Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 2. С. 173-187
Оценивание качества идентификации состояния лесной растительности на примере заказника «Озеро Щучье»
В.А. Зеленцов 1 , В.Ф. Мочалов 1 1 Санкт-Петербургский федеральный исследовательский центр РАН, Санкт-Петербург, Россия
Одобрена к печати: 18.12.2025
DOI: 10.21046/2070-7401-2026-23-2-173-187
Рассматриваются вопросы совместного и одновременного решения задач обработки материалов мультиспектральной космической съёмки и оценивания качества результатов обработки при идентификации состояния лесной растительности. Подчёркивается роль обоснованного формирования для этих задач состава исходных данных о принадлежности лесной растительности тому или иному классу. Представлена методика, включающая предварительное и финальное оценивание качества обработки материалов съёмки. Ключевым элементом методики является новый подход к определению на предварительном этапе множества элементарных площадок (пикселей) фрагмента анализируемой сцены для их использования в качестве исходных данных при обработке материалов съёмки. Выбор элементарных площадок основан на применении нечёткой кластеризации и количественном анализе степени принадлежности каждого пикселя одному из классов идентифицируемых элементов лесного ландшафта. Значение степени принадлежности используется для определения состава элементарных площадок, требующих уточнения, в том числе проведением наземных обследований. Финальная обработка данных и оценивание качества результатов обработки для всей анализируемой сцены выполняются с использованием уточнённых исходных данных. Анализ качества обработки по предложенной методике продемонстрирован на примере задачи классификации состояния елового леса по классам пожарной опасности на территории заказника «Озеро Щучье» в Ленинградской области. В качестве материалов съёмки используются мультиспектральные данные космического аппарата Sentinel 2, для их обработки применены алгоритмы расчёта различных вегетационных индексов. Для обоснованного выбора состава исходных данных выполнена предварительная нечёткая кластеризация фрагмента сцены из 400 пикселей, определены 39 пикселей, принадлежность которых нуждается в уточнении, выполнена обработка всей сцены на основе уточнённых значений. Показано, что применение методики позволяет улучшить финальные значения показателей качества обработки, существенно сократить временные затраты на подготовку исходных данных, а также дать рекомендации по выбору алгоритмов обработки, обеспечивающих наилучшее качество идентификации. В рассмотренной задаче это алгоритмы расчёта NDVI (англ. Normalized Difference Vegetation Index) и ARVI (англ. Atmospherically Resistant Vegetation Index). Наиболее эффективной областью использования методики является решение задач обработки мультиспектральных данных применительно к относительно небольшим участкам территории, поскольку она позволяет максимально полно учесть локальные особенности и конкретные спектрально-отражательные характеристики исследуемых элементов ландшафта.
Ключевые слова: материалы мультиспектральной космической съёмки, показатели качества результатов обработки, исходные данные, алгоритмы обработки, идентификация состояния лесной растительности, нечёткая кластеризация, наземные обследования, классы пожарной опасности
Полный текстСписок литературы:
- Горелик А. Л., Скрипкин В. А. Методы распознавания: учеб. пособие для вузов. 4-е изд., испр. М.: Высш. шк., 2004. 261 с.
- Демидова Л. А., Коняева Е. И. Кластеризация объектов с использованием FCM-алгоритма на основе нечетких множеств второго типа и генетического алгоритма // Вестн. РГРТУ. 2008. № 4. Вып. 26. 9 с.
- Зеленцов В. А., Мочалов В. Ф. (2024а) Пример оценивания качества результатов автоматизированной идентификации лесной растительности // 9-я Всероссийская научно-техн. конф. «Леса России: политика, промышленность, наука, образование»: материалы конф. СПб.: СПбГЛТУ, 2024. С. 46–49.
- Зеленцов В. А., Мочалов В. Ф. (2024б) Показатели и алгоритмы оценивания качества результатов идентификации состояния прилегающих территорий // Интеллектуальные технологии на транспорте. 2024. № 3(39). С. 73–82. DOI: 10.20295/2413-2527-2024-339-73-82.
- Зеленцов В. А., Мочалов В. Ф., Мухаметов Д. И. Методика наземных обследований лесной растительности для организации автоматизированной обработки материалов мультиспектральной космической съёмки // 10-я Всероссийская научно-техн. конф. «Леса России: политика, промышленность, наука, образование»: материалы конф. СПб.: СПбГЛТУ, 2025. С. 78–80.
- Иванов В. С. Основы математической статистики: учеб. пособие для вузов. М.: Физкультура и спорт, 1990. 176 с.
- Киселев А. В., Тронин А. А., Крицук С. Г. и др. Многолетняя динамика состояния ельников заказника «Озеро Щучье» по спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 2. С. 173–185. DOI: 10.21046/2070-7401-2025-22-2-173-185.
- Комаров А. А., Кирсанов А. Д., Малашин С. Н. Сравнительная характеристика различных вегетационных индексов при оценке состояния растительного покрова кормовых трав // Изв. Санкт-Петербургского гос. аграрного ун-та. 2021. № 2(63). С. 18–29. DOI: 10.24412/2078-1318-2021-2-18-29.
