Применение методов машинного обучения при оценке и картографировании природных ресурсов

В работе рассматриваются возможности и эффективность применения данных дистанционного зондирования и алгоритмов машинного обучения в интересах изучения и оценки состояния природных ресурсов. Исследование обращено к лесам – одного из важнейших и экономически значимых ресурсов России. Применение алгоритмов машинного обучения, как инструмента «умной» обработки и дешифрирования больших данных, апробировано на распознавании и оценке повреждения бореальных лесов Республики Карелия. Эталонная выборка сформирована на основе данных лесопатологических обследований лесов ООПТ. В ПО QGIS и с помощью написанной на языке Python модели была проведена классификация снимков Sentinel-2 алгоритмами SAM и Random Forest. Расчет точности работы моделей, адаптированный под специфику эталонной выборки, и созданные картографические изображения позволили сделать вывод о применимости метода для целей лесопатологического мониторинга.

Введение…..……..………..……..………..……..………..……..………..……..………..……..2
Глава 1. Машинное обучение в решении задач использования природных ресурсов…5
1.1. Искусственный интеллект и алгоритмы машинного обучения……………………5
1.2. Цели, задачи и функции машинного обучения……..……..……..……..……..……7
1.3. Модели машинного обучения в задачах классификации ……..……..……..…….11
1.4. Применение МО в задачах оценки природных ресурсов……..……..……..……..14
1.5. Язык программирования Python и МО……..……..……..……..……..……..……..18
Глава 2. Природные ресурсы как объект исследования и пространственной
оценки……..……..……..……..……..……..……..……..……..……..……..……..……..……20
2.1. Виды природных ресурсов и особенности их исследования и оценки……..……20
2.2. Лесные ресурсы и лесное хозяйство: общая характеристика……..……..…….…22
2.3. Оценка лесных ресурсов……..……..……..……..……..……..……..……..………28
2.4. Зарубежный научный и практический опыт по оценке лесов с применением
МО…….……………………………………………………………………………………31
2.5. Становление применения МО в российском лесном секторе……..……..………33
Глава 3. Изученность, использование, мониторинг бореальных лесов Северо-Запада
России……..……..……..……..……..……..……..……..……..……..……..……..……..…….36
3.1. Общая характеристика лесов……..……..……..……..……..……..……..………….36
3.2. Экономическая значимость лесов Северо-Запада России……..……..…………..38
3.3. Действующие системы учета лесов Северо-Запада России……..……..………..46
Глава 4. Создание модели классификации бореальных лесов с деградациями………49
4.1. Цели и задачи исследования……..……..……..……..……..……..……..…………49
4.2. Выбор алгоритмов…..……..…….……..……..……..……..……..……..…………..50
4.3. Формирование набора исходных пространственных данных……..……..………50
4.4. Подготовка набора данных……..……..……..……..……..……..……..…………..53
4.4.1. Создание обучающей выборки для SAM и классификация……..…………58
4.4.2. Создание обучающей выборки для Random Forest……..……..……..……..64
4.4.3. Создание модели Random Forest и классификация……..……..……..……..65
4.5. Оценка работоспособности модели МО……..……..……..……..……..……..……66
4.6. Обсуждение выявления повреждений древостоя методами МО……..……..…….69
Заключение……..……..……..……..……..……..……..……..……..……..……..……..…….72
Список использованных источников……..……..……..……..……..……..……..………..74
Приложение. Модель RF (по национальному парку «Паанаярви»)……………………85

