Информационные технологии регионального мониторинга растительных сообществ на основе интеллектуального анализа данных дистанционного зондирования

Проект направлен на создание научно-методических основ новых информационных технологий, обеспечивающих проведение на региональном уровне мониторинга ареалов природных и антропогенно трансформированных растительных сообществ (лесов, степей и т.д.) с целью решения комплекса прикладных задач инвентаризации и сохранения биологического разнообразия в регионе, экологии, управления территорией, обеспечения качества жизни населения. Для решения задач проекта в 2023 году выполнены следующие работы и достигнуты следующие научные результаты: 1.5.1. Разработаны математические методы и вычислительные алгоритмы улучшения (коррекции, фильтрации шума, повышения пространственного и спектрального разрешения, комплексирования) мульти- и гиперспектральных данных, получаемых, в том числе, с помощью новых космических систем, а именно: – разработан новый метод восстановления изображений, формирующий квазинепрерывное (с измельченным шагом дискретизации по пространственным координатам) и гиперспектральное (c искусственно увеличенным числом спектральных компонент) изображение, а также поле связанных с этим изображением дисперсий ошибок восстановления, задающих точность представления каждого пиксела. – разработана процедура оптимального комплексирования нескольких изображений, восстановленных описанным выше методом. Сначала осуществляется их геометрическое согласование, при котором сетка пикселов деформируется синхронно и для изображения, и для поля ошибок. Далее осуществляется комплексирование по известной методике усреднения неравноточных измерений. 1.5.2. Разработаны математические методы и вычислительные алгоритмы формирования признакового описания изображений растительности, обеспечивающего решение задачи очерчивания и классификации ареалов фитоценозов. В частности: – разработаны методы и алгоритмы формирования признаков изображений, реализуемые в режиме скользящего окна и порождающие синтетические признаковые компоненты изображения для последующей поэлементной классификации расширенных пикселов. Рассмотрен класс гистограммных признаков, основанных на использовании гистограммы значений пикселов в окне обработки. Предлагаемые методы и алгоритмы имеют низкую вычислительную сложность за счет аппроксимации гистограммы суммой небольшого числа компонент разложения по некоторой системе базисных функций. Само вычисление признака реализуется с использованием алгоритма-аппроксиматора по значениям коэффициентов полученного разложения гистограммы. Исследованы два варианта построения аппроксиматора: нейросетевой аппроксиматор, обучаемый на наборе тестовых изображений и авторский метод многомерной иерархической аппроксимации. – исследована возможность очерчивания и классификации ареалов фитоценозов с помощью нейронной сети YOLOv3 на примере посадок редкого растения «пион тонколистный» в естественной и искусственной природной среде. В рамках исследований применялся метод переноса обучения для нейронной сети, производился поиск оптимального количества эпох обучения и варианта аугментации данных. Результаты исследования показали, что для обучения классификатора можно использовать данные искусственной среды обитания, при этом вероятность правильной классификации пиона тонколистного составляет 0,93 при вероятности ложного обнаружения 0,005. 1.5.3. Предложены две информационные технологии регионального мониторинга растительных сообществ, основанных на создании и использовании опорных полигонов: – Технология мониторинга реинтродуцированных редких растений предполагает сбор обучающих данных на территории искусственного ареала обитания растений, с последующим применением обученного классификатора для данных из естественной среды обитания. Технология позволяет сократить антропогенное влияние в процессе сбора данных в естественных условиях за счет использования данных ДЗЗ, в частности, высокодетальных изображений с БПЛА. –Технология уточнения устаревших данных лесной таксации основана на выборе участков для наземной верификации по результатам классификации текущих данных таксации. В ее основе лежит предположение, что ошибки классификатора в основном объясняются несоответствием современного состояния территории архивным данным таксации. Технология включает выделение связных областей на разновременных космических снимках, анализ преимущественных пород деревьев в пределах каждой области и обучение классификатора на подмножестве данных таксации с ограничениями по сомкнутости крон, площади участка, доле выдела, заполненной данной породой и пр. Наложение ограничений позволяет выделить в архивных данных наиболее стабильные растительные сообщества, мало изменившиеся с течением времени. Обучение на таких данных приводит к преимущественно верной классификации за исключением областей с существенным отличием растительного состава от устойчивых областей. Технология была успешно применена для анализа данных таксации Красносамарского лесничества Самарской области. В результате ее применения удалось сократить долю ложной классификации лесной растительности до 4,5%. 1.5.4. Произведен анализ имеющихся геоинформационных ресурсов, описывающих растительные сообщества на территории Самарской области. Основной геоинформационный ресурс Самарской области – Региональная геоинформационная система (РГИС). Имеющиеся картографические данные об ареалах растительности включают в себя границы лесных выделов с данными лесной таксации, границы сельскохозяйственных полей с указанием произрастающих культур, границы неиспользуемых земель с указанием степени зарастания древесно-кустарниковой растительностью, границы очагов карантинных сорных растений, а также архивные данные 2005 года о видах растительных сообществ соответствующих различным целям хозяйственного использования: пастбища, сенокосы, залежи и т.п. Указанные данные могут быть получены по запросу в профильные министерства и ведомства, являющиеся операторами данных РГИС. Дополнительно был найден коммерческий источник картографических данных – портал NextGis, содержащий данные о границах таких растительных сообществ как леса и кустарники на территории Самарской области. Анализ существующих геоинформационных ресурсов показал, что для естественных растительных сообществ Самарской области практически отсутствуют картографические данные, что обуславливает актуальность создания опорных полигонов для выявления и картографирования этих сообществ. 1.5.5. Произведен выбор первой очереди опорных полигонов (ареалов верифицированных фитоценозов) для апробации и оценки эффективности предложенных информационных технологий. Для технологии мониторинга реинтродуцированных редких растений было выбрано два опорных полигона: в Ботаническом саду Самарского университета и в окрестностях села Чубовка Кинельского района Самарской области, соответствующие искусственной и естественной среде обитания реинтродуцируемых видов растений. На выбранных полигонах произведен сбор данных и применена предложенная информационная технология на примере пиона тонколистного. Для информационной технологии уточнения данных лесной таксации в качестве опорного полигона выбрана территория Красносамарского лесничества. На этой территории была произведена апробация предложенной информационной технологии с использованием набора космических снимков Sentinel-2 за 2023 год. Дополнительно были выбраны опорные полигоны для выделения экологически значимых типов растительных сообществ с раритетными компонентами флоры и анализа распространения инвазивных видов растений на территории области. 1.5.6. В результате выполнения проекта было опубликовано или принято к печати семь работ, пять из них в изданиях, индексируемых международными базами данных. По результатам проекта были сделаны доклады на шести конференциях, пять из них международного уровня и одна всероссийского уровня.