- Малышев В. Б., Фомин Б. Н. Децентрализованная база данных спектральных характеристик и параметров объектов земной поверхности // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 2. С. 53–65. DOI: 10.21046/2070-7401-2019-16-2-53-65.
- Мочалов В. Ф., Григорьева О. В., Спесивцева К. А. Оценивание характеристик леса по данным отечественной космической съёмки // 8-я Всероссийская научно-техн. конф. «Леса России: политика, промышленность, наука, образование»: материалы конф. СПб.: СПбГЛТУ, 2023. С. 79–82.
- Мыльникова Т. А., Боровлёв А. Ю., Елсаков В. В., Щанов В. М. Формирование базы данных пространственного распределения древесных пород на тестовом полигоне «Ляльский» (Республика Коми) по материалам БПЛА-съёмок // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 1. С. 116–130. DOI: 10.21046/2070-7401-2025-22-1-116-130.
- Приказ Рослесхоза «Об утверждении классификации природной пожарной опасности лесов и классификации пожарной опасности в лесах в зависимости от условий погоды» № 287 от 05.07.2011.
- Рашка С. Python и машинное обучение: пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2017. 418 с.
- Саворский В. П., Кашницкий А. В., Константинова А. М. и др. Возможности анализа гиперспектральных индексов в информационных системах дистанционного мониторинга семейства «Созвездие-Вега» // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 3. С. 28–45. DOI: 10.21046/2070 401-2016-13-3-28-45.
- Хасти Т., Тибришани Р., Фридман Д. Основы статистического обучения. Интеллектуальный анализ данных, логический вывод и прогнозирование. 2-е изд. М.: Изд-во «Вильямс», 2020. 768 с.
- Bezdek J. C. Pattern recognition with fuzzy objective function algorithms. N. Y.: Springer, 1981. 272 p. DOI: 10.1007/978-1-4757-0450-1.
- Bradley A. P. The use of the area under the ROC curve in the evaluation of machine learning algorithms // Pattern Recognition. 1997. V. 30. Iss. 7. P. 1145–1159. DOI: 10.1016/S0031-3203(96)00142-2.
- Brovkina O., Cienciala E., Zemek F. et al. Composite indicator for monitoring of Norway spruce stand decline // European J. Remote Sensing. 2017. V. 50. Iss. 1. P. 550–563. DOI: 10.1080/22797254.2017.1372697.
- Congalton R. G., Green K. Assessing the accuracy of remotely sensed data. Principles and practices. 2nd ed. CRC Press, 2009. 209 p.
- Ferreira M. P., Wagner F. H., Aragão L. E. et al. Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis // ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 149. P. 119–131. DOI: 10.1016/j.isprsjprs.2019.01.019.
- Hollander M., Wolfe D. Nonparametric statistical methods. 2nd ed. N. Y.: Wiley, 1999. 787 p.
- Liu Y., Ren C., Liang J. et al. A robust index based on phenological features to extract sugarcane from multisource remote sensing data // Remote Sensing. 2023. V. 15. Iss. 24. Article 5783. DOI: 10.3390/ rs15245783.
- Liu P., Ren C., Wang Z. et al. Evaluating the potential of Sentinel 2 time series imagery and machine learning for tree species classification in a mountainous forest // Remote Sensing. 2024. V. 16. Iss. 2. Article 293. DOI: 10.3390/rs16020293.
- Maxwell A. E., Warner T. A., Guillén L. A. (2021a) Accuracy assessment in convolutional neural network-based deep learning remote sensing studies — Part 1: Literature review // Remote Sensing. 2021. V. 13. Iss. 13. Article 2450. DOI: 10.3390/rs13132450.
- Maxwell A. E., Warner T. A., Guillén L. A. (2021b) Accuracy assessment in convolutional neural network-based deep learning remote sensing studies — Part 2: Recommendations and best practices // Remote Sensing. 2021. V. 13. Iss. 13. Article 2591. DOI: 10.3390/rs13132591.
- Mochalov V., Grigorieva O., Zhukov D. et al. Remote sensing image processing based on modified fuzzy algorithm // Artificial Intelligence and Bioinspired Computational Methods: Proc. 9th Computer Science On-line Conf. 2020. Ser.: Advances in Intelligent Systems and Computing. 2020. V. 1225. P. 563–572. DOI: 10.1007/978-3-030-51971-1_46.
- Schowengerdt R. Remote Sensing, models and methods for image processing. 3rd ed. Elsevier: Arizona, 2007, 2007. 560 p.
- Wang B., Yao Y. Mountain vegetation classification method based on multichannel semantic segmentation model // Remote Sensing. 2024. V. 16. Iss. 2. Article 256. DOI: 10.3390/rs16020256.
- Zhao B., Mi Y., Sun R., Wu C. Semantic segmentation method of residential areas in remote sensing images based on cross-attention mechanism // Remote Sensing. 2025. V. 17. Iss. 18. Article 3253. DOI: 10.3390/ rs17183253.