CC BY
0Геоботаническое картографирование 2023 С. 14-27.
https://doi.org/10.31111/geobotmap/2023.14
© И. А. ЛАВРИНЕНКО
СОВРЕМЕННЫЕ ПОДХОДЫ К ПОДГОТОВКЕ КАРТ РАСТИТЕЛЬНОСТИ АРКТИКИ
I. A. Lavrinenko
Modern approaches то the preparation of maps of Arctic vegetation
Ботанический институт им. В. Л. Комарова РАН.
197022, Санкт-Петербург, ул. Профессора Попова, 2.
Komarov Botanical Institute of the Russian Academy of Sciences.
E-mail: lavrinenkoi@binran.ru
На примере ключевых участков восточноевропейских тундр приведены результаты применения ряда современных подходов к картографированию растительности, связанных с ГИС-технологиями и методами обработки спутниковых снимков. В настоящее время широкое распространение получил объектно-ориентированный подход (object based image analysis, OBIA), в рамках которого выполняется сегментация изображений; формирование обучающей выборки и классификация снимка проводятся уже на уровне сегментов. В работе приведен пример такого подхода при создании карты растительности для участка в бассейне р. Северная. В заключении освещаются некоторые работы отечественных и зарубежных исследователей, показывающие высокую перспективность применения сверточных нейронных сетей (СНС) и семантической сегментации для решения задач, стоящих перед изучением и картографированием растительности.
Ключевые слова: Арктика, геоботанические карты, территориальные единицы растительности, сегментация, объектно-ориентированный подход, сверточные нейронные сети.
Key words: Arctic, geobotanical maps, territorial units of vegetation, segmentation, object based image analysis, OBIA, convolutional neural networks, CNN.
Введение
В настоящее время подготовка геоботанических карт крупного масштаба приобретает особую актуальность для оценки состояния растительности Арктики и мониторинга ее динамики под влиянием антропогенных и климатических факторов. Такие карты наиболее точно и объективно отражают изменения, происходящие в растительном покрове, а состояние геоботанических выделов служит важнейшим индикатором благополучия местообитаний арктической биоты.
Появление дистанционных методов, многозональной и гиперзональной спутниковой съемки земной поверхности открыло широкие возможности для картографирования растительности удаленных и труднодоступных территорий Арктики и организации ее мониторинга. Наличие и доступность спутниковых снимков высокого и сверхвысокого разрешения, наряду с новейшими методами их обработки, в условиях мелкоконтурной мозаики тундровых ландшафтов позволяет различать и распознавать физиономически сходные и малые по площади территориальные единицы растительности. Использование постоянно растущих потоков данных дистанционного зондирования для оценки и мониторинга растительности требует
эффективных, точных и гибких методов анализа данных. Так, применение сегментации спутниковых изображений позволяет на несколько порядков, по сравнению с ручной оцифровкой, снизить затраты ресурсов и времени на процесс выделения территориальных единиц растительности (ТЕР) на материалах спутниковой съемки. Нельзя не упомянуть о современных ГИС-технологиях и базах геоданных, которые в настоящее время лежат в основе подготовки карт любого масштаба и открывают самые широкие возможности как для хранения огромных массивов картографической и связанной с ней информации, так и для ее пространственного анализа.
Полевые работы как основа геоботанического картографирования
Несмотря на развитие и массовое использование ДДЗ, ГИС и других новейших технологий, в основе подготовки геоботанических карт по-прежнему лежит проведение полевых работ и выполнение геоботанических описаний на площадках, имеющих географическую привязку. Это позволяет получить наиболее важную информационную составляющую при картографировании растительности территории. Точность и информативность содержательной части карт определяется, прежде всего, полнотой охвата полевыми описаниями разных типов растительности и степенью выявления ее синтаксономического состава. Наличие опубликованных описаний, подтверждающих содержание геоботанических выделов карты, позволяет оценить степень ее достоверности.
Для дешифрования снимков и распознавания выделов, а также для верификации подготовленных карт в своей работе мы применяем, кроме детальных, краткие маркерные описания сообществ с их географической привязкой. В настоящее время база геоданных по территории восточноевропейских тундр содержит более 10 000 геоботанических описаний в пределах около 70 ключевых участков (рис. 1).
Рис. 1. Распределение ключевых участков по территории восточноевропейских тундр. 1-67 — номера ключевых участков; 1 — геоботанические описания. Fig. 1. Distribution of key areas across the territory of Eastern European tundra. 1-67 — numbers of key areas; 1 — geobotanical releves.
В сочетании с геоботаническими описаниями для изучения структуры и состава сложных территориальных выделов применялись беспилотные летательные аппараты (БПЛА) DJI Phantom 4, DJI Mavic Pro и DJI Mavic 2 Pro. К настоящему времени Банк снимков тундровых сообществ разных синтаксонов и их комбинаций с географической привязкой включает более 500 000 сцен. Эти снимки максимально полно отражают физиономические особенности, пространственную структуру и распределение по рельефу сообществ разных синтаксонов (рис. 2), что позволяет эффективно их использовать для диагностики содержания и выявления синтаксо-номического состава контуров, полученных при обработке спутниковых снимков.
Рис. 2. Панорамное изображение лога и примыкающей террасы, полученное по результатам обработки снимков БПЛА Mavic Pro.
