Исследование Земли из космоса, 2024, № 3

Российская академия наук
ИССЛЕДОВАНИЕ ЗЕМЛИ 
ИЗ КОСМОСА
№ 3      2024     Май–Июнь
Журнал основан в 1980 г.
Выходит 6 раз в год
ISSN 0205-9614
Журнал издается под руководством 
Президиума РАН
Главный редактор 
академик В.Г. Бондур
Редакционная коллегия
В.В. АСМУС, Л.А. ВЕДЕШИН, А.С. ВИКТОРОВ, 
С.В. ВИКТОРОВ, А.Д. ГВИШИАНИ, П. ГЕЦОВ (Болгария), Г.С. ГОЛИЦЫН,  
М.Б. ГОХБЕРГ, ГО ХУАДУН (Китай), С.А. ДОБРОЛЮБОВ,  
Д.В. ЕРШОВ, С.Э. ЗАЙЦЕВ, А.И. ЗАХАРОВ, А.Т. ЗВЕРЕВ,  
Г.К. КОРОТАЕВ, В.Н. КУДРЯВЦЕВ, Е.А. МАРЕЕВ, 
И.Н. МОРДВИНЦЕВ (ответственный секретарь), А.А. РОМАНОВСКАЯ, 
В.П. САВИНЫХ (зам. главного редактора), А.А. СОЛОВЬЕВ, 
В.Г. ТРИФОНОВ, А.Б. УСПЕНСКИЙ, Е.А. ШАРКОВ (зам. главного редактора)
Заведующая редакцией О.Н. Никитина
Адрес редакции: 
119991, Москва, Ленинский просп., 14 
тел.: +7 (495) 632-16-54, +7 (495) 632-11-78 
e-mail: izk.journal1980@gmail.com; сайт: http://www.jizk.ru
© Российская академия наук, 2024
© Редколлегия журнала “Исследование 
Земли из космоса”(составитель), 2024

СОДЕРЖАНИЕ
Номер 3, 2024
Методы и средства обработки и интерпретации космической информации
Сравнительная оценка различных архитектур сверточных нейронных сетей для 
семантической сегментации нарушений лесного покрова по разновременным 
спутниковым снимкам 
Н. С. Подопригорова, А. В. Тарасов, А. Н. Шихов, А. И. Канев
3
Физические основы исследования Земли из космоса
Модель собственного микроволнового излучения устьевых областей арктических рек с 
учетом попадания в пиксель радиометра поверхности суши 
В. В. Тихонов, И. В. Хвостов, А. Н. Романов, Е. А. Шарков
16
Использование космической информации о Земле
Многолетняя динамика береговой линии по данным разновременных снимков Landsat 5 и 8 
на примере провинции Тханьхоа, Вьетнам
Т. З. Ле, Л. Х. Чинь, В. Р. Заблоцкий, К. В. Чан, С. Б. Чан, Т. Ф. То, 
В. Ф. Ле, В. Т. Ле
30
Летние и зимние аномалии характеристик дневной и ночной облачности над Западной 
Сибирью по спутниковым данным MODIS и реанализу ERA5 за период 2001–2022 гг.
