CC BY
2DOI 10.31509/2658-607x-202363-130 УДК 614.842; 630*96
МЕТОДЫ И ГИС-ИНСТРУМЕНТЫ МАШИННОГО ОБУЧЕНИЯ C ОТКРЫТЫМ КОДОМ В ЛЕСНОМ ТРАНСПОРТНОМ МОДЕЛИРОВАНИИ
© 2023 г. Е. С. Подольская
Центр по проблемам экологии и продуктивности лесов РАН Россия, 117997, Москва,ул. Профсоюзная, 84/32, стр. 14
E-mail: podols_kate@mail.ru
Поступила в редакцию: 05.07.2023 После рецензирования: 22.09.2023 Принята к печати: 23.09.2023
В статье описываются методы и инструменты машинного обучения ^О) для транспортного моделирования доступа к лесным пожарам и лесным ресурсам наземными средствами для регионов России. Транспортная доступность в лесном хозяистве является предметом изучения и улучшения. Методы MO играют важную роль в обнаружении изменении и автоматизированном сборе данных для транспортнои инфраструктуры. В статье проанализированы последние научные публикации двух систем, а именно: россиискои электроннои библиотеки «КиберЛенинка» и европеискои сети для общения ученых ResearchGate. Необходимо отметить, что по состоянию на осень 2023 года количество работ по использованию МО в моделировании транспортных перемещении в лесах указанных систем было небольшим. Были изучены плагины из репозитория QGIS с открытым исходным кодом. Можно ожидать возможного увеличения количества плагинов для MО от исследователеи и студентов, отдельные разработчики и небольшие исследовательские группы проявляют интерес к теме. Перспективы МО для наземного транспортного моделирования в лесном хозяистве еще недостаточно изучены.
Ключевые слова: машинное обучение, открытый код, ГИС, лесное хозяйство, транспортное моделирование
Транспортное моделирование представляет собои инструмент планирования и развития регионов, изучается многими тематическими областями. Одним из результатов транспортного моделирования в лесном хозяистве является характеристика транспортнои доступности, необходимая для организации охраны, защиты и воспроизводства лесов (Подольская, 2021).
Транспортное моделирование для доступа к лесным пожарам и ресурсам леса в России сохраняет свою актуальность, так как значительная часть лесного фонда страны находится в удаленных и труднодоступных раионах. В сфере транспортного моделирования в России работает ряд научных организации, ключевыми из которых являются Всероссиискии на-учно-исследовательскии институт лесо-
водства и механизации лесного хозяйства (ВНИИЛМ) и Центр по проблемам экологии и продуктивности лесов Российской Академии наук (ЦЭПЛ РАН), а также ряд учебных заведении — Мытищинскии филиал МГТУ им. Н. Э. Баумана, Петрозаводским государственным университет и Санкт-Петербургскии государственныи лесотех-ническии университет имени С. М. Кирова. Как упоминалось ранее (Подольская, 2021), у каждои организации есть своя тематическая специализация в решении транспортных лесных вопросов.
Машинное обучение (МО) как технология искусственного интеллекта в настоящее время привлекает много исследователей (Шыхалиев, 2020; Михов и др., 2021), его методы показаны на рис. 1. Для лесного транспортного моделирования необходимо изучение методов и инструментов МО с целью показать современные возмож-
ности этого направления для обработки имеющихся и получаемых векторных и растровых данных, а также для выявления новых инфраструктурных законо-мерностеи в лесном хозяистве. Особенно перспективны методы МО для сбора данных, а также определения произошедших изменении инфраструктурного характера, что справедливо для всех направлении современных информационных технологии, включая геоинформатику.
В лесном хозяистве методы машинного обучения позволяют решать различные задачи, включая классификации территории по инфраструктурнои нагрузке и обеспеченности объектами логистики пожаротушения (пожарно-химическими станциями, или ПХС), устанавливать зависимости между распределением лесных пожаров и объектов инфраструктуры при помощи регрессии.
