Селевые потоки – один из наиболее опасных экзогенных процессов в горных районах Южного Прибайкалья. Их активизация приводит к разрушению объектов социальной и экономической инфраструктуры и трансформации русловых форм. Для регионов с регулярной активизацией селевых процессов объективная и оперативная оценка гранулометрического состава селевых отложений позволяет оценивать динамические характеристики селевых потоков [Agafonov, Rogozin, 1987; Stepanov, Stepanova, 1991; Oliferov, 2004; Fedorov et al., 2012; Laperdin et al., 2014; Kadetova et al., 2016; Aref’eva et al., 2017; Strom, 2022].

Традиционные подходы к определению гланулометрического состава (полевые замеры и визуальные оценки) весьма трудоемки и зависят от субъективного фактора, что ограничивает их применение [Rybchenko et al., 2019; Mamedov, 2013; Oliferov, 2004; Nosov, 2010].

Развитие методов дистанционного зондирования и искусственного интеллекта открывает возможности автоматизации для обработки и анализа данных. Аэрофотосъемка беспилотными летательными аппаратами (БПЛА) позволяет получать изображения высокой детальности, а методы компьютерного зрения и нейросетевые модели – эффективно анализировать полученные материалы [Stupin et al., 2020; Kedich et al., 2022; Kharchenko et al., 2021; Velikanova, 2014; Mikhailov et al., 2016; Puritskis, Vershinin, 2023; Bezgodova et al., 2018; Ivanko et al., 2019; Loginov, Petrov, 2019].

Цель исследования – разработать и апробировать метод автоматического определения размеров крупнообломочного материала на примере селевых отложений Южного Прибайкалья по данным БПЛА с применением методов компьютерного зрения и нейросетей. Задачи: (1) подготовить и описать единый алгоритм подготовки данных и измерения; (2) выполнить автоматизированную оценку размеров и классификацию фракций; (3) получить и интерпретировать пространственные распределения по бассейнам и морфодинамическим зонам; (4) сравнить результаты с традиционными методами определения гранулометрического состава.

Объекты исследования, перечисленные в табл. 1, представляют собой комплекс селевых отложений, расположенных в руслах селеактивных рек и ручьев на территории Южного Прибайкалья [Agafonov, Makarov, 1996; Laperdin, Rybchenko, 2016; Makarov, 2012].

По данным [Agafonov, Makarov, 1996; Makarov, 2012] активизация селевого процесса в Южном Прибайкалье зафиксирована в 1863, 1890, 1903, 1905, 1910, 1915, 1919, 1925, 1927, 1932, 1934, 1935, 1938, 1940, 1942, 1945, 1947, 1952, 1956, 1959, 1960, 1962, 1965, 1971, 1973 годах. Последние опасные проявления селевого процесса зафиксированы в селеактивных бассейнах хребта Тункинские Гольцы в 2014 г., а в селеактивных бассейнах хребта Хамар-Дабан в 2019 и 2023 гг.

Внедрение нейросетевых технологий в изучение селевого процесса открывает новые возможности и перспективы для оценки и анализа этапов его развития. В данной статье представлены результаты исследования, обсуждение методологии и выводы, которые могут стать основой для дальнейших разработок в этой области.

В настоящем исследовании авторы использовали комплексный подход к сбору и обработке данных, что позволило создать высококачественную базу для разработки и тестирования нейросетевой модели. Основными результатами исследования стали: разработанное программное обеспечение и итоги его применения для обработки и анализа данных аэрофотосъемки полученных с помощью БПЛА.

Для проведения аэрофотосъемки были выбраны передовые модели БПЛА, такие как Autel Robotics EVO Lite+ и DJI Phantom 4 RTK (табл. 2; рис. 1). Эти устройства оснащены камерами с CMOS-матрицами, позволяющими получать изображения с разрешением до 50 Мп. Благодаря интеграции систем глобального позиционирования, включая технологию кинематического позиционирования в реальном времени (RTK), удалось достичь максимальной точности в определении географических координат привязки местоположения БПЛА, что является основой для создания высокоточных ортофотопланов и трехмерных моделей исследуемой местности.

Аэрофотосъемка осуществлялась на высоте от 20 до 100 м, что позволило получить оптимальное разрешение снимков, необходимое для анализа крупнообломочного материала. Масштаб аэрофотосъемки тщательно рассчитывался с учетом высоты полета и фокусного расстояния камеры, обеспечивая необходимую детализацию для последующего анализа. В процессе съемки учитывались погодные условия и топографические особенности местности, что гарантировало получение качественных и достоверных данных, пригодных для всестороннего анализа.