А. В. Скороходов, К. В. Курьянович, В. Г. Астафуров
47
Особенности структуры и динамики вод в северной половине Японского моря в осеннезимний период по данным спутниковых и судовых наблюдений
А. Ф. Сергеев, В. Б. Лобанов, В. А. Горячев, Н. В. Шлык, 
Е. Н. Марьина, Н. Б. Лукьянова, И. И. Горин, В. Цой, С. А. Зверев, 
А. Ю. Юрцев, И. А. Прушковская, С. Ю. Ладыченко
59
Методика расчета ежедневных площадей заливания района дельты Волги в половодье  
с использованием спутниковых данных
Н. С. Зилитинкевич
78
Хородинамическое картографирование открытых песков на северо-востоке 
Ставропольского края
В. В. Дорошенко
94

Contents
No. 3, 2024
Methods and Means of Space Data Processing and Interpretation
Comparative Assessment of Different Architectures of Convolutional Neural Network for 
Semantic Segmentation of Forest Disturbances from Multi-Temporal Satellite Images 
N. S. Podoprigorova, A. V. Tarasov, A. N. Shikhov, A. I. Kanev
3
Earth Research from Space Physical Ground
A Model of Microwave Emission from Mouth Regions of Arctic Rivers Providing for Radiometer 
Pixel Land Contamination 
V. V. Tikhonov, I. V. Khvostov, A. N. Romanov, E. A. Sharkov
16
Utilization of the Earth Space Data
Long-term Coastline Monitoring in the Thanh Hoa Province (Vietnam) Using  
Landsat 5 and Landsat 8 data
Thi Giang Le, Le Hung Trinh, V. R. Zablotskii, Quoc Vinh Tran, Xuan Bien Tran, 
Thi Phuong To, Van Phu Le, Van Tho Le
30
Summer and Winter Anomalies of Day and Night Cloud Parameters over Western Siberia Using 
MODIS Data and ERA5 Reanalysis During 2001–2022
A. V. Skorokhodov, K. V. Kuryanovich, V. G. Astafurov
47
Features of the Structure and Dynamics of Water in the Northern Half of the Sea of Japan in 
Autumn-Winter Period According to Satellite Data and Ship Observation
A. F. Sergeev, V. B. Lobanov, V. A. Goryachev, N. V. Shlyk, E. N. Maryina, N. B. Lukyanova, 
I. I. Gorin, V. Tsoy, S. A. Zverev, A. Yu. Yurtsev, I. A. Prushkovskaya, S. Yu. Ladychenko
59
Methods of Calculation of Daily Flooded Areas in the Volga Delta During the Flood Periods 
Based on the Remote Sensing Data
N. S. Zilitinkevich
78
Horodynamic Mapping of Open Sands in the East of the Stavropol Region
V. V. Doroshenko
94

ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2024,  № 3, с. 3–16
МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ 
КОСМИЧЕСКОЙ ИНФОРМАЦИИ
СРАВНИТЕЛЬНАЯ ОЦЕНКА РАЗЛИЧНЫХ АРХИТЕКТУР СВЕРТОЧНЫХ 
НЕЙРОННЫХ СЕТЕЙ ДЛЯ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ 
НАРУШЕНИЙ ЛЕСНОГО ПОКРОВА ПО РАЗНОВРЕМЕННЫМ 
СПУТНИКОВЫМ СНИМКАМ
© 2024 г.      Н. С. Подопригорова1, А. В. Тарасов2, А. Н. Шихов2, *,  
А. И. Канев1
1Московский государственный технический университет имени Н.Э. Баумана, Москва, Россия
2Пермский государственный национальный исследовательский университет, Пермь, Россия
*E-mail: and3131@inbox.ru 
Поступила в редакцию 19.10.2023 г.
Алгоритмы, основанные на использовании сверточных нейронных сетей, являются наиболее эффективными для семантической сегментации изображений, в том числе для распознавания нарушений 
лесного покрова по спутниковым снимкам. В настоящей работе рассмотрена применимость различных модификаций сверточной нейронной сети архитектуры U-net для распознавания вырубок, гарей 
и ветровалов по разновременным и разносезонным спутниковым снимкам Sentinel-2. Оценка выполнена на трех тестовых участках, существенно различающихся по характеристикам насаждений и лесопользования. Наиболее высокая точность (среднее значение F-меры 0.59) получена по базовой модели 
U-net, а модели, которые показали наилучшие результаты при обучении (Attention U-Net и MobilNetv2 
U-Net), не обеспечили повышение точности сегментации на независимых данных. Полученные оценки точности близки к ранее опубликованным для лесов со значительной долей проходных и выборочных рубок. Основными факторами, определяющими точность сегментации, являются характеристики 
самих нарушений (площадь участков рубок и их тип). Существенные различия также выявлены между 
снимками разных сезонов, причем максимальна точность распознавания по зимним парам снимков. 