Рисунок 1.Система методов машинного обучения
(перевод источника: Artificial Intelligence Tools and Platforms for GIS, 2023 https://gistbok.ucgis.org/bok-topics/artificial-inteUigence-tools-and-platforms-gis)
Следующие методы МО целесообразно использовать для решения задач моделирования и оценки транспортной доступности: случайные леса для рай онирования (Подольская и др., 2023), сверточные неи -ронные сети для распознавания дорог по космическим снимкам (Подольская, 2022) и последующего сравнения с наборами данных глобальных источников, например, OSM.
В последние годы публикуется много материалов по использованию методов МО в транспортных и логистических проектах, оценке природных ресурсов. Лесному транспортному моделированию пока уделяется мало внимания, хотя это направление сочетает задачи транспорта и экономики и специфику лесного хозяи -ства. ЦЭПЛ РАН активно применяет методы МО в различных проектах, например, для регрессионного моделирования климаторегулирующих экосистемных услуг лесов используется метод случаи ных ле-сов (Нарыкова, Плотникова, 2022; Плотни-кова и др., 2022).
Цель работы — изучение возмож-ностеи методов и инструментов МО для ГИС-проекта наземного транспортного моделирования в лесном хозяйстве России. Задачи работы заключаются в анализе количества опубликованных научных работ по данным проектов КиберЛенинка и ResearchGate и определении доступных ГИС-модулеи (инструментов) с открытым кодом (Open Source) для лесного транспортного моделирования.
МАТЕРИАЛЫ И МЕТОДЫ
Лесное транспортное моделирование наземного доступа по дорогам общего, специального (например, лесного) и временного (например, зимники) пользования представляет собои гибридное направление транспорта и лесного хозяи -ства. Вследствие узкои тематическои направленности заданнои темы количество публикации с использованием МО довольно ограничено.
Для анализа были использованы данные из двух разных систем (российская научная библиотека и европейская сеть для общения ученых) по поиску научных работ на русском и иностранных (преимущественно, английском) языках.
Поиск в системе научнои электроннои библиотеки «КиберЛенинка» в сентябре 2023 г. дал следующие результаты (рис. 2). Как показано на рис. 2, а и 2, б, работы с ключевыми словами «машинное обучение в лесном транспортном моделировании» составляют около 20% от всего числа работ по лесному хозяйству с использованием методов этого раздела искусственного интеллекта. Аналогичныи результат был получен при поиске в КиберЛенинке летом 2021 г.
Поиск по ключевои фразе «Machine learning in forest transport modeling» (первые 20 страниц результатов поиска) в ResearchGate, европей скои бесплатнои социальнои сети и средства сотрудничества ученых и исследователе^ являющеи -ся крупнейшей по количеству активных
Е. С. Подольская
3
(а)
машинное обучение в лесном хозяйстве
ФИЛЬТР ПО ГОДУ
2023 60 2021+ 636 2019+ 950 Задать
ФИЛЬТР ПО ТЕРМУ OECD
Экономика и бизнес 1107 История и археология 562 Науки об образовании Языкознание и литературоведение 220 Право 139
Сельское хозяйство, лесное хозяйство, рыбное хозяйство
Философия, этика, религиоведение 96 Социологические науки 84 Компьютерные и информационные науки 57 Науки о здоровье 55
(б)
машинное обучение в лесном транспортном моделировании
ФИЛЬТР ПО ГОДУ
2023 18 2021+ 105 2019+ 156 Задать
ФИЛЬТР ПО ТЕРМУ OECD
Экономика и бизнес 208 Языкознание и литературоведение 83 Право 57 Науки об образовании 38 Компьютерные и информационные науки 31 Прочие медицинские науки 29 Математика 28
Сельское хозяйство, лесное хозяйство, рыбное хозяйство 22
Философия, этика, религиоведение 21 Энергетика и рациональное природопользование
Рисунок 2. Количественные результаты поиска публикации в электронной библиотеке «КиберЛенинка»
пользователей, показал две тематические группы статеи с несколькими примерами в каждои. К первои группе относится применение методов МО в транспортных проектах, где авторы отмечают недостаточное использование преимуществ МО (Behrooz, Hayeri, 2022; и др.). В этои же группе появляются работы по использованию методов МО в экономических оценках стоимости строительства дорог (Jaafari et al., 2021). Во второи — работы по распознаванию количественных и качественных характеристик леса на космических снимках (Михаилов, Саи, 2017) и природным ресурсам. В качестве учебного примера
отметим, что в Санкт-Петербургском государственном университете в 2019 г. была защищена магистерская выпускная квалификационная работа по методам МО для оценки и картографирования ресурсов леса (Сныткина, 2020). По выполненному обзору можно утверждать, что самыми популярными методами МО для лесного хо-зяиства продолжают оставаться k-NN, SVM и варианты деревьев решении.