Fig. 2. Panoramic image of the ravine and adjacent terrace, obtained from the results
of Mavic Pro data processing.
Синтаксоны / syntaxa: 1 — Dryado octopetalae-Hylocomietum splendentis subass. carice-tosum capillaris; 2 — Hylocomio splendentis-Salicetum glaucae; 3 — Vicio sepium-Salicetum lanatae; 4 — Sibbaldio procumbentis-Salicetum herbaceae; 5 — эрозионные склоны / erosion
slopes, 6 — Caricetum aquatilis.
Цифровая модель рельефа
Важнейшим элементом при подготовке геоботанических карт служит цифровая модель рельефа (ЦМР) картируемой территории, которая, с одной стороны, позволяет визуально оценить распределение сообществ разных синтаксонов по элементам рельефа (рис. 3), с другой — ее можно использовать в качестве дополнительного слоя к спектральным каналам при обработке спутниковых снимков в рамках специализированных программ и выполнении операций по сегментации и классификации.
В нашей работе мы используем модель Arctic DEM (https://www.pgc.umn.edu/ data/arcticdem/), которая доступна для всей территории Земли севернее 60° с. ш., имеет разрешение 2 м/пикс. В настоящее время ArcticDEM обладает наилучшей детальностью по сравнению с другими подобными ЦМР (AW3D30, AsterGDEM2 и др.).
Объектно-ориентированный подход — сегментация изображений
В настоящее время широкое распространение получил объектно-ориентированный подход (object based image analysis, OBIA) к обработке данных дистанцион-
Рис. 3. Панорамное изображение фрагмента ключевого участка в бассейне р. Северная, подготовленное в программе ArcScene при наложении спутникового снимка на рельеф. Fig. 3. Panoramic image of a fragment of the key area in the Severnaya River basin, prepared in ArcScene program by overlaying satellite image on the relief.
ного зондирования (Ivanov et al., 2019; Godunov et al., 2021; Srifitriani et al., 2019; Mikula et al., 2021; Sari et al., 2021; Tzepkenlis et all., 2023; и др.). Он применяется, прежде всего, для анализа снимков высокого и сверхвысокого пространственного разрешения (Kolecka et al., 2015). В рамках объектно-ориентированного подхода выполняется сегментация снимков, которая позволяет перейти от представления данных в виде набора пикселей с различными показателями яркости к описанию снимка как комбинации объектов (сегментов), каждый из которых характеризуется формой, площадью, взаимным расположением, яркостными, текстурными и другими характеристиками. Дальнейший анализ и классификация изображений проводятся уже на уровне сегментов или групп пикселей, объединенных на основе определенной совокупности критериев (схожесть спектральных данных, текстуры, формы и др.).
В своей работе мы использовали сегментацию спутниковых изображений, после которой дальнейшие процессы классификации и тематической обработки проводили на уровне сегментов. В рамках этой работы сегментация снимков сверхвысокого разрешения (Quick Bird, Geo Eye, разрешение 1.2 м) и слоя Arctic DEM (разрешение 2 м) для ключевых участков восточноевропейских тундр была выполнена методом среднего сдвига с применением программного обеспечения ArcGIS. Обучающую выборку сегментов формировали на основе материалов геоботанических описаний и экспертной диагностики отдельных объектов, визуально хорошо различимых на снимках. Ниже приведены примеры сегментации снимка для фрагмента ключевого участка в бассейне р. Северная (рис. 4) и геоботанической карты масштаба 1 : 5 000 (рис. 5), подготовленной с помощью обучающей выборки методом управляемой классификации. При формировании легенды как основу использовали положение сообществ разных синтаксонов и их комбинаций на обобщенном геоморфологическом профиле и элементах рельефа, которое в значительной степени предопределяет особенности влияния на растительность многообразия экологических и климатических факторов.
Сверточные нейронные сети и семантическая сегментация
Перспективное направление, которое в настоящее время активно развивается для решения задач, стоящих перед изучением и картографированием растительности, связано с использованием сверточных нейронных сетей (СНС) (Mohanty et al., 2016; Langford et al., 2019; Watanabe et al., 2020; Kislov, Korznikov, 2020; Kislov et al., 2021; Kattenborn et al., 2021; Korznikov et al., 2021, 2023; и мн. др.). В недавно опубликованном обзоре T. Kattenborn с коллегами (2021), посвященном применению сверточных нейронных сетей для изучения растительности, приведены
Рис. 4. Фрагмент сегментированного снимка сверхвысокого разрешения для ключевого участка в бассейне р. Северная.
Fig. 4. Fragment of segmented ultrahigh-resolution image for the key area in the Severnaya River basin.
Рис. 5. Фрагмент геоботанической карты ключевого участка в бассейне р. Северная. Fig. 5. Fragment of the geobotanical map of the key area in the Severnaya River basin.
Легенда к геоботанической карте ключевого участка в бассейне р. Северная (рис. 5)
Растительные сообщества на наиболее возвышенных участках водоразделов, вершинах сопок и увалов, часто с дефляционными обнажениями
1. Серийные ряды группировок и сообществ сосудистых растений и эпилитных лишайников на песчаных обнажениях с каменистым материалом. Синтаксоны: Empetro hermaphroditi-Salicetum nummulariae Bogdanovskaya-Giyenef ex Lavrinenko et Lavrinenko 2020, Rumici graminifoliae-Festucetum sabulosae Kulyugina 2008; Melane-lio stygiae-Umbilicarietum proboscideae Kholod 2007, Umbilicarietum proboscideo-hyperboreae Fries 1913.
