Введение

Лесные пожары представляют собой одну из наиболее значительных природных угроз, приводящих к масштабным экологическим последствиям, экономическому ущербу и создающих опасность для жизни и здоровья населения. Оперативное выявление потенциальных очагов возгорания и оценка степени пожарной опасности территорий являются критически важными задачами для предотвращения и минимизации последствий пожаров. Традиционные методы наземного мониторинга трудоемки и не всегда позволяют охватить обширные и труднодоступные лесные территории. В то время как спектральные индексы, такие как NDVI (Normalized Difference Vegetation Index) и NDWI (Normalized Difference Water Index), широко используются, они не всегда позволяют точно разделить различные типы растительности или определить степень пожарной опасности, особенно в сложных гетерогенных ландшафтах.

В последние годы активно развиваются методы с использованием технологий дистанционного зондирования Земли (ДЗЗ) и машинного обучения. Спутниковые снимки (например, с аппаратов Sentinel-2, Landsat) предоставляют обширную и регулярно обновляемую информацию о состоянии лесных территорий. Искусственные нейронные сети, в частности сверточные нейронные сети (CNN) и архитектуры типа U-Net, демонстрируют высокую эффективность в задачах семантической сегментации изображений, включая картирование выгоревших территорий и оценку пожарной опасности. Ряд недавних исследований подтверждает перспективность данного подхода. Например, SSU-Net, модификация U-Net, показала высокую точность в картировании выгоревших участков по данным Landsat-8 и Sentinel-2 [1]. Другие работы также посвящены оптимизации моделей глубокого обучения для детекции и сегментации пожаров [2], а также повышению точности детекции активных очагов с использованием текстурных признаков ГЛСМ (GLCM) в моделях случайного леса (Random Forest) по данным Sentinel-2 [3]. Исследования также ведутся в направлении оценки производных данных Sentinel-2 MSI для детекции выгоревших участков с применением GeoAI, включая U-Net [4], и использования архитектур типа U-Net с энкодером ResNet50 для детекции пожаров по единовременным снимкам Sentinel-2, достигая F1-меры до 98.78% [5].

Целью данной работы является разработка и теоретическое обоснование усовершенствованной методологии, позволяющей эффективно определять и классифицировать возможные очаги лесных пожаров на основе анализа спутниковых снимков с применением нейросетевых технологий, с акцентом на территорию Республики Бурятия.

Научная новизна предлагаемой методики заключается в следующем:

• Применение детализированного набора классов пожарной опасности, основанного на Приказе Федерального агентства лесного хозяйства, адаптированного для задач машинного обучения.
• Использование мультивременного анализа спутниковых данных для учета динамики состояния растительного покрова и повышения точности классификации.
• Разработка концепции удобного пользовательского приложения для оперативного анализа данных специалистами.

Задачи исследования включают:

1. Определить и детализировать классы очагов лесных пожаров для классификации на основе нормативного документа [6].
2. Разработать методику сбора, предварительной обработки и разметки спутниковых снимков для Республики Бурятия за определенный период наблюдений (например, пожароопасные сезоны последних 3-5 лет).
3. Предложить и обосновать выбор архитектур нейронных сетей (например, U-Net, DeepLabV3+) и параметров их обучения для классификации очагов пожарной опасности.
4. Разработать методику валидации модели и оценки точности классификации.
5. Создать концепцию пользовательского приложения для работы с нейронной сетью.

Рисунок 1. Блок-схема методологии

Материалы и методы исследования

3.1 Объект и предмет исследования Объектом исследования является процесс классификации лесных территорий Республики Бурятия по степени пожарной опасности на основе анализа данных спутникового мониторинга. Предметом исследования выступает методология такой классификации, использующая нормативные документы РФ. Географические границы исследования охватывают лесной фонд Республики Бурятия. Период наблюдений для сбора данных будет включать пожароопасные сезоны (обычно весна-осень) за последние 3-5 лет для обеспечения достаточного объема данных для обучения и учета вариативности условий.