К актуальным задачам МО в лесном транспортном моделировании наземного доступа можно отнести наиболее популярные в картографии и геоинформатике (Kolesnikov et al., 2018):
• классификация — отнесение объекта к одной из категории на основании его признаков (Михаилов, Саи, 2017);
• регрессия — прогнозирование одного или нескольких количественных признаков объекта на основании набора прочих его признаков (Нарыкова, Плотникова, 2022; Плотникова и др., 2022);
• кластеризация — разбиение множества объектов на группы на основании признаков этих объектов (пример модуля — https://gis-lab.info/qa/qgis-attr-based-clust.html).
Опыт группы по решению транспорт-нои задачи Лабораториеи мониторинга лесных экосистем ЦЭПЛ РАН включает моделирование наземного доступа специ-альнои пожарнои техники по дорогам разных классов с использованием исследо-вательскои регрессии для данных по лесным пожарам и инфраструктуре. Группа использует разнообразные программные средства, делая акцент на Open Source ин-
струментах, среди которых лидирующее значение имеет ГИС-пакет с открытым кодом QGIS. Список плагинов для решения задач МО из репозитория инструментов (https://plugins.qgis.org/plugins/tags/ machine-learning/) показан на рис. 3. Список инструментов, доступных в мае-октябре 2022 г. (Cluster Points, Deep Learning Datasets Maker, EnMap-Box3 и Mapflow), расширился и составляет на сентябрь 2023 г. 6 позиции (рис. 3). Все указанные плагины были выложены в репозитории начиная с 2020 г.
Входными данными для плагинов для продолжения исследования будут цифровые инфраструктурные наборы по населенным пунктам и дорожнои сети проекта OSM, архив лесных пожаров, детектированных системои MODIS, маршруты наземного доступа в леса, которые строятся по методике и реализованнои в Лаборатории мониторинга лесных экосистем ЦЭПЛ РАН ГИС-технологии.
Name Ы Author Latest Plugin Version Created on Stars (votes) Stable Exp.
sag 5ob ClusterPoints — 22662 Johannes Jenkner Aug. 18, 2023 March 30. 2020 (20) 6.1 —
■ ■■ шва ааа Deep Learning Datasets Maker — 2331 deepbands (Youssef Harby and Yizhou Chen) Jan. 18, 2022 Dec. 10, 2021 ыЫЫЫы (2) - 0.2.1
• Deepness: Deep Neural Remote Sensing — 5465 PUT Vision July 17, 2023 Oct. 20. 2022 ШжшЫш (51) 0.5.1 0.3.0
Л EnMAP-Box 3 — 49304 Andreas Janz, Benjamin Jakimow, Sebastian van der Linden, Fabian Thiel, Henrike Dierkes Aug 31,2023 March 7. 2019 micvmm (76) 3.12.1 3.13.0- alpha-1
ЕВ Map Segmenter — 978 Quant Civil Sept 2, 2023 June 16, 2023 (1) 2.0.2 —
Г7\ Mapflow — 56886 Geoalert Aug. 14, 2023 July 9. 2021 ЫЫЫЫЫ (56) 2.2.1 -
Рисунок 3. Плагины QGIS с тэгом «machine learning»
ЗАКЛЮЧЕНИЕ
В статье показано современное состояние использования методов МО в решении задач лесного хозяйства и лесном транспортном моделировании c перечислением российских организации, работающих по соответствующеи тематике, и научных работ, доступных в электроннои библиотеке «КиберЛенинка» и сети ResearchGate. Выполнен краткии обзор плагинов Open Source QGIS для МО в лесном транспортном моделировании.
