Нефтяная индустрия, как одна из ведущих отраслей мировой экономики, обеспечивает глобальное энергетическое потребление и является ключевым фактором в формировании современного облика мировой инфраструктуры. Однако вместе с этими значительными выгодами важно оценивать возможные экологические и социальные проблемы, связанные с антропогенным воздействием на окружающую среду. Антропогенное воздействие в нефтяной сфере подразумевает загрязнение окружающей среды выбросами парниковых газов, нефтяными разливами, а также изменение природного ландшафта. Снизить воздействие возможно при его обнаружении на ранней стадии. В частности, современные технологии, процессы цифровизации и пространственный анализ (например, анализ аэрокосмических снимков) могут играть важную роль в распознавании и классификации антропогенных зон.
По мере расширения своей деятельности нефтегазовые компании часто вынуждены вырубать лесные массивы для создания необходимой инфраструктуры, в том числе для бурения скважин и строительства коммуникаций.
Одним из инструментов для контроля и наблюдения за состоянием окружающей среды является использование данных дистанционного зондирования Земли (ДЗЗ), которые при использовании геоинформационных систем наряду с методами автоматизированного дешифрирования данных ДЗЗ позволяют реализовать эффективный инструмент для контроля и борьбы с антропогенными угрозами экологии.
Однако распознавание образов по данным ДЗЗ представляет собой сложную и ресурсоемкую задачу. Необходимо учитывать различные факторы, такие как сезонные особенности (весенние поводки, временные обмеления), параметры съемки (процент облачности, число спектров в изображении, пространственное разрешение). Важным аспектом такой задачи является точность и скорость обработки больших объемов данных.
Актуальной задачей является то, что в условиях санкций коммерческие продукты (Erdas imagine, ArcGIS и другие) по автоматизированному дешифрированию стали недоступны, а это значит, что есть необходимость в создании импортонезависимой системы автоматизированного дешифрирования объектов на территориях нефтегазовых месторождений. Она позволит снизить трудозатраты сотрудников, так как в данный момент определение антропогенных зон происходит вручную. Кроме того, возрастает скорость обработки данных.
В АО «ТомскНИПИнефть» сотрудниками управления экологии и специализированного института по геоинформационным системам совместно была поставлена задача по автоматизации процесса распознавания лесных вырубок как одного из факторов антропогенного воздействия на основании
аэрокосмических снимков.
В рамках статьи приводится начальный этап работы по созданию системы автоматизированного дешифрирования зон антропогенного воздействия с примером в виде вырубок, а именно рассмотрены различные варианты данных ДЗЗ, а также построен один из алгоритмов для решения поставленной задачи.

В последние годы подход по распознаванию образов по результатам съемки беспилотных летательных аппаратов (БПЛА) активно развивается и масштабируется. Несмотря на это, исторически используемый подход по дешифрированию по космическим снимкам сохраняет ряд преимуществ, в том числе позволяет охватить большие территории и получить общий вид состояния лесных массивов на глобальном уровне. По космическим снимкам можно систематически наблюдать изменения в массиве лесов, а также анализировать динамику и воздействие на экосистему.
Определение области вырубок по космическим снимкам представляет собой сложную задачу, которая требует тщательного анализа при обработке данных. Основные сложности состоят в том, что вырубки, как правило, сопровождаются негативными факторами, такими как укрытие растительностью или недостаточное пространственное разрешение снимков. Космические снимки обладают ограничением на допустимое пространственное разрешение, что ярко выражено при работе с отдаленными участками. Это может затруднять точную идентификацию вырубки и оценку соответствующих параметров, таких как размеры и форма.
Кроме того, сезонные изменения в растительности, уровень осадков или процент облачности влияют на качество и доступность космических снимков. Для получения достоверных результатов необходимо проводить анализ нескольких снимков, сделанных в разные временные периоды, например, в разные сезоны года. Это позволит учесть негативные факторы и получить более точные оценки.
БПЛА, как сравнительно новая технология, также предлагает ряд преимуществ для определения вырубок. Полученные снимки обладают высоким разрешением и позволют определить не только границы вырубки, но и состояние, степень повреждения и тип вырубки. Это может быть полезно для небольших участков или труднодоступных районов, которые затруднительно определить с помощью космических снимков.
Кроме того, использование БПЛА обеспечивает возможность проведения детального анализа и дополнительных исследований, таких как сбор дополнительных данных о типах деревьев, структуре древостоя и здоровье леса. Это позволяет получать подробный вид вырубки и сделать анализ последствий для окружающей среды.
Однако, несмотря на преимущества БПЛА, использование данных аэрофотосъемки для распознавания области вырубок пока имеет существенный недостаток — высокую стоимости съемки. Для использования снимков БПЛА необходим ряд условий: средства БПЛА, подготовленные сотрудники, необходимое оборудование для разных видов съемки, командирование на места съемки. В итоге стоимость получается в разы выше, чем покупка космических снимков, что делает их ограниченными в использовании для некоторых организаций и исследователей. Кроме того, есть ограничения законодательства и требования в области безопасности, что снижает возможность их использования на некоторых территориях.

