• DOI 10.31509/2658-607x-202252-115
  • УДК 614.842; 630*96

Использование данных дистанционного зондирования Земли из космоса для распознавания изображения дорог в лесном хозяйстве

© 2022                                                           Е. С. Подольская

 

Центр по проблемам экологии и продуктивности лесов РАН,

Россия, 117997, г. Москва, ул. Профсоюзная 84/32

 

E-mail: podols_kate@mail.ru

Поступила в редакцию: 08.10.2022

После рецензирования: 19.12.2022

Принята к печати: 20.12.2022

В статье представлен обзор развития и текущего состояния научных исследований по использованию данных дистанционного зондирования Земли (ДЗЗ) из космоса для распознавания изображения дорог в региональных лесохозяйственных проектах. Дана характеристика принципам выделения линейных объектов дорожной инфраструктуры, отмечено, что прямые дешифровочные признаки используются в таких сочетаниях, как яркостные и текстурные, геометрические и яркостные. Выделено три направления работ с примерами: визуальное дешифрирование, использование специального программного обеспечения и библиотек разработки, а также применение нейросетей. Приведено описание методов и программных средств распознавания дорожной сети, типов и пространственного разрешения необходимой космической съемки. В обзоре показано, что основой распознавания изображения дорог являются данные оптической съемки открытых и коммерческих источников, методы машинного обучения и нейросети. Актуальными задачами распознавания дорог для лесного хозяйства являются: оценка состояния покрытия дороги, моделирование расположения существующих, проектирование и строительство новых дорог, учет сезонности. Представлено описание функциональности плагина MapFlow как инструмента по распознаванию дорог для Open Source QGIS. Статья является частью разработок по региональному лесному транспортному моделированию наземного доступа к лесным пожарам и ресурсам леса.

Ключевые слова: данные ДЗЗ из космоса, дорожная сеть, распознавание объектов, лесное хозяйство, нейросеть, сверточная нейросеть, Open Source QGIS, плагины, MapFlow

 

Распознавание изображения дорожной сети на космических снимках ввиду сложностей сочетания характеристик геометрии и яркости является актуальной и востребованной задачей как при визуальном, так и при автоматизированном дешифрировании. Анализ научных публикаций по теме использования данных ДЗЗ из космоса в задачах распознавания дорожной сети является продолжением наших исследований по моделированию наземного перемещения пожарных и лесозаготовительных машин к лесным пожарам и ресурсам леса на региональном уровне. Технология построения маршрутов движения по дорогам разных классов, разработанная в Лаборатории мониторинга лесных экосистем Центра по проблемам экологии и продуктивности лесов Российской академии наук (ЦЭПЛ РАН), позволяет получать наборы данных по маршрутам за произвольный промежуток времени, в том числе и пожароопасный период года (Подольская и др., 2020). Для корректной работы технологии необходимы актуальные данные по дорогам общего и специального доступа (лесные дороги, зимние дороги).

Существует потребность в методах и технологиях распознавания и обновления данных по сети дорог. В работах по сопоставлению данных речь часто идет об использовании снимков для определения наличия и местоположения дорог, отсутствующих в глобальных и региональных наборах данных. Основным источником открытых данных по дорогам регионального уровня для всей территории России и мира являются векторные слои проекта Open Street Map (OSM, https://www.openstreetmap.org/), пример использования дан в работе (Podolskaia et al., 2020). Связям данных OSM и распознаванию объектов разной пространственной локализации (Мухаметшин, Самсонов, 2022), включая дороги, посвящены исследования, например Y. Nachmany и H. Alemohammad (2019), S. Oehmcke et al. (2019), C. Ayala et al. (2021). Для лесного транспортного моделирования наземного перемещения регионального пространственного охвата космические снимки являются практически единственным доступным материалом, который может восстановить данные и уточнить геометрию дороги, отсутствующей в базах векторных данных типа OSM.

Тема распознавания изображений объектов на снимках как гибридное направление информационных технологий и науки о данных привлекает много внимания, о чем в том числе свидетельствует обзорная работа K. Bhil et al. (2022). Инфраструктурные дорожные проекты становятся все более сложными, требуют актуальных и максимально подробных данных съемки. Данная статья посвящена одному из аспектов определения и обновления изображений дорог — распознаванию геометрии дороги по данным ДЗЗ из космоса. Отдельной темой является использование съемки с беспилотных летательных аппаратов (БПЛА), которая в настоящее время активно развивается в России в техническом и правовых направлениях.

