| Статья | |
|---|---|
| Название статьи | Геоэкологическое картирование селитебных территорий Забайкальского края с использованием свёрточной нейронной сети |
| Авторы | Кочев Д.В. , |
| Библиографическое описание статьи | Кочев Д. В. Геоэкологическое картирование селитебных территорий Забайкальского края с использованием свёрточной нейронной сети // Вестник Забайкальского государственного университета. 2024. Т. 30, № 3. С. 27–37. DOI: 10.21209/2227-9245-2024-30-3-27-37. |
| Категория | Науки и Земле и окружающей среде |
| УДК | 502/ 504; 528.88 |
| DOI | 10.21209/2227-9245-2024-30-3-27-37 |
| Тип статьи | Научная статья |
| Аннотация | Наводнения представляют серьёзную угрозу для экономики и населения, однако их опасность зачастую недооценивается. В результате этого потенциально опасные участки хозяйственных территорий подвергаются интенсивной застройке, что приводит к ущербу при их затоплении. Использование современных методов дистанционного зондирования Земли в сочетании с алгоритмами глубокого обучения позволяет значительно повысить эффективность и точность картирования данных территорий, а также предоставляет возможность эффективно ими управлять, оптимизируя процессы планирования и развития территорий, снижая ущерб при затоплении. Объект исследования – паводкоопасные территории населённых пунктов Забайкальского края. Цель исследования – усовершенствование геоэкологического картирования хозяйственного использования селитебных территорий Забайкальского края, подверженных наводнениям, в межпаводковый период. Задачи исследования: обработка снимков; визуализация объектов, принадлежащих к разным классам хозяйственного использования; анализ и оценка изменений в пределах опасных территорий; проверка результатов, полученных с использованием свёрточной нейронной сети; разработка программного продукта, позволяющего информировать заинтересованных лиц о наличии опасных территорий. В работе использованы методы исследований в области дистанционного зондирования Земли и обработки картографической информации. Получены данные дистанционного зондирования высокого разрешения, свободно распространяемые сервисами Google Earth, и данные с беспилотных летательных аппаратов. Данные представлены в растровом формате и имеют координатную привязку. Обработку данных осуществляли с помощью свёрточной нейронной сети U-Net. Выполнены обработка снимков с использованием нейросети и визуализация объектов, принадлежащих к разным классам хозяйственного использования территорий. Произведены ретроспективный анализ и оценка изменений застройки в опасных территориях. Данные показывают активное индивидуальное строительство в опасной зоне. Осуществлена проверка адекватности результатов, полученных с использованием свёрточной нейронной сети. Разработан программный продукт, позволяющий определить наличие опасных территорий в пределах населённых пунктов, что позволяет значительно повысить эффективность и точность картирования хозяйственной деятельности в населённых пунктах. |
| Ключевые слова | паводкоопасные территории, наводнения, дешифрирование, дистанционное зондирование Земли, нейронные сети, машинное обучение, программа для электронной вычислительной машины, Python, ущерб, картирование |
| Информация о статье | |
| Список литературы | Богатырева А. А., Виноградова А. Р., Тихомирова С. А. Исследование способности к Transfer Learning свёрточных нейронных сетей, обученных на Imagenet // Международный журнал прикладных и фундаментальных исследований. 2019. № 7. С. 106–111. Галанов А. Э., Селюкова Г. П. Нейронные сети и нейронные технологии // Актуальные вопросы науки и хозяйства: новые вызовы и решения: сб. ст. LIII Междунар. студ. науч.-практ. конф. Тюмень: Государственный аграрный университет Северного Зауралья, 2019. С. 399–405. Кочев Д. В. Геоэкологическое картирование застройки на паводкоопасных территориях городов Шилки и Нерчинска Забайкальского края с использованием спектрального индекса NDBI и нейронной сети // Вестник Забайкальского государственного университета. 2024. Т. 30, № 1. С. 28–39. 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. Сеничев А. В., Новикова А. И., Васильев П. В. Сравнение глубокого обучения с традиционными методами компьютерного зрения в задачах идентификации дефектов // Молодой исследователь Дона. 2020. № 4. С. 64–67. Солодухин А. А. Забайкальский край – паводкоопасный регион // Техносферная безопасность Байкальского региона: сб. ст. междунар. науч.-практ. конф. Чита: ЗабГУ, 2017. С. 24–32. Шаликовский А. В. Основы рационального использования паводкоопасных территорий: автореф. дис. … д-ра геогр. наук: 25.00.36. Чита, 2004. 40 с. Girshick R., Donahue J., Darrell T., Malik J. Region-based convolutional networks for accurate object detection and semantic segmentation // IEEE Trans Pattern Anal Mach Intell. 2016. No. 38. P. 142–158. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge (MA): MIT Press, 2016. Graves A., Liwicki M., Fernandez S., Bertolami R., Bunke H., Schmidhuber J. A. Novel connectionist system for improved unconstrained handwriting recognition // IEEE Trans Pattern Anal Mach Intell. 2009. No. 31. P. 855–868. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. Hinton G. E., Osindero S., Teh Y. W. A Fast-learning algorithm for deep belief nets // Neural Comput. 2006. No. 18. P. 1527–1554. Hu W., Huang Y., Wei L., Zhang F., Li H. Deep convolutional neural networks for hyperspectral image classification // J Sens. 2015. No. 2. P. 3–12. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks. Текст: электронный // Adv Neural Inf Process Syst 25. 2012. URL: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neuralnetworks.pdf (дата обращения: 12.05.2024). Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. Текст: электронный // arXiv. 2015. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения: 12.05.2024). |
| Полный текст статьи | Геоэкологическое картирование селитебных территорий Забайкальского края с использованием свёрточной нейронной сети |
