gtcrustГеодинамика и тектонофизикаGeodynamics & Tectonophysics2078-502XInstitute of the Earth's crust of the Russian Academy of Sciences, Siberian Branch10.5800/GT-2025-16-5-0856YABBVXgtcrust-2117Research ArticleСОВРЕМЕННАЯ ГЕОДИНАМИКАRECENT GEODYNAMICSПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОПРЕДЕЛЕНИЯ РАЗМЕРА КРУПНООБЛОМОЧНОГО МАТЕРИАЛА В СЕЛЕВЫХ ОТЛОЖЕНИЯХ ЮЖНОГО ПРИБАЙКАЛЬЯNEURAL NETWORK-BASED DETERMINATION OF COARSE-GRAINED MATERIAL SIZE IN DEBRIS-FLOW DEPOSITS OF THE SOUTHERN BAIKAL REGIONЮрьевА. А.YurievA. A.

664033, Иркутск, ул. Лермонтова, 128; 664033, Иркутск, ул. Улан-Баторская, 1

Anton A. Yuriev

128 Lermontov St, Irkutsk 664033; 1 Ulan-Batorskaya St, Irkutsk 664033

antonyrevgeo@mail.ruРыбченкоА. А.RybchenkoA. A.

664033, Иркутск, ул. Лермонтова, 128; 664033, Иркутск, ул. Улан-Баторская, 1

128 Lermontov St, Irkutsk 664033; 1 Ulan-Batorskaya St, Irkutsk 664033

КичигинаН. В.KichiginaN. V.

664033, Иркутск, ул. Лермонтова, 128; 664033, Иркутск, ул. Улан-Баторская, 1

128 Lermontov St, Irkutsk 664033; 1 Ulan-Batorskaya St, Irkutsk 664033

Институт земной коры СО РАН; Институт географии им. В.Б. Сочавы СО РАНРоссияInstitute of the Earth’s Crust, Siberian Branch of the Russian Academy of Sciences; Sochava Institute of Geography, Siberian Branch of the Russian Academy of SciencesRussian Federation202517102025165856856Copyright © Юрьев А.А., Рыбченко А.А., Кичигина Н.В., 20252025Юрьев А.А., Рыбченко А.А., Кичигина Н.В.Yuriev A.A., Rybchenko A.A., Kichigina N.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.gt-crust.ru/jour/article/view/2117

Работа посвящена автоматизации оценки размерной структуры крупнообломочного материала на ортофотопланах, полученных с беспилотных летательных аппаратов. На материале десяти селевых бассейнов Прибайкалья использованы ортомозаики с наземным пространственным разрешением  

(GSD) ~2–4 см; аннотированная выборка подготовлена в SedimentAlyzer. Алгоритм объединяет определение объектов методами компьютерного зрения и последующую классификацию и оценку диаметра Ферре сверточными нейронными сетями (CNN; архитектура: остаточная сверточная сеть (ResNet) и плотносвязанная сверточная сеть (DenseNet), перенос обучения). Вывод выполняется по перекрывающимся ячейкам; предопределения объединяются (NMS/WBF), вероятности калибруются, применяются фильтры по форме. Реализация интегрирована в SedimentAlyzer. Программа зарегистрирована (свидетельство о государственной регистрации программы для ЭВМ № 2025616929). На удержанных участках достигнута F1-мера = 0.84±0.03; средняя абсолютная ошибка по Ферре = 4.8 см; RMSE=7.9 см; корреляция с полевыми измерениями R=0.89; совпадение размерных классов по ГОСТ – 82 % в среднем по бассейнам. В сравнении с ручным дешифрированием трудозатраты сокращаются в 6–8 раз. Типичные закономерности включают доминирование гальки 10–100 мм (≈30–40 %) и переменную долю валунов >200 мм (1–13 % с максимумами в малых притоках); в транзитных зонах доля очень крупных обломков выше, чем в аккумуляционных. Подход обеспечивает воспроизводимое картирование фракций и пригоден для регулярного мониторинга селевых конусов и поддержки инженерных решений.

