Использование свёрточных нейронных сетей для геопространственного моделирования породной структуры и таксационных характеристик лесов (на примере ХМАО — Югры)

Список литературы:

1. Барталев С. А., Егоров В. А., Ершов Д. В., Исаев А. С., Лупян Е. А., Плотников Д. Е., Уваров И. А. Спутниковое картографирование растительного покрова России по данным спектрорадиометра MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 4. С. 285–302.
2. Бондур В. Г., Воронова О. С., Черепанова Е. В., Цидилина М. Н., Зима А. Л. Пространственно-временной анализ многолетних природных пожаров и эмиссий вредных газов и аэрозолей в России по космическим данным // Исслед. Земли из космоса. 2020. № 4. С. 3–17. DOI: 10.31857/s0205961420040028.
3. Гаврилюк Е. А., Горнов А. В., Ершов Д. В. Оценка пространственного распределения видов деревьев заповедника «Брянский лес» и его охранной зоны на основе разносезонных спутниковых данных Landsat // Бюл. Брянского от-ния Русского ботан. об-ва. 2018. № 3(15). С. 13–23. DOI: 10.22281/2307-4353-2018-3-13-23.
4. Гаврилюк Е. А., Королева Н. В., Карпухина Д. А., Сочилова Е. Н., Ершов Д. В. Геопространственное моделирование биометрических и структурных характеристик лесов Брянской области на основе спутниковых и выборочных лесотаксационных данных // Лесоведение. 2021. № 6. С. 609–626. DOI: 10.31857/S002411482106005X.
5. Ершов Д. В., Гаврилюк Е. А., Белова Е. И., Никитина А. Д. Определение породной структуры лесного участка по ортофотопланам беспилотной аэрофотосъёмки // Актуальные проблемы современного лесоводства: Вторые международ. чтения памяти Г. Ф. Морозова. К столетию памяти классика русского лесоводства (1920–2020 гг.). Симферополь, 2020. С. 141–152.
6. Зуев В. В., Короткова Е. М., Павлинский А. В. Климатически обусловленные изменения растительного покрова тайги и тундры Западной Сибири в 1982–2015 гг. по данным спутниковых наблюдений // Исслед. Земли из космоса. 2019. № 6. C. 66–76. DOI: 10.31857/S0205-96142019666-76.
7. Корниенко С. Г. Характеристика антропогенных трансформаций ландшафтов в районе Бованенковского месторождения по данным спутников Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 106–129. DOI: 10.21046/2070-7401-2022-19-2-106-129.
8. Луганский Н. А., Залесов С. В., Луганский В. Н. Лесоведение: учеб. пособие. Екатеринбург: Уральский гос. лесотехн. ун-т, 2010. 432 с.
9. Особо охраняемые природные территории и леса Ханты-Мансийского автономного округа: атлас / ред. С. А. Алешин, Э. А. Ахпателов, В. А. Волков. Ханты-Мансийск; Екатеринбург: ИздатНаукаСервис, 2006. 120 с.
10. Платонов Е. П. Практика использования земель лесного фонда для недропользования в Ханты-Мансийском автономном округе — Югре // Недропользование XXI век. 2011. № 2. С. 60–63.
11. Савельев А. А. Биохорологическое разнообразие и моделирование пространственной структуры растительного покрова: Геоинформационный подход: автореф. дис. … д-ра биол. наук. Казань, 2004. 24 с.
12. Сочилова Е. Н., Сурков Н. В., Ершов Д. В., Хамедов В. А. (2018а) Оценка запасов фитомассы лесных пород по спутниковым изображениям высокого пространственного разрешения (на примере лесов Ханты-Мансийского АО) // Вопросы лесной науки. 2018. Т. 1. № 1. С. 1–23. DOI: 10.31509/2658-607X-2018-1-1-1-23.
13. Сочилова Е. Н., Сурков Н. В., Ершов Д. В., Егоров В. А., Барталев С. С., Барталев С. А. (2018б) Картографирование классов бонитета лесов Приморского края на основе спутниковых изображений и данных о характеристиках рельефа // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5. С. 96–109. DOI: 10.21046/2070-7401-2018-15-5-96-109.
14. Филипчук А. Н., Малышева Н. В., Золина Т. А. Югов А. Н. Бореальные леса России: возможности для смягчения изменения климата // Лесохозяйственная информация. 2020. № 1. С. 92–114. DOI: 10.24419/LHI.2304-3083.2020.1.10.