Цель статьи — представить обзор отечественных и зарубежных научных публикаций по распознаванию линейных объектов инфраструктуры дорожной сети с использованием данных ДЗЗ из космоса и выявить возможности по распознаванию дорог для проектов лесного хозяйства по транспортному моделированию. Для достижения поставленной цели необходимо решить следующие задачи: охарактеризовать современное состояние проблемы распознавания дорог по космическим снимкам по материалам научных статей для региональных проектов, показать особенности распознавания дорог в лесном хозяйстве и дать примеры инструментов Open Source.

  1. Современное состояние задачи распознавания дорог по космическим снимкам

Тема использования материалов ДЗЗ из космоса рассмотрена для разных видов транспорта. Дорога как часть сложного инфраструктурного объекта или проекта (дорожное строительство, нефтегазовое хозяйство) дешифрируется в обязательном тематическом окружении. Материалы съемки из космоса используются при инженерных изысканиях и проектировании железных и автомобильных дорог (Бектуров, 2015; Филатова и др., 2017; Андреева и др., 2019), определении каркаса сети дорог (Михеева, Федосеев, 2016). Дороги являются одним из элементов общегеографического содержания карт, распознавание которых связано с генерализацией линейного объекта на космическом снимке (Подольская, 2005). Для железных дорог в масштабе снимков от 1 : 25 000 и крупнее возможно дешифрирование двух рельс, находящихся на постоянном расстоянии друг от друга, при помощи инструментов выделения границ в системе MATLAB (Журкин, Бадышев, 2014). В работах Д. В. Долгополова и др. (2019) и Д. В. Долгополова (2020) приводятся результаты анализа дешифрирования трубопроводов и сопутствующей нефтегазовому комплексу инфраструктуры линейного протяжения.

Основным материалом идентификации дороги на региональном и локальном уровнях продолжают оставаться космические снимки разных типов. В части данных для научного исследования по тематике транспортного моделирования необходимо понимание возможностей современных и, что особенно важно, актуальных по доступу материалов съемки из космоса разного типа и разрешения. Съемка оптического диапазона некоммерческого характера (космические аппараты семейства Landsat и Sentinel-2) остается одним из основных источников анализа изображений в научных исследованиях, используется она и для распознавания дорог разных классов. Так, использованию съемки указанных источников посвящены статьи по распознаванию дорог без покрытия: узких грунтовых дорог юго-запада Бразилии (Gomes et al., 2015) и неофициальных сельских дорог Бразильской Амазонии (Botelho et al., 2022). Сочетание оптического многозонального изображения и гиперспектра позволяет определить изменения конфигурации транспортной сети, для которых используется комбинированная технология объектно-ориентированного анализа набора снимков с использованием кластерных и контурных методов обработки (Михеева, Федосеев, 2016). Радиолокационные изображения (Henry et al., 2018; Wei et al., 2021) используются реже ввиду необходимости предварительной обработки в сравнении с оптической съемкой, которая доступнее по стоимости, но больше зависит от метеорологических условий (облачности).

Для того чтобы характеризовать современное распознавание дорог, необходимо описать принципы дешифрирования этих линейных объектов. Во-первых, дороги являются протяженными объектами с геометрическими (форма, размер) и яркостными (тон, уровень яркости, цвет, спектральный образ) признаками (Михеева, Федосеев, 2016), меняющимися на космическом изображении. Под геометрией дороги в региональных проектах обзорных масштабов понимаются ее форма и размер (ширина), каркасом геометрии сети дорог является осевая линия. Пример совместного использования геометрических и яркостных признаков дан в статье А. А. Федосеева и др. (2018). Во-вторых, для дешифрирования также используются структурные признаки (текстура, структура, рисунок) и комбинации яркостных и структурных признаков, например, алгоритм спектрально-текстурной сегментации, описанный в работе И. А. Пестунова и С. А. Рылова (2012).

Косвенными признаками дешифрирования дорожной сети являются природные, или ландшафтные (показывают взаимосвязи дорог с природными объектами), антропогенные (выявляют функции дорог как объектов для коммуникации между населенными пунктами, расположение в социально-экономической инфраструктуре территории), а также природно-антропогенные (указывают на связи природных условий и транспортной освоенности).

Помимо геометрических, яркостных и структурных признаков современные исследования для построения автоматизированной модели распознавания дорог выделяют топологические (связность) и функциональные (использование) атрибуты (Botelho et al., 2022). Для дешифрирования сети дорог, как отмечает ряд отечественных авторов (Мирошниченко и др., 2013; Тусикова, Вихтенко, 2019; Игнатьев и др., 2022), необходим подбор снимков со следующими основными характеристиками: значительная длина дорог в пределах снимка, постоянная ширина дороги, равномерное распределение яркости изображения дороги в пределах снимка и четкость изображения дорожного покрытия. Таким образом, основным этапом обработки космических снимков является сегментация спутникового изображения на тематически однородные области с последующим преобразованием в векторный формат.