This study is devoted to automation of the assessment of the dimensional structure of coarse-grained material on orthophotomaps obtained from unmanned aerial vehicles (UAVs). Orthomosaics with a Ground Sample Distance (GSD) of ~2–4 cm were used on the material of ten debris-flow deposits of the Baikal region; an annotated dataset was prepared in SedimentAlyzer. The algorithm combines object detection by computer vision methods with subsequent classification and Feret diameter estimation using convolutional neural networks (CNN; architectures: residual convolutional network (ResNet) and densely connected convolutional network (DenseNet), transfer learning). The output is performed on overlapping cells; preliminary determinations are merged (non-maximum suppression, NMS / weighted boxes fusion, WBF), probabilities are calibrated (temperature scaling) and shape filters are applied. The implementation is integrated into SedimentAlyzer. The software is registered (state registration certificate for computer program No. 2025616929). The following values were achieved in the retained areas: F1-score = 0.84±0.03; mean absolute Feret error = 4.8 cm; RMSE=7.9 cm; correlation with field measurements R=0.89; agreement with GOST size classes averaged 82 % across basins. Compared to manual interpretation, labor time is reduced by a factor of 6–8. Typical patterns include dominance of clasts 10–100 cm (≈30–40 %) and a variable share of boulders >200 cm (1–13 % with maxima in small tributaries); in transit zones, the proportion of very large fragments is higher than in accumulation zones. The approach enables reproducible mapping of fractions and is suitable for regular monitoring of debris-flow cones and support of engineering decisions.