15. Хамедов В. А., Копылов В. Н., Полищук Ю. М., Сугаипова А. Н., Шимов С. В. Создание карты лесов Ханты-Мансийского округа на основе космических снимков среднего разрешения // Современные проблемы дистанционного зондирования Земли из космоса. 2009. Т. 6. № 2. С. 474–478.
16. Шолле Ф. Глубокое обучение на Python: пер. с англ. СПб.: Питер, 2018. 400 с.
17. Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G. S., Davis A., Dean J., Devin M., Ghemawat S., Goodfellow I., Harp A., Irving G., Isard M., Jia Y., Jozefowicz R., Kaiser L., Kudlur M., Levenberg J., Mane D., Monga R., Moore S., Murray D., Olah C., Schuster M., Shlens J., Steiner D., Sutskever I., Talwar K., Tucker P., Vanhoucke V., Vasudevan V., Viegas F., Vinyals O., Warden P., Wattenberg M., Wicke M., Yu Y., Zheng X. Tensorflow: Large-scale machine learning on heterogeneous distributed systems // arXiv preprint. arXiv:1603.04467. 2016. DOI: 10.48550/arXiv.1603.04467.
18. ASTER Global Digital Elevation Model V003 / NASA EOSDIS Land Processes DAAC. NASA/METI/AIST/Japan Spacesystems. U. S./Japan ASTER Science Team. 2018. https://doi.org/10.5067/ASTER/ASTGTM.003.
19. Chen L. C., Papandreou G., Schroff F., Adam H. Rethinking Atrous Convolution for Semantic Image Segmentation // arXiv preprint. arXiv:1706.05587. 2017. DOI: 10.48550/arXiv.1706.05587.
20. Cheng K., Wang J. Forest Type Classification Based on Integrated Spectral-Spatial-Temporal Features and Random Forest Algorithm — A Case Study in the Qinling Mountains // Forests. 2019. V. 10. No. 7. Art. No. 559. DOI: 10.3390/f10070559.
21. Cheng K., Wang J., Yan X. Mapping Forest Types in China with 10 m Resolution Based on Spectral – Spatial – Temporal Features // Remote Sensing. 2021. V. 13. No. 5. Art. No. 973. DOI: 10.3390/rs13050973.
22. Das S., Singh T. P. Forest Type, Diversity and Biomass Estimation in Tropical Forests of Western Ghat of Maharashtra Using Geospatial Techniques // Small-scale Forestry. 2016. No. 15. P. 517–532. DOI: 10.1007/s11842-016-9337-y.
23. Drusch M., Del Bello U., Carlier S., Colin O., Fernandez V., Gascon F., Hoersch B., Isola C., Laberinti P., Martimort P., Meygret A., Spoto F., Sy O., Marchese F., Bargellini P. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services // Remote Sensing of Environment. 2012. V. 120. P. 25–36. DOI: 10.1016/j.rse.2011.11.026.
24. Flood N., Watson F., Collett L. Using a U-net convolutional neural network to map woody vegetation extent from high resolution satellite imagery across Queensland, Australia // Intern. J. Applied Earth Observation and Geoinformation. 2019. V. 82. Art. No. 101897. DOI: 10.1016/j.jag.2019.101897.
25. 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. High-resolution global maps of 21st-century forest cover change // Science. 2013. V. 342. Iss. 6160. P. 850–853. DOI: 10.1126/science.12446.
26. Harris C. R., Millman K. J., van der Walt S. J., Gommers R., Virtanen P., Cournapeau D., Wieser E., Taylor J., Berg S., Smith N. J., Kern R., Picus M., Hoyer S., van Kerkwijk M. H., Brett M., Haldane A., del Rio J. F., Wiebe M., Peterson P., Gerard-Marchant P., Sheppard K., Reddy T., Weckesser W., Abbasi H., Gohlke C., Oliphant T. E. Array programming with NumPy // Nature. 2020. V. 585. No. 7825. P. 357–362. DOI: 10.1038/s41586-020-2649-2.
27. Huang H., Lin L., Tong R., Hu H., Zhang Q., Iwamoto Y., Han X., Chen Y., Wu J. UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation // IEEE Intern. Conf. Acoustics, Speech and Signal Processing (ICASSP). 2020. P. 1055–1059. DOI: 10.1109/icassp40776.2020.9053405.
28. Hunter J. D. Matplotlib: A 2D graphics environment // Computing in Science and Engineering. 2007. V. 9. No. 3. P. 90–95. DOI: 10.1109/MCSE.2007.55.