Исторически распознавание дорог было начато на примере улиц населенных пунктов с появлением материалов съемки с пространственным разрешением порядка нескольких метров (Guindon, 1998). Большой обзор порядка нескольких сотен исследовательских работ по автоматическому распознаванию дорог для геоинформатики сделан в статье J. B. Mena (2003). В ней описаны основные задачи распознавания: сегментация, векторизация, оценка и оптимизация, семантические нейронные сети, а также методы и инструменты нечеткой логики. Указанная работа 2003 г. в настоящее время требует продолжения и описания актуальных методов распознавания и примеров нейросетей.

Подготовка фрагментов изображения в это время заложила основы современному распознаванию дорог на основе методов использования нейронных сетей, которые являются одним из алгоритмов классификации глубокого обучения (Deep Learning), устанавливающей веса важности различным областям и объектам на изображении и последующего итерационного распознавания. Среди нейросетей для линейных объектов дорожной сети используются свёрточные (Convolutional Neural Networks, CNN) и региональные нейронные сети (Region-Based-CNN, RCNN). Определяющим преимуществом выбора свёрточной сети являются меньшие, в сравнении с другими алгоритмами классификации, время и вычислительные ресурсы для предварительной обработки изображений (Скрипачев и др., 2022). Лучшие результаты при семантическом сегментировании изображения для распознавания дорог в настоящее время получены при помощи полностью связанной свёрточной нейросети (Fully CNN), представляющей собой набор связанных слоев с условием, что каждый нейрон одного слоя связан с каждым нейроном другого.

Примером использования RCNN в российских публикациях служит Mask-RCNN (Тусикова, Вихтенко, 2019). Свёрточный принцип необходим для объединения значений расположенных по соседству пикселей и выделения наиболее обобщенных признаков для дороги. Ограничения качества распознавания сетей в настоящее время связаны с объемом обучающей выборки и детальностью аннотирования (предварительной сегментации) фрагментов. Отмечается, что для качественного обучения нейронной сети требуется значительный набор данных (или обучающая выборка), насчитывающий порядка тысяч изображений. Варианты могут быть найдены в готовых аннотированных наборах, среди которых только начинают появляться примеры открытого доступа. Для автоматизации распознавания используется аннотирование изображения космического снимка, состоящее в присваивании подписи или метки с использованием ключевых слов. Малое количество обучающих наборов данных и недостаточность аннотирования изображения дорог на них являются ограничивающими факторами.

К отдельным задачам распознавания дорог исследователи относят выделение типа дорожного покрытия (Тормозов и др., 2020) и мониторинг технического состояния полотна дорог (Челноков и др., 2021). Ряд работ по выделению дорожного покрытия используют гиперспектральные изображения и методы машинного распознавания, отмечая потребность в данных сверхвысокого разрешения для определения степени аварийности дорог (Михеева, Федосеев, 2014; Федосеев и др., 2016; Федосеев и др., 2018). Последние работы публикуют научные результаты инфраструктурного проекта ГИС «ITSGIS» (http://itsgis.ru/).

Эволюция и актуальные возможности методов и технологий распознавания дорог по данным ДЗЗ из космоса представлена в табл. 1. В ней сделана группировка характерных примеров отечественных и зарубежных статей по этапам (блокам) развития распознавания дорог на космических изображениях в региональных проектах. Методически и технологически можно выделить три блока работ: визуальное дешифрирование, использование специального программного обеспечения и библиотек разработки, затем применение нейросетей. Как показывает табл. 1, произошел переход от ручного экспертного визуального дешифрирования к автоматизированному распознаванию нейросетями на основе экспертного опыта и обучающих наборов с высокой точностью результата порядка 80-90%. Предпосылками такого перехода стали общеизвестные возможности информационных технологий в части скорости и объема обработки данных, особенно космических, обладающих при высоком разрешении значительным объемом. К достоинствам распознавания нейросетями можно отнести скорость и доступность обработки изображений, к недостаткам — затраты времени для тщательной подготовки сегментированных изображений в качестве обучающей выборки.

Тематические примеры исследований охватывают разные регионы России и мира, основываются в своем большинстве на оптической съемке; значительная часть работ, использующих для распознавания дорог наборы данных и нейросети, представлена англоязычными статьями. В каждом блоке статьи расположены по годам публикации, что помогает показать историческое развитие методов и технологий для распознавания дорог по снимкам на основе данных разрешения порядка 1 м и лучше. Среди изученных работ в большинстве случаев в качестве библиотеки глубокого обучения используется Open Source Keras[1]. Среди вариантов нейросетей, доступных в указанной библиотеке, одним из самых используемых можно назвать ResNet101 (https://keras.io/api/applications/resnet/).