По летним парам снимков и снимкам разных сезонов площадь нарушений существенно недооценивается моделями. Преобладающая порода в древостое оказывает менее существенное влияние, хотя 
для двух из трех тестовых участков максимальная точность отмечена в темнохвойных лесах, а минимальная – в лиственных лесах. Статистически значимое влияние освещенности склонов на точность 
распознавания по зимним парам снимков не выявлено. Точность распознавания гарей, которая оценивалась на примере 14 крупных лесных пожаров 2021–2022 гг., оказалась неудовлетворительной, что, 
вероятно, обусловлено разной степенью повреждения лесного покрова на гарях.
Ключевые слова: нарушения лесного покрова, рубки, гари, ветровалы, сегментация, сверточная нейронная 
сеть, U-net, снимки Sentinel-2, F-мера
DOI: 10.31857/S0205961424030013, EDN: FBIUOM
ВВЕДЕНИЕ
Распознавание нарушений лесного покрова по 
спутниковым снимкам является важнейшим элементом систем дистанционного мониторинга лесных ресурсов и поддержки принятия решений, 
действующих на региональном (Лупян и др., 2016), 
национальном (Барталев и др., 2016) или глобальном (Hansen et al., 2013) уровнях. Современные методы распознавания нарушений лесного покрова 
широко используют возможности машинного обучения. В частности, для сегментации и классификации спутниковых снимков успешно применяются 
методы опорных векторов (Mountrakis et al., 2011), 
деревья решений (Hansen et al., 2013) и классификатор случайного леса (Rodriguez-Galiano et al., 2012). 
Но наиболее перспективными для семантической 
сегментации изображений, и в частности для выявления изменений на разновременных спутниковых 
снимках, считаются сверточные нейронные сети 
(СНС) (Горбачев и др., 2020). Изначально СНС 
разрабатывались для решения задач, не связанных 
с дистанционным зондированием Земли (ДЗЗ). 
Например, СНС архитектуры U-net была разработана для анализа биомедицинских изображений 
(Ronneberger et al., 2015), и только с 2018–2019 гг. 
началось ее успешное применение для сегментации данных ДЗЗ. Основное преимущество СНС 
3

ПОДОПРИГОРОВА  и др.
4
в частности тип нарушения (для вырубок), степень 
повреждения насаждения, преобладающая порода 
в древостое, освещенность склонов. 
перед попиксельными методами состоит в том, что 
они обеспечивают возможность совместного анализа спектральных, геометрических и текстурных 
свойств объектов на изображениях (Larabi et al., 
2016; Mou et al., 2019). 
ДАННЫЕ И МЕТОДЫ
Обучающие и проверочные данные. Для обучения 
СНС распознаванию вырубок и ветровалов был 
использован набор данных, созданный на основе 
разновременных и разносезонных спутниковых 
снимков Sentinel-2 (Канев и др., 2022). Дополнительный обучающий набор был создан для распознавания гарей. Он включает 426 гарей от пожаров, 
наблюдавшихся в лесной зоне Европейской территории России (ЕТР), Урала и Западной Сибири 
в 2016-2021 гг., оцифрованных вручную по снимкам 
Sentinel-2. Часть контуров гарей была извлечена из 
данных Global Forest Change (Hansen et al, 2013), которые имеют пространственное разрешение 30 м. 
К настоящему времени опубликовано уже значительное число работ, посвященных сегментации 
нарушений лесного покрова с помощью СНС. Так, 
СНС успешно применяются для мониторинга рубок леса по снимкам Sentinel-2, причем особенно 
они эффективны для сегментации проходных и выборочных рубок (Isaienkov et al., 2021; Тарасов и др., 
2021; Канев и др., 2022), а также лесных дорог (Trier 
et al., 2022). Также СНС успешно используются 
для сегментации рубок по снимкам сверхвысокого разрешения и по аэрофотоснимкам (Pyo et al., 
2022). СНС показали высокую эффективность при 
сегментации ветровалов как по снимкам Sentinel-2 
(Scharvogel et al., 2020; Канев и др., 2022), так и по 
снимкам сверхвысокого разрешения и аэрофотоснимкам (Kislov, Korznikov, 2020; Kislov et al., 2021). 