Обстоятельное знакомство с методами исследования, оценки и картографирования
природных ресурсов позволило выделить актуальное направление – применение данных
дистанционного зондирования совместно с машинным обучением в их обработке. Нам
представилось возможным рассмотреть сущность и возможности МО, как реализации
искусственного интеллекта, его разных алгоритмов в контексте использования
пространственных данных средствами ГИС (Глава 1) в выявлении нарушений леса. Для
этого рассмотрены многочисленные аспекты лесной отрасли – экологическая и
экономическая значимость леса, его функции, управление, инвентаризация, мониторинг,
основные причины нарушений или отсутствия древостоя на лесных территориях, в том
числе в зоне бореальных лесов северо-западной части России, имеющей географические
сходства с северо-европейскими зарубежными лесами, где ведение лесного хозяйства
считается успешным (Глава 2).
Анализ опыта применения МО в лесном секторе показал, что чаще всего выбор
исследователей падает на алгоритмы k-NN, SVM, Деревья решений и ансамбль Деревьев
решений – Random Forest, а также глубокое обучение. В ходе фокусирования на состоянии
лесной промышленности и системах учета лесов Карелии (в пределах особо охраняемых
территорий) обнаружилось, что необходимость получения оперативной информации о
состоянии лесов в регионе трактуется не только общими разумными соображениями, но и
официальным переходом на другую модель ведения лесного хозяйства (Глава 3).
Показано, какие методы обработки открытых спутниковых изображений позволяют
идентифицировать сухостои, образовавшиеся на ветровалах, и какие части спектра
являются наиболее репрезентативными.
В основу набора данных о повреждениях древостоя легли материалы спутниковой
съемки Sentinel-2 и Landsat-8, документальные акты лесопатологических обследований и
тематические карты растительного покрова. В исследовании тестировали два
принципиально разных алгоритма – Spectral Angle Mapper (SAM, реализованный в
плагине SCP под QGIS) и Random Forest (RF), модель на основе которого была написана
нами на языке Python. Для сравнения качества классификации лесного покрова двумя
моделями был разработан и написан также на Python способ оценки полученных
результатов. Рассчитанная относительная погрешность детектирования «сухостойных»
пикселей оказалась очень большой для алгоритма SAM. Модель RF, показавшая точность
81 %, сработала лучше в отношении выбранной территории. Для обоих алгоритмов
«камнем преткновения» стали массивы лишайниковой сосны, под которой слишком
хорошо видна поверхность. Из этого следует, что в данном случае необходимо либо
объединить похожие категории растительного покрова в один класс, либо активно
работать над разделением чрезвычайно похожих классов путем увеличения размера их
обучающей выборки.
Исходя из масштабного ряда и детальности растровых карт, продиктованными
нормативно-правовой базой, было оценено, насколько применение космических снимков
Sentinel-2 вкупе с точностью работы самой модели МО, применимо для выявления
нарушенного древостоя. Результаты классификации по алгоритму SAM можно считать
удовлетворительными с точки зрения общего распознавания типов покрытий для
ускорения картографирования территории, но на уровне лесных выделов он видится
малопригодным. По результатам работы модели RF удалось составить карту в масштабе
1:25 000, которая может служить основанием для инициирования полевых
инструментальных обследований проблемных участков. Также, полученное изображение
при совместном анализе с другими информационными источниками (карт породного
состава леса и запасов) может быть полезно для ориентировочной оценки потерь
древесины или ущерба углеродному балансу.
Оценивая применимость алгоритмов машинного обучения для картографирования
лесов надо сказать, что точность создаваемых карт зависит от качества и объѐма
обучающей выборки. На снимках с разрешением 10 м спектральная информация одного
пикселя это сложная комбинация излучения, отраженного от нескольких деревьев,
возможно разных пород, и от подстилающей поверхности. Это, и тот факт, что для
подготовки контрольных данных были использованы акты ЛПО и лесоустроительные
материалы, где показатели приводятся на неоднородные по своему составу выделы,
говорят о том, что обучающие данные сложно назвать оптимальными. Несмотря на это,
модель RF позволяет создавать интерпретируемое картографическое изображение.
Таким образом в исследовании все поставленные задачи выполнены. Полученные
результаты дают основания полагать, что, обучая ансамблевые алгоритмы на данных
более высокого пространственного разрешения и выделяя экземпляры целевого класса с
большей достоверностью можно добиться более точной классификации. Одним из
идейных продолжений работы видится классификация лесных массивов по отдельным
типам повреждений с применением ансамблевого алгоритма LightGBM.