Таблица 1. Распознавание изображения дорог на космических снимках в проектах регионального уровня

Методы распознавания и ключевые слова

 

Съемочная система и пространственное разрешение Используемое ПО/

библиотека

Территория применения Источник
Блок 1 — визуальное дешифрирование
Визуальное распознавание автомобильных дорог различных классов и железных дорог RapidEye (5 м) Малообжитые районы Западной Сибири Кобзева, 2010
Выявление дороги и мониторинг ее состояния по сезонам года по материалам ДЗЗ из космоса с уточнением полевыми исследованиями Formosat-2, Eros A/B, Ikonos-2, QuickBird, Ресурс (1-10 м) Архангельская область, Россия Шошина, 2013
Блок 2 — специальное ПО и библиотеки для разработки
Автоматическое распознавание типа покрытия дороги (битум, бетон, гравий, грунт). Сегментация дорожной сети Spot панхром (10 м) IMAVISION image analysis system Канада Maillard, Cavayas, 1989
Автоматическое извлечение дорог (поиск дорог, векторизация и присоединение отрезков дорог) Quickbird, Ikonos, Spot, Aster, Landsat-ETM (2.4-30 м) PCI Geomatica Турция Gecen, Sarp, 2008
Кластеризация гиперспектральных данных мониторинга объектов транспортной инфраструктуры EO-1, Hyperion (30 м) ITSGIS Самарская область, Россия Михеева, Федосеев, 2014
Глубокое обучение, сегментация, обнаружение дорог и инфраструктуры Sentinel 2 (10 м) Python (3.6), PyTorch (1.0) Дания Oehmcke et al., 2019
Сегментация, объектный анализ изображений, математическая морфология Ikonos-2 (4 м) ENVI Италия Barrile et al., 2020
Сегментация изображения, морфологические операции WorldView-3 (до 0.3 м панхром, 1.24 м — мультиспектр) MATLAB США Satyanarayana et al., 2020
Блок 3 — использование нейросетей
Глубокое обучение, семантическая сегментация, свёрточная нейронная сеть, алгоритм центральной линии, пользовательский алгоритм упрощения WorldView-3, SkySat, Planet Dove, Sentinel-2 (1-10 м) Сеть: U-Net based network.

ПО: Keras Open Source deep learning library

Европа, Африка, Центральная Америка Riedl et al., 2019
Полностью свёрточная нейронная сеть (FCN). Увеличение данных, деконволюция и условное случайное поле IKonos, QuickBird, WorldView and GeoEye (порядка 1 м) Сети: AlexNet, VGG-Net.

ПО: Keras Open Source deep learning library

США Zegeye, 2020
Сеть связности (CoANet) для совместного изучения сегментации и попарных зависимостей SpaceNet and DeepGlobe datasets (0.3-0.5 м) Сеть: ResNet-101 pre-trained on ImageNet Разные регионы мира Mei et al., 2021

 

  1. Распознавание дорог в лесном хозяйстве

Исследовательский опыт, представленный в табл. 1, полезен для использования при распознавании дорожной сети в лесном транспортном моделировании. Актуализация изображения лесных дорог важна в лесном хозяйстве, потому что по ним осуществляется значительная часть перемещений до автодорог с покрытием. Немногочисленны отечественные публикации по сетям лесных дорог, к ним относятся работы В. А. Орлова (2006) и К. В. Шошиной (2013). Первая статья посвящена связи атрибутивных признаков дорог с изобразительными сегментами и топологическим описанием сети. Стратегия выделения дороги определяется ее классом. Описано порядка 15 вариантов выделения дорог с подбором соотношения свойств сегментов дороги и ее характеристик расположения в пространстве. Вторая работа описывает систему мониторинга лесовозных дорог с указанием основных признаков определения лесных дорог. Основное внимание уделено техническому состоянию лесных дорог и возможным технологиям обнаружения дефектов таких дорог в зависимости от сезона. Задачами дешифрирования дорог названы выявление факта наличия дороги, типа покрытия, оценка состояния дороги и выявление ее аварийных участков.

Из зарубежных работ отметим статью E. Сaliskan и Y. Sevim (2022), в которой даются рекомендации по использованию таких моделей глубокого обучения для семантической сегментации лесных дорог, как нейросети ResNet-50 и InceptionResNet-V2.