За последние годы в мире накоплен значительный 
опыт сегментации с помощью СНС последствий 
пожаров в лесах умеренного (Knopp et al., 2020), 
субтропического (Al-Dabbagh et al., 2022; Lee et 
al., 2022) и тропического (Shirvani et al., 2023) поясов по одиночным и по разновременным снимкам 
Sentinel-2. Показатели точности сегментации гарей 
(общая точность, коэффициент Каппа и F-мера) 
в перечисленных работах достигают 0.95 – 0.98. 
В работе (Lee et al., 2022) также показано существенное преимущество СНС архитектуры U-net 
в сравнении с методами градиентного бустинга 
и случайного леса при сегментации гарей. 
В большинстве перечисленных работ для сегментации снимков использовались СНС архитектуры U-net или ее модификации, такие как U-Net ++ 
(Al-Dabbagh et al., 2022), Attention U-net (Shirvani et 
al., 2023) и Residual U-Net (John and Zhang, 2022). На 
фоне множества работ, в которых показано успешное применение СНС для выделения нарушений 
лесного покрова по снимкам, меньшее внимание 
уделяется факторам, влияющим на точность сегментации (тип нарушения, степень повреждения 
насаждения, преобладающая порода в древостое, 
освещенность склонов). С учетом этого, в настоящей работе решаются две основные задачи: 
Непосредственно для обучения СНС были сгенерированы тайлы размеров 256×256 пикселей, 
в каждом из которых содержится целевая маска (наличие или отсутствие нарушения лесного покрова) 
и набор входных признаков. В качестве таковых использованы наиболее информативные каналы видимого (B4), ближнего ИК (B8) и среднего ИК (B11, 
B12) диапазонов спектра, а также их разности. Перечень признаков и обоснование их выбора, а также 
особенности формирования тайлов для обучения 
рассмотрены в ранее опубликованных работах (Тарасов и др., 2021; Канев и др., 2022). Для обучающих 
тайлов гарей также была выполнена фильтрация – 
исключены те тайлы, где целевая маска (выгоревшая 
территория) покрывает более 30% от площади тайла. Это было необходимо, поскольку площади гарей 
значительно превышают площади вырубок и ветровалов. Всего при обучении использовано 6463 
объекта разных типов, включая сплошные рубки 
(1937), проходные рубки (1559), выборочные рубки 
(393), лесные дороги (316), гари (1138) и ветровалы 
(1448). Тип рубок определялся на основе текстуры 
изображения и спектральных характеристик: для 
сплошных рубок характерно полное изъятие древостоя и наиболее резкое изменение яркости пикселей, для проходных рубок – наличие магистрального волока и радиально отходящих от него волоков, 
а для выборочных рубок – отсутствие выраженного 
рисунка с магистральным волоком и наименьшее 
(в сравнении с другими типами рубок) изменение 
спектральной яркости (см. подробнее Шихов и др., 
2020). Примеры приведены на рис. 1. 
(1) с применением ранее созданных авторами 
(Канев и др., 2022) обучающих и проверочных наборов данных выполнено сопоставление точности 
сегментации вырубок разных типов, гарей и ветровалов с помощью нескольких модификаций СНС 
архитектуры U-net; 
Основной валидационный набор данных также 
был создан в ходе ранее опубликованной работы 
(Канев и др., 2022). Вырубки и ветровалы размечены на трех тестовых участках, которые представляют собой ячейки глобальной разграфки данных 
(2) оцениваются факторы, влияющие на точность распознавания нарушений лесного покрова, 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 3       2024

СРАВНИТЕЛЬНАЯ ОЦЕНКА РАЗЛИЧНЫХ АРХИТЕКТУР 
5
Sentinel-2 с идентификаторами T40VDJ, T40VEM 
и T39VWH. Они расположены на территории 
Пермского края и Республики Коми и существенно различаются по доле лесопокрытой территории, 
преобладающим породам в древостое и характеру 
лесопользования (рис. 2а). Для каждого участка 
выбраны по 4 безоблачных сцены Sentinel-2, полученные с интервалом около полугода (зимние 
и летние безоблачные снимки 2021 и 2022 гг.). По 
разновременным снимкам были оцифрованы нарушения лесного покрова, появившиеся за этот 
период (всего 1796 вырубок на общей площади 
24.08.2017
22.07.2018
12.07.2020
04.06.2021
19.06.2020
04.06.2021
19.06.2020
04.06.2021
Выборочная рубка
Проходная рубка
Сплошная рубка
Лесная дорога
Пожар
Ветровал
Рис. 1. Примеры размеченных данных о нарушениях лесного покрова для обучения СНС. 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 3       2024

ПОДОПРИГОРОВА  и др.