3.2 Спутниковые данные и их предварительная обработка Для анализа планируется использовать мультиспектральные спутниковые данные, получаемые со спутников Sentinel-2 (MSI) и Landsat 8/9 (OLI/TIRS), доступные через платформы Copernicus Open Access Hub, USGS EarthExplorer и облачные платформы, такие как Google Earth Engine.

• Sentinel-2 MSI: Пространственное разрешение 10 м, 20 м, 60 м (в зависимости от канала). Временное разрешение – около 5 дней (при использовании двух спутников S2A и S2B). Ключевые спектральные каналы: видимый диапазон (Blue, Green, Red), Red Edge, ближний инфракрасный (NIR), коротковолновый инфракрасный (SWIR).
• Landsat 8/9 OLI/TIRS: Пространственное разрешение 30 м (мультиспектральные каналы), 100 м (тепловые каналы, пересчитанные до 30 м). Временное разрешение – 16 дней (для каждого спутника). Ключевые спектральные каналы: видимый, NIR, SWIR, тепловой инфракрасный (TIR).

Предварительная обработка данных будет включать:

• Радиометрическую калибровку.
• Атмосферную коррекцию (например, с использованием алгоритмов Sen2Cor для Sentinel-2 или LaSRC для Landsat).
• Геометрическую коррекцию и взаимную регистрацию разновременных снимков.
• Создание бесшовных композитных изображений на интересующую территорию.
• Расчет вегетационных и других спектральных индексов, чувствительных к состоянию растительности и влажности, таких как:
  • NDVI (Normalized Difference Vegetation Index)
  • NBR (Normalized Burn Ratio)
  • NDWI (Normalized Difference Water Index)
  • SAVI (Soil Adjusted Vegetation Index)
  • Другие индексы, использующие каналы SWIR.

3.3 Классификация пожарной опасности лесов и разметка данных Основой для классификации очагов пожарной опасности служит Приказ Федерального агентства лесного хозяйства «Об утверждении классификации природной пожарной опасности лесов и классификации пожарной опасности в лесах в зависимости от условий погоды» [6]. Особое внимание уделяется территориям с наивысшей степенью риска (1 класс опасности).

Таблица 1

Основные категории участков 1-го класса пожарной опасности

Разметка данных (создание обучающей выборки) будет производиться в ГИС-программе (например, QGIS актуальной версии с использованием плагинов, таких как Semi-Automatic Classification Plugin). Планируется создание не менее нескольких сотен полигонов для каждого ключевого класса пожарной опасности, особенно для 1-го класса. Разметку будут проводить эксперты в области лесного хозяйства и ДЗЗ, знакомые с территорией Республики Бурятия. Качество разметки будет контролироваться через процедуры взаимной проверки и, возможно, с расчетом коэффициента согласия аннотаторов (inter-annotator agreement) на части выборки. Каждый класс будет представлен в виде отдельного векторного слоя. Будут использоваться мультивременные изображения для более точной классификации.

Рисунок 2. Пример размеченного полигона на спутниковом снимке

3.4 Архитектура нейронной сети и обучение Для задачи семантической сегментации пожароопасных участков леса предлагается рассмотреть следующие архитектуры нейронных сетей:

• U-Net: Хорошо зарекомендовавшая себя архитектура для сегментации биомедицинских изображений, успешно адаптированная для задач ДЗЗ, включая картирование пожаров.
• DeepLabV3+: Продвинутая архитектура, использующая концепции Atrous Spatial Pyramid Pooling (ASPP) для учета контекста на разных масштабах. В качестве энкодера для этих архитектур могут быть использованы предварительно обученные на больших наборах данных (например, ImageNet) сети, такие как ResNet-50, ResNet-101 или EfficientNet, для улучшения способности извлечения признаков.

