Современные подходы к подготовке карт растительности Арктики

И. А. Лавриненко

DOI: https://doi.org/10.31111/geobotmap/2023.14

Полный текст статьи

Аннотация статьи

На примере ключевых участков восточноевропейских тундр приведены результаты применения ряда современных подходов к картографированию растительности, связанных с ГИС-технологиями и методами обработки спутниковых снимков. В настоящее время широкое распространение получил объектно-ориентированный подход (object based image analysis, OBIA), в рамках которого выполняется сегментация изображений; формирование обучающей выборки и классификация снимка проводятся уже на уровне сегментов. В работе приведен пример такого подхода при создании карты растительности для участка в бассейне р. Северная. В заключении освещаются некоторые работы отечественных и зарубежных исследователей, показывающие высокую перспективность применения сверточных нейронных сетей (СНС) и семантической сегментации для решения задач, стоящих перед изучением и картографированием растительности.

Ключевые слова: Арктика, геоботанические карты, территориальные единицы растительности, сегментация, объектно-ориентированный подход, сверточные нейронные сети

Рубрика: Статьи

Цитирование статьи

Лавриненко И. А. 2023. Современные подходы к подготовке карт растительности Арктики // Геоботаническое картографирование. 2023. С. 14–27. https://doi.org/10.31111/geobotmap/2023.14

Получено 26 октября 2023 г.

Литература

[Godunov et al.] Годунов А. И., Баланян С. Т., Егоров П. С. 2021. Сегментация изображений и распознавание объектов на основе технологии сверточных нейронных сетей // Надежность и качество сложных систем. № 3. С. 62–73. https://doi.org/10.21685/2307-4205-2021-3-8.

Helber P., Bischke B., Dengel A., Borth D., 2019. EuroSATsat: A novel dataset and deep learning benchmark for land use and land cover classification. IEEE J. Sel. Top. Appl. Earth Observ. Remote Sensing. Vol. 12. N 7. P. 2217–2226. https://doi.org/10.48550/arXiv.1709.00029.

[Ivanov et al.] Иванов Е. С., Тищенко И. П., Виноградов А. Н. 2019. Сегментация мультиспектральных снимков с применением сверточных нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. Т. 16. № 1. С. 25–34. https://doi.org/10.21046/2070-7401-2019-16-1-25-34.

Kattenborn T., Eichel J., Fassnacht F. E. 2019. Convolutional Neural Networks enable efficient, accurate and fine-grained segmentation of plant species and communities from high-resolution UAV imagery. Scientific reports. Vol. 9. N 1. P. 1–9. https://doi.org/10.1038/s41598-019-53797-9.

Kattenborn T., Leitloff J., Schiefer F., Hinz S. 2021. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 173. P. 24–49. https://doi.org/10.1016/j.isprsjprs.2020.12.010.

Kazdorf S. Ya., Pershina Zh. S. 2019. An algorithm for semantic segmentation of three-dimensional scenes. Cloud of Science. 6(3): 451–461. https://www.elibrary.ru/download/elibrary_39142821_82782723.pdf.

Kislov D. E., Korznikov K. A. 2020. Automatic windthrow detection using very-high-Resolution satellite imagery and deep learning. Remote Sensing. Vol.12. N 7, 1145. P. 1–17. https://doi.org/10.3390/rs12071145.

Kislov D. E., Korznikov К. A., Altman J., Vozmishchcheva A. S., Krestov P. V. 2021. Extending deep learning approaches for forest disturbance segmentation on very high-resolution satellite images. Remote Sensing in Ecology and Conservation. Vol. 7. N 3. P. 355–368. https://doi.org/10.1002/rse2.194.

Kolecka N., Kozak J., Kaim D., Dobosz M., Ginzler C., Psomas A. 2015. Mapping Secondary Forest Succession on Abandoned Agricultural Land with LiDAR Point Clouds and Terrestrial Photography. Remote Sensing. Vol. 7. N 7. 8300–8322. https://doi.org/10.3390/rs70708300.

Korznikov K. A., Kislov D. E., Altman J., Doležal J., Vozmishchcheva A. S., Krestov P. 2021. Using U-Net-Like Deep Convolutional Neural Networks for Precise Tree Recognition in Very High Resolution RGB (Red, Green, Blue) Satellite Images // Forests. Vol. 12. N 1, 66. P. 1–117. https://doi.org/10.3390/f12010066.

