Нарушения лесного покрова, как природные, так и связанные с деятельностью человека, являются ключевой составляющей динамики лесных экосистем. В настоящее время спутниковый мониторинг обеспечивает получение в автоматическом режиме данных о площади повреждений лесов с приемлемым пространственным разрешением и точностью (Hansen et al., 2013). Однако определение причин нарушений, как правило, не автоматизировано. Решение этой задачи позволит получить важную информацию для оценки углеродного баланса, влияния разных типов нарушений на биоразнообразие, экономических последствий, и для совершенствования управления лесными ресурсами.
В рамках настоящего исследования рассматривается возможность распознавания типов нарушений лесного покрова по снимкам Sentinel-2 с применением алгоритмов машинного обучения. Для этих целей по разносезонным снимкам Sentinel-2 создана выборка, включающая 17766 объектов следующих типов: сплошных рубок (2523), проходных рубок (2981), выборочных рубок (544), лесных дорог (721), карьеров, гарей (20), ветровалов (10976). Выборка разделена на обучающую и контрольную подгруппы в соотношении 75% на 25%. Для создания выборки использовались снимки, полученные для разных районов лесной зоны Европейской территории России и Урала.
Для каждого нарушения лесного покрова определены даты двух снимков Sentinel-2, полученных до и после нарушения, идентификаторы (Product ID) снимков, полученных до и после нарушения. Также по аналогии с работой (Тарасов и др., 2021) определен признак сезона: выделены нарушения лесного покрова летнего, зимнего сезонов и переходного периода. К летней группе были отнесены изменения, произошедшие в бесснежный период, когда снежный покров отсутствует на обоих снимках, а к зимней — при наличии снежного покрова на обоих снимках. К группе переходных изменений относились все объекты, где снежный покров имеется на одном из снимков в паре.
Преобразование выборки в формат, необходимый для обучения моделей, включало ее представление в виде тайлов размером 256×256 пикселей. Каждый тайл содержит целевую маску и набор входных признаков. Для предотвращения переобучения моделей использовалась аугментация изображений, а именно геометрические преобразования (поворот, зеркальное отображение и др.). С этой же целью были добавлены слои дропаута.
Полученная обучающая выборка была использована для обучения двух моделей машинного обучения: попиксельного классификатора Random Forest и сверточной нейронной сети архитектуры U-net.


Исследование выполнено при поддержке РНФ, проект № 22-27-20018