Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 4. С. 89-102
Выделение дражных отвалов на спутниковых снимках методами компьютерного зрения и машинного обучения
Р.А. Секриеру 1 , К.С. Цыгулёв 1 , С.А. Орлов 1 , С.И. Смагин 1 , Т.В. Кожевникова 1 1 Вычислительный центр ДВО РАН, Хабаровск, Россия
Одобрена к печати: 11.06.2026
DOI: 10.21046/2070-7401-2026-23-4-89-102
Представлены результаты исследования возможностей автоматизированного выделения территорий золотодобычи с дражными отвалами на основе спутниковых данных с применением методов компьютерного зрения и машинного обучения. Актуальность исследования обусловлена востребованностью оценки запасов техногенного сырья на удалённых и труднодоступных территориях для возможной повторной переработки. В исследовании использованы мультиспектральные снимки спутников Sentinel-2 территории Дальневосточного федерального округа России за 2018–2024 гг. Рассмотрены два подхода к решению задачи: пиксель-ориентированный, основанный на моделях полносвязных нейронных сетей и случайного леса, и объектно-ориентированный с применением свёрточных и трансформерной нейронных сетей. Проведён анализ информативности спектральных каналов методом градиентно-взвешенной атрибуции, что позволило оптимизировать входные данные моделей. Для выделения отдельных отвалов в пределах идентифицированных территорий предложено применение фильтра Франги, выявляющего характерные для дражных отвалов линейные структуры.
Ключевые слова: дистанционное зондирование Земли, компьютерное зрение, машинное обучение, золотодобыча, дражный метод, отвалы
Полный текстСписок литературы:
- Галченко Ю. П., Озарян Ю. А., Кожевникова Т. В., Окладников В. Е. Идентификация объектов размещения отходов горнопромышленного комплекса по данным дистанционного зондирования // Физико-техн. проблемы разработки полезных ископаемых. 2024. № 4. С. 173–179. DOI: 10.15372/FTPRPI20240415.
- Калашник А. И. Максимов Д. А., Калашник Н. А. и др. Многоуровневые комплексные исследования и мониторинг хвостохранилищ горнодобывающих предприятий северо-западной части Российского сектора Арктики. Апатиты: ФИЦ КНЦ РАН, 2022. 250 с. DOI: 10.37614/978.5.91137.465.5.
- Литвинцев В. С., Усиков В. И., Озарян Ю. А., Алексеев В. С. Метод дистанционного зондирования Земли в составе работ по оценке объемов техногенного сырья и экологической обстановки при эксплуатации россыпей // Георесурсы. 2021. Т. 23. № 4. С. 116–123. DOI: 10.18599/grs.2021.4.13.
- Чуркин О. Е., Гилярова А. А. Освоение отходов горного производства как инвестиционное направление развития горнорудной промышленности Кольского полуострова // Экономика, предпринимательство и право. 2020. Т. 10. № 3. С. 905–916. DOI: 10.18334/epp.10.3.100742.
- Abu Qdais H., Begday I. V., Katorgin I.Yu. et al. Assessment of metals pollution from tailing sites in the North Caucuses Region, Russia // Mine Water and the Environment. 2018. V. 37. Iss. 4. P. 815–824. DOI: 10.1007/s10230-018-0545-x.
- Alsayed A., Nabawy M. R. A. Stockpile volume estimation in open and confined environments: A review // Drones. 2023. V. 7. Iss. 8. Article 537. DOI: 10.3390/drones7080537.
- Azad R., Heidary M., Yilmaz K. et al. Loss functions in the era of semantic segmentation: A survey and outlook // https://arxiv.org/. arXiv:2312.05391. 2023. 24 p. DOI: 10.48550/arxiv.2312.05391.
- Chen L.-C., Zhu Y., Papandreou G. et al. Encoder-decoder with atrous separable convolution for semantic image segmentation // Proc. 15th European Conf. on Computer Vision (ECCV 2018). Cham: Springer, 2018. P. 833–851. DOI: 10.1007/978-3-030-01234-2_49.
- Chen L., Zhang N., Chang J. et al. Indicator element selection and lithological mapping using deep learning methods in the Dahongliutan area, NW China // J. Geochemical Exploration. 2025. V. 268. Article 107611. DOI: 10.1016/j.gexplo.2024.107611.
- Fonseca A., Marshall M. T., Salama S. Enhanced detection of artisanal small-scale mining with spectral and textural segmentation of Landsat time series // Remote Sensing. 2024. V. 16. Iss. 10. Article 1749. DOI: 10.3390/rs16101749.
- Gallwey J., Robiati C., Coggan J. et al. A Sentinel-2 based multispectral convolutional neural network for detecting artisanal small-scale mining in Ghana: Applying deep learning to shallow mining // Remote Sensing of Environment. 2020. V. 248. Article 111970. DOI: 10.1016/j.rse.2020.111970.
- Gao X., Ram S., Rodríguez J. J. Object sieving and morphological closing to reduce false detections in wide-area aerial imagery // https://arxiv.org/. arXiv:2010.15260. 2020. 5 p. DOI: 10.48550/arxiv.2010.15260.
- Jerman T., Pernuš F., Likar B., Špiclin Ž. Beyond Frangi: an improved multiscale vesselness filter // Proc. SPIE. Medical Imaging 2015: Image Processing. 2015. V. 9413. Article 94132A. DOI: 10.1117/12.2081147.
- Jolliffe I. T., Cadima J. Principal component analysis: a review and recent developments // Philosophical Trans. Royal Soc. A: Mathematical, Physical and Engineering Sciences. 2016. V. 374. Iss. 2065. Article 20150202. DOI: 10.1098/rsta.2015.0202.
