Анализ метагеосистем полигона «Инерка» посредством ансамблей моделей машинного обучения

DOI: 10.35595/2414-9179-2022-1-28-613-628

Посмотреть или загрузить статью (Rus)

Об авторах

А.А. Ямашкин

ФГБОУ ВО «Национальный исследовательский Мордовский государственный университет им. Н.П. Огарева»,
ул. Большевистская, д. 68, 430005, Саранск, Россия;
E-mail: yamashkinsa@mail.ru

С.А. Ямашкин

ФГБОУ ВО «Национальный исследовательский Мордовский государственный университет им. Н.П. Огарева»,
ул. Большевистская, д. 68, 430005, Саранск, Россия;
E-mail: yamashkin56@mail.ru

Аннотация

В статье дана характеристика геоинформационных методов и алгоритмов интерпретации данных дистанционного зондирования Земли, основанных на формировании ансамбля классификаторов на базе методологии Ensemble Learning. Предлагаемое решение может быть использовано с целью оценки устойчивости геосистем и прогнозирования стихийных процессов. Отличие создаваемого подхода определяется принципиально новой схемой организации метаклассификатора, как блока принимающего решение, а также использованием геосистемного подхода к подготовке данных для автоматизированного анализа посредством моделей глубокого обучения. В статье показано, что использование ансамблей, выстраиваемых по предложенной методике, позволяет проводить оперативный автоматизированный анализ пространственных данных для решения задачи тематического картографирования метагеосистем и природных процессов. При этом объединение моделей в ансамбль на основе предложенной архитектуры метаклассификатора позволяет повысить устойчивость анализирующей системы: точность решений, принимаемых ансамблем, стремится к точности наиболее эффективного моноклассификатора системы. Интеграция отдельных классификаторов в ансамбли позволяет подойти к решению научной проблемы поиска гиперпараметров классификаторов за счет комбинированного использования моделей одного типа с разными конфигурациями, при этом формирование метаклассификатора по предложенному алгоритму представляет собой возможность добавить элемент предсказуемости и контроля в использование нейронных сетей, традиционно представляющих собой «черный ящик». Картографирование геосистем тестового полигона «Инерка» показывает их слабую устойчивость к рекреационному освоению. Основными лимитирующими факторами являются состав четвертичных отложений, характер рельефа, механический состав и влажность почвы, генезис и состав растительности.

Ключ. слова

ансамбли, машинное обучение, метагеосистемы, картография, устойчивое развитие, ГИС

Список литературы

  1. Кузнецов А.В., Мясников В.В. Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений. Компьютерная оптика, 2014, Т. 38, № 3. С. 494–502.
  2. Николаев В.А. Классификация и мелкомасштабное картографирование ландшафтов. М.: Изд-во Моск. ун-та, 1978. 62 с.
  3. Сергеев В.В., Юзькив Р.Р. Параметрическая модель автокорреляционной функции космических гиперспектральных изображений. Компьютерная оптика, 2016, Т. 40, № 3, С. 416–421.
  4. Тикунов В.С., Котова Т.В., Белоусов С.К. Экологическое состояние: определение, показатели, картографирование. ИнтерКарто. ИнтерГИС. 2021, Т. 27. Ч. 1. С. 165–194. DOI: 10.35595/2414-9179-2021-1-27-165-194.
  5. Boucher M., Perreault L., Anctil F. Tools for the assessment of hydrological ensemble forecasts obtained by neural networks. Journal of Hydroinformatics, 2009, V. 11, No. 3–4. P. 297–307. DOI: 10.2166/hydro.2009.037.
  6. Dong X., Yu Z., Cao W., Shi Y., Ma Q. A survey on ensemble learning. Frontiers of Computer Science, 2020, V. 14, No. 2. P. 241–258. DOI: 10.1007/s11704-019-8208-z.
  7. Gkonos C., Iosifescu Enescu I., Hurni L. Spinning the wheel of design: evaluating geoportal Graphical User Interface adaptations in terms of human-centred design. International Journal of Cartography, 2019, V. 5, No. 1, P. 23–43. DOI: 10.1080/23729333.2018.1468726.
  8. Han Q., Zhao N., Xu J. Recognition and location of steel structure surface corrosion based on unmanned aerial vehicle images. Journal of Civil Structural Health Monitoring, 2021, V. 11, No. 5, P. 1375–1392. DOI: 10.1007/s13349-021-00515-7.
  9. Heaton J., Datta A., Finley A.O. A case study competition among methods for analyzing large spatial data. Journal of Agricultural, Biological and Environmental Statistics, 2019, V. 24, No. 3, P. 398–425. DOI: 10.1007/s13253-018-00348-w.
  10. Kim S.E., Seo I.W. Artificial neural network ensemble modeling with exploratory factor analysis for streamflow forecasting. Journal of Hydroinformatics, 2015, V. 17, No. 4. P. 614–639. DOI: 10.2166/hydro.2015.033.
  11. LeCun Y., Bengio Y., Hinton G. Deep learning, Nature, 2015, V. 521, No. 7553, P. 436–444. DOI: doi.org/10.1038/nature14539.
  12. Lee J., Kang M. Geospatial Big Data: Challenges and Opportunities, Big Data Research, 2017, V. 2, No. 2, P. 74–81. DOI: 10.1016/j.bdr.2015.01.003.
  13. Yamashkin S.A., Yamashkin A.A., Zanozin V.V., Radovanovic M.M., Barmin A.N. Improving the efficiency of deep learning methods in remote sensing data analysis: geosystem approach. IEEE Access, 2020, V. 8. P. 179516–179529. DOI: 10.1109/ACCESS.2020.3028030.

Для цитирования: Ямашкин А.А., Ямашкин С.А. Анализ метагеосистем полигона «Инерка» посредством ансамблей моделей машинного обучения. ИнтерКарто. ИнтерГИС. Геоинформационное обеспечение устойчивого развития территорий: Материалы Междунар. конф. M: Географический факультет МГУ, 2022. Т. 28. Ч. 1. С. 613–628 DOI: 10.35595/2414-9179-2022-1-28-613-628

For citation: Yamashkin A.A., Yamashkin S.A. Analysis of the Inerka polygon metageosystems by means of Ensembles of machine learning models. InterCarto. InterGIS. GI support of sustainable development of territories: Proceedings of the International conference. Moscow: MSU, Faculty of Geography, 2022. V. 28. Part 1. P. 613–628. DOI: 10.35595/2414-9179-2022-1-28-613-628 (in Russian)