Картирование озер и бугров пучения в Арктике с использованием данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации с применением технологий глубокого обучения

В ходе проведенного исследования рассматривался процесс разработки и обучения нейронной сети U-Net для сегментации изображений озер и бугров пучения, основанных на данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации. Основной целью работы являлось создание эффективной модели глубокого обучения, способной автоматически выделять озера и бугры пучения на основе сложных радиолокационных изображений. Было проведено несколько этапов, включая сбор и аннотирование данных, выбор архитектуры нейронной сети, обучение и валидацию модели, а также оценку ее производительности. Описан процесс создания обучающего набора данных, который включает в себя аннотирование изображений, выделение признаков, а также подготовку данных для обучения. Рассмотрена архитектура U-Net, которая была выбрана из-за своей способности эффективно сегментировать объекты на изображениях. Обоснован выбор гиперпараметров, таких как количество фильтров, размер ядра свертки и функции активации, использован оптимизатор Adam для достижения быстрой и стабильной сходимости модели. Процесс обучения и валидации модели подробно описан с акцентом на использование валидационного подмножества для мониторинга производительности. Применены методы регуляризации, включая раннюю остановку, с целью предотвращения переобучения и улучшения обобщающей способности модели. В результате продемонстрирована значимость применения глубокого обучения для анализа данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации, а также подтверждена эффективность модели U-Net для решения задач сегментации.

В ходе проведенного исследования рассматривался процесс разработки и обучения нейронной сети U-Net для сегментации изображений озер и бугров пучения, основанных на данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации. Основной целью работы являлось создание эффективной модели глубокого обучения, способной автоматически выделять озера и бугры пучения на основе сложных радиолокационных изображений. Было проведено несколько этапов, включая сбор и аннотирование данных, выбор архитектуры нейронной сети, обучение и валидацию модели, а также оценку ее производительности. Описан процесс создания обучающего набора данных, который включает в себя аннотирование изображений, выделение признаков, а также подготовку данных для обучения. Рассмотрена архитектура U-Net, которая была выбрана из-за своей способности эффективно сегментировать объекты на изображениях. Обоснован выбор гиперпараметров, таких как количество фильтров, размер ядра свертки и функции активации, использован оптимизатор Adam для достижения быстрой и стабильной сходимости модели. Процесс обучения и валидации модели подробно описан с акцентом на использование валидационного подмножества для мониторинга производительности. Применены методы регуляризации, включая раннюю остановку, с целью предотвращения переобучения и улучшения обобщающей способности модели. В результате продемонстрирована значимость применения глубокого обучения для анализа данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации, а также подтверждена эффективность модели U-Net для решения задач сегментации.

1. Жилина И.Ю. Потепление в Арктике: возможности и риски // Экономические и социальные проблемы России. 2021. № 1. С. 66–87. https://doi.org/10.31249/espr/2021.01.04. EDN: GSPTRV.

2. Гудков А.Б., Попова О.Н., Небученных А.А., Богданов М.Ю. Эколого-физиологическая характеристика климатических факторов Арктики. Обзор литературы // Морская медицина. 2017. Т. 3. № 1. С. 7–13. https://doi.org/10.22328/2413-5747-2017-3-1-7-13. EDN: YHDEOH.

3. Воронина С.А., Порфирьев Б.Н., Семикашев В.В., Терентьев Н.Е., Елисеев Д.О., Наумова Ю.В. Последствия изменений климата для экономического роста и развития отдельных секторов экономики российской Арктики // Арктика: экология и экономика. 2017. № 4. С. 4–17. https://doi.org/10.25283/2223-4594-2017-4-4-17. EDN: YMRLRQ.

4. Куделькин Н.С. Арктика и глобальное потепление: адаптация к изменению климата и охрана окружающей среды // Юридические исследования. 2022. № 1. С. 1–16. https://doi.org/10.25136/2409-7136.2022.1.37049. EDN: KNUXCH.

5. Эдельгериев Р.С.Х., Романовская А.А. Новые подходы к адаптации к изменениям климата на примере Арктической зоны Российской Федерации // Метеорология и гидрология. 2020. № 5. С. 12–28. EDN: TRDOGS.

6. Васильев А.А., Гравис А.Г., Губарьков А.А., Дроздов Д.С., Коростелев Ю.В., Малкова Г.В. [и др.]. Деградация мерзлоты: результаты многолетнего геокриологического мониторинга в западном секторе российской Арктики // Криосфера Земли. 2020. Т. 24. № 2. С. 15–30. https://doi.org/10.21782/KZ1560-7496-2020-2(15-30). EDN: HROYGC.

7. Павлов А.В., Малкова Г.В. Мелкомасштабное картографирование трендов современных изменений температуры грунтов на севере России // Криосфера Земли. 2009. Т. 13. № 4. C. 32–39. EDN: KYRZGR.

8. Агарков С.А., Козьменко С.Ю., Щеголькова А.А. Эпоха глобального потепления: перспективы экономического взаимодействия в «Новой Арктике» // Север и рынок: формирование экономического порядка. 2019. № 1. С. 26–36. https://doi.org/10.25702/KSC.2220-802X.1.2019.63.26-36. EDN: ZQNNOP.

9. Chuang K.-S., Tzeng H.-L., Chen S., Wu J., Chen T.-J. Fuzzy c-means clustering with spatial information for image segmentation // Computerized Medical Imaging and Graphics. 2006. Vol. 30. Iss. 1. P. 9–15. https://doi.org/10.1016/j.compmedimag.2005.10.001.