- Kou W., Shen Z., Zhang Y. et al. Spatio-temporal analysis of agroforestry systems in hotan using multi-source remote sensing and deep learning // Smart Agricultural Technology. 2024. V. 9. Article 100641. DOI: 10.1016/j.atech.2024.100641.
- Lachaud A., Adam M., Mišković I. Comparative study of random forest and support vector machine algorithms in mineral prospectivity mapping with limited training data // Minerals. 2023. V. 13. Iss. 8. Article 1073. DOI: 10.3390/min13081073.
- Larrea-Gallegos G., Kahhat R., Vázquez-Rowe I., Parodi E. A machine learning approach to understand how accessibility influences alluvial gold mining expansion in the Peruvian Amazon // Case Studies in Chemical and Environmental Engineering. 2023. V. 7. Article 100353. DOI: 10.1016/j.cscee.2023.100353.
- Li C., Feng P., Jiang X. et al. Extensive identification of landslide boundaries using remote sensing images and deep learning method // China Geology. 2024. V. 7. Iss. 2. P. 277–290. DOI: 10.31035/cg2023148.
- Lin C.-H., Tang P.-W., Huete A. R. Quantum feature-empowered deep classification for fast mangrove mapping // IEEE Trans. Geoscience and Remote Sensing. 2024. V. 63. 13 p. DOI: 10.1109/TGRS.2024.3517459.
- Liu L., Feng J., Rivard B. et al. Mapping alteration using imagery from the Tiangong-1 hyperspectral spaceborne system: Example for the Jintanzi gold province, China // Intern. J. Applied Earth Observation and Geoinformation. 2018. V. 64. P. 275–286. DOI: 10.1016/j.jag.2017.03.013.
- Ngom N. M., Mbaye M., Baratoux D. et al. Recent expansion of artisanal gold mining along the Bandama River (Côte d’Ivoire) // Intern. J. Applied Earth Observation and Geoinformation. 2022. V. 112. Article 102873. DOI: 10.1016/j.jag.2022.102873.
- Nursamsi I., Sonter L. J., Luskin M. S., Phinn S. Feasibility of multi-spectral and radar data fusion for mapping Artisanal Small-Scale Mining: A case study from Indonesia // Intern. J. Applied Earth Observation and Geoinformation. 2024. V. 132. Article 104015. DOI: 10.1016/j.jag.2024.104015.
- Oktay O., Schlemper J., Le Folgoc L. et al. Attention U-Net: Learning where to look for the pancreas // https://arxiv.org/. arXiv:1804.03999. 2018. 10 p. DOI: 10.48550/arxiv.1804.03999.
- Peng D., Liu X., Zhang Y. et al. Deep learning change detection techniques for optical remote sensing imagery: Status, perspectives and challenges // Intern. J. Applied Earth Observation and Geoinformation. 2025. V. 136. Article 104282. DOI: 10.1016/j.jag.2024.104282.
- Sahu M., Dash R. Cognitive land cover mapping: A three-layer deep learning architecture for remote sensing data classification // Environmental Challenges. 2024. V. 15. Article 100876. DOI: 10.1016/j.envc.2024.100876.
- Shirmard H., Farahbakhsh E., Müller R. D., Chandra R. A review of machine learning in processing remote sensing data for mineral exploration // Remote Sensing of Environment. 2022. V. 268. Article 112750. DOI: 10.1016/j.rse.2021.112750.
- Shkolnyi D., Magritsky D., Chalov S. Impact of open-cast placer mining on sediment transport across Far Eastern rivers of Russia // Intern. J. Sediment Research. 2024. V. 39. Iss. 5. P. 702–713. DOI: 10.1016/j.ijsrc.2024.03.001.
- Sundararajan M., Taly A., Yan Q. Axiomatic attribution for deep networks // 34th Intern. Conf. on Machine Learning. PMLR. 2017. V. 70. P. 3319–3328.
- Traore M., Wambo J. D. T., Ndepete C. P. et al. Lithological and alteration mineral mapping for alluvial gold exploration in the south east of Birao area, Central African Republic using Landsat-8 Operational Land Imager (OLI) data // J. African Earth Sciences. 2020. V. 170. Article 103933. DOI: 10.1016/j.jafrearsci.2020.103933.
- Werner T. T., Mudd G. M., Schipper A. M. et al. Global-scale remote sensing of mine areas and analysis of factors explaining their extent // Global Environmental Change. 2020. V. 60. Article 102007. DOI: 10.1016/j.gloenvcha.2019.102007.
- Xie E., Wang W., Yu Z. et al. SegFormer: Simple and efficient design for semantic segmentation with transformers // Advances in Neural Information Processing Systems. 2021. V. 34. P. 12077–12090.
- Yao S., Tan K., Wang Y. et al. Estimating terrain elevations at 10 m resolution by Integrating random forest machine learning model and ICESat-2, Sentinel-1, and Sentinel-2 satellite remotely sensed data // Intern. J. Applied Earth Observation and Geoinformation. 2024. V. 132. Article 104010. DOI: 10.1016/j.jag.2024.104010.
- Zhou J., Gu X., Gong H. et al. Intelligent classification of maize straw types from UAV remote sensing images using DenseNet201 deep transfer learning algorithm // Ecological Indicators. 2024. V. 166. Article 112331. DOI: 10.1016/j.ecolind.2024.112331.
- Zhu Q., Cai Y., Fang Y. et al. Samba: Semantic segmentation of remotely sensed images with state space model // Heliyon. 2024. V. 10. Iss. 19. Article e38495. DOI: 10.1016/j.heliyon.2024.e38495.