Использование сверточных нейронных сетей для целей инвентаризации овражных форм рельефа (на примере лесостепи Калачской возвышенности)
DOI:
https://doi.org/10.17308/geo/1609-0683/2026/1/13-21Ключевые слова:
сверточные нейронные сети, овраг, овражная эрозия, Mask-R-CNN, Калачская возвышенность, Воронежская областьАннотация
Цель – разработка алгоритма выявления овражных форм рельефа по космическим снимкам высокого разрешения с использованием сверточных нейронных сетей. Материалы и методы. Для инвентаризации оврагов использовались открытые данные дистанционного зондирования Земли (ДЗЗ), находящиеся в общем доступе. В качестве территории исследования выбран один из наиболее заовраженных районов Центрального Черноземья – лесостепь Калачской возвышенности. Для выполнения задачи выделения оврагов использовалась нейронная сеть Mask R-CNN, с опорной архитектурой ResNet-34 представляющая собой развитие более ранних технологий Single-Short Detector, U-net и Faster R-CNN. Результаты и обсуждение. Объем обучающей выборки включал 2400 объектов, точность выделения оврагов по метрике «Mean Intersection over Union» превысила 90 %. Всего в пределах исследуемой территории нейросеть распознала 8977 овражных форм рельефа, что позволило создать карты густоты овражного расчленения. Анализ созданных карт показал, что овраги неравномерно распределены по территории исследования, наибольшей заовраженностью отличается юго-восток района, где средние значения густоты овражного расчленения превосходят 1,5 км на км², при максимальных значениях более 5 км на км², что значительно выше данных отмеченных на аналогичных картах, ранее созданных на исследуемую территорию. Выводы. Разработанный авторами алгоритм распознавания овражных форм рельефа, позволяет с высокой точностью выделить по космическим снимкам объекты со сложной геометрической формой. Он также может быть использован для аналогичных исследований других территорий лесостепной и степной зон.
Библиографические ссылки
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.