К особенностям лесного хозяйства необходимо отнести сезонность использования дорог. Для моделирования наземного доступа по дорогам разных классов в лесном хозяйстве необходимы космические снимки разных периодов года, а именно: межсезонья, лета и зимы (Шошина, 2013). В каждый такой период для движения будет доступна часть дорог, зимой помимо дорог общего пользования в отдельных регионах начинают работать зимники; летом и в межсезонье часть дорог может оказаться недоступной для движения из-за состояния покрытия (Подольская, 2022). Соответственно, построенные маршруты доступа техники к ресурсам леса и лесным пожарам будут сезонно различаться.

Таким образом, к актуальным задачам распознавания дорог в лесном хозяйстве можно отнести оценку состояния их покрытия, моделирование расположения существующих и проектируемых дорог, а также учет сезонности эксплуатации дорог, определяемой по космическим снимкам.

 

  1. Плагин MapFlow (Open Source QGIS)

Практическим примером Open Source-инструмента распознавания дорог в лесных транспортных проектах может служить плагин для QGIS MapFlow. Он является одним из используемых и популярных по данным библиотеки «открытых» инструментов для геоинформатики (https://plugins.qgis.org/) плагинов распознавания дорог разработки компании GeoAlert (https://geoalert.io/). В настоящее время в качестве исходных данных MapFlow использует материалы оптической съемки высокого пространственного разрешения. Сначала по изображению снимка готовится растровая маска дорог, затем она преобразуется в набор осевых линий дорог и векторизуется для дальнейшего использования в формат GeoJSON, также определяются тип покрытия и границы дороги (https://geoalert.medium.com/mapflow-ai-new-roads-model-e989557cef26). Актуальная версия плагина датируется февралем 2023 г. (https://plugins.qgis.org/plugins/mapflow/). Модуль появился в репозитории в июле 2021 г. и используется в работе платформы «RuMap» (http://www.digimap.ru/products) Научно-производственного геоинформационного центра ЗАО «Геоцентр-Консалтинг».

ЗАКЛЮЧЕНИЕ

В статье представлен обзор доступных научных публикаций по использованию данных ДЗЗ из космоса для распознавания дорог с выделением особенностей для лесного транспортного моделирования. Выявлены следующие направления исследований для использования в проектах лесного хозяйства по транспортному моделированию:  

  1. Справедливы общие положения для автоматизированного распознавания дорог. Дороги распознаются по снимкам открытых и коммерческих источников, по уровню пространственного разрешения используются материалы от сверхвысокодетальной съемки до съемки разрешения порядка десятков метров. Для дорог преимущественно используются прямые дешифровочные признаки, которые, в сравнении с косвенными, могут быть лучше автоматизированы. От ручного визуального дешифрирования линейных объектов дорожной сети современные исследователи за прошедшие порядка 20 лет перешли к использованию методов глубокого обучения и нейросетей. По-прежнему значительное время и технические усилия вкладываются в подготовку обучающих наборов данных для нейросети, качество которых значительно определяет результат распознавания. Таким образом, очевидным и активно развивающимся направлением исследований является использование методов и технологий искусственного интеллекта (ИИ).
  2. Тематическими задачами лесного хозяйства с применением данных ДЗЗ из космоса и ИИ остаются оценка состояния дороги, выявление ее аварийности, а также проведение моделирования для проектирования и строительства новых дорог. Для распознавания и мониторинга состояния лесных дорог в регионах России в настоящее время целесообразна съемка высокой и сверхвысокой детальности, что может быть выполнено и при помощи БПЛА. Эта технология съемки представляет значительный интерес ввиду высокого пространственного разрешения (сантиметры), возможности оперативной организации съемочных работ и наличия доступных программных средств обработки.

В качестве положительных примеров использования в практике ведения лесного хозяйства, отметим несколько статей (Gulci et al., 2017; Akay, Tas, 2018; Turk et al., 2022). В настоящее время затруднительно оценить эффективность применения БПЛА для распознавания дорог в сравнении с космическими снимками для региональных проектов. Оценка эффективности будет зависеть от географического расположения района работ, наличия и сложности геометрии дорожной сети, рельефа, инфраструктурной сложности территории и других параметров. Этот вопрос требует дальнейшего исследования и сбора опыта разных стран и регионов. При отсутствии доступа к космической съемке высокого и сверхвысокого пространственного разрешения локальная съемка с БПЛА, с учетом стоимости организации и проведения полевых работ и трудозатрат, может оказаться единственным вариантом получения данных для регулярного мониторинга состояния дорог.

В ближайшие годы именно данные, полученные при помощи БПЛА, будут одним из используемых источников для обновления изображения дорожной сети в разных ГИС-проектах, включая проекты лесного хозяйства. Определенно то, что съемка из космоса и при помощи БПЛА будут продолжать оставаться двумя основными источниками данных для дешифрирования дорог.

