vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2020-25-3-201-213 Картография и геоинформатика Современные методы оперативного картографирования нарушений лесного покрова А. В. Тарасов Тарасов А. В. Пермский государственный национально-исследовательский университет, 614990, Россия, г. Пермь 2020 25 3 201 213 © А. В. Тарасов, 2020 2020 А. В. Тарасов Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Исследование проведено при финансовой поддержке гранта РФФИ № 19-35-90005. Своевременное и оперативное выявление нарушений в лесном фонде – важная задача при ведении лесохозяйственной деятельности в РФ. Раннее выявление участков насаждений, поврежденных в результате воздействия природных или антропогенных факторов, позволяет оперативно принимать управленческие решения. Для реализации такой стратегии управления необходимо использовать методы оперативного картографирования. С появлением данных дистанционного зондирования Земли (ДДЗЗ), которые обладают высоким пространственным и временным разрешением (Planet, Sentinel-2), становится возможным использовать современные методы оперативного картографирования для решения задач лесного хозяйства (в частности, выявление нарушений лесного покрова). По мере увеличения площади мониторинга и роста количества снимков возрастает необходимость в автоматизации этого процесса. В данной статье представлено описание «традиционных» методов выявления нарушений лесного покрова (вегетационные индексы, преобразование Tasseled Cap, многоканальное и одноканальное обнаружение изменений и др.), их основные принципы, ограничения, опыт применения в России и в мире. В качестве альтернативны представлены алгоритмы, основанные на методах машинного обучения, представлена их классификация. Отмечены преимущества и недостатки двух групп методов выявления нарушений лесного покрова. Обозначено, что опыт применения методов машинного обучения для обработки ДДЗЗ небольшой, а подобные исследования обладают высоким уровнем новизны. оперативное картографирование методы обработки данных дистанционного зондирования земли PlanetScope Sentinel-2 машинное обучение real-time mapping processing methods of remote sensing data Planet Scope Sentinel-2 machine learning 1. Берлянт А. М. Теория геоизображений. – М. : ГЕОС, 2006. 2. Салищев К. А. Картоведение. – М. : МГУ, 1990. 3. Remote sensing estimates of standreplacement fires in Russia 2002–2011 / A. Krylov, J. L. McCarty, P. Potapov, T. Loboda, A. Tyukavina, S. Turubanova, M. C. Hansen // Environmental Research Letters. − 2014. – Vol. 9 (10). – Art. No. 105007. 4. Лесные пожары на территории России: особенности пожароопасного сезона 2019 г. / Е. А. Лупян, И. В. Балашов, С. А. Барталев, М. А. Бурцев, В. В. Дмитриев, К. С. Сенько, Ю. С. Крашенинникова // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16, № 5. – С. 356–363. 5. Modelling natural disturbances in forest ecosystems: A review / R. Seidl, P. M. Fernandes, T. F. Fonseca, F. Gillet, A. M. Jönsson, K. Merganičová, S. Netherer, A. Arpaci, J.-D. Bontemps, H. Bugmann, J. R. González-Olabarria, P. Lasch, C. Meredieu, F. Moreira, M.-J. Schelhaas, F. Mohren // Ecological Modelling. – 2011. – Vol. 222 (4). – P. 903–924. 6. Крылов А. М., Соболев А. А., Владимирова Н. А. Выявление очагов короеда-типографа в Московской области с использованием снимков Landsat // Лесной вестник. – 2011. − № 4. − C. 54–60. 7. Eastern Europe's forest cover dynamics from 1985 to 2012 quantified from the full Landsat archive / P. V. Potapov, S. A. Turubanova, A. Tyukavina, A. M. Krylov, J. L. McCarty, V. C. Radeloff, M. C. Hansen // Remote Sensing of Environment. – 2015. – Vol. 159. – P. 28–43. 8. Williams D. L., Stauffer M. L. Monitoring gypsy moth defoliation by applying change detection techniques to Landsat imagery // Proceedings of symposium on Remote Sensing for Vegetation Damage Assessment. – Seattle, United States, 1978. – P. 221–229. 9. Sayn-Wittgenstein L., Wightman J. M. Landsat application in Canadian forestry // Proceeding of the 10th International Symposium on Remote Sensing of Environment. – Michigan, United States, 1975. – Vol. 2. – P. 1209–1218. 10. Hardisky M. A., Klemas V., Smart R. M. The influence of soil salinity, growth form and leaf moisture on the spectral radiance of Spartina alterniflora canopies // Photogrammetric engineering and remote sensing. − 1983. − Vol. 49, № 1. − P. 77–83. 11. Крылов А. М., Владимирова Н. А. Дистанционный мониторинг состояния лесов по данным космической съемки [Электронный ресурс] // Геоматика. − 2011. − № 3. − С. 53–58. – Режим доступа: http://geomatica.ru/clauses/282/. 12. Post-hurricane forest damage assessment using satellite remote sensing / W. Wang, J. J. Qu, X. Hao, Y. Liu, J. A. Stanturf // Agricultural and Forest Meteorology. – 2010. – Vol. 150. – P. 122–132. 13. Cocke A. E., Fulé P. Z., Crouse J. E. Comparison of burn severity assessments using Differenced Normalized Burn Ratio and ground data // International Journal of Wildland Fire. − 2005. − Vol. 14 (2). − P. 189–198. 