Картографирование растительности кальдеры Узон с использованием данных дистанционного зондирования Земли и машинного обучения

DOI: 10.35595/2414-9179-2025-2-31-83-99

Посмотреть или загрузить статью (Rus)

Об авторах

Н.В. Максимович

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская наб., д. 7–9, Санкт-Петербург, Россия, 199034,
E-mail: nekit.maksimovich@mail.ru

А.А. Тарасов

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская наб., д. 7–9, Санкт-Петербург, Россия, 199034,
E-mail: artrar.90@mail.ru

А.П. Кораблёв

Ботанический институт им. В.Л. Комарова Российской академии наук,
ул. Профессора Попова, д. 2, Санкт-Петербург, Россия, 197376,
E-mail: akorablev@binran.ru

Н.А. Позднякова

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская наб., д. 7–9, Санкт-Петербург, Россия, 199034,
E-mail: n.pozdnyakova@spbu.ru

Т.А. Андреева

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская наб., д. 7–9, Санкт-Петербург, Россия, 199034,
E-mail: t.andreeva@spbu.ru

О.В. Артемьева

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская наб., д. 7–9, Санкт-Петербург, Россия, 199034,
E-mail: o.artemeva@spbu.ru

Аннотация

Целью данной работы было создание картографической модели растительности части кальдеры Узон. Для этого в работе была использована генерализованная карта растительности кальдеры, составленная А.О. Пестеровым, а также данные геоботанических описаний, предоставленные сотрудниками Ботанического института РАН в качестве вспомогательных материалов для создания обучающей выборки для машинного обучения. В работе также использованы данные о высоте растительного покрова, надземной биомассы и данные нескольких каналов Sentinel-2 и Landsat-9, из которых был создан композитный растр. Помимо каналов 4–8 Sentinel-2 и 10 канала Landsat-9, в классифицируемый растр вошли данные ArcticDEM. Создание обучающей выборки производилось на основе вспомогательных данных, создание тестовой выборки — на основе экспертной оценки на основе ДДЗЗ высокого разрешения и данных геоботанических описаний. В качестве используемых методов классификации были выбраны K-means и Random Forest. Для первого применен метод локтя для оценки выраженности и отделимости классов друг от друга в классифицируемом растре. Данный способ показал несостоятельность метода неконтролируемой классификации и необходимость использования методов с обучением. Для второго применялась оценка точности на тестовых данных с заранее выявленными оптимальными параметрами обученной модели; также была составлена матрица ошибок каждого класса и посчитаны метрики качества классификации в Python 3.0. Так, общая точность (accuracy) модели составила 90 %. Были рассчитаны статистические характеристики модели и выявлены особенности ее работы с получившимися классами растительности.

Ключ. слова

дистанционное зондирование Земли, машинное обучение, растительность, метрики точности, матрица ошибок