Общими закономерностями в результате анализа статей для разнообразных дорожных проектов и лесного хозяйства можно назвать использование открытых данных Landsat и Sentinel, которые являются самыми доступными. В направлении распознавания лесных дорог по космическим снимкам пока еще мало научных публикаций. Для распознавания дорог самыми информативными и используемыми в настоящее время являются прямые дешифровочные признаки (геометрические, яркостные), затем по количеству упоминаний следуют прямые текстурные признаки. В работах последнего десятилетия группа прямых признаков используется в сочетаниях (яркостные и текстурные, геометрические и яркостные).

Задачи использования космической съемки для распознавания изображения дорог по результатам анализа выборки статей можно разделить на несколько групп. Во-первых, это потребность в каком-либо материале при отсутствии обновленных данных по сети дорог, во-вторых, отсутствие в открытом доступе точной координатной привязки линейной инфраструктуры дорог и, наконец, необходимость мониторинга покрытия дороги на предмет аварийности и проведение последующих экономических оценок.

Региональные проекты лесного хозяйства сложны, масштабны и, следовательно, затратны по своим ресурсам. Технологической основой для их реализации в части распознавания дорог будут оставаться нейросети, которые непрерывно совершенствуются в своем качестве и объеме данных, становятся открытыми продуктами-коллекциями для исследователей.

ФИНАНСИРОВАНИЕ

Работа выполнена в рамках темы Государственного задания «Методические подходы к оценке структурной организации и функционирования лесных экосистем», регистрационный номер № 121121600118-8.

СПИСОК ЛИТЕРАТУРЫ

Андреева О. А., Конон Н. И., Ратинский М. Г. К вопросу использования дистанционного зондирования местности при проектировании железных дорог // Геодезия и картография. 2019. № 5. С. 47–53. DOI: 10.22389/0016-7126-2019-947-5-47-53.

Бектуров А. К. Применение материалов аэрокосмических съемок в изысканиях и проектировании автомобильных дорог в условиях высокогорья // Вестник Кыргызского государственного университета строительства, транспорта и архитектуры им. Н. Исанова. 2015. № 3 (49). C. 43–48.

Долгополов Д. В. Использование данных дистанционного зондирования Земли при формировании геоинформационного пространства трубопроводного транспорта // Вестник СГУГиТ. 2020. Т. 25. № 3. С. 151–159.

Долгополов Д. В., Никонов Д. В., Полуянова А. В., Мелкий В. А. Возможности визуального дешифрирования магистральных трубопроводов и объектов инфраструктуры по спутниковым изображениям высокого и сверхвысокого пространственного разрешения // Вестник СГУГиТ. 2019. Т. 24. № 3. С. 65–81.

Журкин И. Г., Бадышев Т. Т. Анализ изменений железнодорожной сети по космическим снимкам // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2014. № 3. С. 83–86.

Игнатьев А. В., Куликов М. А., Цапиев Д. Н., Тырин В. В. Методика автоматической классификации дорог с использованием нейронной сети Mask R-CNN //   Электронный научный журнал «Инженерный вестник Дона». 2022. № 5. С. 1–9.

Мирошниченко С. Ю., Титов В. С., Ященко А. А. Метод автоматической локализации протяженных геопространственных объектов // Известия вузов. Приборостроение. 2013. Т. 56. № 6. С. 17–22.

Михеева Т. И., Федосеев A. A. Кластеризация гиперспектральных данных мониторинга объектов транспортной инфраструктуры // Известия Самарского научного центра Российской академии наук. 2014. Т. 16. № 4 (2). С. 404–408.

Михеева Т. Н., Федосеев A. A. Идентификация изменений конфигурации транспортной сети на основе космической съемки // Известия Самарского научного центра Российской академии наук. 2016. Т. 18. № 4 (4). С. 808–814.

Мухаметшин А. Р., Самсонов Т. Е. Дешифрирование космических снимков с использованием машинного обучения по данным OpenStreetMap // Научные исследования молодых ученых-картографов, выполненные под руководством сотрудников кафедры картографии и геоинформатики географического факультета МГУ имени М.В. Ломоносова: сборник статей / Под ред. А.М. Карпачевского. — М.: «КДУ», «Добросвет», 2022. С. 64–72.

Орлов В. А. Автоматизированное распознавание лесных дорог по космическим снимкам // Актуальные проблемы лесного комплекса. 2006. № 14. C. 1–4.

Пестунов И. А., Рылов С. А. Сегментация спутниковых изображений высокого разрешения по спектральным и текстурным признакам // ИнтерЭкспо Гео-Сибирь. 2012. Т. 1. № 4. С. 86–91.