В качестве перспективы можно предположить, что количество плагинов будет медленно увеличиваться, их функциональные возможности станут более широкими. Ниша ГИС-инструментов транспортного моделирования в лесном хозяистве, которые можно отнести к направлению использования методов МО, продолжает оставаться достаточно узкои ввиду, во-первых, изначально гибриднои специфики темы и, во-вторых, определеннои универсальности имеющихся инструментов репозитория плагинов QGIS. Имеющиися опыт изучения истории и результатов раз-
работки плагинов позволяет также предположить, что большая часть таких тематических транспортно-лесных инструментов будут частями исследовательских или учебных квалификационных работ. Для машинного обучения будут активно использоваться библиотеки разработки на Python, например Keras, Scikit-learn, PyTorch и NumPy, относящиеся к Open Source-решениям и представляющие интерес для геоинформационных проектов.
Методы МО применительно к транспортному моделированию наземного доступа планируется применить для оценок и сценариев пространственного расположения ПХС в пожароопасных регионах России.
ФИНАНСИРОВАНИЕ
Работа выполнена в рамках темы Государственного задания «Методические подходы к оценке структурнои организации и функционирования лесных экосистем», регистрационныи номер № 121121600118-8.
СПИСОК ЛИТЕРАТУРЫ
Михайлов Е. В., Сай С. В. Выделение леса на космических снимках с помощью методов машинного обучения // Доклады ТУСУРа. 2017. Т. 20. № 1. С. 89-92. DOI: 10.21293/1818-0442-2017-20-1-
89-92.
Михов О. М., Шаталова Н. В., Бородина О. В., Васильев Ю. И. Применение технологии машинного обучения для Drone Network в логистике и портовои деятельности России // Морские интеллектуальные технологии. 2021. № 4. Т. 1. С. 149-157.
Нарыкова А. Н., Плотникова А. С. Подготовка предикторов для моделирования климаторегулирующих экосистемных услуг лесов на региональном уровне с помощью Google Earth Engine // Научные основы устоичивого управления лесами: Материалы Всероссии-скои научнои конференции с международным участием, посвященнои 30-летию ЦЭПЛ РАН. М.: ЦЭПЛ РАН, 2022. С. 182-184.
Плотникова А. С., Савин М. С., Лукина Н. В., Тебенькова Д. Н., Колычева А. А., Чума-ченко С. И., Шанин В. Н. Картографирование климаторегулирующих экосистемных услуг лесов на локальном уровне // Научные основы устоичи-вого управления лесами: Материалы Всероссиискои научнои конференции с международным участием, посвя-щеннои 30-летию ЦЭПЛ РАН. М.: ЦЭПЛ РАН, 2022. С. 190-192.
Подольская Е. С. Обзор опыта решения задач транспортного моделирования в лесном хозяистве // Вопросы лес-нои науки. T. 4. № 4. 2021. С. 1-32. DOI: 10.31509/2658-607x-2021-44-92.