6
14695 га и 779 участков ветровалов на общей площади 1323 га). Для каждой вырубки также определен 
тип (сплошная, проходная, выборочная рубка или 
лесная дорога).
ным снимкам, полученным с интервалом в полгода 
(всего 9 пар снимков). Таким образом, всего рассмотрены 15 пар снимков. Для исключения ошибок, связанных с нелесопокрытыми территориями, 
использовалась маска леса, созданная на основе 
данных проекта Global Forest Canopy Height 2020 г. 
(Potapov et al., 2021). Поскольку на выбранных тестовых участках за рассматриваемый период не 
наблюдались лесные пожары, выборка гарей была 
На основе этого проверочного набора данных 
оценивалась точность распознавания вырубок и ветровалов по парным снимкам одного сезона, полученным с интервалом около года (по три летних 
и зимних пары снимков), а также по разносезон45°
50°
55°
60°
65°
70°
а
39 VWH
40 VEM
Границы субъектов РФ
Участки для валидации моделей
40 VDJ
Лесопокрытая территория
51°30'
52°30'
52°
51°30'
52°30'
52°
б
в
61°
60°30'
60°
58°
56°
61°
60°30'
Леса
0
10
20
40 км
Темнохвойные
Нарушенные леса
Лиственные (береза, осина)
Прочее
Гари
Смешанные с преобладанием лиственных
Тени от облаков
Свежие вырубки
Смешанные с преобладанием хвойных
Болота
Зарастающие вырубки
Сосновые
Ветровалы
Водная поверхность
Заболоченные сосновые
Рис. 2. Ячейки глобальной разграфки Sentinel-2, выбранные для валидации результатов распознавания нарушений 
лесного покрова (а), снимок Sentinel-2 на ячейку T39VWH за 13.07.2021 г. (б) и результаты классификации типов 
растительного покрова по данному снимку (в).
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 3       2024

СРАВНИТЕЛЬНАЯ ОЦЕНКА РАЗЛИЧНЫХ АРХИТЕКТУР 
7
создана отдельно. Она включает 14 гарей на общей 
площади 31713 га (площадь отдельных гарей от 266 га 
до 15216 га), которые наблюдались в  
2021–2022 гг. 
в разных районах ЕТР (в республиках Карелия, 
Коми и Марий Эл). 
участку нарушения лесного покрова из описанного 
выше валидационного набора (за исключением тех, 
где нарушение уже произошло на момент получения классифицируемого снимка). Всего выделено 
5 классов лесов: темнохвойные, сосновые, смешанные с преобладанием хвойных, смешанные с преобладанием лиственных и лиственные (рис. 2в). 
Помимо характеристик нарушений лесного покрова и преобладающей породы в древостое, на 
точность их распознавания по снимкам зимнего 
сезона могут влиять тени, обусловленные рельефом. Для оценки их возможного влияния была использована ЦМР FABDEM с пространственным 
разрешением 30 м (Hawker et al., 2022), по которой 
был построен растр освещенности (теневая отмывка). Данные об азимуте солнца и угле освещения 
получены из метаданных снимков Sentinel-2. Влияние освещенности анализировалось только для 
снимков зимнего сезона, полученных для участка 
T40VEM, часть территории которого приходится на 
горную часть Северного Урала.