2. Комбинация лишайниковых и кустарничково-лишайниковых тундр (4)1 и серийных рядов псаммофитных сообществ на песках (1).
Растительные сообщества на горизонтальных или слабонаклонных (1-5°) хорошо дренированных малоснежных участках террас водоразделов
3. Лишайниковые (кладониевые) тундры. Синтаксон: Cladonietum rangiferino-ar-busculae Lavrinenko et Lavrinenko 2020.
4. Кустарничково-лишайниковые (флавоцетрариевые) тундры. Синтаксон: Loise-leurio-Diapensietum (Fries 1913) Nordhagen 1943 субасс. salicetosum nummulariae Ko-roleva 2006.
5. Мелкоерниковые кустарничково-лишайниковые тундры. Синтаксон: Empetro-Betuletum nanae Nordhagen 1943.
ба. Комбинация лишайниковых (4) и мелкоерниковых кустарничково-лишайнико-вых (5) тундр.
бб. Комбинация мелкоерниковых кустарничково-лишайниковых тундр (5) и березовых (Betula tortuosa) редколесий кустарничково-лишайниковых.
Растительные сообщества на оторфованных нижних частях и подошвах пологих склонов сопок и террас водоразделов
7. Ерники кустарничково-моховые. Синтаксон: Hylocomio-Betuletum nanae Dahl 1956.
Зональные растительные сообщества на плакорных местоположениях
8. Редкоивовые осоково-кустарничково-мохово-лишайниковые тундры. Синтаксон: Carici arctisibiricae-Hylocomietum splendentis Andreev 1932 субасс. cladonieto-sum stellaris subass. prov.
Растительные сообщества на бессточных или полубессточных аккумулятивно-элювиальных местоположениях
9. Сфагновые (Sphagnum balticum, S. lindbergii, S. lenense) ковры и осоково-сфагновые сообщества. Синтаксоны: Carici rariflorae-Sphagnetum baltici Andreev ex Lavrinenko et al. 2016, Carici rariflorae-Sphagnetum lindbergii Andreev ex Lavrinenko et al. 2016, Carici rotundatae-Sphagnetum lindbergii Nordhagen ex Lapshina in Lapshina et al. 2022.
10. Плоскобугристые болота. Синтаксоны: Rubo chamaemori-Dicranetum elongati Lavrinenko et Lavrinenko 2015 субасс. typicum; Carici rariflorae-Sphagnetum baltici, Carici rariflorae-Sphagnetum lindbergii.
11. Комплекс плоскобугристых болот (10) и кустарничково-лишайниковых тундр
(4).
12. Комбинация плоскобугристых болот и пушицевых кочкарников (Eriophorum vaginatum) с кустарничково-морошково-лишайниково-моховым покровом. Синтаксоны: Rubo chamaemori-Dicranetum elongati субасс. typicum, Pleurozio schreberi-Erio-phoretum vaginati Lavrinenko et Lavrinenko in Lavrinenko et al. 2022.
13. Грядово-топяные болота, часто с озерками. Синтаксоны: Rubo chamaemori-Dicranetum elongati субасс. typicum; Carici stantis-Warnstorfietum exannulatae Lavrinenko, Matveyeva et Lavrinenko 2016 субасс. typicum и C. s.-W. e. comaretosum palustris (Bogdanovskaya-Giyenef 1938) Lavrinenko, Matveyeva et Lavrinenko 2016,
1 Здесь и далее в скобках указаны номера легенды с развернутой характеристикой синтаксона.
Carici rariflorae-Sphagnetum lindbergii, Carici stantis-Sphagnetum lindbergii Lavri-nenko, Matveyeva et Lavrinenko 2016, Carici stantis-Sphagnetum squarrosi Lavrinenko, Matveyeva et Lavrinenko 2016.
14. Травяные и травяно-моховые сообщества на пониженных и обводненных участках болот. Синтаксоны: Arctophiletum fulvae Sambuk 1930, Caricetum aquatilis Savich 1926, Comaretum palustris Markov et al. 1955, Equisetetum fluviatilis Nowinski 1931, Menyanthetum trifoliatae Steffen 1931, Carici rariflorae-Sphagnetum lindbergii, Carici rotundatae-Sphagnetum lindbergii, Carici stantis-Warnstorfietum exannulatae субасс. typicum.
Растительные сообщества на склонах постоянных и пересыхающих проточных понижений (ложбин стока, ручьев)
15. Луговые и ивово-луговые сообщества по берегам ручьев. Синтаксоны: Calama-grostietum purpureae Taran 1995.
16. Экологические ряды сообществ ложбин стока: гигрофильные осоковые и осоково-моховые заросли, хвощовые, осоковые и осоково-моховые ивняки. Синтаксоны: Caricetum aquatilis, Carici stantis-Warnstorfietum exannulatae субасс. typicum; Carici stantis-Salicetum phylicifoliae Lavrinenko et Kochergina 2022, Geo ri-valis-Salicetum glaucae Lavrinenko et Kochergina 2022.
