Дешифрирование местообитаний животных с помощью методов глубокого обучения библиотеки KERAЅ

DOI: 10.35595/2414-9179-2025-2-31-54-65

Посмотреть или загрузить статью (Rus)

Об авторах

А.В. Коросов

Петрозаводский государственный университет,
пр-т Ленина, д. 33, Петрозаводск, Россия, 185910,
E-mail: korosov@psu.karelia.ru

Н.А. Марфицына

Петрозаводский государственный университет,
пр-т Ленина, д. 33, Петрозаводск, Россия, 185910,
E-mail: marfitsyna.nata@mail.ru

Аннотация

Работа посвящена использованию нейросетевого подхода для решения задачи классификации разновозрастных вырубок дистанционными методами. В основу исследования легли результаты натурных обследований территории и космические снимки среднего пространственного разрешения со спутника Landsat-8. В отличие от технологии эталонного дешифрирования, классификация типов вторичных лесов (на месте разновозрастных рубок) задавалась в процедуре совместной классификации данных полевых наблюдений и космической съемки. Классификация выполнялась в два приема. Сначала методом k-средних было установлено число кластеров с минимальной внутрикластерной дисперсией, затем методом Варда были выделены 4 кластера, объединяющие сходные биотопы, а именно свежие вырубки, зарастающие вырубки, жердняки и молодой лиственный лес. Оказалось, что тип биотопа и возраст вырубки не имеют однозначной зависимости. Выделенные биотопы послужили основой для построения нейронной сети, выполняющей распознавание этих типов леса на космическом снимке. Для обучения нейросетевой модели использовали 2/3 исходных данных (80 точек из 120 точек описаний), для тестирования — 1/3. Меняя число нейронов и слоев персептрона, мы старались добиться одинаковой ошибки на обучающей и тестовой выборках. В двух слоях (по 25 и 15 нейронов) искомые ошибки выровнялись и составили более 80 %. В результате использования сети для всей изучаемой территории был рассчитан растровый грид с 5 зонами и «белыми пятнами». Все расчеты и картографические построения велись в среде программы R (пакет terra), а нейронная сеть создавалась в пакете Keras, ранее не использовавшемся в этой области. Полученная карта, как характеристика экологических факторов, будет использована при изучении популяций животных и их паразитов.