Подольская Е. С. Применение космических сканерных снимков для объективизации картографической генерализации на обзорно-топографических картах // Изв. вузов. Сер. Геодезия и аэрофотосъемка. 2005. № 5. С. 83–96.

Подольская Е. С. Сезонность дорог в транспортном моделировании ГИС-проекта лесного хозяйства // Фундаментальные, поисковые, прикладные исследования и инновационные проекты: сборник трудов Национальной научно-практической конференции. М.: РТУ МИРЭА, 2022. С. 267–271.

Подольская Е. С., Ершов Д. В., Ковганко К. А. Транспортное моделирование наземного доступа для борьбы с лесными пожарами на уровне Федеральных округов России // Сборник статей по итогам научно-технических конференций. Выпуск 11. М.: МИИГАиК, 2020. 199 с. / Приложение к журналу Известия вузов «Геодезия и аэрофотосъемка». C. 154–156.

Скрипачев В. О., Гуйда М. В., Гуйда Н. В., Жуков А. О. Исследование свёрточных нейронных сетей для обнаружения объектов на аэрокосмических снимках // International Journal of Open Information Technologies. 2022. Т. 10. № 7. С. 54–64.

Тормозов В. С., Василенко К. А., Золкин А. Л. Настройка и обучение многослойного персептрона для задачи выделения дорожного покрытия на космических снимках города // Программные продукты и системы. 2020. Т. 33. № 2. С. 343–348. DOI: 10.15827/0236-235X.130.343-348.

Тусикова А. А., Вихтенко Э. М. О распознавании автомобильных дорог на спутниковых снимках с использованием свёрточных сетей MASK-RCNN // V Международная конференция «Информационные технологии и высокопроизводительные вычисления» (ITHPC-2019), Хабаровск, Россия, 2019. С. 308–314.

Федосеев A. A., Михеева Т. И., Сапрыкин О. П., Мингазов P. P. Распознавание объектов транспортной инфраструктуры на гиперспектральных снимках методом глубинного машинного обучения // Информационные технологии интеллектуальной поддержки принятия решений (ITIDS’2016): труды IV Междун. конф. Уфа: Изд-во УГАТУ. 2016. С. 39–44.

Федосеев А. А., Михеева Т. И., Михеев С. В. Построение модели транспортной инфраструктуры на основе пространственно-спектральной аэрокосмической информации // Программные продукты и системы. 2018. № 1 (31). С. 25–31.

Филатова А. В., Поздышева О. Н., Кистинева А. О. Анализ процесса дешифрирования при строительстве автомобильных дорог // Электронный научный журнал «Инженерный вестник Дона». 2017. № 2. С. 1–11.

Челноков В. В., Мешалкин В. П., Стрелков С. П., Кондрашин К. Г. Визуализация данных дистанционного зондирования дорожных сетей в целях анализа экологического и социо-экологического воздействия // Геодезия и картография. 2021. № 3. С. 36–43. DOI: 10.22389/0016-7126-2021-969-3-36-43.

Шошина К. В. Система мониторинга и исследования лесных дорог // Вестник Северного (Арктического) Федерального университета. Серия: Естественные науки. 2013. № 4. C. 50–54.

Кобзева Е. А. Экспериментальная оценка точности и дешифровочных возможностей космических снимков RapidEye // Geomatics. 2010. № 2. С. 33–36.

Akay A. E., Tas I. Using drone with a lidar data capture systems in forestry applications // International Academic Research Congress. INES, 2018. P. 17–25.

Ayala C., Aranda C., Galar M. Towards fine-grained roads maps extraction using Sentinel-2 imagery // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XXIV ISPRS Congress (2021 edition). 2021. Vol. 3. P. 9–14.

Barrile V., Bilotta G., Fotia F., Bernardo E. Road extraction for emergencies from satellite imagery // Computational Science and Its Applications–ICCSA 2020: 20th International Conference, Cagliari, Italy, July 1–4, 2020, Proceedings, Part IV 20. Springer International Publishing, 2020 P. 767–781. DOI: 10.1007/978-3-030-58811-3_55.

Bhil K., Shindihatti R., Mirza S., Latkar S., Ingle Y. S., Shaikh N. F., Prabu I., Pardeshi S. N. Recent progress in object detection in satellite imagery: a review // Sustainable Advanced Computing. Lecture Notes in Electrical Engineering. 2022. Vol. 840. P. 209–218. DOI: 10.1007/978-981-16-9012-9_18.

