Исследование Земли из Космоса, 2023, № 6, стр. 86-97

ВВЕДЕНИЕ

В последние годы число задач, для решения которых применяются нейронные сети, постоянно увеличивается. В основе нейросетевых технологий лежат не стандартные алгоритмические условия, как в большинстве программного обеспечения, а вероятностная модель, использующая регрессионный или классификационный подход для прогнозирования результата (Гришков и др., 2021). Кроме того, с развитием вычислительных методов (Dramsch, 2020) и совершенствованием технических параметров персональных компьютеров применение нейросетевых технологий стало доступно широкому кругу пользователей.

Нейронные сети применяются во многих областях науки, таких как медицина фармакология, геология и т.д. Одними из первых методы нейронных сетей нашли применение в следующих областях геологических исследований: дистанционное зондирование (Lary et al., 2016), геоморфология (Valentine, Kalnins, 2016), гидрогеофизика (Shen, 2018), сейсмология (Kong et al., 2019), геодинамика (Wang et al., 2018), геохимия (Zuo et al., 2019). А также нейронные сети успешно применяются в области разведки полезных ископаемых (Gonbadi et al., 2015; Zhao et al., 2016; Zuo et al., 2018).

Наряду с перечисленными работами, наше исследование направлено на развитие методов применения нейросетевых технологий на разных стадиях геологоразведочных работ. Основной акцент сделан на разработку автоматического метода выделения линейных структур (линеаментов) по цифровым моделям рельефа (ЦМР).

Термин “линеамент” введен в литературу американским геологом У. Хоббсом в 1911 г. для обозначения вытянутых в одном направлении линейных элементов рельефа и геологических структур (Чернова и др., 2012). Линеаментный анализ часто проводится для заверки известных разломов, выявления разломно-трещинных структур и детализации каркаса разрывных нарушений. Данный анализ является одним из наиболее эффективных дистанционных методов изучения каркаса разрывных нарушений и глубинного строения территорий (Кац и др., 1986).

На текущий момент существует множество подходов к выделению линеаментов. Как правило, выделение производится на основе оптических (аэро- и космоснимков) и радарных данных, а также цифровых моделях местности и рельефа. В связи с разнородной физической основой исходных данных весьма затруднительно разработать универсальный подход к выделению линеаментов. Тем не менее, предпринимаются попытки по созданию таких алгоритмов, реализованных в следующих программных обеспечениях: “SimSGM” (Молчанов, Гордеев, 2021); “LEFA” (Шевырев, 2018); “ALINA” (Щепин и др., 2007); “LESSA” (Zlatopolsky, 1992). Тем не менее, все эти программные продукты реализованы на основе последовательных алгоритмов (математических функций) и имеют перечень входных параметров (переменных), что в свою очередь приводит к неоднозначности результатов выделения линейных объектов. Привлечение нейросетевых технологий может нивелировать эти недостатки и, следовательно, установить универсальные критерии выделения линеаментов.

В настоящее время существует множество разновидностей нейронных сетей: прямого распространения, рекуррентные, с долгой краткосрочной памятью и т.д. Выбор архитектуры нейронной сети всегда уникален и определяется типом поставленной задачи (регрессия, классификация, прогнозирование) и входными данными (цифровые сигналы, изображения и т.д.) (Логинов, Петров, 2019).

И ввиду того, что в рамках текущего исследования стоит задача применения нейросетевых технологий для автоматического выделения линеаментов на основе цифровых моделей рельефа (ЦМР), то ее решение обеспечивается сверточными нейронными сетями (СНС). Это связано с тем, что СНС хорошо себя зарекомендовали при решении задач, связанных с обработкой изображений, т.е. матриц (LeCun et al., 2015).

Как правило, СНС основаны на фундаментальных концепциях работы нейронных сетей и направлены на извлечение наборов уникальных признаков изображения или конкретного объекта. Это достигается за счет параллельной обработки изображения в различных слоях сети с помощью чередования слоев свертки (обработка изображения локальными операциями с помощью фильтров) и сжатия (сжатие изображения, объединяя значения фильтров), а также полносвязного слоя, формирующего итог из полученных значений.

ФАКТИЧЕСКИЙ МАТЕРИАЛ

В основу работы лег следующий фактический материал:

• цифровые модели рельефа (ЦМР);

• линеаменты, выделенные ручным способом в результате анализа ЦМР.

Данные ЦМР и линеаментов использовались при обучении нейронной сети в виде входных и ожидаемых параметров.

ЦМР – это особый вид трехмерных математических моделей, представляющий собой отображение рельефа как реальных, так и абстрактных геополей (поверхностей) (Тикунов, 2008).

В качестве ЦМР использовались результаты радиолокационной топографической съемки – “Shuttle Radar Topography Mission” (SRTM) (рис. 1) с параметрами, представленными в табл. 1.