Данные для оценки факторов, влияющих на точность распознавания. Для оценки влияния преобладающей породы в древостое на точность 
распознавания нарушений лесного покрова для 
трех тестовых сцен Sentinel-2 (T40VDJ, T40VEM 
и T39VWH) средствами пакета ESA SNAP была 
выполнена классификация с применением классификатора Random Forest. Для классификации были 
выбраны наиболее информативные спектральные 
каналы: красный (B4), красный крайний (B5), 
ближний ИК (B8) и средний ИК (B11) безоблачных снимков летнего сезона 2021 г., которые были 
приведены к пространственному разрешению 20 м. 
Легенда классификации создана в соответствии 
с легендой Карты растительности России (Барталев и др., 2016). При создании обучающей выборки 
для классификации с геопривязанного оригинала 
данной карты были выбраны крупные участки лесов, соответствующие каждому из классов (темнохвойные, сосновые, смешанные с преобладанием 
хвойных, смешанные с преобладанием лиственных и лиственные леса). Эталоны были выбраны 
в пределах данных участков (по  
10–15 эталонов 
для каждого класса, чтобы обеспечить репрезентативность). Обучающая выборка корректировалась 
по факту применения процедуры классификации 
и экспертной оценки результата. Для уточнения 
лесопокрытой территории выполнено также ее маскирование на основе красного канала снимка, полученного в зимний сезон. 
Выбор архитектуры и обучение нейронных сетей. 
Большинство нейросетевых алгоритмов семантической сегментации изображений имеют общий 
принцип построения архитектуры. Сначала для выделения семантической информации изображение 
преобразуется в вектор признаков с помощью сети-шифровальщика (encoder), затем вектор обратно разворачивается в матрицу изображения с помощью сети-дешифровальщика (decoder). В качестве 
сети-энкодера часто используют различные заранее 
обученные свёрточные сети. Построение сети-декодера предполагает построение попиксельной карты 
разметки высокого разрешения по семантической 
карте низкого разрешения, т.е. восстановление 
пространственной информации (Горбачев и др., 
2020). В настоящей работе для сегментации нарушений лесного покрова по спутниковым снимкам 
использовалась СНС архитектуры U-net с разными 
энкодерами (ResNet50, MobilNetv2), а также модификациями самой архитектуры (MultiRes U-Net, 
Attention U-Net). Некоторые из этих модификаций 
ранее уже показали высокую эффективность для 
решения аналогичных задач (Shirvani et al., 2023). 
Оценку точности самой классификации не удалось выполнить по причине отсутствия доступных проверочных данных (например, актуальной 
лесо 
устроительной документации для данной территории). Для получения общего представления 
о степени неопределённости классификации рассмотрены значения метрики Precision, известной 
также как точность пользователя. Она рассчитывается в пакете SNAP непосредственно в процессе 
обучения классификатора. Для всех классов, кроме 
смешанных лесов, значения метрики Precision превышали 0.9, что указывает на высокую надёжность 
результатов классификации. Для смешанных лесов 
значение Precision составляет 0.75–0.9, что обусловлено частичным перемешиванием двух классов (смешанные леса с преобладанием лиственных 
и с преобладанием хвойных).
Выбор архитектуры U-net был обусловлен ее 
способностью сегментировать выборочные и проходные рубки как целостные объекты (Isaienkov et 
al., 2021; Тарасов и др., 2021) и в целом успешным 
опытом применения для распознавания нарушений лесного покрова по спутниковым снимкам. 
Данная архитектура сохраняет размер входного сегментированного изображения без дополнительных 
преобразований, поэтому результаты сегментации 
можно легко совместить с исходными данными, 
что важно при валидации.
Результирующие растры подвергались однократному сглаживанию с помощью фильтра большинства и далее использовались для присвоения атрибута (преобладающей породы в древостое) каждому 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 3       2024

ПОДОПРИГОРОВА  и др.
8
и F-мера. Графики обучения приведены на рис. 3, 
а оценки точности, полученные по проверочному 
поднабору − в табл. 1–2. 
Архитектура MultiRes U-Net отличается от U-net 
прежде всего тем, что она включает операции свертки 5×5 и 7×7 параллельно с операцией свертки 
3×3, доступной в U-Net (Ibtehaz and Rahman, 2020). 