основные принципы СНС и обоснование того, почему именно они больше всего подходят для распознавания на снимках и картографирования разных типов растительности, а также для изучения динамики растительного покрова. Несмотря на то, что применение СНС является молодой областью исследований, уже сейчас очевидно, что нейронные сети намного превосходят существующие методы обработки спутниковых снимков.
На основе СНС в области распознавания объектов на снимках сформировался новый подход, называемый семантической сегментацией. Задача семантической сегментации существенно отличается от обычной сегментации, в рамках которой группы пикселей (сегменты) объединяются преимущественно на основе комплекса спектральных показателей, ЦМР или текстурного сходства. Семантическая сегментация — это процесс разбиения изображения на сегменты с одновременной классификацией этих сегментов по разным признакам (Kazdorf, Pershina, 2019). Это позволяет на каждом этапе обучения СНС для признаков, определяемых исследователем, формировать матрицу вероятности принадлежности каждого пикселя к определенному значению (классу) каждого признака. В результате каждый сегмент будет состоять из пикселей, имеющих метку этого класса.
В рамках каждого этапа (итерации) проводится обучение СНС по одному признаку. Большой обучающий цикл, который состоит из нескольких итераций по ряду признаков, называется эпохой. Обычно процесс обучения СНС состоит из нескольких эпох, и при создании следующей добавляется еще несколько признаков, позволяющих распознавать объекты.
К основным преимуществам СНС относится, прежде всего, устойчивость к сдвигу положения объекта во входных данных снимка, что означает возможность распознавать объекты на снимке независимо от их положения. СНС анализирует разные уровни характеристик входного изображения: верхние слои сети изучают более сложные, такие как части и формы объектов, а нижние слои — более простые элементы, например, границы и текстуры. Эта иерархическая модель позволяет распознавать объекты на разных уровнях, что в нашем случае крайне полезно для решения сложных задач по картографированию растительности Арктики, таких как выделение и диагностика сообществ разных синтаксонов и их комбинаций в мелкоконтурной мозаике растительного покрова тундры. Так, использование в качестве основного алгоритма архитектуры U-Net, которая относится к группе автоэнкодеров (копирует входные данные на выход), позволяет сначала разбить все изображение на базовые признаки, в нашем случае — водные объекты, пески, болота, кустарники, лишайниковые тундры и т. п., на основе которых выделяются
признаки более высокого уровня (например, для кустарников — ивняки, ольховники, ерники; следующий уровень: ивняки — моховые, кустарничковые, лишайниковые, осоковые) и т. д.
Для каждого уровня будет применяться перечень признаков (геоботанические, спектральные, экологические и др.), определяющих дальнейшую дифференциацию объектов в пределах каждого слоя предыдущего уровня. Наличие прямой связи между конечными и начальными слоями обеспечивает лучшее распростра-
нение градиента варьирования признака по всей сети, что позволяет комбинировать признаки разного уровня и проводить более быстрое обучение. Подобная архитектура также позволяет на выходе сохранить размер входного изображения, поэтому результаты сегментации хорошо совмещаются с исходными данными. Более детально с преимуществами СНС при изучении и картографировании растительности можно ознакомиться в упомянутом выше обзоре Т. КаНепЬогп с коллегами (КаНепЬогп е1 а1., 2021).
В настоящее время продолжается работа по подготовке крупномасштабных карт растительности и местообитаний ключевых участков и в целом территории восточноевропейских тундр, которую планируется проводить с подключением технологии сверточных нейронных сетей. В основе этого лежит наличие большого числа геоботанических описаний, классификации растительности этой территории (Ма^еуеуа, кауппепко, 2021), типологической схемы и номенклатуры ТЕР (кауппепко, 2021), проекта классификации местообитаний (биотопов) региона (кауппепко, кауппепко, 2020, 2021).
Заключение
Применение ряда современных подходов к картографированию растительности показало их высокую эффективность на ключевых участках восточноевропейских тундр. Снимки, полученные с БПЛА, отражают физиономические особенности, пространственную структуру и распределение по рельефу сообществ разных син-таксонов, что дает возможность использовать их для диагностики содержания и состава контуров, выделенных на материалах спутниковых снимков. Цифровая модель рельефа в сочетании со снимками сверхвысокого разрешения позволяет визуально оценить распределение сообществ разных синтаксонов по элементам рельефа, а также применяется в качестве дополнительного слоя к спектральным каналам при обработке и классификации спутниковых снимков. Сегментация позволяет перейти от представления данных в виде набора пикселей с различными показателями яркости к описанию снимка как комбинации объектов (сегментов). Дальнейший анализ проводится уже на уровне сегментов, путем формирования обучающей выборки на основе материалов геоботанических описаний и экспертной диагностики объектов, хорошо различимых на снимках. Подготовка карты в данном случае осуществляется с помощью обучающей выборки методом управляемой классификации.
Оценивая в целом темпы развития современных технологий для обработки данных дистанционного зондирования Земли (ДЗЗ), в частности, применение свер-точных нейронных сетей и семантической сегментации для изучения растительного покрова, можно с уверенностью сказать, что в настоящее время мы находимся на пороге серьезного прорыва не только в области технических аспектов обработки материалов ДЗЗ и подготовки геоботанических карт, но что гораздо более важно — в области обучения СНС распознаванию на снимках сообществ разных син-таксонов и их комбинаций. Это на порядки повысит точность создаваемых карт и, соответственно, точность оценки актуального состояния растительного покрова Арктики и его динамики под влиянием антропогенных и климатических факторов.