Подольская Е. С. Использование данных дистанционного зондирования Земли из космоса для распознавания изображения дорог в лесном хозяистве // Вопросы леснои науки. 2022. T. 5. № 4. С. 1-21. DOI 10.31509/2658-607x-202252-115
Подольская Е. С., Ершов Д. В., Ковганко К. А. Инфраструктурное зонирование территории для определения связеи с лесными пожарами (на примере Красноярского края, Россия) // Леса России: политика, промышленность, наука, образование: материалы VIII Всероссиискои научно-техническои конференции 24-26 мая 2023 г. / Под. ред. А. А. Добровольского. Санкт-Петербург: СПбГЛТУ 2023. C. 330-333.
Сныткина Д. А. Применение методов машинного обучения при оценке и картографировании природных ресурсов: Магистерская ВКР (спец. 05.04.03). Санкт-Петербург: СПбГУ 2020. 92 с.
Шыхалиев Р Г Исследование современного состояния применения машинного обучения в нефтегазовои отрасли // Informasiya texnologiyalari problemlari. 2020. № 2. С. 52-60. DOI: 10.25045/jpit. v11.i2.05.
Behrooz H., Hayeri Y. M. Machine learning applications in surface transportation sys-
tems: a literature review // Applied Sciences. 2022. Vol. 12. Article ID: 9156.
CP-04-Artificial intelligence tools and platforms for GIS, 2023. URL: https://kurl. ru/TtgVM (дата обращения 10 августа 2023 г.).
Jaafari A., Pazhouhan I., Bettinger P Machine learning modeling of forest road construction costs // Forests. 2021. Vol. 12. Article ID: 1169.
Kolesnikov A. A., Kikin P M., Komissarova E. V., Kasyanova E. L. Use of machine learning technologies in decision of geoinformational tasks // Proceedings of the International conference “InterCarto. Inter-GIS”. 2018. Vol. 24 (2). P. 371-384.
URL: https://cyberleninka.ru/ (дата обращения 10 августа 2023 г.).
URL: https://www.researchgate.net/ (дата обращения 10 августа 2023 г.).
REFERENCES
Behrooz H., Hayeri Y. M., Machine learning applications in surface transportation systems: a literature review, Applied Sciences, 2022, Vol. 12, Article ID: 9156.
Jaafari A., Pazhouhan I., Bettinger P., Machine learning modeling of forest road construction costs, Forests, 2021, Vol. 12, Article ID: 1169.
Kolesnikov A. A., Kikin P. M., Komissarova E. V., Kasyanova E. L., Use of machine learning technologies in decision of geoinformational tasks, Proceedings of the Interna-
tional conference "InterCarto. InterGIS", 2018, Vol. 24 (2), pp. 371-384.
Mihajlov E. V., Saj S. V., Vydelenie lesa na ko-smicheskih snimkah s pomoshh'ju me-todov mashinnogo obuchenija (Forest identification on the satellite imagery using machine learning methods), Doklady TUSURa, 2017, Vol. 20, No 1, pp. 89-92, DOI: 10.21293/1818-0442-2017-20-1-
89-92
Mihov O. M., Shatalova N. V., Borodina O. V., Vasil'ev Ju. I., Primenenie tehnologij mashinnogo obuchenija dlja Drone Network v logistike i portovoj dejatel'nosti Rossii (Application of machine learning technologies for Drone Network in logistics and port activities in Russia), Morskie intellektual'nye tehnologii, 2021, No 4, Vol. 1, pp. 149-157.
Narykova A. N., Plotnikova A. S., Podgotovka prediktorov dlja modelirovanija kli-matoregulirujushhih jekosistemnyh uslug lesov na regional'nom urovne s pomoshh'ju Google Earth Engine (Preparation of predictors for modeling climateregulating forest ecosystems services at regional level using Google Earth Engine), Nauchnye osnovy ustojchivogo upravlenija lesami: Materialy Vserossijskoj nauchnoj konferencii s mezhdunarodnym uchastiem, posvjashhennoj 30-letiju CEPF RAS. M.: CEPF RAS, 2022, pp. 182-184.