сверточные нейронные сетиселевые отложениябеспилотные летательные аппаратыкомпьютерное зрениедиаметр ФерреSedimentAlyzerобучение с переносомconvolutional neural networksdebris-flow depositsunmanned aerial vehiclescomputer visionFeret diameterSedimentAlyzertransfer learningИсследование проведено при поддержке РНФ (проект № 24-27-20059).The study was supported by the RSF (project No. 24-27-20059).ReferencesАгафонов Б.П., Макаров С.А. Ареалы селевых потоков в Прибайкалье // Геоэкология. Инженерная геология. Гидрогеология. Геокриология. 1996. № 2. С. 65–71.Agafonov B.P., Makarov S.A., 1996. Debris Flow Areas in Pribaikalye. Geoecology. Engineering Geology. Hydrogeology. Geocryology 2, 65–71 (in Russian)Агафонов Б.П., Рогозин А.А. Количественная оценка селевого сноса в озеро Байкал // Вопросы геологии и палеогеографии Сибири и Дальнего Востока. Иркутск: Изд-во ИГУ, 1987. С. 53–63.Agafonov B.P., Rogozin A.A., 1987. Quantitative Assessment of Debris Flow Drift Into Lake Baikal. In: Problems of Geology and Paleogeography of Siberia and the Far East. ISU Publishing House, Irkutsk, p. 53–63 (in Russian)Арефьева Е.В., Бабусенко М.С., Барышев Е.М., Бобрешов Д.А., Борейко В.Я., Верескун A.В., Глебов В.Ю., Ефимова А.А. и др. Проблемы защиты населения и территорий в чрезвычайных ситуациях в условиях современных вызовов и угроз: Справочное пособие. М.: ВНИИ ГОЧС, 2017. 452 с.Aref’eva E.V., Babusenko M.S., Baryshev E.M., Bobreshov D.A., Boreiko V.Ya., Vereskun A.V., Glebov V.Yu., Efimova A.A. et al., 2017. Protecting Populations and Territories in Emergencies Under Current Challenges and Threats: A Reference Manual. VNII GOCHS, Moscow, 452 p. (in Russian)Безгодова О.В., Истомина Е.А., Овчинникова Е.В. Оценка и картографирование опасных экзогенных процессов Мондинской котловины на основе морфометрического ландшафтного анализа // Геодезия и картография. 2018. Т. 79. № 8. С. 28–37. https://doi.org/10.22389/0016-7126-2018-938-8-28-37.Bezgodova O.V., Istomina E.A., Ovchinnikova E.V., 2018. Assessment of Hazardous Exogenous Processes of the Mondy Depression Based on Morphometric and Landscape Analysis. Geodesy and Cartography 79 (8), 28–37 (in Russian) https://doi.org/10.22389/0016-7126-2018-938-8-28-37.Davis J., Goadrich M., 2006. The Relationship Between Precision-Recall and ROC Curves. In: W.W. Cohen, A. Moore (Eds), ICML’06. Proceedings of the 23rd International Conference on Machine Learning (June 25–29, 2006, Pittsburgh, Pennsylvania, USA). Association for Computing Machinery, New York, p. 233–240. https://doi.org/10.1145/1143844.1143874.Davis J., Goadrich M., 2006. The Relationship Between Precision-Recall and ROC Curves. In: W.W. Cohen, A. Moore (Eds), ICML’06. Proceedings of the 23rd International Conference on Machine Learning (June 25–29, 2006, Pittsburgh, Pennsylvania, USA). Association for Computing Machinery, New York, p. 233–240. https://doi.org/10.1145/1143844.1143874.Deng J., Dong W., Socher R., Li L.J., Li K., Fei-Fei L., 2009. ImageNet: A Large-Scale Hierarchical Image Database. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (June 20–25, 2009, Miami, FL, USA). IEEE, p. 248–255. https://doi.org/10.1109/CVPR.2009.5206848.Deng J., Dong W., Socher R., Li L.J., Li K., Fei-Fei L., 2009. ImageNet: A Large-Scale Hierarchical Image Database. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (June 20–25, 2009, Miami, FL, USA). IEEE, p. 248–255. https://doi.org/10.1109/CVPR.2009.5206848.Fawcett T., 2006. An Introduction to ROC Analysis. Pattern Recognition Letters 27 (8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010.Fawcett T., 2006. An Introduction to ROC Analysis. Pattern Recognition Letters 27 (8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010.Федоров Ю.А., Кюль Е.В., Джаппуев Д.Р. Особенности селеформирования в сложных геолого-гидрологических условиях // Известия вузов. Северо-Кавказский регион. Естественные науки. 2012. № 2 (168). С. 101–104.Fedorov Yu.A., Kyul E.V., Dzhappuev D.R., 2012. Features of Debris Flow Formation Under Complex Geological and Hydrological Conditions. Bulletin of Higher Education Institutes. North Caucasus Region. Natural Sciences 2 (168), 101–104 (in Russian)Gal Y., Ghahramani Z., 2016. Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning. In: M.F. Balcan, K.Q. Weinberger (Eds), ICML’16. Proceedings of the 33rd International Conference on Machine Learning (June 20–22, 2016, New York, USA). Vol. 48. JMRL, p. 1050–1059.Gal Y., Ghahramani Z., 2016. Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning. In: M.F. Balcan, K.Q. Weinberger (Eds), ICML’16. Proceedings of the 33rd International Conference on Machine Learning (June 20–22, 2016, New York, USA). Vol. 48. JMRL, p. 1050–1059.Girshick R., 2015. Fast R-CNN. In: Proceedings of the IEEE Conference on Computer Vision (December 7–13, 2015, Santiago, Chile). IEEE, p. 1440–1448. https://doi.org/10.1109/ICCV.2015.169.Girshick R., 2015. Fast R-CNN. In: Proceedings of the IEEE Conference on Computer Vision (December 7–13, 2015, Santiago, Chile). IEEE, p. 1440–1448. https://doi.org/10.1109/ICCV.2015.169.ГОСТ 25100-2020. Грунты. Классификация. М.: Стандартинформ, 2020. 38 с.GOST 25100-2020, 2020. Grounds. Classification. Standartinform, Moscow, 38 p. (in Russian)Guo C., Pleiss G., Sun, Y., Weinberger K.Q., 2017. On Calibration of Modern Neural Networks. In: D. Precup, Ye.W. Teh (Eds), ICML’17. Proceedings of the 34th International Conference on Machine Learning (August 6–11, 2017, Sydney, Australia). Vol. 70. JMRL, p. 1321–1330.Guo C., Pleiss G., Sun, Y., Weinberger K.Q., 2017. On Calibration of Modern Neural Networks. In: D. Precup, Ye.W. Teh (Eds), ICML’17. Proceedings of the 34th International Conference on Machine Learning (August 6–11, 2017, Sydney, Australia). Vol. 70. JMRL, p. 1321–1330.He K., Zhang X., Ren S., Sun J., 2016. Deep Residual Learning for Image Recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (June 27–30, 2016, Las Vegas, Nevada, USA). IEEE, p. 770–778. https://doi.org/10.1109/CVPR.2016.90.He K., Zhang X., Ren S., Sun J., 2016. Deep Residual Learning for Image Recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (June 27–30, 2016, Las Vegas, Nevada, USA). IEEE, p. 770–778. https://doi.org/10.1109/CVPR.2016.90.Huang G., Liu Z., Van Der Maaten L., Weinberger K.Q., 2016. Densely Connected Convolutional Networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (July 21–26, 2017, Honolulu, HI, USA). IEEE, p. 4700–4708. https://doi.org/10.1109/CVPR.2017.243.Huang G., Liu Z., Van Der Maaten L., Weinberger K.Q., 2016. Densely Connected Convolutional Networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (July 21–26, 2017, Honolulu, HI, USA). IEEE, p. 4700–4708. https://doi.org/10.1109/CVPR.2017.243.Ioffe S., Szegedy C., 2015. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. In: F. Bach, D. Blei (Eds), ICML’15. Proceedings of the 32nd International Conference on Machine Learning (July 7–9, 2015, Lille, France). Vol. 37. JMRL, p. 448–456.Ioffe S., Szegedy C., 2015. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. In: F. Bach, D. Blei (Eds), ICML’15. Proceedings of the 32nd International Conference on Machine Learning (July 7–9, 2015, Lille, France). Vol. 37. JMRL, p. 448–456.Иванько А.Ф., Иванько М.А., Сизова Ю.А. Нейронные сети: общие технологические характеристики // Научное обозрение. Технические науки. 2019. № 2. С. 17–23].Ivanko A.F., Ivanko M.A., Sizova Yu.A., 2019. Neural Networks: General Technological Characteristics. Scientific Review. Technical Sciences 2, 17–23 (in Russian)Kadetova A.V., Rybchenko A.A., Kozyreva E.A., Tie Y., Ni H., 2016. Debris Flow Event of 2014 and Its Impact on the Accumulation of the Solid Fraction in the Kyngarga River Channel, Tunka Valley, Southwestern Cisbaikalia, Russia. Geodynamics & Tectonophysics 7 (2), 329–335. https://doi.org/10.5800/GT-2016-7-2-0210.H., 2016. Debris Flow Event of 2014 and Its Impact on the Accumulation of the Solid Fraction in the Kyngarga River Channel, Tunka Valley, Southwestern Cisbaikalia, Russia. Geodynamics & Tectonophysics 7 (2), 329–335. https://doi.org/10.5800/GT-2016-7-2-0210.Кедич А.И., Голосов В.Н., Харченко С.В. Экзогенные процессы в прогляциальных зонах гор: количественные оценки и их точность // Ученые записки Казанского университета. Серия Естественные науки. 2022. Т. 164. № 1. С. 109–134. https://doi.org/10.26907/2542-064X.2022.1.109-134.Kedich A.I., Golosov V.N., Kharchenko S.V., 2022. Exogenous Processes in Proglacial Mountain Zones: Quantitative Assessments and Their Accuracy. Proceedings of Kazan University. Natural Sciences Series 164 (1), 109–134 (in Russian) https://doi.org/10.26907/2542-064X.2022.1.109-134.Харченко С.В., Федин А.В., Голосов В.Н. Темпы денудации в перигляциальных областях высокогорий: методы и результаты исследований // Геоморфология и палеогеография. 