullies according to the "Mean Intersection over Union" metric exceeded 90 %. In total, within the studied area, the neural network recognized 8977 gully relief forms, which made it possible to create map of gully density. Analysis of the created maps showed that gullies are unevenly distributed across the study area, with the southeastern part of the region having the highest gully density, where the average gully density exceeds 1,5 km per km², with maximum values of more than 5 km per km2 , which is signifi cantly higher than the data recorded on similar maps previously created for the study area. Conclusions. The algorithm developed by the authors for recognizing gully relief forms allows for high-precision identifi cation of objects with complex geometric shapes based on satellite images. It can also be used for similar research in other areas in the forest-steppe and steppe zones.
References
Багаев С. М., Медведева Е. В. Экспериментальная оценка точности мультиклассовой сегментации объектов на спутниковых снимках на основе модифицированной свёрточной нейронной сети U-net // Современные проблемы дистанционного зондирования Земли из космоса, 2021, т. 18, № 6, с. 35 45.
Бевз В. Н., Горбунов А. С., Быковская О. П. Структурно-функциональное зонирование территории как метод оптимизации ландшафтов (на примере Калачской лесостепи) // Вестник Воронежского государственного университета. Серия: География. Геоэкология, 2017, № 2, с. 49-58.
География овражной эрозии / Е. Ф. Зорина, М. В. Веретенникова, С. Н. Ковалев и др. Москва: Издательство Московского университета, 2006. 324 c.
Использование нейронных сетей и облачных сервисов для выделения геометрий сельскохозяйственных полей на основе данных дистанционного зондирования Земли / Н. Р. Ермолаев, С. А. Юдин, В. П. Белобров и др. // Исследование Земли из космоса, 2023, № 6, с. 98-105.
Корецкий Н. А., Бевз В. Н. Естественные факторы оврагообразования и их географический анализ на территории Воробьевского района Воронежской области // Региональные ландшафтные исследования: Научные записки кафедры физической географии и оптимизации ландшафта Воронежского государственного университета, 2022, вып. 6, с. 99-111.
Ландшафтно-экологическая оценка муниципальных районов Воронежской области / А. С. Горбунов, В. Н. Бевз, В. Б. Михно, Быковская О.П. Воронеж: Истоки, 2017. 167 c.
Ландшафтно-экологическое районирование Воронежской области / В. Б. Михно, В. Н. Бевз, А. В. Бережной и др. // Региональные ландшафтные исследования: Научные записки кафедры физической географии и оптимизации ландшафта Воронежского государственного университета, 2025, вып. 7, с. 142-166.
Моделирование овражной эрозии методом сглаженной многоуровневой оценки / Н. А. Корецкий, А. С. Горбунов, В. Н. Бевз, В. А. Караваев // Геология и геофизика Юга России, 2025, т. 15, № 1, с. 208-217.
Разработка методики автоматического выделения линеаментов на основе нейросетевого подхода / Г. А. Гришков, И. О. Нафигин, С. А. Устинов и др. // Исследование Земли из космоса, 2023, № 6, с. 86-97.
Якушева А. Н., Князев Н. А., Врублевский М. В. Методы сегментации спутниковых изображений для оконтуривания речных выносов с помощью нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса, 2025, т. 22, № 3, с. 81-94.
Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net / H. Zhang, M.-Xu Liu, Yu-Ji Wang et al. // International Journal of Applied Earth Observation and Geoinformation, 2021, v. 105, article 102557.
Comparing deep neural networks against humans: object recognition when the signal gets weaker / R. Geirhos, D. Janssen, H. Schütt et al., 2017. 31 p.
Comparing Object Recognition in Humans and Deep Convolutional Neural Networks – An Eye Tracking Study / L. E. van Dyck, R. Kwitt, S. J. Denzler, W. R. Gruber // Frontiers in Neuroscience, 2021, v. 15, article 750639.
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / S. Ren, K. He, R. Girshick, J. Sun // IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, v. 39, 14 p.
Fetai B., Račič M., Lisec A. Deep Learning for Detection of Visible Land Boundaries from UAV Imagery // Remote Sensing, 2021, v. 13, iss. 11, article 2077.
Mask R-CNN / К. He, G. Gkioxari, P. Dollar, R. Girshick // Proceedings of the IEEE/CVF International Conference on Computer Vision, 2017, pp. 2980-2988.
Panoptic Feature Pyramid Networks / A. Kirillov,R. Girshick, K. He, P. Dollár // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019, pp. 6392-6401.
PointRend: Image Segmentation as Rendering / A. Kirillov, Y. Wu, K. He, R. Girshick. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 9796-9805.