В результате MultiRes U-Net выигрывает по производительности и качеству при сегментации сложных изображений (имеющих шум или искажения) 
и дает более надежные и устойчивые результаты. 
Все использованные модели, кроме ResNet50 
U-Net, на тестовой подвыборке показали высокую 
точность сегментации нарушений лесного покрова, 
при этом у моделей Attention U-Net и MobilNetv2 
U-Net точность оказалась несколько выше. Эти 
две модели, а также модель U-net, обученная в ходе 
работы (Канев и др., 2023), оценивались далее на 
независимом наборе данных. Также выявлены существенные различия в распознавании различных 
видов нарушений. По всем моделям получена низкая 
точность распознавания лесных дорог и ветровалов, 
а наиболее высокая точность характерна для гарей.
Архитектура Attention U-net отличается от обычной U-Net тем, что в нее включен так называемый 
“механизм внимания”, который направлен на 
воспроизведение способности человека концентрироваться на определенных объектах. Механизмы внимания позволяют обрабатывать фильтры 
по-разному в зависимости от контента (в данном 
случае – от свойств изображения) и облегчают 
 
обучение с использованием меньшего количества 
фильтров (John and Zhang, 2022). 
Архитектура ResNet50 U-net представляет комбинацию архитектур ResNet50 и U-net. ResNet50 – 
это полностью сверточная нейронная сеть глубиной 
50 слоев. Она включает 4 блока свертки и 4 последовательных по размерам части кодирования (He 
et al., 2016). Архитектура U-net в данном случае используется как расширение. 
Архитектура MobilNetv2 U-Net представляет 
комбинацию архитектур MobileNetv2 и U-Net. Для 
выделения семантической информации изображение преобразуется в вектор признаков с помощью 
архитектуры MobileNetv2, оптимизированной для 
мобильных устройств, что повышает производительность (Sandler, 2018). Декодер использует архитектуру на базе U-Net. 
Оценка моделей на независимом наборе данных. 
С помощью обученных моделей, которые показали 
максимальную точность на тестовой подвыборке 
(Attention U-Net и MobilNetv2 U-Net), а также модели U-net, обученной ранее (Канев и др., 2023), 
была выполнена сегментация нарушений лесного 
покрова по вышеописанному независимому набору 
данных (15 пар сцен Sentinel-2). Точность оценивалась по матрице ошибок, на основе которой рассчитаны метрики Precision (точность), Recall (полнота) 
и F-мера. При расчете матрицы ошибок в качестве 
TP (True Positive) рассматривалась площадь пересечения нарушений, выделенных по модели машинного обучения и по проверочному набору данных. 
Пороговое значение вероятности изменений в результирующих растрах принято равным 0.2 (все 
пиксели, в которых значение было свыше 0.2, оценивались как изменения). Такое значение порога 
близко к ранее использованному (Канев и др., 2023) 
и в целом обеспечивает оптимальное соотношение 
пропусков и ложных срабатываний, хотя большинство объектов, классифицированных как нарушения, и имеют показатель вероятности, близкий 
к единице. Для оценки влияния преобладающей 
породы в древостое на точность сегментации были 
сопоставлены значения метрик точности для вырубок и ветровалов, выделенных в разных типах леса 
(эти расчеты выполнены только для пар снимков, 
полученных в летний сезон). 