Из-за технических особенностей БПЛА (погодные условия, время автономной работы, топография местности, качество связи, энергопотребление) удалось проанализировать данные по селевым бассейнам с различной степенью детальности. В табл. 3 демонстрируется процентное соотношение объема проанализированной информации для каждого из бассейнов в районе Тункинских Гольцов и на Южном побережье оз. Байкал. Эти данные позволяют оценить объем проведенных исследований и выявить области, требующие дальнейшего изучения.

Расчет пространственного разрешения аэрофотосъемки является важным шагом для определения качества и детализации получаемых изображений. Наземное пространственное разрешение (GSD) определяет размер пикселя на местности и напрямую зависит от высоты полета и фокусного расстояния камеры. Ниже представлена стандартная формула для расчета пространственного разрешения аэрофотосъемки:

где GSD – разрешение в метрах на пиксель; H – высота полета в метрах; PS – размер пикселя в микрометрах; F – фокусное расстояние камеры (в тех же единицах измерения).

Формула GSD определяет, какому реальному размеру на земле соответствует один пиксель снимка, что важно для оценки детализации и точности аэрофотосъемки.

Применение БПЛА обеспечивает получение изображений с высоким пространственным разрешением, быстрый и безопасный доступ к труднодоступным и потенциально опасным участкам, а также оперативное обновление данных о состоянии исследуемой территории. Эти возможности позволяют детально картировать распределение обломочного материала в селевых отложениях и существенно сокращают временные и снижают трудовые затраты в 6–8 раз по сравнению с традиционными методами.

На основе данных, полученных с помощью БПЛА, были созданы ортофотопланы исследуемых участков. Эти материалы служат основой для обучения нейросетевой модели. Высокое качество изображений обеспечивает возможность точного определения размеров и распределения крупнообломочного материала в селевых отложениях.

Обработка изображений выполнялась в программной среде SedimentAlyzer с использованием библиотеки OpenCV. Последовательность этапов включала:

1) конвертацию изображений в 8-битный формат и, при необходимости, линейную нормализацию гистограммы для выравнивания яркостных уровней;

2) сглаживание с помощью гауссова фильтра (размер ядра подбирался в диапазоне 3×3 – 7×7 пикселей в зависимости от GSD и ожидаемого размера контуров) для снижения шума;

3) детекцию контуров методом Канни с пороговыми значениями, рассчитанными автоматически на основе медианы градиента изображения;

4) морфологические операции для замыкания контуров и удаления мелких шумов (рис. 2);

5) векторизацию контуров и извлечение метрических признаков (максимальное сечение / Ферре, площадь, периметр, компактность и др.);

6) проверку оцифровки объектов вручную в программе SedimentAlyzer с контролем корректности обрисовки.

Такой алгоритм позволил унифицировать обработку данных, повысить точность выделения объектов и обеспечить воспроизводимость анализа при последующем обучении нейросетевых моделей.

Постановка задачи и допущения. В исследовании решается задача одновременной детекции и размерной классификации отдельных обломков на ортофотопланах, полученных с БПЛА.

В качестве исходных данных используются ортоизображения с известным GSD. Классы соответствуют размерным категориям по [GOST…, 2020] (табл. 4).

Модель для каждой выделенной области на изображении оценивает вероятность принадлежности к тому или иному классу и определяет максимальное сечение обломка. Значения переводятся в сантиметры с учетом GSD.

Предполагается, что обломки расположены в одной плоскости с поверхностью ортофото, а частичные перекрытия могут быть корректно устранены на этапе постобработки.

Общая архитектура. Реализован алгоритм, включающий выделение объектов методами компьютерного зрения (детекция контуров по Канни, морфологические операции, векторизация), что позволяет снизить количество ложных срабатываний; классификацию и оценку размеров с помощью CNN архитектур остаточной сверточной сети (ResNet) [He et al., 2016] и плотносвязанной сверточной сети (DenseNet) [Huang et al., 2016], дообученных в режиме переноса обучения на базе предобученных весов ImageNet [Deng et al., 2009]. ResNet обеспечивает устойчивое обучение за счет остаточных связей, а DenseNet – эффективное использование признаков благодаря плотным соединениям [Yosinski et al., 2014].

Нормализация масштаба и подготовка входных данных. Для сопоставимости результатов между участками с разным разрешением применяется масштабная нормализация: все изображения приводятся к единому масштабу.

