Исследователи Сколтеха обучили нейронную модель определять высоту деревьев на спутниковых снимках для мониторинга природной среды, инфраструктуры и запасов древесины. В отличие от предыдущих решений, модель, представленная в IEEE Access, не требует съемок с дронов или изображений за пределами видимого диапазона в нескольких инфракрасных диапазонах — такие данные получить гораздо сложнее.

Ученые-экологи, инженеры -строители и работники деревообрабатывающей промышленности нуждаются в надежных оценках высоты полога леса на основе оптических спутниковых изображений . Он сообщает им, насколько хорошо работает экосистема, сколько атмосферного углекислого газа поглощают деревья, есть ли риск повреждения деревьями линий электропередач и сколько древесины доступно для вырубки.

Наблюдения на месте лесниками или с использованием дронов невозможны для больших территорий и труднодоступных регионов. Альтернативой является спутниковая съемка одновременно с несколькими камерами, которые охватывают несколько диапазонов инфракрасного излучения в дополнение к видимому свету. Однако эти так называемые мультиспектральные данные являются более дефицитными и дорогими.

В недавно опубликованном исследовании исследователи Сколтеха и их коллега из Сбера представили нейронную сеть , которая обеспечивает высококачественные прогнозы высоты полога леса, используя только обычные оптические спутниковые снимки.

«Самый важный фактор, который делает нашу нейронную сеть успешной, — это ее способность анализировать пространственные данные и характеристики текстуры. Она использует связь, существующую между формой и высотой кроны дерева», — говорит первый автор исследования, кандидат наук Сколтеха. студентка Светлана Илларионова.

«Наша нейронная сеть использует дополнительные входные данные, — продолжает она. «Наряду с оптическими изображениями мы добавили дополнительные функции в виде ArcticDEM, свободно доступной модели с высоким разрешением. Это представление голой топографической поверхности Земли с разрешением 2 метра, покрывающее бореальные регионы».

Данные для обучения модели поступают из Архангельской области на севере России. Прогнозы высоты купола оцениваются на основе того, насколько хорошо они соответствуют лидарным наблюдениям, сделанным в этом регионе с помощью дронов. Тем не менее, исследователи говорят, что их решение применимо везде, где растет более или менее похожая растительность.