Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 4. С. 51-62
Модификация алгоритма разделения смежных объектов в задаче сегментации изображений сельхозугодий на данных дистанционного зондирования земной поверхности
Р.В. Ларионов 1 , В.В. Хрящев 1 , А.Л. Приоров 1 1 Ярославский государственный университет им. П.Г. Демидова, Ярославль, Россия
Одобрена к печати: 17.04.2026
DOI: 10.21046/2070-7401-2026-23-4-51-62
Рассматривается задача автоматической сегментации сельскохозяйственных угодий на спутниковых изображениях дистанционного зондирования Земли. Основной фокус исследования направлен на решение проблемы разделения смежных объектов, имеющих сходные спектральные характеристики, что становится частой причиной слияния нескольких физически различных полей в единый полигон при использовании стандартных нейросетевых подходов. Проанализированы современные методы выделения границ полей, включая нейросетевые архитектуры на основе U-Net. Для повышения качества сегментации предложена модифицированная методика обучения, включающая адаптивную балансировку обучающих пакетов для устранения дисбаланса данных, введение дополнительного класса «узкая область между объектами», использование карты весов для границ в функции потерь, а также метод инвариантности к аугментации. Эксперименты на наборе изображений в видимом и ближнем инфракрасном диапазонах со спутника Sentinel-2 для территории европейской части России показали, что совокупность предложенных модификаций позволяет повысить точность сегментации с 0,68 до 0,78 по метрике Dice и с 0,39 до 0,51 по метрике детектирования F1 по сравнению с базовой архитектурой U-Net. Это подтверждает способность предложенного алгоритма корректно разделять сельскохозяйственные угодья на отдельные объекты.
Ключевые слова: дистанционное зондирование Земли, сегментация изображений, распознавание сельхозугодий, глубокое обучение, свёрточная нейронная сеть
Полный текстСписок литературы:
- Амирова Н. Р., Саргина Л. В., Кондратьева Я. Э. Цифровые технологии в сфере сельского хозяйства // ЦИТИСЭ. 2020. № 2. С. 266–280. DOI: 10.15350/2409-7616.2020.2.25.
- Денисов П., Трошко К., Лупян Е. и др. Спутниковое дистанционное зондирование Земли в задаче установления границ земель сельскохозяйственного назначения // Землеустройство, кадастр и мониторинг земель. 2024. Т. 19. № 4. С. 227–232. DOI: 10.33920/sel-04-2404-04.
- Ларионов Р. В., Сенников А. В., Хрящев В. В. Моделирование изменений лесного покрова по данным дистанционного зондирования земной поверхности // Автоматизация в промышленности. 2024. № 2. С. 32–35. DOI: 10.25728/avtprom.2024.02.09.
- Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: ИД «Питер», 2019. 480 с.
- Скворцов Е., Скворцова Е., Санду И., Иовлев Г. Переход сельского хозяйства к цифровым, интеллектуальным и роботизированным технологиям // Экономика региона. 2018. № 3. С. 1014–1028. DOI: 10.17059/2018-3-23.
- Толпин В. А., Барталев С. А., Ёлкина Е. С. и др. Информационная система VEGA-GEOGLAM — инструмент разработки методов и подходов использования данных спутникового дистанционного зондирования в интересах решения задач глобального сельскохозяйственного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 183–197. DOI: 10.21046/2070-7401-2019-16-3-183-197.
- Трошко К. А., Денисов П. В., Дунаева Е. А. и др. (2025а) Особенности развития озимых сельскохозяйственных культур в России в весенне-летний период 2025 года на основе данных дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 3. С. 321–328. DOI: 10.21046/2070-7401-2025-22-3-321-328.
- Трошко К. А., Денисов П. В., Дунаева Е. А. и др. (2025б) Особенности развития сельскохозяйственных культур в России в 2025 году на основе данных дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 5. С. 449–456. DOI: 10.21046/2070-7401-2025-22-5-449-456.
- Федоринов А. В., Волков С. Н., Денисов П. В. и др. Установление границ земель сельскохозяйственного назначения: опыт пилотных регионов. М.: РАДУГА, 2023. 420 с.
- Федоринов А. В., Волков С. Н., Сорокина О. А. и др. Алгоритм установления границ категории земель сельскохозяйственного назначения сельскохозяйственных угодий для целей вовлечения земель в хозяйственный оборот. М.: РАДУГА, 2024. 224 с.
- Belgiu M., Csillik O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis // Remote Sensing of Environment. 2018. V. 204. P. 509–523. DOI: 10.1016/j.rse.2017.10.005.
- Gonsalez R. C., Woods R. E. Digital image processing. 4th ed. N. Y.: Pearson Publisher, 2017. 1192 p.
- Kamilaris A., Prenafeta-Boldú F. X. A review of the use of convolutional neural networks in agriculture // J. Agricultural Science. 2018. V. 156. No. 3. P. 312–322. DOI: 10.1017/S0021859618000436.
- Kamilaris A., Kartakoullis A., Prenafeta-Boldú F. X. A review on the practice of big data analysis in agriculture // Computers and Electronics in Agriculture. 2017. V. 143. P. 23–37. DOI: 10.1016/j.compag.2017.09.037.
- Kornbith S., Norouzi M., Lee H., Hinton G. Similarity of neural network representations revisited // Proc. 36th Intern. Conf. on Machine Learning (ICML). 2019. V. 97. P. 3519–3529.
- Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. Lecture Notes in Computer Science. V. 9351. Cham: Springer, 2015. P. 234–241. DOI: 10.1007/978-3-319-24574-4_28.
- Sedov A. G., Khryashchev V. V., Larionov R. V., Ostrovskaya A. A. Loss function selection in a problem of satellite image segmentation using convolutional neural network // 2019 Systems of Signal Synchronization, Generating and Processing in Telecommunications (SYNCHROINFO). 2019. 4 p. DOI: 10.1109/SYNCHROINFO.2019.8814279.
- Tavera A., Arnaudo E., Masone C., Caputo B. Augmentation invariance and adaptive sampling in semantic segmentation of agricultural aerial images // Proc. IEEE/CVF Conf. on Computer Vision and Pattern Recognition Workshops (CVPRW). 2022. P. 1655-1664. DOI: 10.1109/CVPRW56347.2022.00172.
- Waldner F., Diakogiannis F. I. Deep learning on edge: Extracting field boundaries from satellite images with a convolutional neural network // Remote Sensing of Environment. 2020. V. 245. Article 111741. DOI: 10.1016/j.rse.2020.111741.
- Xu Y., Zhu Z., Guo M., Huang Y. Multiscale edge-guided network for accurate cultivated land parcel boundary extraction from remote sensing images // IEEE Trans. Geoscience and Remote Sensing. 2024. V. 62. Article 4501020. 20 p. DOI: 10.1109/TGRS.2023.3344122.