Korznikov K., Kislov D., Petrenko T., Dzizyurova V., Doležal J., Krestov P., Altman J. 2023. Unveiling the Potential of Drone-Borne Optical Imagery in Forest Ecology: A Study on the Recognition and Mapping of Two Evergreen Coniferous Species // Remote Sensing. Vol. 15. N 18, 4394. P. 1–16. https://doi.org/10.3390/rs15184394.

Langford Z., Kumar J., Hoffman F. M., Norby R. J., Wullschleger S. D., Sloan V. L., Iversen C. M. 2016. Mapping Arctic Plant Functional Type Distributions in the Barrow Environmental Observatory Using WorldView-2 and LiDAR Datasets // Remote Sensing. Vol. 8. N 9, 733. P. 1–24. https://doi.org/10.3390/rs8090733.

Langford Z. L., Kumar J., Hoffman F. M., Breen A. L., Iversen C. M. 2019. Arctic Vegetation Mapping Using Unsupervised Training Datasets and Convolutional Neural Networks // Remote Sensing. Vol. 11. N 1, 69. P. 1–23. https://doi.org/10.3390/rs11010069.

[Lavrinenko] Лавриненко И. А. 2021. Типология и синтаксономический состав территориальных единиц растительности: новый подход на примере изучения арктических маршей // Растительность России. № 39. С. 100–148. https://doi.org/10.31111/vegrus/2020.39.100.

[Lavrinenko, Lavrinenko] Лавриненко И. А., Лавриненко О. В. 2020. Местообитания восточноевропейских тундр и их соотношение с категориями EUNIS на примере заповедника «Ненецкий» // Фиторазнообразие Восточной Европы. Т. 14. № 4. С. 359–397. https://doi.org/10.24411/2072-8816-2020-10082.

[Lavrinenko, Lavrinenko] Лавриненко И. А., Лавриненко О. В. 2021. Классификация и картографирование местообитаний северо-западной части Большеземельской тундры // Геоботаническое картографирование 2021. С. 20–53 https://doi.org/10.31111/geobotmap/2021.20.

[Matveyeva, Lavrinenko] Матвеева Н. В., Лавриненко О. В. 2021. Чек-лист синтаксонов Российской Арктики: текущее состояние классификации растительности // Растительность России. № 42. С. 3–41. https://doi.org/10.31111/vegrus/2021.42.3.

Mikula K., Šibíková M., Ambroz M., Kollár M., Ožvat A. A., Urbán J., Jarolímek I., Šibík J. 2021. NaturaSat — A Software Tool for Identification, Monitoring and Evaluation of Habitats by Remote Sensing Techniques // Remote Sensing. Vol. 13. N 17, 3381. P. 1–19. https://doi.org/10.3390/rs13173381.

Mohanty S. P., Hughes D. P., Salathé M. 2016. Using Deep Learning for Image-Based Plant Disease Detection // Front. Plant Sci. Vol. 7, 1419. P. 1–10. https://doi.org/10.3389/fpls.2016.01419.

Sari N. M., Rokhmatuloh R., Manessa M. D. M. 2021. Monitoring Dynamics of Vegetation Cover with the Integration of OBIA and Random Forest Classifier Using Sentinel-2 Multitemporal Satellite Imagery // Geoplanning: Journal of Geomatics and Planning. Vol. 8. N 2. P. 75–84. https://doi.org/10.14710/geoplanning.8.2.75-84.

Srifitriani A., Supriyono S., Parwito P. 2019. Study of model object-based image analysis (OBIA) for data interpretation based mangrove vegetation Landsat 8 operational land imager on the West Coast City of Bengkulu // Sumatra Journal of Disaster, Geography and Geography Education. Vol. 3. N 2. P. 77–84. http://sjdgge.ppj.unp.ac.id/index.php/Sjdgge/article/view/221.

Tzepkenlis A., Marthoglou K., Grammalidis N. 2023. Efficient Deep Semantic Segmentation for Land Cover Classification Using Sentinel Imagery // Remote Sensing. Vol. 15. N 8, 2027. P. 1–18. https://doi.org/10.3390/rs15082027.

Wagner F. H., Sanchez A., Aidar M. P. M., Rochelle A. L. C., Tarabalka Y., Fonseca M. G., Phillips O. L., Gloor E., Aragao L. 2020. Mapping Atlantic rainforest degradation and regeneration history with indicator species using convolutional network // Plos One. Vol. 15. N 2. P. 1–24. https://doi.org/10.1371/journal.pone.0229448.

Watanabe S., Sumi K., Ise T. 2020. Identifying the vegetation type in Google Earth images using a convolutional neural network: a case study for Japanese bamboo forests // BMC Ecology. Vol. 20. N 65. P. 1–4. https://doi.org/10.1186/s12898-020-00331-5.