| Аннотация |
Проблема наводнений всегда является актуальной ввиду их разрушительности, частоты и слабой прогнозируемости. Осложняет ситуацию тот факт, что поймы рек используют в целях хозяйственной, рекреационной и иной деятельности, тем самым подвергая риску уничтожения и деградации любые объекты и продукты жизнедеятельности человека во время паводков. Поэтому картирование и пространственно-временной мониторинг паводкоопасных территорий с целью анализа и прогноза вероятного материального и экономического ущерба объектам хозяйственной деятельности от угрозы наводнений является актуальной научной проблемой, которую можно решить при помощи геоинформационных систем с использованием спутниковых данных, обработанных при помощи спектральных индексов и сверточных нейронных сетей. Объект исследования – паводкоопасные территории городов Шилки и Нерчинска Забайкальского края. Цель – оценка точности дешифрирования хозяйственно освоенных территорий на паводкоопасных территориях г. Шилки и г. Нерчинска с целью определения эффективного порога отделения исследуемых объектов. Задачи исследования: сбор и формирование архива данных дистанционного зондирования Земли программы Landsat-8 OLI; инференс космических снимков на нейронной сети и использование их в качестве эталонного изображения; вычисление спектральных индексов NDBI по данным Landsat-8; определение площадей застроенных и хозяйственно осваиваемых территорий на изображениях; оценка точности и сравнительный анализ результатов выделения объектов застройки и хозяйственной деятельности; выявление преимуществ, недостатков, границ применимости используемых методов дешифрирования объектов застройки и хозяйственной деятельности на паводкоопасных территориях. Произведена оценка точности и достоверности результатов дешифрирования объектов застройки и хозяйственной деятельности методами вычисления спектрального индекса NDBI, инференсом сверточной нейронной сети по данным Landsat 8 OLI на паводкоопасных территориях г. Шилки и г. Нерчинска. Определены наиболее эффективные методы, параметры и пороги дешифрирования объектов застройки и хозяйственной деятельности с целью мониторинга развития паводкоопасных территорий и контроля паводкоопасной обстановки. |
| Ключевые слова |
дешифрирование, наводнения, паводкоопасные территории, спектральные индексы, дистанционное зондирование Земли, Landsat-8 OLI, сверточные нейронные сети, геоинформационный анализ, оценка точности, каппа
|
| Список литературы |
Вахнина И. Л., Обязов В. А., Замана Л. В. Динамика увлажнения в степной зоне Юго-Восточного Забайкалья с начала XIX столетия по кернам сосны обыкновенной // Вестник Московского университета. Серия 5. География. 2018. № 2. С. 28–33. EDN YUUDHA.
Калашникова Л. Я., Стасюк О. Н., Авсеенко Н. Д. Наводнения в Забайкальском крае // Инновационные технологии в технике и образовании: материалы VIII Междунар. науч.-практ. конф. (г. Чита, 8–9 декабря 2016 г.). Чита: ЗабГУ, 2016. С. 172–179. EDN YMCUSN.
Кочев Д. В., Курганович К. А. Использование данных дистанционного зондирования и алгоритмов искусственного интеллекта для анализа территорий, подверженных наводнениям // Эволюция биосферы и техногенез: материалы Всерос. конф. с междунар. участием. Чита: ИПРЭК СО РАН, 2022. С. 304–307. DOI: 10.57245/978_5_9293_3064_3_2022_2_304. EDN NQHGHU.
Кочев Д. В., Шумилова Л. В. Применение спектральных водных индексов на хвостовом хозяйстве Дарасунского рудника по данным дистанционного зондирования Земли программы Landsat // Вестник Забайкальского государственного университета. 2023. Т. 29, № 2. С. 45–60. DOI: 10.2109/2227-9245-2023-29-2-45-60. EDN VWZNGB.
Курбанов Э. А., Воробьев О. Н., Губаев А. В., Лежнин С. А., Полевщикова Ю. А., Демишева Е. Н. Четыре десятилетия исследований лесов по снимкам Landsat // Вестник Поволжского государственного технологического университета. Серия «Лес. Экология. Природопользование». 2014. № 1. С. 18–32. EDN RXHHFP.
Курганович К. А., Шаликовский А. В., Босов М. А., Кочев Д. В. Применение алгоритмов искусственного интеллекта для контроля паводкоопасных территорий // Водное хозяйство России: проблемы, технологии, управление. 2021. № 3. С. 6–24. DOI: 10.35567/1999-4508-2021-3-1. EDN NIEEKC.
Файзуллоев Ш. А. Оценка точности классификации данных дистанционного зондирования в ГИС-технологии на примере района каскада ГЭС на реке Вахш // Известия Академии наук Республики Таджикистан. Отделение физико-математических, химических, геологических и технических наук. 2020. № 1. С. 96–103. EDN MHZPOX.
Шаликовский А. В. Наводнение-2018 в Забайкальском крае // Кулагинские чтения: техника и технологии производственных процессов: материалы XVIII Междунар. науч.-практ. конф.: в 3 ч. (г. Чита, 28–30 ноября 2018 г.). Чита: ЗабГУ, 2018. Ч. 3. С. 136–140. EDN YUASDZ.
Шаликовский А. В. Наводнения в Забайкальском крае: причины, последствия, возможности прогноза // Водные ресурсы и водопользование: сб. тр. (г. Чита, 20 июля 2019 г.). Чита: ЗабГУ, 2019. Вып. 9. С. 11–18. EDN ZVLRFH.
Шаликовский А. В. Основы рационального использования паводкоопасных территорий: автореф. дис. … д-ра геогр. наук: 25.00.36. Чита, 2004. 40 с. EDN NHVWPB.
Feizizadeh B., Darabi S., Blaschke T., Lakes T. QADI as a New Method and Alternative to Kappa for Accuracy Assessment of Remote Sensing-Based Image Classification // Sensors. 2022. Vol. 22, no. 12. P. 4506. DOI: 10.3390/s22124506. EDN TBUBTP.
Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks. URL: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neuralnetworks.pdf (дата обращения: 08.11.2023). Текст: электронный.
Qiu S., Lin Y., Shang R. Making Landsat Time Series Consistent: Evaluating and Improving Landsat Analysis Ready // Remote Sensing. 2019. Vol. 11, no. 1. P. 51. DOI: 10.3390/rs11010051. EDN TFDHVL.
Zha Y., Gao J., Ni S. Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas From TM Imagery // International Journal of Remote Sensing. 2003. Vol. 24, no. 3. P. 583–594. DOI: 10.1080/01431160304987.
Zhang L., Wu J., Fan Y., Gao H., Shao Y. An Efficient Building Extraction Method from High Spatial Resolution Remote Sensing Images Based on Improved Mask R-CNN // Sensors (Basel). 2020. Vol. 20, no. 5.
|