При обучении данные были разделены на обучающий и проверочный поднаборы в соотношении 
17:3. Все виды нарушений лесного покрова сведены 
к одному классу. Энкодеры и декодеры всех моделей 
состоят из 4-х слоев. Модели обучались в течение 
200 эпох со скоростью обучения 1e-3 (после 15 эпох 
без изменения функции потерь скорость обучения 
снижается в 0.1 раза). Размер подвыборки для обучения (batch size) был равен 8. В качестве функции 
потерь использован коэффициент Дайса, который 
обеспечивает устойчивость к несбалансированности выборок. В основном значения параметров обучения соответствуют тем, которые использовались 
ранее в работе (Канев и др., 2023). Для оптимизации 
вычислений был выбран оптимизатор адаптивной 
оценки момента (ADAM), повышающий производительность при решении задач с разреженными 
градиентами. Обучение завершалось после прохождения 200 эпох, и модель с лучшим коэффициентом 
Дайса сохранялась для последующей работы. Для 
оценки результата используются общепринятые 
метрики: коэффициент Дайса, Sensitivity, Specifity 
Аналогичным образом выполнена оценка точности распознавания лесных гарей на основе вышеописанного валидационного набора данных. При 
этом использовались данные о тепловых аномалиях NASA FIRMS, полученные со спутника SUOMI 
NPP (в виде термоточек). Вокруг группы термоточек, связанных с каждым оцениваемым пожаром, 
была построена буферная область шириной 2 км, 
и оценка проводилась в пределах этой области, чтобы избежать ошибочного включения других нарушений лесного покрова, не связанных с пожаром. 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 3       2024

СРАВНИТЕЛЬНАЯ ОЦЕНКА РАЗЛИЧНЫХ АРХИТЕКТУР 
9
а
б
Attention U-Net
0.9
0.8
MobilNetv2 U-Net
ResNet50 U-Net 
Multiresunet U-Net
0.8
0.7
U-Net
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
Attention U-Net
MobilNetv2 U-Net
0.3
0.2
ResNet50 U-Net 
0.2
0.1
Multiresunet U-Net
U-Net
0
25
50
75
100
125
150
175
200
0
25
50
75
100
125
150
175
200
Рис. 3. Функции потерь (а) и коэффициент Дайса (б) на проверочном наборе данных (по оси X показано число эпох 
при обучении).
Таблица 1. Оценки точности, полученные на проверочном поднаборе данных при обучении
Модель
Коэффициент Дайса
Sensitivity
Specificity
F-мера
U-Net
0.753
0.767
0.996
0.753
Attention U-Net
0.772
0.811
0.996
0.772
MultiRes U-Net
0.737
0.682
0.998
0.737
MobilNetv2 U-Net
0.772
0.771
0.997
0.772
ResNet50 U-Net
0.402
0.415
0.991
0.402
Таблица 2. Точность распознавания (коэффициент Дайса) различных типов нарушений лесного покрова по проверочному 
поднабору данных
Модель
Сплошные 
рубки
Проходные 
рубки
Лесные 
дороги
Ветровалы
Гари
Выборочные 
рубки
U-Net
0.666
0.660
0.021
0.434
0.944
0.563
Attention U-Net
0.667
0.641
0.034
0.434
0.948
0.598
MultiRes U-Net
0.677
0.501
0.015
0.334
0.956
0.456
MobilNetv2 U-Net
0.689
0.651
0.050
0.343
0.961
0.623
ResNet50 U-Net
0.341
0.271
0.041
0.039
0.876
0.208
 
РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ
различия не столь велики, как можно было ожидать 
(среднее значение F-меры по сезонам составляет 
0.59, 0.51 и 0.48 соответственно). Наиболее значительные различия по точности выявлены между 
разными тестовыми участками, что обусловлено 
особенностями практики лесопользования (средней площадью участка нарушений, долей сплошных рубок), а также преобладающих пород в древостое. 
Соотношение метрик Precision и Recall (точность и полнота) показывает, что в большинстве 
случаев модели занижают площадь нарушений лесного покрова. Наиболее существенное занижение 
выявлено по снимкам летнего сезона, тогда как по 
Оценка точности сегментации нарушений лесного 
покрова с помощью разных моделей СНС на независимых данных. На первом этапе выполнено общее 
сравнение точности сегментации (по показателю 
F-меры) для зимних, летних и разносезонных пар 
снимков. Модель U-net, обученная в рамках работы 
(Канев и др., 2023), показала существенно более высокую точность сегментации, чем две модифицированные модели, причем ее преимущество проявляется вне зависимости от сезона съемки. Точность 
сегментации вырубок и ветровалов по зимним парам снимков ожидаемо оказалась выше, чем по летним и по разносезонным парам снимков. Однако 
ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА        № 3       2024