Использование нейронных сетей для определения пылевого загрязнения вблизи области открытой добычи угля по данным дистанционного зондирования Земли

В статье рассматривается вопрос использования нейронных сетей для определения пылевого загрязнения вблизи области открытой добычи угля по данным дистанционного зондирования Земли. В работе участвовали территории угольных разрезов, находящихся в различных субъектах Российской Федерации. В качестве исходных данных использовались снимки спутника Sentinel-2, которые обрабатывались в ГИС-программе Quantum GIS. Разработан алгоритм формирования обучающей выборки, в котором используются каналы видимого и ближнего инфракрасного спектров со спутниковых снимков. Технология создания масок в разработанном алгоритме строится на использовании индекса Enhanced Coal Dust Index и его дальнейшей кластеризации. В качестве модели нейронной сети используется U-Net. Обученная модель апробирована на валидационной выборке. Точность распознавания составила 59,3 % по метрике Intersection over Union, 78,9 % по метрике Precision, 80,6 % по метрике F1 и 95,5 % по метрике Accuracy. Этот уровень точности обусловлен ограниченным объемом данных для обучения. Обсуждается возможность улучшения точности за счет увеличения объема выборки в сочетании с настройками параметров используемой нейронной сети. Полученный результат позволяет оценивать последствия воздействия работ по добыче угля на окружающую среду и на основании этих данных разрабатывать меры по обеспечению экологической безопасности.

1. Абрамов Н.С., Макаров Д.А., Талалаев А.А., Фраленко В.П. Современные методы интеллектуальной обработки данных ДЗЗ. Программные системы: теория и приложения. 2018;9(4):417–442. http://doi.org/10.25209/2079-3316-2018-9-4-417-442

2. Yu H., Zahidi I. Environmental hazards posed by mine dust, and monitoring method of mine dust pollution using remote sensing technologies: An overview. Science of The Total Environment. 2023;864. https://doi.org/10.1016/j.scitotenv.2022.161135

3. Опарин В.Н., Потапов В.П., Гиниятуллина О.Л., Андреева Н.В., Счастливцев Е.Л., Быков А.А. Оценка пылевого загрязнения атмосферы угледобывающих районов Кузбасса в зимний период по данным дистанционного зондирования Земли. Физико-технические проблемы разработки полезных ископаемых. 2014;(3):126–137.

4. Nie X., Hu Z., Ruan M., Zhu Q., Sun H. Remote-Sensing Evaluation and Temporal and Spatial Change Detection of Ecological Environment Quality in Coal-Mining Areas. Remote Sensing. 2022;14(2). https://doi.org/10.3390/rs14020345

5. Мусина Г.А., Ожигин Д.С., Ожигина С.Б. Экологический мониторинг на основе снимков, полученных с помощью беспилотных летательных аппаратов. Интерэкспо Гео-Сибирь. 2019;4(2):196–204. https://doi.org/10.33764/2618-981X-2019-4-2-196-204

6. Саворский В.П., Лупян Е.А., Горный В.И., Ермаков Д.М., Панова О.Ю., Константинова А.М. Методы и инструменты анализа данных ДЗЗ для выявления изменений растительного покрова, вызванных техногенными отходами и отвалами. Современные проблемы дистанционного зондирования Земли из космоса. 2019;16(6):31–47. https://doi.org/10.21046/2070-7401-2019-16-6-31-47

7. Wang Y., Zhang D., Dai G. Classification of High Resolution Satellite Images Using Improved U–Net. International Journal of Applied Mathematics and Computer Science. 2020;30(3):399–413. https://doi.org/10.34768/amcs-2020-0030

8. Попов С.Е., Потапов В.П., Замараев Р.Ю. Разработка модуля расчёта нормализованного индекса разностной активности открытых работ на угольных месторождениях на базе радарных данных Sentinel-1. Современные проблемы дистанционного зондирования Земли из космоса. 2022;19(3):62–76. https://doi.org/10.21046/2070-7401-2022-19-3-62-76

9. Hao L., Zhang Z., Yang X. Mine tailing extraction indexes and model using remote-sensing images in southeast Hubei Province. Environmental Earth Sciences. 2019;78(15):1–11. https://doi.org/10.1007/s12665-019-8439-1

10. He D., Le B.T., Xiao D., Mao Y., Shan F., Ha T.T.L. Coal mine area monitoring method by machine learning and multispectral remote sensing images. Infrared Physics & Technology. 2019;103. https://doi.org/10.1016/j.infrared.2019.103070