2021. Т. 52. № 1. С. 3–18. https://doi.org/10.31857/S0435428121010065.Kharchenko S.V., Fedin A.V., Golosov V.N., 2021. Denudation Rates in the Mountain Periglacial Regions: Research Methods and Results. Geomorphology and Paleogeography 52 (1), 3–18 (in Russian) https://doi.org/10.31857/S0435428121010065.Kingma D.P., Ba J., 2015. Adam: A Method for Stochastic Optimization. In: Proceedings of the 3rd International Conference on Learning Representations (May 7–9, 2015, San Diego). https://doi.org/10.48550/arXiv.1412.6980.Kingma D.P., Ba J., 2015. Adam: A Method for Stochastic Optimization. In: Proceedings of the 3rd International Conference on Learning Representations (May 7–9, 2015, San Diego). https://doi.org/10.48550/arXiv.1412.6980.Лапердин В.К., Леви К.Г., Лехатинов А.М., Кадетова А.В., Пеллинен В.А., Рыбченко А.А. Причины и последствия катастрофических селевых потоков 28 июня 2014 г. в окрестностях пос. Аршан, Республика Бурятия // Геодинамика и тектонофизика. 2014. Т. 5. № 3. С. 799–816. https://doi.org/10.5800/GT-2014-5-3-0156.Laperdin V.K., Levi K.G., Lekhatinov A.M., Kadetova A.V., Pellinen V.A., Rybchenko A.A., 2014. Causes and Consequences of a Catastrophic Mudflows on 28 June 2014 near Arshan Village in the Republic of Buryatia, Russia. Geodynamics & Tectonophysics 5 (3), 799–816 (in Russian) https://doi.org/10.5800/GT-2014-5-3-0156.Лапердин В.К., Рыбченко А.А. Оценочные параметры селеформирующих компонентов природной среды юга озера Байкал // Устойчивое развитие горных территорий. 2016. Т. 8. № 1. С. 52–58. https://doi.org/10.21177/1998-4502-2016-8-1-52-57.Laperdin V.K., Rybchenko A.A., 2016. Estimated Parameters of Mudflow Forming Components of the Environment of the South of Lake Baikal. Sustainable Development of Mountain Territories 8 (1), 52–58 (in Russian) https://doi.org/10.21177/1998-4502-2016-8-1-52-57.Lin T.Y., Goyal P., Girshick R., He K., Dollár P., 2017. Focal Loss for Dense Object Detection. In: Proceedings of the IEEE International Conference on Computer Vision (October 22–29, 2017, Venice, Italy). IEEE, p. 2999–3007. https://doi.org/10.1109/ICCV.2017.324.Lin T.Y., Goyal P., Girshick R., He K., Dollár P., 2017. Focal Loss for Dense Object Detection. In: Proceedings of the IEEE International Conference on Computer Vision (October 22–29, 2017, Venice, Italy). IEEE, p. 2999–3007. https://doi.org/10.1109/ICCV.2017.324.Loginov G.N., Petrov A.M., 2019. Automatic Detection of Geoelectric Boundaries According to Lateral Logging Sounding Data by Applying a Deep Convolutional Neural Network. Russian Geology and Geophysics 60 (11), 1319–1325. https://doi.org/10.15372/RGG2019134.Loginov G.N., Petrov A.M., 2019. Automatic Detection of Geoelectric Boundaries According to Lateral Logging Sounding Data by Applying a Deep Convolutional Neural Network. Russian Geology and Geophysics 60 (11), 1319–1325. https://doi.org/10.15372/RGG2019134.Макаров С.А. Сели Прибайкалья. Иркутск: Изд-во Института географии СО РАН, 2012. 111 с.].Makarov S.A., 2012. Debris-Flows of Pribaikalje. Publishing House of the Institute of Geography SB RAS, Irkutsk, 111 p. (in Russian).Мамедов Д.Г. Гранулометрический состав селевых отложений в конусах выноса и их закономерности (на примере селей Азербайджанской части Большого Кавказа) // Географический вестник. 2013. № 4 (27). С. 40–48].Mamedov J.H., 2013. Gradation Structure of Flow Deposits and Alluvial Fans and Their Regularities (Based on Torrents of Azerbaijani Part of the Greater Caucasus). Geographical Bulletin 4 (27), 40–48 (in Russian)Михайлов П.Г., Ломтев Е.А., Аналиева А.У., Гусманова М.С. Разработка концепции создания и функционирования системы мониторинга селеопасности в горных и предгорных районах // Измерение. Мониторинг. Управление. Контроль. 2016. № 1 (15). С. 15–23.Mikhailov P.G., Lomtev E.A., Analiyeva A.U., Gusmanova M.S., 2016. Development of the Concept of Creation and Functioning of Monitoring Mudflow in the Mountainous and Foothill Areas. Measuring. Monitoring. Management. Control 1 (15), 15–23 (in Russian)Носов К.Н. Параметры селевых потоков бассейна реки Баксан // Природообустройство. 2010. № 4. С. 50–55.Nosov K.N., 2010. Parameters of Mudflows of the River Baksan Basin. Prirodoobustrojstvo 4, 50–55 (in Russian)Олиферов А.Н. Закономерности формирования селевых потоков в Крыму и Карпатах // Ученые записки Таврического национального университета им. В.И. Вернадского Серия География. 2004. Т. 171. № 4. С. 66–72.Oliferov A.N., 2004. Patterns of Debris Flow Formation in Crimea and the Carpathians. Scientific Notes of the V.I. Vernadsky Taurida National University. Geography Series 171 (4), 66–72 (in Russian)Пурицкис Я.В., Вершинин В.Е. Классификация режимов многофазных течений методами нейросетевого анализа // Вестник Тюменского государственного университета. Серия: Физико-математическое моделирование. Нефть, газ, энергетика. 