Botelho J. Jr., Costa S. C. P., Ribeiro J. G., Souza C. M. Jr. Mapping roads in the Brazilian Amazon with artificial intelligence and Sentinel-2 // Remote Sensing. 2022. Vol. 14. P. 1–17. DOI: 10.3390/ rs14153625.

Сaliskan E., Sevim Y. Forest road detection using deep learning models // Geocarto International. 2022. Vol. 37. No 20. P. 5875–5890. DOI: 10.1080/10106049.2021.1926555.

Gecen R., Sarp G. Road detection from high and low resolution satellite images // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B4. Beijing, 2008. P. 355–358.

Gomes O. F. M., Feitosa R. Q., Coutinho H. L. C. Sub-pixel unpaved roads detection in Landsat images // Proceedings of XXXV Congress  ISPRS. Committee 3. 2015. P. 1–5.

Guindon B. Application of spatial reasoning methods to the extraction of roads from high-resolution satellite imagery // IGARSS ‘98. Sensing and Managing the Environment. International Geoscience and Remote Sensing. Symposium Proceedings. 1998. Vol. 2. P. 1076–1078. DOI: 10.1109/IGARSS.1998.699677.

Gulci S., Akgul M., Akay A. E., Tas I. Using ready-to-use drone images in forestry activities: case study of Cinarpinar in Kahramanmaras, Turkey // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XLII-4/W6. 2017. 4th International GeoAdvances Workshop 14–15 October 2017, Safranbolu, Karabuk, Turkey. P. 51–53.

Henry C., Azimi S. M., Merkle N. Road segmentation in SAR satellite images with deep fully-convolutional neural networks // IEEE Geoscience and Remote Sensing Letters. 2018. P. 1–6. DOI: 10.1109/LGRS.2018.2864342.

Maillard Ph., Cavayas F. Automatic map-guided extraction of roads from SPOT imagery for cartographic database updating // International Journal of Remote Sensing. 1989. No 10 (11). P. 1775–1787. DOI: 10.1080/01431168908904007.

Mei J., Li R.-J., Gao W., Cheng M.-M. CoANet: Connectivity attention network for road extraction from satellite imagery // IEEE Transactions on Image Processing. 2021. Vol. 30. P. 8540–8552. DOI: 10.1109/TIP.2021.3117076.

Mena J. B. State of the art on automatic road extraction for GIS update: a novel classification // Pattern Recognition Letters. 2003. Vol. 24. P. 3037–3058.

Nachmany Y., Alemohammad H. Detecting roads from satellite imagery in the developing world // The IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 84–89.

Oehmcke S., Thrysoe C., Borgstad A., Vaz Salles M. A., Brandt M., Gieseke F. Detecting hardly visible roads in low-resolution satellite time series data // IEEE International Conference on Big Data. 2019. P. 1–10. DOI:10.1109/BigData47090.2019.9006251.

Podolskaia E., Ershov D., Kovganko K. Comparison of data sources on transport infrastructure for the regional forest fire management // Managing forests in the 21st century: Book of abstracts, Managing forests in the 21st century, Conference at the Potsdam Institute for Climate Impact Research. Potsdam, 2020. 59 p. DOI: org/10.2312/pik.2020.002.

Riedl M., Berthold I., Schauer P., Angelhuber M., Fischer P., Canzani E. How many roads? Object segmentation on satellite imagery in a production environment // Proceedings of 2019 Big Data from Space (BiDS’19). 19-21 February 2019, Munich (Germany). P. 173–176. DOI: 10.2760/848593.

Satyanarayana V. L., Chandana Ch. G., Bindusha K., Padmanabhudu D., Shahanaaz bhanu G. Extraction of roads from satellite resolution images using Matlab // International Journal of Engineering Applied Sciences and Technology. 2020. Vol. 4. Issue 12. P. 708–714.

Turk Y., Boz F., Aydin A., Eker R. Evaluation of UAV usage possibility in determining the forest roads pavement degradation: preliminary results // European Journal of Forest Engineering. 2022. Vol. 8 (2). P. 77–84.

Wei X., Fu X., Yun Y., Lv X. Multiscale and multitemporal road detection from high resolution SAR images based attention mechanism // Remote Sensing. 2021. Vol. 13. p. 3149. DOI: 10.3390/rs 13163149.

Zegeye A. Road extraction from satellite imagery based on fully convolutional neural network // IOSR Journal of Computer Engineering (IOSR-JCE). 2020. Vol. 22. Issue 4. Ser. III. P. 59–72. DOI: 10.9790/0661-2204035972.

Рецензент: к. б. н. Елсаков В. В.

[1] Открытая библиотека, написанная на языке Python и обеспечивающая взаимодействие с искусственными нейросетями