ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОПРЕДЕЛЕНИЯ РАЗМЕРА КРУПНООБЛОМОЧНОГО МАТЕРИАЛА В СЕЛЕВЫХ ОТЛОЖЕНИЯХ ЮЖНОГО ПРИБАЙКАЛЬЯ

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.

1. Агафонов Б.П., Макаров С.А. Ареалы селевых потоков в Прибайкалье // Геоэкология. Инженерная геология. Гидрогеология. Геокриология. 1996. № 2. С. 65–71.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. ГОСТ 25100-2020. Грунты. Классификация. М.: Стандартинформ, 2020. 38 с.

12. 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.

13. 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.

14. 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.

15. 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.

16. Иванько А.Ф., Иванько М.А., Сизова Ю.А. Нейронные сети: общие технологические характеристики // Научное обозрение. Технические науки. 2019. № 2. С. 17–23].

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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.

24. 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.

25. Макаров С.А. Сели Прибайкалья. Иркутск: Изд-во Института географии СО РАН, 2012. 111 с.].

26. 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].

27. 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.

28. Носов К.Н. Параметры селевых потоков бассейна реки Баксан // Природообустройство. 2010. № 4. С. 50–55.

29. 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.

30. 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.

31. 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.

32. 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.

33. Степанов Б.С., Степанова Т.С. Механика селей: эксперимент, теория, методы расчета. М.: Гидрометеоиздат, 1991. 379 с.

34. [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.

35. 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.

36. Великанова Л.И. Краткосрочное прогнозирование вероятности схода селя на базе нейросетевых технологий // Проблемы автоматики и управления. 2014. № 1 (26). С. 47–56.

37. 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.