29. Kirpotin S. N., Callaghan T. V., Peregon A. M., Babenko A. S., Berman D. I., Bulakhova N. A., Byzaakay A. A., Chernykh T. M., Chursin V., Interesova E. A., Gureev S. P., Kerchev I. A., Kharuk V. I., Khovalyg A. O., Kolpashchikov L. A., Krivets S. A., Kvasnikova Z. N., Kuzhevskaia I. V., Merzlyakov O. E., Nekhoroshev O. G., Popkov V. K., Pyak A. I., Valevich T. O., Volkov I. V., Volkova I. I. Impacts of environmental change on biodiversity and vegetation dynamics in Siberia // Ambio. 2021. V. 50. P. 1926–1952. DOI: 10.1007/s13280-021-01570-6.
30. Lanaras C., Bioucas-Dias J., Galliani S., Baltsavias E., Schindler K. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network // ISPRS J. Photogrammetry and Remote Sensing. 2018. V. 146. P. 305–319. DOI: 10.1016/j.isprsjprs.2018.09.018.
31. LeCun Y., Bose B., Denker J. S., Henderson D., Howard R. E., Hubbard W., Jackel L. D. Backpropagation Applied to Handwritten Zip Code Recognition // Neural Computation. 1989. No. 1. P. 541–551. DOI: 10.1162/neco.1989.1.4.541.
32. Lenczner G., Chan-Hon-Tong A., Le Saux B., Luminari N., Le Besnerais G. DIAL: Deep Interactive and Active Learning for Semantic Segmentation in Remote Sensing // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2022. No. 15. P. 3376–3389. DOI: 10.1109/jstars.2022.3166551.
33. Liu M., Fu B., Xie S., He H., Lan F., Li Y., Lou P., Fan D. Comparison of multi-source satellite images for classifying marsh vegetation using DeepLabV3 Plus deep learning algorithm // Ecological Indicators. 2021. V. 125. Art. No. 107562. DOI: 10.1016/j.ecolind.2021.107562.
34. Louis J., Debaecker V., Pflug B., Main-Khorn M., Bieniarz J., Mueller-Wilm U., Cadau E., Gascon F. Sentinel-2 Sen2Cor: L2A processor for users // Proc. Living Planet Symp. 2016. V. SP-740. P. 1–8.
35. Miles V. V., Esau I. Spatial heterogeneity of greening and browning between and within bioclimatic zones in northern West Siberia // Environmental Research Letters. 2016. No. 11. Art. No. 115002. DOI: 10.1088/1748-9326/11/11/115002.
36. Omer G., Mutanga O., Abdel-Rahman E. M., Adam E. Performance of support vector machines and artificial neural network for mapping endangered tree species using WorldView-2 data in Dukuduku forest, South Africa // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2015. V. 8. No. 10. P. 4825–4840. DOI: 10.1109/JSTARS.2015.2461136.
37. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Intern. Conf. Medical image computing and computer-assisted intervention. 2015. P. 234–241. DOI: 10.1007/978-3-319-24574-4_28.
38. Scepanovic S., Antropov O., Laurila P., Rauste Y., Ignatenko V., Praks J. Wide-area land cover mapping with Sentinel-1 imagery using deep learning semantic segmentation models // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2021. V. 14. P. 10357–10374. DOI: 10.1109/JSTARS.2021.3116094.
39. Sundelius C. Deep Fusion of Imaging Modalities for Semantic Segmentation of Satellite Imagery: Master Thesis in Electrical Engineering. Linköping, 2017. 88 p.
40. van Rossum G. Python reference manual. Amsterdam, Netherlands: Centre for Mathematics and Computer Science, 1995. No. R 9525.
41. Wasser L., Joseph M. B., McGlinchy J., Palomino J., Korinek N., Holdgraf C., Head T. EarthPy: A Python package that makes it easier to explore and plot raster and vector data using open source Python tools // J. Open Source Software. 2019. V. 4. No. 43. Art. No. 1886. DOI: 10.21105/joss.01886.
42. Wei S., Zhang H., Wang C., Wang Y., Xu L. Multi-temporal SAR data large-scale crop mapping based on U-Net model // Remote Sensing. 2019. V. 11. No. 1. Art. No. 68. DOI: 10.3390/rs11010068.
43. Xi Y., Ren C., Tian Q., Ren Y., Dong X., Zhang Z. Exploitation of Time Series Sentinel-2 Data and Different Machine Learning Algorithms for Detailed Tree Species Classification // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2021. V. 14. P. 7589–7603. DOI: 10.1109/JSTARS.2021.3098817.