(50-3) 12 * << * >> * Русский * English * Содержание * Все выпуски

Точность сверточных нейронных сетей при идентификации спутниковых изображений термокарстовых полигональных образований
В.В. Жебсаин1, А.Ю. Гололобов2, А.Ф. Посельский1, Н.И. Башарин3

1 Северо-Восточный федеральный университет имени М.К. Аммосова, 677000, Россия, г. Якутск, ул. Белинского, д. 58;
2 Институт космофизических исследований и аэрономии имени Ю.Г. Шафера СО РАН, 677027, Россия, г. Якутск, пр. Ленина, д. 31;
3 Институт мерзлотоведения им. П.И. Мельникова СО РАН, 677010, Россия, г. Якутск, ул. Мерзлотная, д. 36

  Полный текст (PDF)

DOI: 10.18287/COJ1780

ID статьи: 1780

Аннотация:
В работе представлены результаты исследования метрик точности идентификации термокарстовых изменений ландшафта в космических изображениях при помощи технологии нейронных сетей. Темпы развития термокарстовой деградации ландшафтов в регионах распространения криолитозон, в частности, в Якутии за последние десятилетия существенно ускорились, в связи с глобальными процессами потепления климата. В работе рассмотрены вопросы подготовки обучающего набора для нейросетевых численных экспериментов. Разработан экспериментальный реестр термокарстовых объектов, содержащий большое количество спутниковых изображений термокарстовых полигональных образований. Представлены результаты исследований метрик, характеризующих точность идентификации спутниковых изображений термокарстовых образований при помощи разработанной прикладной компьютерной программы, реализующей многослойную сверточную нейронную сеть, максимальные значения которых составили 0,95-0,96 для Recall и 0,94-0,95 для Precision и F1-score. Выполнено 17 серий численных экспериментов, состоящих в среднем из 7-8 экспериментов, с целью изучения зависимости указанных метрик от моделей сверточных нейронных в результате, которых отобраны модели обеспечивающие наилучшие показатели при решении задач идентификации термокарстовых образований.

Ключевые слова:
сверточные нейронные сети, машинное обучение, термокарстовые образования, спутниковые изображения, наборы обучающих данных.

Благодарности:
Проведенные в работе исследования выполнены при поддержке Российского научного фонда за счет гранта № 24-21-20043.

Цитирование:
Жебсаин, В.В. Точность сверточных нейронных сетей при идентификации спутниковых изображений термокарстовых полигональных образований / В.В. Жебсаин, А.Ю. Гололобов, А.Ф. Посельский, Н.И. Башарин // Компьютерная оптика. - 2026. - Т. 50, № 3. - 1780. - DOI: 10.18287/COJ1780.

Citation:
Zhebsain VV, Gololobov AY, Poselsky AF, Basharin NI. The accuracy of convolutional neural networks in identifying satellite images of thermokarst polygonal formations. Computer Optics 2026; 50(3): 1780. DOI: 10.18287/COJ1780.

References:

  1. Fedorov AN, Konstantinov PY. Observations of surface dynamics with thermokarst initiation. In: Proceedings of the Eighth International Conference on Permafrost; 2003. pp. 239-243.
  2. Fedorov AN, Konstantinov PY. Observations of surface dynamics with thermokarst initiation. In: Proceedings of the Ninth International Conference on Permafrost; 2008. pp. 433-438.
  3. Konstantinov P, Basharin N, Fedorov A, Iijima Y, Andreeva V, Semenov V, Vasiliev N. Impact of climate change on the ground thermal regime in the lower Lena region, Arctic Central Siberia. Land 2023; 12(1): 19. doi:10.3390/land12010019.
  4. Konstantinov P, Zhelezniak M, Basharin N, Misailov I, Andreeva V. Establishing permafrost thermal monitoring sites in East Siberia. Land 2020; 9(12): 496. doi:10.3390/land9120496.
  5. Witharana C, Udawalpola M, Liljedahl A, Jones M, Jones B, Hasan A, Joshi D, Manos E. Automated detection of retrogressive thaw slumps in the High Arctic using high-resolution satellite imagery. Remote Sens 2022; 14(17): 4132. doi:10.3390/rs14174132.
  6. Runge A, Nitze I, Grosse G. Remote sensing annual dynamics of rapid permafrost thaw disturbances with LandTrendr. Remote Sens Environ 2022; 268: 112752. doi:10.1016/j.rse.2021.112752.
  7. Nitze I, Heidler K, Barth S, Grosse G. Developing and testing a deep learning approach for mapping retrogressive thaw slumps. Remote Sens 2021; 13(21): 4294. doi:10.3390/rs13214294.
  8. Huang L, Liu L, Luo J, Lin Z, Niu F. Automatically quantifying evolution of retrogressive thaw slumps in Beiluhe (Tibetan Plateau) from multi-temporal CubeSat images. Int J Appl Earth Obs Geoinf 2021; 102: 102399. doi:10.1016/j.jag.2021.102399.
  9. Yin G, Luo J, Niu F, Lin Z, Liu M. Machine learning-based thermokarst landslide susceptibility modeling across the permafrost region on the Qinghai-Tibet Plateau. Landslides 2021; 18(12): 3939-3955. doi:10.1007/s10346-021-01669-7.
  10. Lara HA, Bouchard F, Saint-Jean G, Farid G, Laurent E. Automated identification of thermokarst lakes using machine learning in the ice-rich permafrost landscape of central Yakutia (Eastern Siberia). Remote Sens 2023; 15(5): 1226. doi:10.3390/rs15051226.
  11. Zhebsain VV, Gololobov AYu, Basharin NI, Poselsky AF. Features of the application of neural network technology for the recognition of graphic images of thermokarst objects [in Russian]. Geoinformatika 2024; 4: 39-47.
  12. Bagaeva II. Analysis of the concepts of neural network and convolutional neural network. Training a convolutional neural network using the TensorFlow module [in Russian]. Matematicheskoe Modelirovanie i Programmnoe Obespechenie Sistem v Promyshlennoy i Sotsialnoy Sferakh 2020; 8(1): 15-22. doi:10.18503/2306-2053-2020-8-1-15-22.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20