2023. Т. 9. № 4 (36). С. 76–90. https://doi.org/10.21684/2411-7978-2023-9-4-76-90.Puritskis Ya.V., Vershinin V.E., 2023. Development of the Concept of a Multiphase Flowmeter. Tyumen State University Herald. Physical and Mathematical Modeling. Oil, Gas, Energy 9 (4 (36)), 76–90 (in Russian) https://doi.org/10.21684/2411-7978-2023-9-4-76-90.Рыбченко А.А., Кадетова А.В., Козырева Е.А., Юрьев А.А. Решение тематических задач при изучении экзогенных геологических процессов с применением неспециализированных беспилотных комплексов для аэрофотосъемки // Геодинамика и тектонофизика. 2019. Т. 10. № 4. С. 1045–1058. https://doi.org/10.5800/GT-2019-10-4-0457.Rybchenko A.A., Kadetova A.V., Kozyreva E.A., Yuriev A.A., 2019. Experience of Using Non-Specialized Unmanned Aerial Vehicles for Aerial Surveys in the Studies of Exogenous Geological Processes. Geodynamics & Tectonophysics 10 (4), 1045–1058 (in Russian) https://doi.org/10.5800/GT-2019-10-4-0457.Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R., 2014. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. The Journal of Machine Learning Research 15 (1), 1929–1958.Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R., 2014. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. The Journal of Machine Learning Research 15 (1), 1929–1958.Степанов Б.С., Степанова Т.С. Механика селей: эксперимент, теория, методы расчета. М.: Гидрометеоиздат, 1991. 379 с.Stepanov B.S., Stepanova T.S., 1991. Debris Flow Mechanics: Experiment, Theory, and Calculation Methods. Gidrometeoizdat, Moscow, 379 p. (in Russian)[Стром А.Л. Гранулометрический состав и строение отложений каменных лавин – ключ к пониманию механизма их перемещения // Сергеевские чтения. Фундаментальные и прикладные вопросы современного грунтоведения: Материалы годичной сессии Научного совета РАН по проблемам геоэкологии, инженерной геологии и гидрогеологии (31 марта –1 апреля 2022 г.). М.: ГеоИнфо, 2022. Вып. 23. С. 211–217.Strom A.L., 2022. Grain‑Size Composition and Structure of Stony‑Avalanche Deposits as a Key to Understanding Their Motion Mechanism. In: Sergeev Readings. Fundamental and Applied Issues of Modern Soil Science: Proceedings of the Annual Session of the RAS Scientific Council on Problems of Geoecology, Engineering Geology and Hydrogeology (March 31 – April 1, 2022). GeoInfo, Moscow, p. 211–217 (in Russian)Ступин В.П., Пластинин Л.А., Олзоев Б.Н. Использование данных дистанционного зондирования Земли при среднемасштабном геоинформационном картографировании селевой опасности Байкальской горной страны // Селевые потоки: катастрофы, риск, прогноз, защита: Труды 6-й Международной конференции (Душанбе – Хорог, Таджикистан) / Ред. С.С. Черноморец, К.С. Висхаджиева. Душанбе: ООО «Промоушн», 2020. Т. 1. С. 541–552.Stupin V.P., Plastinin L.A., Olzoev B.N., 2020. Use of Remote Sensing Data for Medium-Scale Geoinformation Mapping of Debris-Flow Hazard in the Baikal Mountain Country. In: S.S. Chernomorets, K.S. Viskhadzhieva (Eds), Debris Flows: Disasters, Risk, Forecast, Protection. Proceedings of the 6th International Conference (Dushanbe – Khorog, Tajikistan). Vol. 1. "Promotion" LLC, Dushanbe, p. 541–552 (in Russian) [Великанова Л.И. Краткосрочное прогнозирование вероятности схода селя на базе нейросетевых технологий // Проблемы автоматики и управления. 2014. № 1 (26). С. 47–56.Velikanova L.I., 2014. Short-Term Forecasting of Debris Flow Probability Based on Neural Network Technologies. Problems of Automation and Control 1 (26), 47–56 (in Russian)Yosinski J., Clune J., Bengio Y., Lipson H., 2014. How Transferable Are Features in Deep Neural Networks? In: Z. Ghahramani, M. Welling, C. Cortes, N. Lawrence, K.Q. Weinberger (Eds), Advances in Neural Information Processing Systems. Proceedings of the 28th Annual Conference on Neural Information Processing Systems (December 8–13, 2014, Montreal, Canada). Vol. 27. NeurlPS, p. 3320–3328. https://doi.org/10.48550/arXiv.1411.1792.Yosinski J., Clune J., Bengio Y., Lipson H., 2014. How Transferable Are Features in Deep Neural Networks? In: Z. Ghahramani, M. Welling, C. Cortes, N. Lawrence, K.Q. Weinberger (Eds), Advances in Neural Information Processing Systems. Proceedings of the 28th Annual Conference on Neural Information Processing Systems (December 8–13, 2014, Montreal, Canada). Vol. 27. NeurlPS, p. 3320–3328. https://doi.org/10.48550/arXiv.1411.1792.

The authors declare that there are no conflicts of interest present.