Анализ публикаций по применению этих методов для изучения растительности показывает, что на данном этапе большинство современных исследований в этой области посвящено выделению на снимках отдельных категорий растительного покрова (древесных пород, сельскохозяйственных культур, типов водно-болотных
угодий и тропических лесов и др.) и изучению их динамики под влиянием внешних факторов. Работы, описывающие процессы создания карт растительности с использованием СНС для отдельных территорий, пока немногочисленны (Langford et al., 2016, 2019; Helber et al., 2019; Kattenhorn et al., 2019; Wagner et al., 2020; и др.), что вполне объяснимо — в настоящее время идут процессы накопления информации и обучения моделей для распознавания разных типов растительного покрова на основе анализа мультиспектральных и гиперспектральных характеристик, особенностей текстуры выделяемых единиц, их формы, геоморфологических, эдафи-ческих и других показателей, включая материалы полевых исследований. В связи с этим в качестве первоочередной задачи мы видим формирование баз геоданных, основанных на всесторонней характеристике (спектральные сигнатуры и индексы, геоботанические и почвенные описания, экологические показатели и др.) территориальных единиц растительности разного ранга и синтаксономического состава, необходимых для обучения нейронных сетей при распознавании этих объектов на материалах дистанционного зондирования и создания точных геоботанических карт.
Благодарности
Автор признателен рецензентам и редколлегии за ряд существенных замечаний, учет которых позволил пересмотреть отдельные положения и внести дополнения, что дало возможность значительно улучшить предлагаемую рукопись и получить серьезный стимул и ориентиры для проведения дальнейших исследований.
Работа проведена за счет средств гранта Российского научного фонда (проект № 20-17-00160) в рамках государственного задания согласно тематическому плану БИН РАН по теме № АААА-А19-119032090096-4.
СПИСОК ЛИТЕРАТУРЫ
[Godunov et al.] Годунов А. И., Баланян С. Т., Егоров П. С. 2021. Сегментация изображений и распознавание объектов на основе технологии сверточных нейронных сетей // Надежность и качество сложных систем. № 3. С. 62-73. https://doi.org/10.21685/2307-4205-2021-3-8.
Helber P., Bischke B., Dengel A., Borth D., 2019. EuroSATsat: A novel dataset and deep learning benchmark for land use and land cover classification. IEEE J. Sel. Top. Appl. Earth Observ. Remote Sensing. Vol. 12. N 7. P. 2217-2226. https://doi.org/10.48550/arXiv.1709.00029.
[Ivanov et al.] Иванов Е. С., Тищенко И. П., Виноградов А. Н. 2019. Сегментация мультиспектральных снимков с применением сверточных нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. Т. 16. № 1. С. 25-34. https:// doi.org/10.21046/2070-7401-2019-16-1-25-34.
Kattenborn T., EichelJ., Fassnacht F. E. 2019. Convolutional Neural Networks enable efficient, accurate and fine-grained segmentation of plant species and communities from high-resolution UAV imagery. Scientific reports. Vol. 9. N 1. P. 1-9. https://doi.org/10.1038/s41598-019-53797-9.
Kattenborn T., LeitloffJ., Schiefer F., Hinz S. 2021. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 173. P. 24-49. https://doi.org/10.1016/j.isprsjprs.2020.12.010.
Kazdorf S. Ya., Pershina Zh. S. 2019. An algorithm for semantic segmentation of three-dimensional scenes. Cloud of Science. 6(3): 451-461. https://www.elibrary.ru/download/eli-brary_39142821_82782723.pdf.
Kislov D. E., Korznikov K. A. 2020. Automatic windthrow detection using very-high-Resolution satellite imagery and deep learning. Remote Sensing. Vol.12. N 7, 1145. P. 1-17. https://doi. org/10.3390/rs12071145.
Kislov D. E., Korznikov К. A., Altman J., Vozmishchcheva A. S., Krestov P. V. 2021. Extending deep learning approaches for forest disturbance segmentation on very high-resolution satellite
images. Remote Sensing in Ecology and Conservation. Vol. 7. N 3. P. 355-368. https://doi. org/10.1002/rse2.194.
Kolecka N., Kozak J., Kaim D., Dobosz M., Ginzler C., Psomas A. 2015. Mapping Secondary Forest Succession on Abandoned Agricultural Land with LiDAR Point Clouds and Terrestrial Photography. Remote Sensing. Vol. 7. N 7. 8300-8322. https://doi.org/10.3390/rs70708300.
Korznikov K. A., Kislov D. E., AltmanJ., DolezalJ., Vozmishchcheva A. S., Krestov P. 2021. Using U-Net-Like Deep Convolutional Neural Networks for Precise Tree Recognition in Very High Resolution RGB (Red, Green, Blue) Satellite Images // Forests. Vol. 12. N 1, 66. P. 1-117. https://doi.org/10.3390/f12010066.
Korznikov K., Kislov D., Petrenko T., Dzizyurova V., Dolezal J., Krestov P., Altman J. 2023. Unveiling the Potential of Drone-Borne Optical Imagery in Forest Ecology: A Study on the Recognition and Mapping of Two Evergreen Coniferous Species // Remote Sensing. Vol. 15. N 18, 4394. P. 1-16. https://doi.org/10.3390/rs15184394.