Входные данные дополнительно проходят нормировку и при необходимости ограничение по контрасту адаптивного выравнивания гистограммы. Используются аугментации – случайные повороты, масштабирование, изменение яркости и контраста, небольшие сдвиги, что повышает устойчивость модели к теням, бликам и различным условиям съемки.

Аннотация и контроль качества. Разметка выполнялась в программе SedimentAlyzer с использованием встроенного инструмента программы labelme. Для каждого объекта создавался полигон с указанием размерного класса по [GOST…, 2020] и измеренным максимальным сечением (рис. 3).

Контроль качества включал внутреннюю валидацию (повторная разметка части данных для оценки согласия между разметчиками) и проверку геометрической точности по калибровочным меткам и расчетному GSD.

Функции потерь и работа с дисбалансом классов. Обучение проводилось с использованием комбинированной функции потерь: взвешенная кросс-энтропия для классификации и Smooth L1 Loss для оценки размеров [Girshick, 2015].

При дисбалансе классов применялась фокальная функция потерь, которая увеличивает вклад редких классов в обучение [Lin et al., 2017].

Гиперпараметры и процедура обучения. Модели обучались на графическом процессоре RTX 4060 (8 ГБ).

Основные параметры: размер батча 32, оптимизатор Adam [Kingma, Ba, 2015], скорость обучения с постепенным уменьшением, 50–100 эпох с ранней остановкой по валидационным метрикам. Применялись Batch Normalization [Ioffe, Szegedy, 2015] и Dropout [Srivastava et al., 2014].

Данные делились на обучающую и тестовую выборки по пространственным участкам для исключения утечки информации.

Инференс и постобработка. Применялся метод разбиения ортофотоплана на перекрывающиеся фрагменты. Полученные предсказания объединялись с помощью алгоритмов подавления дубликатов.

В постобработке использовались фильтры по форме и площади, а также разбиение слипшихся объектов (рис. 4). По итогам строились карты распределения классов и карты плотности (рис. 5).

Калибровка, неопределенность и оценка качества. Для улучшения интерпретируемости прогнозов выполнялась калибровка вероятностей [Guo et al., 2017].

Неопределенность оценивалась методами аугментации на этапе инференса (TTA) и стохастическим dropout на инференсе MC-Dropout [Gal, Ghahramani, 2016].

Уровень качества определялся по средним абсолютным ошибкам, корню из среднеквадратичной ошибки (MAE, RMSE), коэффициенту корреляции, а также по метрикам точности, полноты и F1-меры. Пороговые значения подбирались по ROC/PR-кривым [Fawcett, 2006; Davis, Goadrich, 2006].

Валидация. Протокол сопоставления с полевыми измерениями. Для независимой проверки точности авторы провели полевой аудит на реперных площадках во всех бассейнах. Структура и процедура выборки были следующими.

Структура выборки. В каждом бассейне отобрано по 3–4 реперные площадки (итого 32 площадки, размер 10×10 м), стратифицированные по морфодинамическим зонам (транзит/аккумуляция). На каждой площадке инструментально измерено 30–50 обломков (всего ≈1160 объектов).

Полевые измерения. Для каждого обломка фиксировались: Ферре (лента/рейка с ценой деления 1 см), при необходимости – второй перпендикулярный размер; фотография с масштабной рейкой; краткое описание покрытия/тени. Координаты углов площадки и нескольких контрольных точек снимались RTK (горизонтальная точность ±2–3 см).

Совмещение с ортофотопланом. Ортомозаики проходили контроль внутренней согласованности и при необходимости локальную подгонку по RTK-точкам, чтобы систематическая ошибка позиционирования не превышала 1 GSD. Для каждой площадки формировалась область интереса (ROI).

Совмещение объектов. Предопределенные полигоны сопоставлялись с полевыми обломками по «пересечению над объединением» (IoU) ≥0.5 (при возникновении конкуренции выбиралась пара с максимальным IoU). Несопоставленные предсказания учитывались как FP, несопоставленные полевые объекты – как FN. Размер на ортофото переводился в сантиметры через GSD.

Контроль воспроизводимости. 10 % объектов перемерялись вторым оператором: межоператорная погрешность составила ±2.5 см MAE, что задает нижнюю границу ожидаемой ошибки «на земле».

Статистика и неопределенность. Оценки точности получены в разрезе бассейнов и зон, доверительные интервалы рассчитаны бутстрэпом (1000 перестановок, стратификация по площадкам).