Определение антропогенных зон относится к классу задач по распознаванию образов. Для решения таких задач используются математические методы, например, методы пороговой обработки изображений, а также методы наращивания областей, методы машинного обучения [1, 2]. Последнее получило применение в области распознавания изображений благодаря способности обрабатывать большие объемы данных и находить сложные закономерности. Применение нейронных сетей для распознавания антропогенных зон может повысить точность и скорость выполнения этого процесса.
Преимуществом такого подхода является способность работать с неструктурированными данными, такими как космические снимки. Нейронные сети могут использовать пиксельные данные изображений и находить в них закономерности. Это способствует нахождению скрытых признаков или шаблонов, которые могут быть невидимы при анализе другими методами.
Одной из возможных структур нейронных сетей для распознавания являются сверточные нейронные сети (CNN — Convolutional Neural Networks) [3], изначально разработанные для обработки изображений и применяемые в анализе и классификации объектов. Сверточные слои нейронной сети извлекают базовые признаки, такие как линии, углы и текстуры, а потом распознают сложные уровни признаков, например, формы деревьев или границы вырубок. Это делает их подходящим выбором для обработки данных ДЗЗ.
Другой тип нейронных сетей, который может использоваться, — это рекуррентные нейронные сети (RNN — Recurrent Neural Networks) [4]. Они подходят для анализа последовательностей данных и могут использоваться для определения динамики вырубок. Например, могут предсказывать, как изменяются антропогенные зоны со временем или выявлять повторяющиеся закономерности в рассматриваемой области.
Использование нейронных сетей и машинного обучения в распознавании вырубок по данным ДЗЗ дает ряд преимуществ. Во-первых, автоматизирует процесс и повышает скорость обработки больших объемов данных, что позволяет сократить трудозатраты сотрудников на ручное распознавание, тем самым высвобождая время для других задач. Во-вторых, обнаруживает сложные закономерности и шаблоны, которые могут быть пропущены человеком, что может позволить достичь более высоких показателей точности, а также извлечь новую информацию для дальнейшего исследования. Наконец, нейронные сети и машинное обучение предполагают создание моделей, которые могут адаптироваться и улучшаться по мере получения новых данных, что положительно скажется на преимуществе такого подхода.

В рамках статьи рассматривается использование космических снимков для распознавания вырубок в силу большей практической применимости. Такое решение обуславливается вышеописанными преимуществами и недостатками различных данных ДЗЗ.
Ключевым моментом для распознавания вырубок является качество исходных данных (параметры разрешения, зашумленность изображения, точность разметки и масок), на основе которых будет происходить обучение и валидация модели. Для исследовательских целей в обучении модели обычно используются данные из открытых источников, однако для решения производственных задач было принято решение использовать более качественные ранее закупленные и предварительно распознанные оператором космические снимки. Спутниковые снимки имеют разрешение до 2-х метров с 4-мя каналами и 16-битной цветовой гаммой. Данные космические снимки были предварительно подготовлены для обучения модели: размечены с учетом сезонности, растительности и других факторов. Примеры исходных данных и их маски можно увидеть на рисунках 1 и 2.

Стоит отметить, что показанные вырубки в виде транспортной инфраструктуры и площадных объектов составляют основную часть имеющегося набора данных. В обучающей выборке, необходимой для обучения нейронной сети, использовались космические снимки общей площадью 22,89 км², из которой вырубки составляют 2,94 км².
Задача распознавания вырубок по космическим снимкам в нашей постановке относится к классу задач семантической сегментации, когда каждому пикселю входного изображения должен быть подобран свой класс. В данном случае речь о бинарной классификации.
В рамках исследуемой задачи нами было принято решение использовать базовую структуру нейронной сети с многослойным перцептроном. Решение поставленной задачи было начато с рассмотрения его возможностей. Несмотря на то, что перцептрон не способен учесть сложные взаимосвязи между данными, такие как геометрическое расположение пикселей относительно друг друга, у него есть некоторые преимущества, обусловленные простой структурой и небольшим числом параметров:
• перцептрон обладает высокой скоростью обучения;
• перцептрон обладает возможностью интерпретации влияния параметров на конечный результат;
• перцептрон требует меньше вычислительных ресурсов для обучения и сохранения модели;
• перцептрон справляется с задачами, где данные содержат простую структуру.
Для передачи данных для обучения в перцептрон применялся подход на основе конвертации многомерного массива данных космического снимка в двухмерный массив, чтобы значения каналов одного пикселя содержались в одной строке, а сами номера строк представляли собой номера исходных пикселей (рис. 3).

Для обучения представленных данных была построена полносвязная нейронная сеть с двумя скрытыми слоями 32 и 64 нейрона в каждом. Входным слоем служило число нейронов, соответствующее числу каналов входного изображения, в нашем случае 4. Выходной слой представлял собой два нейрона для бинарной классификации (рис. 4.). Функция активации для скрытых слоев была выбрана ReLu, а для выходного слоя Softmax [5].

В качестве метода оптимизации был выбран алгоритм Adam [6], в качестве функции потерь была принята кроснэнтропийная разница между маской и прогнозами модели, а в качестве метрики при обучении использовалась точность. Обучение прекращалось, если точность модели при прохождении эпохи не увеличилась больше, чем 0,001.

Модель показала существенную зависимость от входных данных для обучения и валидации. Ввиду самостоятельного выбора порога значения вероятности для бинарной классификации можно говорить только об интервальном оценивании характеристик модели. При применении обученной нейронной сети на данных, полученных с тех же космических аппаратов и того же сезона съемки, что и в обучающей выборке, результаты по точности и полноте находятся в диапазоне 71–78 %. В то время как для существенно отличающихся по характеристикам разрешения или сезону съемки космических снимков результаты распознавания являются низкими и находятся в диапазоне 18–26 % точности и полноты. Эту проблему можно решить путем увеличения выборки данных или использования более сложных нейронных сетей.
На рисунке 6 представлен результат работы нейронной сети для предложенных космоснимков (рис. 5). Чем ближе цвет к черному, тем выше вероятность, что это вырубка.