10. Anantrasirichai N., Biggs J., Kelevitz K., Sadeghi Z., Wright T., Thompson J., et al. Detecting ground deformation in the built environment using sparse satellite InSAR data with a convolutional neural network // IEEE Transactions on Geoscience and Remote Sensing. 2021. Vol. 59. Iss. 4. P. 2940–2950. https://doi.org/10.1109/TGRS.2020.3018315.

11. Mavrovic A., Sonnentag O., Lemmetyinen J., Baltzer J.L., Kinnard C., Roy A. Reviews and syntheses: recent advances in microwave remote sensing in support of terrestrial carbon cycle science in Arctic-boreal regions // Biogeosciences. 2023. Vol. 20. Iss. 14. P. 2941–2970. https://doi.org/10.5194/bg-20-2941-2023.

12. Merchant M., Bourgeau-Chavez L., Mahdianpari M., Brisco B., Obadia M., Devries B., et al. Arctic ice-wedge landscape mapping by CNN using a fusion of Radarsat constellation Mission and ArcticDEM // Remote Sensing of Environment. 2024. Vol. 304. P. 114052. https://doi.org/10.1016/j.rse.2024.114052.

13. Li X., Zhang K., Niu J., Liu L. A machine learning-based dynamic ensemble selection algorithm for microwave retrieval of surface soil freeze/thaw: a case study across China // GIScience & Remote Sensing. 2022. Vol. 59. Iss. 1. P. 1550–1569. https://doi.org/10.1080/15481603.2022.2122117.

14. Pan J., Zhao R., Xu Z., Cai Z., Yuan Y. Quantitative estimation of sentinel-1A interferometric decorrelation using vegetation index // Frontiers in Earth Science. 2022. Vol. 10. P. 1016491. https://doi.org/10.3389/feart.2022.1016491.

15. Byers M., Covey N. Arctic SAR and the “security dilemma” // International Journal. 2019. Vol. 74. Iss. 4. P. 499517. https://doi.org/10.1177/0020702019890339.

16. Sydnes A.K., Sydnes M., Antonsen Y. International cooperation on search and rescue in the Arctic // Arctic Review on Law and Politics. 2017. Vol. 8. P. 109–136. https://doi.org/10.23865/arctic.v8.705.

17. Morris K., Jeffries M.O., Weeks W.F. Ice processes and growth history on Arctic and sub-Arctic lakes using ERS-1 SAR data // Polar Record. 1995. Vol. 31. Iss. 177. P. 115–128. https://doi.org/10.1017/S0032247400013619.

18. Liu X., Zhang Y., Jing H., Wang L., Zhao S. Ore image segmentation method using U-Net and Res_Unet convolutional networks // RSC Advances. 2020. Vol. 10. Iss. 16. P. 9396–9406. https://doi.org/10.1039/C9RA05877J.

19. Norouzi A., Rahim M.S.M., Altameem A., Saba T., Rad A.E., Rehman A., et al. Medical image segmentation methods, algorithms, and applications // IETE Technical Review. 2014. Vol. 31. Iss. 3. P. 199–213. https://doi.org/10.1080/02564602.2014.906861.

20. Печкин А.Д., Кириллова Т.К. Оценка и перспективы развития глубокого обучения искусственных нейронных сетей // Молодая наука Сибири. 2021. № 1. С. 375–380. EDN: SDQIAU.

21. Грицков И.О., Говоров А.В., Васильев А.О., Ходырева Л.А., Ширяев А.А., Пушкарь Д.Ю. Data Science ‒ глубокое обучение нейросетей и их применение в здравоохранении // Здоровье мегаполиса. 2021. Т. 2. № 2. С. 109–115. https://doi.org/10.47619/2713-2617.zm.2021.v2i2;109-115. EDN: SGWBPD.

22. Buddo I.V., Sharlov M., Shelokhov I., Misyurkeeva, N., Seminsky I., Selyaev V., et al. Applicability of transient electromagnetic surveys to permafrost imaging in Arctic West Siberia // Energies 2022. Vol. 15. Iss. 5. P. 1816. https://doi.org/10.3390/en15051816.

23. Buddo I., Misyurkeeva N., Shelokhov I., Shein A., Sankov V., Rybchenko A., et al. Modeling of explosive Pingo-like structures and fluid-dynamic processes in the Arctic permafrost: workflow based on integrated geophysical, geocryological, and analytical data // Remote Sensing. 2024. Vol. 16. Iss. 16. P. 2948. https://doi.org/10.3390/rs16162948.

24. Misyurkeeva N., Buddo I., Kraev G., Smirnov A., Nezhdanov A., Shelokhov I., et al. Periglacial landforms and fluid dynamics in the permafrost domain: a case from the Taz Peninsula, West Siberia // Energies. 2022. 15. Iss. 8. P. 2794. https://doi.org/10.3390/en15082794.

25. Misyurkeeva N., Buddo I., Shelokhov I., Smirnov A., Nezhdanov A., Agafonov Y. The structure of permafrost in northern West Siberia: geophysical evidence // Energies. 2022. Vol. 15. Iss. 8. P. 2847. https://doi.org/10.3390/en15082847.

26. Bogoyavlensky V., Bogoyavlensky I., Nikonov R., Kargina T., Chuvilin E., Bukhanov B., et al. New catastrophic gas blowout and giant crater on the Yamal Peninsula in 2020: results of the expedition and data processing // Geosciences. 2021. Vol. 11. Iss. 2. P. 71. https://doi.org/10.3390/geosciences11020071.