Plotnikova A. S., Savin M. S., Lukina N. V., Teben'kova D. N., Kolycheva A. A., Chu-machenko S. I., Shanin V. N., Kartografi-rovanie klimatoregulirujushhih jekosis-
temnyh uslug lesov na lokal'nom urovne (Mapping of forest climate-regulating ecosystem services at local level), Nauch-nye osnovy ustojchivogo upravlenija lesa-mi: Materialy Vserossijskoj nauchnoj kon-ferencii s mezhdunarodnym uchastiem, posvjashhennoj 30-letiju CEPF RAS. M.: CEPF RAS, 2022, pp. 190-192.
Podolskaia E. S., Obzor opyta reshenija za-dach transportnogo modelirovanija v lesnom hozjajstve (Review of experience in solving transport modeling problems in the forestry), Voprosy lesnoj nauki, 2021, Vol. 4, No 4, pp. 1-32, DOI: 10.31509/2658-607x-2021-44-92.
Podolskaia E. S., Ispol'zovanie dannyh distan-cionnogo zondirovanija Zemli iz kosmosa dlja raspoznavanija izobrazhenija dorog v lesnom hozjajstve (Using Earth remote sensing data from space for road image recognition in the forestry), Voprosy lesnoj nauki, 2022, Vol. 5, No 4, pp. 1-21, DOI 10.31509/2658-607x-202252-115
Podolskaia E. S., Ershov D. V., Kovganko K. A., In-frastrukturnoe zonirovanie territorii dlja opredelenija svjazej s lesnymi pozharami (na primere Krasnojarskogo kraja, Rossija),
(Infrastructure zoning of the territory for determination of links with forest fires (on the example of Krasnoyarsk Territory, Russia), Forests of Russia: politics, industry, science, education: Materials of the VIII All-Russian Scientific and Technical Conference, May 24-26, 2023, St. Petersburg, St. Petersburg State Forest Technical University named after S. M. Kirov, 2023, pp. 330-333.
Shyhaliev R. G., Issledovanie sovremennogo sostojanija primenenija mashinnogo obuchenija v neftegazovoj otrasli (A study of current state of machine learning application in the oil and gas industry), informasiya texnologiyalari problemlari, 2020, No 2, pp. 52-60. DOI: 10.25045/ jpit.v11.i2.05
Snytkina D. A., Primenenie metodov mashin-nogo obuchenija pri ocenke i kartografiro-vanii prirodnyh resursov (Application of machine learning methods to assess and mapping of natural resources): Magister-skaja VKR (spec. 05.04.03), Sankt-Peter-burg: SPbGU, 2020, 92 p.
CP-04-Artificial intelligence tools and platforms for GIS, 2023, URL: https://kurl. ru/TtgVM (2023, 10 August).
METHODS AND OPEN SOURCE MACHINE LEARNING GIS TOOLS FOR FOREST TRANSPORT MODELING
E. S. Podolskaia
Center for Forest Ecology and Productivity of the Russian Academy of Sciences Profsoyuznaya st. 84/32 bldg. 14, Moscow, 117997, Russian Federation
E-mail: podols_kate@mail.ru
Received: 05.07.2023 Revised: 22.09.2023 Accepted: 23.09.2023
Paper describes machine learning (ML) methods and tools for transport modeling to access forest fires and forest resources by ground means for the regions in Russia. Forestry transport accessibility is a subject to be studied and improved. ML methods play an important role in change detection and automated data collection for the transport infrastructure. We have analyzed recent scientific publications of two systems, namely Russian electronic library “CyberLeninka” and European network for researchers ResearchGate. It should be noted that as of autumn 2023 the number of papers on the ML forestry transport modeling in these systems is small. Plugins from Open Source QGIS’s repository were studied. Some possible increase in the number of ML plugins from researchers and students could be expected, individual developers and small groups show their interest in the topic. ML prospects for ground transport modeling in the forestry have not yet been sufficiently studied.
Key words: machine learning, Open Source, GIS, forestry, transport modeling
Рецензент: к. т. н. Хвостиков С. А.
