A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote
本文提出了一种基于卷积神经网络的方法，用于识别中亚克特（Central Yakutia）卫星图像中的热喀斯特地貌，在四种景观类型中实现了高分类准确率（0.94–0.96）。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在俄罗斯北部广袤而冰封的景观中，地面并不像看起来那样坚实。在表面之下，是已经冻结了数千年的多年冻土。然而，随着气候变暖，这片冻结的土地正开始融化，引发了一种被称为“热喀斯特”（thermokarst）的过程。当土壤中的冰融化时，地面就会塌陷，形成由沉陷坑、洼地和积水盆地组成的混乱地形。在位于西伯利亚东部的中亚克特地区（Central Yakutia），这些地貌通常呈现出独特的几何形态，宛如横跨苔原的各种多边形拼图。这种变化正在迅速加速，新的地貌特征在短短二十五到三十年内就会形成。虽然这些变化在数千年来一直自然发生，但当前的气候变暖正以前所未有的速度推动着它们，威胁着基础设施并改变着生态系统。监测这些变化至关重要，但由于景观规模过于宏大，仅靠人类肉眼很难追踪每一次变化。
为了应对这一挑战，来自北东联邦大学及数个俄罗斯科研机构的研究小组开发了一种观察冻土变化的新方法。他们转向了卫星图像，利用了日常导航应用中常见的那种高分辨率地图，并应用了一种复杂的计算机学习技术来对其进行分析。研究人员并没有让真人盯着屏幕试图寻找洼地，而是训练了一个计算机程序，使其能够自动识别热喀斯特地貌的视觉模式。其目标是教会机器区分四种特定的景观类型：具有此类融化地貌的区域、开阔地带、森林以及水体。通过这样做，他们希望创造一种工具，能够扫描广袤的西伯利亚荒野，并在地面塌陷变得具有灾难性之前发出早期预警。
研究人员首先通过构建一个图像库来教导他们的计算机。他们创建了一个在线工具，使他们能够快速选择并标注来自卫星地图的数千张小型正方形图片。这些图片取自中亚克特地区两个以拥有大量热喀斯特特征而闻名的特定区域。他们收集了超过一万张图像，并将它们分为不同的尺寸，以观察哪种效果最好。有些图像较小，大小为 70x70 像素，而另一些则较大，为 128x128 像素。为了确保计算机学习正确，研究人员利用无人机对许多热喀斯特点位进行了验证，通过低空飞行来确认卫星所观测到的情况。这种细致的准备工作创建了一套稳健的示例集，即训练数据集，供计算机学习如何区分森林、田野、湖泊和融化的地面斑块。
数据准备就绪后，团队构建了一个被称为“卷积神经网络”的数字大脑。这类计算机程序的设计初衷是像人类的眼睛和大脑协同工作一样处理图像。它观察一张图像并将其分解成多个层级，首先寻找简单的形状和纹理，然后将这些简单的部分组合起来以识别复杂的模式。研究人员测试了许多不同版本的数字大脑，改变了层的数量以及处理信息的方式。他们想要找到那个能够以最高准确度识别热喀ست地貌的特定架构。他们进行了多次实验，向计算机输入数千张图像，并观察它学习将图像分类到正确类别中的表现。
结果表明，计算机确实能够以卓越的精度识别出这些地貌。在测试了许多不同的设计后，研究人员确定了三个表现最佳的模型。这些顶尖模型能够在约 94% 到 96% 的测试案例中正确识别热喀斯特地貌。这种准确水平意义重大，因为这意味着该系统可以可靠地将融化地面的细微迹象与其他景观特征区分开来。计算机在区分森林和湖泊方面表现出色，但在区分热喀斯特地貌与开阔地带时有时会遇到困难。这种混淆是可以理解的，因为从上方俯瞰时，两者看起来都像是平坦的开阔地面，研究人员也指出，这反映了在没有近距离观察的情况下区分这些特征的现实难度。
研究结论认为，这种方法为监测不断变化的北极地区提供了一个强大的新工具。通过使用卫星图像和经过训练的计算机程序，科学家现在可以比以前更快、更一致地扫描中亚克特的大片区域。该团队开发的软件已准备好用于自动化监测，前提是必须保持训练数据的更新并进行验证。虽然该系统并非完美且仍会出现偶尔的错误，但其实现如此高准确度的能力表明，机器学习可以在追踪多年冻土快速退化方面发挥至关重要的作用。这种方法让研究人员能够更密切地监视冻结的地面，为理解并应对地球上最敏感环境之一所发生的加速变化提供了一种途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。