Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 3. С. 136-151
Распознавание вырубок и ветровалов по спутниковым снимкам Sentinel-2 с применением свёрточной нейронной сети U-net и факторы, влияющие на его точность
А.И. Канев
1 , А.В. Тарасов
2 , А.Н. Шихов
2 , Н.С. Подопригорова
1 , Ф.А. Сафонов
1 1 Московский государственный университет имени Н.Э. Баумана, Москва, Россия
2 Пермский государственный национальный исследовательский университет, Пермь, Россия
Одобрена к печати: 25.04.2023
DOI: 10.21046/2070-7401-2023-20-3-136-151
Представлены результаты распознавания (сегментации) вырубок и ветровалов по спутниковым снимкам Sentinel-2 с применением свёрточных нейронных сетей архитектуры U-net в разных районах европейской территории России и Урала. Объём обучающей выборки составил свыше 17 тыс. объектов. Как для вырубок, так и для ветровалов получены в целом удовлетворительные оценки точности (среднее значение F-меры свыше 0,5). При этом выявлены существенные различия точности распознавания в зависимости от характеристик нарушений лесного покрова и самих насаждений. Так, максимальная точность достигнута для ветровалов, вызванных смерчами, что обусловлено их геометрическими особенностями. Зависимость точности распознавания ветровалов от породного состава повреждённых лесов неочевидна и требует уточнения, в то же время средняя площадь участка повреждения оказывает на неё существенное влияние. Максимальная точность распознавания вырубок на тестовых парах снимков Sentinel-2 (значение F-меры до 0,80) оказалась значительно выше, чем в ранее опубликованных работах с применением модели U-net. Максимальная точность распознавания характерна для обширных вырубок в смешанных и темнохвойных лесах, а минимальная — для выборочных и проходных рубок в лиственных лесах. Точность по зимним и летним парам снимков существенно выше, чем по разносезонным парам. Также точность значимо различается для разных типов вырубок. Минимальное значение точности производителя (англ. producer’s accuracy) получено для лесных дорог по летним снимкам, а максимальное — для сплошных рубок по зимним снимкам.
Ключевые слова: вырубки, ветровалы, данные Sentinel-2, свёрточные нейронные сети, U-net, породный состав древостоя
Полный текстСписок литературы:
- Барталев С. А., Егоров В. А., Крылов А. М., Стыценко Ф. В., Ховратович Т. С. Исследование возможностей оценки состояния поврежденных пожарами лесов по данным многоспектральных спутниковых измерений // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 3. С. 215–225.
- Барталев С. А. Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А., Шабанов Н. В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 с.
- Королева Н. В., Ершов Д. В. Оценка погрешности определения площадей ветровалов по космическим изображениям высокого пространственного разрешения Landsat-TM // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 1. С. 80–86.
- Крылов А. М., Владимирова Н. А. Дистанционный мониторинг состояния лесов по данным космической съемки // Геоматика. 2011. № 3. С. 53–58.
- Тарасов А. В. Оперативное картографирование нарушений лесного покрова на основе спутниковых данных с высоким пространственно-временным разрешением: дис. … канд. техн. наук. Пермь, 2021. 135 с.
- Тарасов А. В., Шихов А. Н., Шабалина Т. В. Распознавание нарушений лесного покрова по спутниковым снимкам Sentinel-2 с помощью свёрточных нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 3. С. 51–64. DOI: 10.21046/2070-7401-2021-18-3-51-64.
- Ховратович Т. С., Барталев С. А., Кашницкий А. В. Метод детектирования изменений лесов на основе подпиксельной оценки проективного покрытия древесного полога по разновременным спутниковым изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 4. С. 102–110. DOI: 10.21046/2070-7401-2019-16-4-102-110.
- Шихов А. Н., Чернокульский А. В., Ажигов И. О. Пространственно-временное распределение ветровалов в лесной зоне Западной Сибири в 2001–2020 гг. // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 3. С. 186–202. DOI: 10.21046/2070-7401-2022-19-3-186-202.
- Allen T. R., Kupfer J. A. Spectral response and spatial pattern of Fraser fir mortality and regeneration, Great Smoky Mountains, USA // Plant Ecology. 2001. V. 156. Iss. 1. P. 59–74. DOI: 10.1023/A:1011948906647.
- Baumann M., Ozdogan M., Wolter P. T., Krylov A., Vladimirova N., Radeloff V. C. Landsat remote sensing of forest windfall disturbance // Remote Sensing of Environment. 2014. V. 143. P. 171–179. DOI: 10.1016/j.rse.2013.12.020.
- Cocke A. E., Fulé P. Z., Crouse J. E. Comparison of burn severity assessments using Differenced Normalized Burn Ratio and ground data // Intern. J. Wildland Fire. 2005. V. 14(2). P. 189–198. DOI: 10.1071/WF04010.