Ключ. слова

вторичные леса, местообитания, дистанционное зондирование, нейронная сеть, Keras

Список литературы

  1. Беспятова Л.А., Бугмырин С.В., Кутенков С.А., Никонорова И.А. Численность иксодовых клещей (acari: ixodidae) на мелких млекопитающих в лесных биотопах среднетаежной подзоны Карелии. Паразитология, 2019. Т. 53. № 6. С. 463–473. DOI: 10.1134/S0031184719060036.
  2. Бугмырин С.В., Коросов А.В., Иешко Е.П., Аниканова В.С., Беспятова Л.А., Матросова Ю.М., Телегин И.В. Опыт изучения пространственного распределения паразитов мелких млекопитающих. Северная Европа в XXI веке: природа, культура, экономика. Материалы международной конференции, посвященной 60-летию КарНЦ РАН (24–27 октября 2006). Петрозаводск, 2006. С. 55–58.
  3. Гусева Т.Л., Коросов А.В., Беспятова Л.А., Аниканова В.С. Многолетняя динамика биотопического размещения обыкновенной бурозубки (Sorex araneus, Linnaeus 1758) в мозаичных ландшафтах Карелии. Ученые записки ПетрГУ, 2014. Т. 2. № 8. С. 13–20.
  4. Данилова И.В., Корец М.А., Рыжкова В.А. Картографирование возрастных стадий лесной растительности на основе анализа разносезонных спутниковых изображений Landsat. Исследование земли из космоса, 2017. № 4. С. 12–24. DOI: 10.7868/S0205961417040029.
  5. Иешко Е.П., Коросов А.В., Никонорова И.А., Бугмырин С.В. Связь видового богатства сообществ гельминтов и численности хозяина (на примере обыкновенной бурозубки Sorex araneus). Паразитология, 2020. Т. 54. № 1. С. 3–12. DOI: 10.31857/S1234567806010010.
  6. Канев А.И., Тарасов А.В., Шихов А.Н., Подопригорова Н.С., Сафонов Ф.А. Распознавание вырубок и ветровалов по спутниковым снимкам Sentinel-2 с применением сверточной нейронной сети U-net и факторы, влияющие на его точность. Современные проблемы дистанционного зондирования Земли из космоса, 2023. Т. 20. № 3. С. 136–151. DOI: 10.21046/2070-7401-2023-20-3-136-151.
  7. Кедров А.В., Тарасов А.В. Классификация лесной растительности методом нейронных сетей. Вестник ПНИПУ, 2017. № 22. С. 44–55.
  8. Коросов А.В. Нейронные сети для экологии: введение. Принципы экологии, 2023. № 3. С. 76–96. DOI: 10.15393/j1.art.2023.14002.
  9. Кузьменко Е.И., Фролов А.А., Силаев А.В. Картирование лесных ландшафтов северо-запада Западной Сибири с использованием ГИС. География и природные ресурсы, 2015. № 4. С. 151–161.
  10. Курбанов Э.А., Воробьев О.Н., Лежнин С.А., Губаев А.В., Полевщикова Ю.А. Тематическое картирование растительного покрова по спутниковым снимкам: валидация и оценка точности. Йошкар-Ола: Поволжский государственный технологический университет, 2015. 132 с.
  11. Махонько Я.В., Петряева А.А., Подмарькова В.А., Галактионов И.Д., Дмитриева Л.А. Обзор методов семантической сегментации спутниковых снимков земли с применением нейросетевых технологий. Системный анализ в проектировании и управлении. Материалы XXIX Международной научно-практической конференции. СПбПУ, 2023. № 2. С. 258–266. DOI: 10.18720/SPBPU/2/id23-106.
  12. Мельников А.В., Полищук Ю.М., Русанов М.А., Аббазов В.Р., Кочергин Г.Б., Куприянов М.А., Байсалямова О.А., Соколков О.И. Сравнительный анализ нейросетевых моделей для картографирования лесных рубок по летним космическим снимкам. Научно-технический вестник информационных технологий, механики и оптики, 2024. Т. 24, № 5. С. 806–813.
  13. Рыльский И.А. Подходы к определению таксационных показателей леса с использованием аэрокосмических снимков и лазерного сканирования. ИнтерКарто. ИнтерГИС. Материалы Международной конференции, 2018. Т. 24. С. 216–240. DOI: 10.24057/2414-9179-2018-2-24-216-240.
  14. Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. Электронная книга, 2017. 351 с. Электронный ресурс: https://github.com/ranalytics/data-mining (дата обращения 01.02.2025).
  15. Шолле Ф. Глубокое обучение с R и Keras. М.: ДМК Пресс, 2022. 646 с.
  16. Deur M., Gasparovic M., Balenovic I. Tree Species Classification in Mixed Deciduous Forests Using Very High Spatial Resolution Satellite Imagery and Machine Learning Methods. Remote Sensing, 2020. V. 12. No. 23:3926. P. 1–18. DOI: 10.3390/rs12233926.
  17. Fricker G.A., Ventura J.D., Wolf J.A., North M.P., Frank W.D., Franklin J. A Convolutional Neural Network Classifier Identifies Tree Species in Mixed-Conifer Forest from Hyperspectral Imagery. Remote Sensing, 2019. V. 11. No. 19:2326. P. 1–22. DOI: 10.3390/rs11192326.
  18. Ma Y., Zhao Y., Im J., Zhao Y., Zhen Z. A Deep-Learning-Based Tree Species Classification for Natural Secondary Forests Using Unmanned Aerial Vehicle Hyperspectral Images and LiDAR. Ecological Indicators, 2024. V. 159. P. 111608. DOI: 10.1016/j.ecolind.2024.111608.

Для цитирования: Коросов А.В., Марфицына Н.А. Дешифрирование местообитаний животных с помощью методов глубокого обучения библиотеки KERAЅ. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2025. Т. 31. Ч. 2. С. 54–65. DOI: 10.35595/2414-9179-2025-2-31-54-65

For citation: Korosov A.V., Marfitsyna N.A. Animal habitat interpretation with KERAS library deep learning methods. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2025. V. 31. Part 2. P. 54–65. DOI: 10.35595/2414-9179-2025-2-31-54-65 (in Russian)