Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 1. С. 63-75
Свёрточные нейронные сети в задачах идентификации термокарстовых образований на основе данных дистанционного зондирования
В.В. Жебсаин 1 , А.Ю. Гололобов 2 , А.Ф. Посельский 1 , Н.И. Башарин 3 1 Северо-Восточный федеральный университет им. М.К. Аммосова, г Якутск, Россия
2 Институт космофизических исследований и аэрономии им. Ю.Г. Шафера СО РАН, Якутск, Россия
3 Институт мерзлотоведения им. П.И. Мельникова СО РАН, Якутск, Россия
Одобрена к печати: 01.12.2025
DOI: 10.21046/2070-7401-2026-23-1-63-75
Представлены результаты численных экспериментов по решению задач идентификации термокарстовых полигональных образований, находящихся на ранней стадии развития и угрожающих инфраструктуре населённых пунктов северных регионов России, в частности Центральной Якутии, при помощи разработанной прикладной компьютерной программы, основанной на технологии нейронных сетей. Рассмотрены вопросы формирования двух наборов данных для проведения численных экспериментов, состоящих из 3204 и 10 044 верифицированных изображений ДЗЗ соответственно. Разработаны реестр базы данных для экспериментальных наборов данных и веб-приложение для быстрого интерактивного его формирования. Проведены серии численных экспериментов по идентификации изображений термокарстовых форм рельефа на основе обучения многослойных свёрточных нейронных сетей и сетей прямого распространения. Получено, что свёрточные нейронные сети обладают большей эффективностью при распознавании термокарстовых образований по сравнению с сетями прямого распространения. Представлены результаты исследования эффективности различных моделей свёрточных нейронных сетей при решении задач идентификации четырёх классов неоднородностей ландшафта, таких как термокарстовые образования, поля, леса и водоёмы. Как показали результаты численных экспериментов, свёрточные нейронные сети позволяют с высоким уровнем эффективности распознавать по графическим данным ДЗЗ полигональные термокарстовые образования, характерные для ландшафтов Центральной Якутии. Отобраны две модели свёрточных нейронных сетей, обеспечивающих наилучшие результаты при идентификации термокарстовых образований со средними значениями точности около 96 %.
Ключевые слова: термокарстовые процессы, нейронные сети, модели нейронных сетей, идентификация изображений, наборы данных
Полный текстСписок литературы:
- Багаев И. И. Анализ понятий нейронная сеть и свёрточная нейронная сеть. Обучение свёрточной нейросети при помощи модуля TensorFlow // Мат. и программное обеспечение систем в пром. и социальной сферах. 2020. Т. 8. № 1. С. 15–22. DOI: 10.18503/2306-2053-2020-8-1-15-22.
- Башарин Н. И., Егорова Л. С., Васильев Н. Ф. и др. Применение беспилотных летательных аппаратов для оценки активизации термокарста // Вестн. Северо-Восточного федер. ун-та. 2020. № 3 (19). С. 36–44. DOI: 10.25587/SVFU.2020.19.3.005.
- Гоголева П. А., Стручкова С. Г., Федорова Е. Д. Физико-географические условия развития аласных форм рельефа и закономерности распределения растительности // Успехи современ. естествознания. 2016. № 12(2). С. 368–374.
- Жебсаин В. В., Посельский А. Ф. Идентификация термокарстовых объектов по спутниковым графическим данным с помощью нейронной сети // Тр. ин-та системного программирования РАН. 2024. Т. 36. № 4. С. 183–190. DOI: 10.15514/ISPRAS-2024-36(4)-14.
- Жебсаин В. В., Гололобов А. Ю., Башарин Н. И., Посельский А. Ф. Особенности применения технологии нейронных сетей для распознавания графических образов термокарстовых объектов // Геоинформатика. 2024. № 4. С. 39–47. DOI: 10.47148/1609-364X-2024-4-39-47.
- Константинов П. Я., Трегубов О. Д., Чжан М., Ли Г. Динамика температуры вечномерзлых пород за последние 30 лет в отдельных районах восточного сектора российской Арктики // Международ. журн. приклад. наук и технологий Integral. 2022. № 1. С. 260–267. DOI: 10.55186/02357801_2022_7_1_11.
- Fedorov A. N., Konstantinov P. Y. Observations of surface dynamics with thermokarst initiation // Proc. 8th Intern. Conf. on Permafrost. 2003. P. 239–243.
- Fedorov A. N., Konstantinov P. Y. Recent changes in ground temperature and the effect on permafrost landscapes in Central Yakutia // Proc. 9th Intern. Conf. on Permafrost. 2008. Р. 433–438.
- Huang L., Liu L., Luo J. et al. Automatically quantifying evolution of retrogressive thaw slumps in Beiluhe (Tibetan Plateau) from multi-temporal CubeSat images // Intern. J. Applied Earth Observation and Geoinformation. 2021. V. 102. Article 102399. DOI: 10.1016/j.jag.2021.102399.
- Hughes-Allen L., Bouchard F., Séjourné A. et al. Automated identification of thermokarst lakes using machine learning in the ice-rich permafrost landscape of Central Yakutia (Eastern Siberia) // Remote Sensing. 2023. V. 15. Iss. 5. Article 1226. DOI: 10.3390/rs15051226.
- Konstantinov P., Zhelezniak M., Basharin N. et al. Establishing of permafrost thermal monitoring sites in East Siberia // Land. 2020. V. 9. Iss. 12. Article 476. 10 p. DOI: 10.3390/land9120476.
- Кonstantinov P., Basharin N., Fedorov A. et al. Impact of climate change on the ground thermal regime in the lower Lena region, Arctic Central Siberia // Land. 2023. V. 12. Iss. 1. Article 19. 13 p. DOI: 0.3390/land12010019.
- Nitze I., Heidler K., Barth S., Grosse G. Developing and testing a deep learning approach for mapping retrogressive thaw slumps // Remote Sensing. 2021. V. 13. Iss. 21. Article 4294. DOI: 10.3390/rs13214294.
- Runge A., Nitze I., Grosse G. Remote sensing annual dynamics of rapid permafrost thaw disturbances with LandTrendr // Remote Sensing of Environment. 2022. V. 268. Article 112752. DOI: 10.1016/j.rse.2021.112752.
- Witharana C., Udawalpola M. R., Liljedahl A. K. et al. Automated detection of retrogressive thaw slumps in the high Arctic using high-resolution satellite imagery // Remote Sensing. 2022. V. 14. Iss. 17. Article 4132. DOI: 10.3390/rs14174132.
- Yin G., Luo J., Niu F. et al. Machine learning-based thermokarst landslide susceptibility modeling across the permafrost region on the Qinghai-Tibet Plateau // Landslides. 2021. V. 18. P. 2639–2549. DOI: 10.1007/s10346-021-01669-7.