LangfordZ., KumarJ., Hoffman F. M., Norby R. J., Wullschleger S. D., Sloan V. L., Iversen C. M. 2016. Mapping Arctic Plant Functional Type Distributions in the Barrow Environmental Observatory Using WorldView-2 and LiDAR Datasets // Remote Sensing. Vol. 8. N 9, 733. P. 1-24. https://doi.org/10.3390/rs8090733.
Langford Z. L., KumarJ., Hoffman F. M., Breen A. L., Iversen C. M. 2019. Arctic Vegetation Mapping Using Unsupervised Training Datasets and Convolutional Neural Networks // Remote Sensing. Vol. 11. N 1, 69. P. 1-23. https://doi.org/10.3390/rs11010069.
[Lavrinenko] Лавриненко И. А. 2021. Типология и синтаксономический состав территориальных единиц растительности: новый подход на примере изучения арктических маршей // Растительность России. № 39. С. 100-148. https://doi.org/10.31111/vegrus/2020.39.100.
[Lavrinenko, Lavrinenko] Лавриненко И. А., Лавриненко О. В. 2020. Местообитания восточноевропейских тундр и их соотношение с категориями EUNIS на примере заповедника «Ненецкий» // Фиторазнообразие Восточной Европы. Т. 14. № 4. С. 359-397. https://doi. org/10.24411/2072-8816-2020-10082.
[Lavrinenko, Lavrinenko] Лавриненко И. А., Лавриненко О. В. 2021. Классификация и картографирование местообитаний северо-западной части Большеземельской тундры // Геоботаническое картографирование 2021. С. 20-53 https://doi.org/10.31111/ geobotmap/2021.20.
[Matveyeva, Lavrinenko] Матвеева Н. В., Лавриненко О. В. 2021. Чек-лист синтаксонов Российской Арктики: текущее состояние классификации растительности // Растительность России. № 42. С. 3-41. https://doi.org/10.31111/vegrus/2021.42.3.
Mikula K., Sibikova M., Ambroz M., Kollar M., Ozvat A. A., Urban J., Jarolimek I., Sibik J. 2021. NaturaSat — A Software Tool for Identification, Monitoring and Evaluation of Habitats by Remote Sensing Techniques // Remote Sensing. Vol. 13. N 17, 3381. P. 1-19. https://doi. org/10.3390/rs13173381.
Mohanty S. P., Hughes D. P., Salathe M. 2016. Using Deep Learning for Image-Based Plant Disease Detection // Front. Plant Sci. Vol. 7, 1419. P. 1-10. https://doi.org/10.3389/ fpls.2016.01419.
Sari N. M., Rokhmatuloh R., Manessa M. D. M. 2021. Monitoring Dynamics of Vegetation Cover with the Integration of OBIA and Random Forest Classifier Using Sentinel-2 Multitemporal Satellite Imagery // Geoplanning: Journal of Geomatics and Planning. Vol. 8. N 2. P. 75-84. https://doi.org/10.14710/geoplanning.8.2.75-84.
Srifitriani A., Supriyono S., Parwito P. 2019. Study of model object-based image analysis (OBIA) for data interpretation based mangrove vegetation Landsat 8 operational land imager on the West Coast City of Bengkulu // Sumatra Journal of Disaster, Geography and Geography Education. Vol. 3. N 2. P. 77-84. http://sjdgge.ppj.unp.ac.id/index.php/Sjdgge/article/view/221.
Tzepkenlis A., Marthoglou K., Grammalidis N. 2023. Efficient Deep Semantic Segmentation for Land Cover Classification Using Sentinel Imagery // Remote Sensing. Vol. 15. N 8, 2027. P. 1-18. https://doi.org/10.3390/rs15082027.
Wagner F. H., Sanchez A., Aidar M. P. M., Rochelle A. L. C., Tarabalka Y., Fonseca M. G., Phillips O. L., Gloor E., Aragao L. 2020. Mapping Atlantic rainforest degradation and regeneration history with indicator species using convolutional network // Plos One. Vol. 15. N 2. P. 1-24. https:// doi.org/10.1371/journal.pone.0229448.
Watanabe S., Sumi K., Ise T. 2020. Identifying the vegetation type in Google Earth images using a convolutional neural network: a case study for Japanese bamboo forests // BMC Ecology. Vol. 20. N 65. P. 1- 4. https://doi.org/10.1186/s12898-020-00331-5.
Получено 26 октября 2023 г.
Подписано к печати 25 декабря 2023 г.
SUMMARY
The emergence of multispectral and hyperzonal satellite imagery of the Earth's surface has opened wide opportunities for vegetation mapping of remote and inaccessible territories of the Arctic. Availability of high and ultra-high resolution satellite images in the conditions of fine-grained mosaic of tundra landscapes allows distinguishing and recognizing the physiognomically similar and small territorial units of vegetation. The results of application of some modern approaches to vegetation mapping related to GIS-technologies and satellite imagery processing methods are presented on the example of key areas of Eastern European tundra.