Обучение нейронной сети (которое еще не было произведено на момент написания исходного документа) будет включать следующие этапы:

• Подготовка данных: Разделение размеченных данных на обучающую, валидационную и тестовую выборки (например, в соотношении 70%/15%/15%).
• Выбор функции потерь: Например, Dice Loss, Jaccard Loss (IoU Loss), Focal Loss или их комбинации, которые хорошо подходят для несбалансированных классов.
• Оптимизатор: Adam, SGD с моментом.
• Гиперпараметры: Начальная скорость обучения (learning rate, например, 10−3 — 10−5), размер батча (batch size, зависит от доступной видеопамяти, например, 4-16), количество эпох обучения (например, 50-200, с использованием early stopping).
• Кросс-валидация: Будет применяться k-кратная кросс-валидация (k-fold cross-validation, например, k=5) или метод исключения одного региона (leave-one-region-out), если данные позволяют, для получения более робастной оценки производительности модели.

Оценка качества модели будет производиться с использованием стандартных метрик для задач сегментации:

• Accuracy (общая точность).
• Precision (точность).
• Recall (полнота).
• F1-score (F-мера).
• Intersection over Union (IoU) / Jaccard Index (для каждого класса и среднее значение).

Ожидаемые результаты и обсуждение

Ожидается, что предложенная методология позволит разработать модель нейронной сети, способную с высокой точностью (целевой показатель IoU > 0.75 и общая точность ≥ 85% на тестовой выборке для ключевых классов пожарной опасности) классифицировать лесные территории Республики Бурятия по степени пожарной опасности.

Ключевые ожидаемые результаты:

1. Создание набора аннотированных спутниковых данных (обучающей выборки) для территории Республики Бурятия.
2. Обученная и валидированная модель нейронной сети для семантической сегментации пожароопасных участков.
3. Карты-схемы распределения классов пожарной опасности для исследуемой территории.
4. Оценка точности и эффективности предложенной методики в сравнении с традиционными подходами.

Полученные результаты могут быть внедрены в практику региональных служб лесного хозяйства и МЧС Республики Бурятия через предлагаемое пользовательское приложение. Это приложение позволит визуализировать актуальные карты пожарной опасности, формировать отчеты и потенциально интегрироваться с существующими ГИС-системами для генерации автоматизированных предупреждений при выявлении участков с высоким риском возгорания. Это будет способствовать повышению оперативности принятия управленческих решений и эффективности превентивных противопожарных мероприятий.

Обсуждение также коснется ограничений исследования, таких как возможная нехватка данных для некоторых редких классов, влияние облачности на спутниковые снимки и необходимость адаптации модели при переносе на другие территории с отличными природно-климатическими условиями.

Заключение

Разработка и применение усовершенствованной методологии на основе нейронных сетей и спутниковых данных для выявления и классификации очагов пожарной опасности лесов имеет высокий научный и практический потенциал. Предложенный подход, сочетающий использование детализированных классов пожарной опасности на основе российских нормативов, мультивременной анализ спутниковых данных и современные архитектуры глубокого обучения, способен обеспечить значительное повышение точности и оперативности мониторинга лесных пожаров на территории Республики Бурятия.

Основной вклад данной работы заключается в:

• Адаптации и детализации нормативно утвержденных классов пожарной опасности для задач машинного обучения.
• Предложении комплексной методики, охватывающей все этапы от сбора данных до обучения нейросетевой модели и оценки ее эффективности.
• Ориентации на создание практического инструмента в виде пользовательского приложения для специалистов лесного хозяйства и МЧС.

Ограничения исследования: Точность модели может зависеть от качества и доступности безоблачных спутниковых снимков, особенно для регионов с высокой облачностью. Генерализация модели на другие территории может потребовать дополнительного обучения или адаптации. Точность разметки данных человеком также является фактором, влияющим на конечный результат.

Направления будущей работы: Дальнейшие исследования будут направлены на практическую реализацию всех этапов методики, включая сбор репрезентативной обучающей выборки для Республики Бурятия, эксперименты с различными архитектурами нейронных сетей и их гиперпараметрами, а также разработку и тестирование прототипа пользовательского приложения. Планируется исследование возможностей интеграции дополнительных источников данных (например, метеорологических данных, данных о рельефе, данных с БПЛА) для повышения точности классификации.