Обнаружение/классификация: точность (precision) = 0.87, полнота (recall) = 0.82, F1-мера = 0.84±0.03. Совпадение размерных классов по ГОСТ на уровне объекта – 82 % (среднее по бассейнам). Оценка размера (Ферре): MAE=4.8 см, метрика оценки точности (RMSE)=7.9 см, медианная абсолютная ошибка 3.9 см, 90-й перцентиль 12.5 см. Среднее смещение (bias) +0.6 см (незначительное перевыделение на контрастных тенях). Корреляция с полем R=0.89; регрессия «прогноз vs поле»: наклон 0.96±0.03, свободный член +0.9 см.

По зонам: в транзитных участках MAE=5.6 см, в аккумуляционных – 4.2 см (хуже в транзите из-за перекрытий и теней). По классам: наименьшая ошибка для гальки 10–100 см (MAE≈3.7 см), наибольшая – для валунов >200 см (MAE≈7.1 см), что отражает рост дисперсии с размером. Влияние GSD: при GSD 2–3 см точность максимальна; при 4 см MAE возрастает на ≈0.6–0.8 см.

Источники ошибок и их контроль. Ключевые факторы: тени/спекулярные блики (локальное завышение размера), высокая плотность мелких фракций («слипание» контуров), частичная засыпанность обломков. Для их компенсации применялись: калибровка вероятностей, фильтры формы (компактность, эксцентриситет), разбиение кластеров по расстояниям до гребней, а также целевая доразметка «трудных» сцен.

Суммарно полученная точность (MAE порядка 5 см при R≈0.89 и согласии классов ≈82 %) достаточна для задач инженерного анализа и регулярного мониторинга, а воспроизводимость конвейера обеспечивает переносимость методики на новые участки съемки без полной перенастройки.

Исследование, направленное на автоматизацию определения размеров крупнообломочного материала в селевых отложениях, позволило получить ряд результатов, которые определяют эффективность разработанной методики и ее практическую ценность. В этом разделе представлены основные результаты анализа, включая оценку крупности обломочного материала в исследуемых селевых бассейнах.

График плотности стал одним из ключевых инструментов для анализа распределения размеров объектов в исследуемой области. Он был построен на основе максимальных расстояний между точками в пределах каждого полигона, что позволяет визуализировать распределение размеров объектов. График помогает выявить наиболее распространенные размеры обломков (рис. 6).

Гистограмма максимальных сечений является важным инструментом для анализа вариативности размеров обломков на исследуемом участке. На основе данных о максимальных расстояниях между точками в пределах каждого полигона гистограмма позволяет получить представление о распределении размеров обломков и их частоте (рис. 7).

Визуализация результатов позволяет не только оценить текущее распределение фракций гранулометрического состава на исследуемом участке, но и выявить потенциальные области для более детального изучения. В будущем улучшение алгоритмов классификации и точности обработки изображений может привести к более точному анализу.

В табл. 5 приведены доли размерных фракций в пределах каждого бассейна (средние по всей изученной площади бассейна). В большинстве бассейнов преобладает галька 10–100 мм (30–40 %). Доля валунов >200 мм обычно ≤10 %, но достигает 13 % во втором Безымянном ручье. Бассейны с заметной долей мелких обломков (например, Красный, Первый и Второй Безымянный ручьи) связаны с локальными источниками рыхлого материала и/или особенностями гидродинамики потока. Эти закономерности подтверждают важность учета размерной структуры при оценке морфодинамического состояния селевых отложений.

Для уточнения влияния морфодинамических условий на гранулометрический состав селевых отложений был выполнен анализ распределения фракций в пределах двух основных морфодинамических зон – транзитной и аккумуляционной. В табл. 6 представлены средние значения долей мелких, средних, крупных и очень крупных обломков по каждой зоне, усредненные по всем исследованным бассейнам.

Как видно из табл. 6, зоны транзита участков характеризуются повышенной долей очень крупных обломков (валуны) и крупной фракции 100–200 мм, тогда как в аккумуляционных зонах существенно возрастает доля мелких фракций. В среднем по бассейнам получено: в транзите – мелкие 19.7±3.5 %, средние 32.1±3.8 %, крупные 28.3±2.5 %, валуны 18.2±5.8 %; в аккумуляции – мелкие 29.6±4.2 %, средние 30.1±4.1 %, крупные 26.0±2.1 %, валуны 14.3±5.2 %. Различия статистически значимы для мелких (p=0.002) и крупных 100–200 мм (p=0.014) фракций; для валунов эффект пограничный (p≈0064), что объясняется высокой межучастковой вариабельностью. Эти результаты согласуются с физикой процесса: в транзите сохраняются более «энергоемкие» потоки с переносом крупного материала, тогда как в аккумуляции преобладают условия осаждения мелких/средних фракций.