Despite the development and active usage of remote sensing data, GIS and other latest technologies, the vegetation maps creation is based on field work and geobotani-cal relevés. Map's accuracy and informativeness is determined, first of all, by the completeness of coverage of different vegetation types by field descriptions and the degree of revealing its syntaxa composition. Currently, the geodatabase for the Eastern European tundra contains more than 10,000 relevés within about 70 key areas (Fig. 1). Unmanned aerial vehicles DJI Phantom 4, DJI Mavic Pro and DJI Mavic 2 Pro in combination with geobotanical relevés were used to study the structure and composition of complex territorial patches. To date tundra vegetation image bank includes more than 500,000 scenes. These images most fully reflect the physiognomic features, spatial structure of different syntaxa and their distribution according to relief (Fig. 2). This makes it possible to use them to diagnose the content and composition of contours identified on satellite imagery. Among the most important elements that we use in the preparation of geobotanic maps is the digital elevation model. It allows to visually assess the distribution of communities of different syntaxa across relief elements (Fig. 3), and on the other hand, it is used as an additional layer to spectral channels when processing satellite images.
Nowadays, object based image analysis (OBIA) is widely used in remote sensing data processing (Srifitriani et al., 2019; Mikula et al., 2021; Sari et al., 2021; Tzepkenlis et al., 2023; etc.). Within OBIA, we perform image segmentation, which allows us to move from representing data as a set of pixels with different brightness indices to describing the image as a combination of objects (segments) each characterized by shape, area, mutual location, brightness, texture, and other characteristics. In our work we used segmentation of satellite images, after which classification processes were performed at the segment level. The paper presents an example of image segmentation for a fragment of a key area in the Severnaya River basin (Fig. 4) and geobotanical map (Fig. 5) prepared with the help of training sample by the method of supervised classification.
A promising direction to solve the problems facing the study and mapping of vegetation, which is currently being actively developed, is related to the use of convolutional neural networks (CNNs) (Watanabe et al., 2020; Kislov, Korznikov, 2020; Kislov et al., 2021; Kat-tenborn et al., 2021; Korznikov et al., 2021, 2023; and many others). Analysis of publications on the application of these methods has shown that at this stage most of the current research in this area is devoted to recognizing individual categories of vegetation cover (tree species, agricultural crops, wetland and tropical forest types, etc.) in images. Works describing the processes of creating vegetation maps using SNA are still few in number (Langford et al., 2016, 2019; Kattenborn et al., 2019; Wagner et al., 2020; etc.), which is quite understandable — the processes of model training based on the analysis of multispectral and hyper-spectral characteristics, texture of selected units, their shape, geomorphological, edaphic and other indicators, including materials of field studies, are under development.
H. A. ^aBpHHeHKO
Based on CNNs, a new approach called semantic segmentation has emerged in the field of object recognition in images. The task of semantic segmentation differs significantly from conventional segmentation: it is the process of dividing an image into segments and simultaneously classifying these segments into various attributes.
Thus, the application of a number of modern approaches to vegetation mapping shows their high efficiency for the Arctic territories. Work is currently underway to create large-scale maps of vegetation and habitats of the Eastern European tundra, which is planned to be carried out using convolutional neural network (CNN) technology.
References
Godunov A. I., Balanyan S. T., Egorov P. S. 2021. Image segmentation and object recognition based on convolutional neural network technology. Nadezhnost i kachestvo slozhnykh sistem. [Reliability and Quality of Complex Systems]. 3: 62-73. https://doi.org/10.21685/2307-4205-2021-3-8.
Helber P., Bischke B., Dengel A., Borth D., 2019. EuroSATsat: A novel dataset and deep learning benchmark for land use and land cover classification. IEEE J. Sel. Top. Appl. Earth Observ. Remote Sensing. 12(7): 2217-2226. https://doi.org/10.48550/arXiv.1709.00029.
Ivanov E. S., Tishchenko I. P., Vinogradov A. N. 2019. Segmentation of multispectral images using convolutional neural networks. Sovremennye problemy distancionnogo zondirovaniya Zemli izkosmosa. [Current problems in remote sensing of the earth from space]. 16 (1): 25-34. https:// doi.org/10.21046/2070-7401-2019-16-1-25-34.
Kattenborn T., Eichel J., Fassnacht F. E. 2019. Convolutional Neural Networks enable efficient, accurate and fine-grained segmentation of plant species and communities from highresolution UAV imagery. Scientific reports. 9(1): 1-9. https://doi.org/10.1038/s41598-019-53797-9.
Kattenborn T., Leitloff J., Schiefer F., Hinz S. 2021. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRSJournal of Photogrammetry and Remote Sensing. 173: 24-49. https://doi.org/10.1016/j.isprsjprs.2020.12.010.
Kazdorf S. Ya., Pershina Zh. S. 2019. An algorithm for semantic segmentation of three-dimensional scenes. Cloud of Science. 6(3): 451-461. https://www.elibrary.ru/download/eli-brary_39142821_82782723.pdf.
Kislov D. E., Korznikov K. A. 2020. Automatic windthrow detection using very-high-Resolution satellite imagery and deep learning. Remote Sensing. 12(7), 1145: 1-17. https://doi. org/10.3390/rs12071145.
Kislov D. E., Korznikov K. A., Altman J., Vozmishchcheva A. S., Krestov P. V. 2021. Extending deep learning approaches for forest disturbance segmentation on very high-resolution satellite images. Remote Sensing in Ecology and Conservation. 7(3): 355-368. https://doi.org/10.1002/ rse2.194.