Список литературы

  1. Котлов И.П., Черненькова Т.В., Беляева Н.Г. Опыт картографирования типологического разнообразия лесов Московской области. Геоботаническое картографирование, 2024. С. 25–43. DOI: 10.31111/geobotmap/2024.25.
  2. Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений. М.: Издательство МГУЛ, 2012. 154 с.
  3. Нешатаева В.Ю., Пестеров А.О. Структура растительного покрова кальдеры Узон (Восточная Камчатка). Известия Самарского научного центра Российской академии наук, 2012. Т. 14. № 1-4. С. 1080–1083.
  4. Нешатаева В.Ю., Пестеров А.О., Кораблёв А.П. Растительность Восточного вулканического пояса Камчатки (в пределах Кроноцкого заповедника). СПб.: Марафон, 2021. 67 с.
  5. Пестеров А.О. Ценотическое разнообразие и структура растительного покрова Восточного вулканического пояса полуострова Камчатка: Диссертация на соискание ученой степени кандидата биологических наук. СПб., 2017. 275 с.
  6. Полевщикова Ю.А., Кириллов В.А. Мультиклассовая сегментация типов растительности с применением облачной вычислительной платформы Google Earth Engine. Информационные технологии и высокопроизводительные вычисления. Материалы VII Международной научно-практической конференции, 2023. С. 18–21.
  7. Пузаченко М.Ю., Котлов И.П., Черненькова Т.В. Технологическая схема мониторинга природных объектов с использованием ДДЗ и ГИС-технологий. Мониторинг биологического разнообразия лесов России. М.: Наука, 2008. С. 347–359.
  8. Шашков М.П., Иванова Н.В., Ермолов С.А. Применимость наборов данных растровых слоев с факторами среды в качестве предикторов для моделирования ареалов дождевых червей. Доклады Международной конференции «Математическая биология и биоинформатика», 2024. С. 228–232. DOI: 10.17537/icmbb24.55.
  9. Шелухин О.И., Полковников М.В. Повышение эффективности классификации сетевого трафика мобильных устройств с использованием алгоритма Random Forest. Технологии информационного общества: Материалы XIII Международной отраслевой научно-технической конференции, 2019. С. 415–418.
  10. Boateng E.Y., Otoo J., Abaye D.A. Basic Tenets of Classification Algorithms K-nearest-neighbor, Support Vector Machine, Random Forest and Neural Network. Journal of Data Analysis and Information Processing, 2020. V. 8. No. 4. P. 341–357. DOI: 10.4236/jdaip.2020.84020.
  11. Boitard S., Mialon A., Mermoz S., Rodríguez-Fernández N.J., Richaume P., Salazar-Neira J.C., Tarot S., Kerr Y.H. Aboveground Biomass Dataset from SMOS L-band Vegetation Optical Depth and Reference Maps. Earth System Science Data, 2025. V. 17. No. 3. P. 1101–1119. DOI: 10.1186/s13021-022-00214-w.
  12. Mohammadpour P., Viegas D.X., Viegas C. Vegetation Mapping with Random Forest Using Sentinel-2 and GLCM Texture Feature—A Case Study for Lousã Region, Portugal. Remote Sensing, 2022. V. 14. No. 18. P. 4585. DOI: 10.3390/rs14184585.
  13. Pal M. Random Forest Classifier for Remote Sensing Classification. International Journal of Remote Sensing, 2005. V. 26. No. 1. P. 217–222. DOI: 10.1080/01431160412331269698.
  14. Thanh Noi P., Kappas M. Comparison of Random Forest, K-nearest-neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery. Sensors, 2017. V. 18. No. 1. P. 18. DOI: 10.3390/s18010018.
  15. Tolan J., Yang H.I., Nosarzewski B., Couairon G., Vo H.V., Brandt J., Spore J., Majumdar S., Haziza D., Vamaraju J., Moutakanni T., Bojanowski P., Johns T., White B., Tiecke T., Couprie C. Very High Resolution Canopy Height Maps from RGB Imagery Using Self-Supervised Vision Transformer and Convolutional Decoder Trained on Aerial Lidar. Remote Sensing of Environment, 2024. V. 300. P. 113888. DOI: 10.1016/j.rse.2023.113888.

Для цитирования: Максимович Н.В., Тарасов А.А., Кораблёв А.П., Позднякова Н.А., Андреева Т.А., Артемьева О.В. Картографирование растительности кальдеры Узон с использованием данных дистанционного зондирования Земли и машинного обучения. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2025. Т. 31. Ч. 2. С. 83–99. DOI: 10.35595/2414-9179-2025-2-31-83-99

For citation: Maksimovich N.V., Tarasov A.A., Korablev A.P., Pozdnyakova N.A., Andreeva T.A., Artemeva O.V. Mapping Uzon caldera vegetation using remote sensing data and machine learning. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2025. V. 31. Part 2. P. 83–99. DOI: 10.35595/2414-9179-2025-2-31-83-99 (in Russian)