КАРТИРОВАНИЕ РАСТИТЕЛЬНОСТИ ВОСТОЧНО-КАЗАХСТАНСКОЙ ОБЛАСТИ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ НА ОСНОВЕ СПУТНИКОВЫХ СНИМКОВ LANDSAT

Аннотация

Целью данного исследования является разработка подхода к картографированию растительности Восточно-Казахстанского региона с использованием методов машинного обучения на основе спутниковых снимков Landsat 8. В статье рассматриваются этапы предобработки данных, выбор оптимальных алгоритмов классификации и оценка их эффективности для различных типов растительности. Процесс предварительной обработки и классификации данных выполнялись на облачной платформе Google Earth Engine. Помимо 17 вспомогательных слоев, содержащих информацию о рельефе местности, в процессе сбора данных были сформированы обучающие выборки, распределенные по 10 классам: широколиственные деревья, хвойные деревья, травянистая растительность, кустарники, открытые земли, сельскохозяйственные угодья, водно-болотные территории, застроенные земли, снег и лед, водные объекты.

В рамках исследования были применены и сравнены различные алгоритмы машинного обучения, такие как метод опорных векторов (SVM), деревья решений (CART), градиентный бустинг деревьев (GTB) и случайный лес (RF). Алгоритмы GTB и RF показали наилучшие результаты с Общей точностью 92% и коэффициентом Каппа 91%, что свидетельствует о высоком качестве интеграции данных дистанционного зондирования с методами машинного обучения. Полученные результаты исследования подчеркивают потенциал методов машинного обучения для мониторинга состояния экосистем, планирования природоохранных мероприятий, управления природными ресурсами и чрезвычайными ситуациями в регионе.