- Coppin P. R., Bauer M. E. Processing of multi-temporal Landsat TM imagery to optimize extraction of forest cover change features // IEEE Trans. Geoscience and Remote Sensing. 1994. V. 32. P. 918–927.
- 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(6160). P. 850–853. DOI: 10.1126/science.1244693.
- Hardisky M. A., Klemas V., Smart R. M. The influence of soil salinity, growth form, leaf moisture on the spectral radiance of Spartina alterniflora canopies // Photogrammetric Engineering and Remote Sensing. 1983. V. 49. P. 77–83.
- Isaienkov K., Yushchuk M., Khramtsov V., Seliverstov O. Deep Learning for Regular Change Detection in Ukrainian Forest Ecosystem with Sentinel-2 // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2021. V. 14. P. 364–376. DOI: 10.1109/JSTARS.2020.3034186.
- Kislov D. E., Korznikov K. A. Automatic windthrow detection using very-high-resolution satellite imagery and deep learning // Remote Sensing. 2020. V. 12(7). Art. No. 1145. DOI: 10.3390/rs12071145.
- Kislov D. E., Korznikov K. A., Altman J., Vozmishcheva A. S., Krestov P. V. Extending deep learning approaches for forest disturbance segmentation on very high-resolution satellite images // Remote Sensing in Ecology and Conservation. 2021. V. 7(3). P. 355–368. DOI: 10.1002/rse2.194.
- Larabi M., Liu Q., Wang Y. Convolutional neural network features based change detection in satellite images // Proc. 1st Intern. Workshop Pattern Recognition, RRPR 2016. Dec. 4, 2016, Cancún, Mexico. 2016. Art. No. 100110W.
- Mou L., Bruzzone L., Zhu X. X. Learning spectral-spatialoral features via a recurrent convolutional neural network for change detection in multispectral imagery // IEEE Trans. Geoscience and Remote Sensing. 2019. V. 57(2). P. 924–935. DOI: 10.1109/TGRS.2018.2863224.
- Nielsen A. A., Conradsen K., Simpson J. J. Multivariate alteration detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: New approaches to change detection studies // Remote Sensing of Environment. 1998. V. 64(1). P. 1–19.
- Potapov P. V., Turubanova S. A., Tyukavina A., Krylov A. M., McCarty J. L., Radeloff V. C., Hansen M. C. Eastern Europe’s forest cover dynamics from 1985 to 2012 quantified from the full Landsat archive // Remote Sensing of Environment. 2015. V. 159. P. 28–43. https://doi.org/10.1016/j.rse.2014.11.027.
- Potapov P., Li X., Hernandez-Serna A., Tyukavina A., Hansen M. C., Kommareddy A., Pickens A., Turubanova S., Tang H., Silva C. E., Armston J., Dubayah R., Blair J. B., Hofton M. Mapping global forest canopy height through integration of GEDI and Landsat data // Remote Sensing of Environment. 2021. V. 253. Art. No. 112165. DOI: 10.1016/j.rse.2020.112165.
- Rodriguez-Galiano V. F., Ghimire B., Rogan J., Chica-Olmo M., Rigol-Sanchez J. P. An assessment of the effectiveness of a random forest classifier for land-cover classification // ISPRS J. Photogrammetry and Remote Sensing. 2012. V. 67(1). P. 93–104. DOI: 10.1016/j.isprsjprs.2011.11.002.
- Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // arXiv: e-print service. arXiv:1505.04597. 2015. 8 p. https://arxiv.org/pdf/1505.04597.pdf.
- Scharvogel D., Brandmeier M., Weis M. A Deep Learning Approach for Calamity Assessment Using Sentinel-2 Data // Forests. 2020. V. 11(2). Art. No. 1239. 21 p. DOI: 10.3390/f11121239.
- Shikhov A. N., Chernokulsky A. V., Azhigov I. O., Semakina A. V. A satellite-derived database for stand-replacing windthrow events in boreal forests of European Russia in 1986–2017 // Earth System Science Data. 2020. V. 12. P. 3489–3513. DOI: 10.5194/essd-12-3489-2020.
- Xie F., Gao Q., Jin C., Zhao F. Hyperspectral image classification based on superpixel pooling convolutional neural network with transfer learning // Remote Sensing. 2021. V. 13(5). P. 1–17. DOI: 10.3390/rs13050930.
- Wang F., Xu Y. J. Comparison of remote sensing change detection techniques for assessing hurricane damage to forests // Environmental Monitoring and Assessment. 2010. V. 162. P. 311–326. DOI: 10.1007/s10661-009-0798-8.