Сопоставление проводилось на 32 реперных площадках (каждая 10×10 м) с инструментальными измерениями ~160 обломков (см. методику в разделе 2.6: RTK привязка, совмещение по IoU≥0.5, пересчет размеров через GSD). Получено:

– классификация по [GOST…, 2020]: точность = 0.87, полнота = 0.82, F1-мера = 0.84±0.03; доля совпадений с полевым классом – 82 % (среднее по бассейнам);

– размер (Ферре): MAE=4.8 см, RMSE=7.9 см, медианная ошибка 3.9 см, 90-й перцентиль 12.5 см; корреляция с полем R=0.89; смещение +0.6 см (незначительное завышение на контрастных тенях);

– по зонам: MAE в транзите 5.6 см, в аккумуляции 4.2 см (хуже в транзите из-за перекрытий и теней);

– по классам: минимальная ошибка для гальки 10–100 см (~3.7 см), максимальная – для валунов >200 см (~7.1 см).

Типовые расхождения и их причины. (I) Тени/блики → локальное «перевыделение» границ (положительный bias); (II) высокая плотность мелких фракций → «слипание» контуров; (III) частичная засыпанность обломков. Компенсация: калибровка вероятностей, фильтры формы (компактность, эксцентриситет), разбиение кластеров и целевая доразметка «трудных» сцен.

Предложенный алгоритм автоматического анализа (выделение обломков методами компьютерного зрения и последующая классификация/оценка Ферре сверточными нейронными сетями ResNet/DenseNet с переносом обучения) показал на выбранных участках устойчивые данные точности: F1-мера=0.84±0.03, MAE по диаметру Ферре=4.8 см, RMSE=7.9 см, корреляция с полевыми измерениями R=0.89, доля совпадений размерных классов по [GOST…, 2020] – 82 % при небольшом смещении +0.6 см (завышение на контрастных тенях). Типичное распределение фракций в бассейнах характеризуется доминированием гальки 10–100 см (≈30–40 %) и переменной долей валунов >200 мм (1–13 %; максимум отмечен во втором Безымянном ручье), что согласуется с графиком плотности и гистограммой размеров. Агрегированное сравнение морфодинамических зон подтверждает ожидаемую физику процесса: в транзитных участках выше доли крупной фракции 100–200 мм и валунов (в среднем мелкие 19.7±3.5 %, средние 32.1±3.8 %, крупные 28.3±2.5 %, валуны 18.2±5.8 %), тогда как в аккумуляции растет доля мелких фракций (мелкие 29.6±4.2 %, средние 30.1±4.1 %, крупные 26.0±2.1 %, валуны 14.3±5.2 %); различия статистически значимы для мелких (p=0.002) и крупной, 100–200 мм (p=0.014), фракций, для валунов эффект пограничный (p≈0.064).

Производительность алгоритма обеспечивает сокращение трудозатрат на определение гранулометрического состава: обработка участка площадью 0.3–0.5 км² занимает 25–35 мин против 3–4 ч при ручном дешифрировании (ускорение в 6–8 раз) при сопоставимом качестве; минимальные ошибки достигаются при GSD 2–3 см, при ~4 см MAE возрастает на ≈0.6–0.8 см. Основные источники погрешностей – тени/блики, «слипание» контуров при высокой плотности мелких фракций и частичная засыпанность обломков – компенсируются калибровкой вероятностей, фильтрами формы (компактность, эксцентриситет), разбиением кластеров и учетом неопределенности TTA/MC-Dropout с целевой доразметкой «трудных» участков. Реализация в программе SedimentAlyzer (патент РФ № 2025615699) обеспечивает воспроизводимость и переносимость методики на новые бассейны, а суммарные метрики (MAE порядка 5 см, R≈0.89, согласие классов ~82 %) свидетельствуют о ее пригодности для регулярного мониторинга селевых конусов и обоснования инженерных решений по снижению риска.

Все авторы внесли эквивалентный вклад в подготовку рукописи, прочли и одобрили финальную версию перед публикацией.

All authors made an equivalent contribution to this article, read and approved the final manuscript.

Авторы заявляют об отсутствии конфликта интересов, связанного с этой рукописью.

The authors declare that they have no conflicts of interest relevant to this manuscript.