Kolecka N., Kozak J., Kaim D., Dobosz M., Ginzler C., Psomas A. 2015. Mapping Secondary Forest Succession on Abandoned Agricultural Land with LiDAR Point Clouds and Terrestrial Photography. Remote Sensing. 7(7): 8300-8322. https://doi.org/10.3390/rs70708300.
Korznikov K. A., Kislov D. E., Altman J., Dolezal J., Vozmishchcheva A. S., Krestov P. 2021. Using U-Net-Like Deep Convolutional Neural Networks for Precise Tree Recognition in Very High Resolution RGB (Red, Green, Blue) Satellite Images. Forests. 12(1), 66: 1-17. https://doi. org/10.3390/f12010066.
Korznikov K., Kislov D., Petrenko T., Dzizyurova V., Dolezal J., Krestov P., Altman J. 2023. Unveiling the Potential of Drone-Borne Optical Imagery in Forest Ecology: A Study on the Recognition and Mapping of Two Evergreen Coniferous Species. Remote Sensing. 15(18), 4394: 1-16. https://doi.org/10.3390/rs15184394.
Langford Z., Kumar J., Hoffman F. M., Norby R. J., Wullschleger S. D., Sloan V. L., Iversen C. M. 2016. Mapping Arctic Plant Functional Type Distributions in the Barrow Environmental Observatory Using WorldView-2 and LiDAR Datasets. Remote Sensing. 8(9), 733: 1-24. https://doi.org/10.3390/rs8090733.
Langford Z. L., Kumar J., Hoffman F. M., Breen A. L., Iversen C. M. 2019. Arctic Vegetation Mapping Using Unsupervised Training Datasets and Convolutional Neural Networks // Remote Sensing. 11 (1), 69: 1-23. https://doi.org/10.3390/rs11010069.
Lavrinenko I. A. 2020. Typology and syntaxonomic composition of vegetation territorial units: novel approach suggested with the case study of Arctic marshes. Rastitel'nost' Rossii [Vegetation of Russia]. 39: 100-148. (In Russian). https://doi.org/10.31111/vegrus/2020.39.100.
Lavrinenko I. A., Lavrinenko O. V. 2020. Habitats of the east European tundra and their accordance by the EUNIS categories on the Nenetsky reserve example. Fitoraznoobraziye Vostoch-noy Yevropy [Phytodiversity of Eastern Europe]. 14(4): 359-397. (In Russian). https://doi. org/10.24411/2072-8816-2020-10082.
Lavrinenko I. A., Lavrinenko O. V. 2021. Classification and mapping of habitats in the northwestern part of the Bolshezemelskaya tundra. Geobotanical mapping 2021: 20-53. https://doi. org/10.31111/geobotmap/2021.20.
Matveyeva N. V., Lavrinenko O. V. 2021. The checklist of the syntaxa within the Russian Arctic: current state with vegetation classification. Rastitel'nost' Rossii [Vegetation of Russia]. 42: 3-41. (In Russian). https://doi.org/10.31111/vegrus/2021.42.3.
Mikula K., Sibikova M., Ambroz M., Kollar M., Ozvat A. A., Urban J., Jarolimek I., Sibik J. 2021. NaturaSat — A Software Tool for Identification, Monitoring and Evaluation of Habitats by Remote Sensing Techniques. Remote Sensing. 13(17), 3381: 1-19. https://doi.org/10.3390/ rs13173381.
Mohanty S. P., Hughes D. P., Salathe M. 2016. Using Deep Learning for Image-Based Plant Disease Detection. Frontiers in Plant Science. 7 (1419): 1-10. https://doi.org/10.3389/ fpls.2016.01419.
Sari N. M., Rokhmatuloh R., Manessa M. D. M. 2021. Monitoring Dynamics of Vegetation Cover with the Integration of OBIA and Random Forest Classifier Using Sentinel-2 Multitemporal Satellite Imagery. Geoplanning: Journal of Geomatics and Planning. 8(2): 75-84. https:// doi.org/10.14710/geoplanning.8.2.75-84.
Srifitriani A., Supriyono S. Parwito P. 2019. Study of model object-based image analysis (OBIA) for data interpretation based mangrove vegetation Landsat 8 operational land imager on the West Coast City of Bengkulu. Sumatra Journal of Disaster, Geography and Geography Education. 3(2): 77-84. http://sjdgge.ppj.unp.ac.id/index.php/Sjdgge/article/view/221.
Tzepkenlis A., Marthoglou K., Grammalidis N. 2023. Efficient Deep Semantic Segmentation for Land Cover Classification Using Sentinel Imagery. Remote Sensing. 15(8), 2027: 1-18. https://doi.org/10.3390/rs15082027.
Wagner F. H., Sanchez A., Aidar M. P. M., Rochelle A. L. C., Tarabalka Y., Fonseca M. G., Phillips O. L., Gloor E., Aragao L. 2020. Mapping Atlantic rainforest degradation and regeneration history with indicator species using convolutional network. Plos One. 15(2): 1-24. https:// doi.org/10.1371/journal.pone.0229448.
Watanabe S., Sumi K., Ise T. 2020. Identifying the vegetation type in Google Earth images using a convolutional neural network: a case study for Japanese bamboo forests. BMC Ecology. 20(65): 1-4. https://doi.org/10.1186/s12898-020-00331-5.