14. Crist E. P., Laurin R., Cicone R. C. Vegetation and soils information contained in transformed Thematic Mapper data // Proceedings of International Geosciences and Remote Sensing Symposium (IGARSS) − Paris, France. 1986. – P. 1465–1470. 15. Wang F., Xu Y. J. Comparison of remote sensing change detection techniques for assessing hurricane damage to forests // Environmental Monitoring and Assessment. – 2010. – Vol. 162. – P. 311–326. 16. 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. – Vol. 64 (1). – P. 1–9. 17. ScanEx Image Processor v.5.1. Программа обработки данных дистанционного зондирования Земли. Руководство пользователя. – М., 2018. – 379 с. 18. Coppin P. R., Bauer M. E. Processing of multi-temporal Landsat TM imagery to optimize extraction of forest cover change features // IEEE Transactions on Geoscience and Remote Sensing. − 1994. − Vol. 32. − P. 918–927. 19. Allen T. R., Kupfer J. A. Spectral response and spatial pattern of Fraser fir mortality and regeneration, Great Smoky Mountains, USA // Plant Ecology. − 2001. − Vol. 156. − P. 59–74. 20. High-Resolution Global Maps of 21st-Century Forest Cover Change / M. C. Hansen, P. V. Potapov, R. Moore, M. Hancher, S. A. Turubanova, A. Tyukavina, D. Thau, S. V. Stehman, S. J. Goetz, T. R. Loveland, A. Kommareddy, A. Egorov, L. Chini, C. O. Justice, J. R. G. Townshend // Science. − 2013. − Vol. 342. − P. 850–853. 21. Исследование возможностей оценки состояния поврежденных пожарами лесов по данным многоспектральных спутниковых измерений / С. А. Барталев, В. А. Егоров, А. М. Крылов, Ф. В. Стыценко, Т. С. Ховратович // Современные проблемы дистанционного зондирования Земли из космоса. − 2010. − Т. 7, № 3. − С. 215–225. 22. Крылов А. М., Малахова Е. Г., Владимирова Н. А. Выявление и оценка площадей катастрофических ветровалов 2009–2010 гг. по данным космической съемки // Изв. СанктПетербургской лесотехнической академии. − 2012. − № 200. − С. 197‒207. 23. 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. 24. Landsat remote sensing of forest windfall disturbance / M. Baumann, M. Ozdogan, P. T. Wolter, A. M. Krylov, N. A. Vladimirova, V. C. Radelo // Remote Sensing of Environment. − 2014. − Vol. 143. − P. 171–179. 25. Huo L.-Z., Boschetti L., Sparks A. M. Object-based classification of forest disturbance types in the conterminous United States // Remote Sensing. – 2019. − Vol. 11 (5). − Art. No. 477. 26. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychol. Rev. – 1958. – Vol. 65. – P. 386–408. 27. Goodfellow I., Bengio Y., Courville A. Deep learning. – MIT Press, 2016. 28. Samuel A. L. Some Studies in Machine Learning Using the Game of Checkers // IBM JOURNAL. – 1959. – Vol. 3, Issue 3. – P. 210–229. 29. Mitchell T. M. Machine learning. – New York: McGraw–Hill, 1997. 30. Krizhevsky A., Sutskever I., Hinton E. G. ImageNet Classification with Deep Convolutional Neural Networks // Proceedings of the 25th International Conference on Neural Information Processing Systems (issue 25). – New York, United States, 2012. – P. 1097–1105. 31. Deep learning based cloud detection for medium and high resolution remote sensing images of different sensors / Z. Li, H. Shen, Q. Cheng, Y. Liu, S. You, Z. He // ISPRS Journal of Photogrammetry and Remote Sensing. – 2019. – Vol. 150. – P. 197– 212. 32. Evaluation of the potential of convolutional neural networks and random forests for multi-class segmentation of Sentinel-2 imagery / V. Syrris, P. Hasenohr, B. Delipetrev, A. Kotsev, P. Kempeneers, P. Soille // Remote Sensing, – 2019. – Vol. 11(8). – Art. No. 907. 33. A machine learning approach to map tropical selective logging / M. G. Hethcoat, D. P. Edwards, J. M. B. Carreiras, R. G. Bryant, F. M. França, S. Quegan // Remote Sensing of Environment. − 2019. − Vol. 221. − P. 569−582. 34. Maximizing forest value through using Sentinel-2 in combination with hyperspectral UAVs / C. Aas, A. Jochemsen, V. Mantas, N. Lewyckyj, M. Jozefiak, M. Buchhorn // Proceedings of the 69th International Astronautical Congress. − Bremen, Germany, 2018. – P. 4492−4498. 35. Silvisense [Electronic resource]. – Mode of access: https://silvisense.com/. 36. Sub weekly detection of deforestation with planet data [Electronic resource] // Меdium. – Mode of access: https://medium.com/planet-stories/subweekly-detection-of-deforestation-with-planet-data7699553b3926. 37. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // International Conference on Medical Image Computing and Computer-Assisted Intervention / Navab N., Hornegger J., Wells W., Frangi A. (Eds). – MICCAI, 2015. 38. Banko M., Brill E. Scaling to Very Very Large Corpora for Natural Language Disambiguation // Proceedings of the 39th Annual Meeting of the Association for Computational Linguistics. – Toulouse, France. 2001. – P. 26–33. 39. Comparison of different convolutional neural network architectures for satellite image segmentation / V. Khryashchev, L. Ivanovisky, V. Pavlov, A. Rubtsov, A. Ostrovskay // Proceeding of the 23rd conference of fruct association. – Jyvaskyla, Finland, 2018. – P. 172–180. 40. Russakovsky O., Deng J., Su H. ImageNet large-scale visual recognition challenge, 2010–2015. – 2015.