Рис. 1.

Визуализация цифровой модели рельефа исследуемой территории на базе SRTM.

SRTM – международный исследовательский проект по созданию цифровой модели высот Земли с помощью радарной топографической съемки ее поверхности. SRTM запущена в феврале 2000 г. и охватила 80% земной поверхности. Изначально перед миссией SRTM ставились следующие задачи по обеспечению точности:

• линейная абсолютная ошибка по высоте менее 16 м;

• линейная относительная ошибка по высоте менее 10 м;

• круговая абсолютная ошибка в плане меньше, чем 20 м;

• круговая относительная ошибка в плане меньше, чем 15 м;

• относительная ошибка по высоте для данных X-band SRTM меньше 6 м.

Значения, полученные на практике, оказались в доверительном интервале 90% (табл. 2) (Farr et al., 2007).

Для подготовки исходных данных использовано геоинформационное программное обеспечение “QGIS”, которое свободно распространяется по лицензии “GPL2” (Брауде-Золотарев и др., 2008). Главным преимуществом данного ПО является наличие открытого исходного кода на языке программирования "Python”, что позволяет расширить его функционал за счет разработки или привлечения сторонних приложений.

Разработка нейронной сети также проводилась на базе языка программирования “Python”. Выбор данного языка основан на доступности широкого спектра библиотек, таких как “Tensorflow”, “Keras”, “Numpy”, а также возможности дальнейшей интеграции разработанного ПО в систему “QGIS”. “Tensorflow” и “Keras” являются мощными инструментами для работы с нейронными сетями, что упрощает и ускоряет их разработку (Гафаров, Галимянов, 2018). Библиотека “Numpy” обеспечивает мощный и аддитивный синтаксис для доступа, организации и управления данными в векторных, матричных и многомерных форматах (Григорьева и др., 2017).

ПОДГОТОВКА ИСХОДНЫХ ДАННЫХ

В связи с тем, что в процессе обучения нейронной сети загружается фиксированное количество входных и ожидаемых параметров в виде массивов, эти данные должны быть нормированы и подготовлены в табличном виде.

Для выделения линеаментов ручным способом в ПО “QGIS” создан ГИС-проект, включающий в себя объединенную мозаику из доступных для скачивания участков SRTM (рис. 2).

Рис. 2.

Линеаменты выделенные ручным способом.

В качестве критериев, маркирующих “линеаменты”, выступали отрицательные линейные формы рельефа, отраженные интенсивными участками градиентного перехода. В связи с тем, что количество входных и ожидаемых параметров в ходе обучения нейронной сети фиксировано, ЦМР и схема линеаментов намеренно разделены на отдельные фрагменты и преобразованы в матрицу высот и матрицу достоверности выделения линеамента, соответственно (рис. 3).

Рис. 3.

Блок-схема подготовки входных и ожидаемых данных перед обучением нейронной сети.

Разделение ЦМР и схемы линеаментов на отдельные фрагменты необходимо в связи с их неограниченным размером, что привело бы к невозможности обучения нейронной сети. Такой подход позволил зафиксировать размер выделяемых линеаментов и участков ЦМР.

Матрица высот служит входным параметром при обучении нейронной сети и является частью ЦМР. Значения высотных отметок нормализованы в диапазоне от 0 до 1.

Матрица достоверности выделения линеаментов указывает на наличие линеамента в ячейке значением 1, а его отсутствие значением 0. При обучении нейронной сети эта матрица является ожидаемым параметром.

РАЗРАБОТКА АРХИТЕКТУРЫ НЕЙРОННОЙ СЕТИ

В связи с тем, что входные и ожидаемые данные являются растровыми, для решения поставленной задачи выбрана сверточная нейронная сеть (СНС), показывающая хороший результат в работе с графическими изображениями (LeCun et al., 2015).

Выбор архитектуры нейронной сети проводился аналитически (рис. 4). Первая модель имела следующие параметры: входной и выходной слой размером 28 × 28 пикселей; слои свертки; скрытый слой с 128 нейронами; функция активации – “ReLu” (Соснин, Суслова, 2019). Результатом ее работы является облако точек, где указывается вероятность наличия линеамента в каждом пикселе.

Рис. 4.

Архитектура разработанной нейронной сети: 1 – входное изображение; 2 – нейроны сверточного слоя; 3 – нейроны слоя уменьшения размерности; 4 – функция переформатирования данных из двумерного массива в одномерный; 5 – выходное изображение; 6 – нейроны скрытого слоя; 7 – слои.

Первая обученная нейронная сеть слабо реагировала на изменение входных параметров, что приводило к неудовлетворительному результату (рис. 5). Для решения данной проблемы проведено увеличение размеров окна входных и ожидаемых данных до 32 × 32, 36 × 36 и 40 × 40 пикселей.

Рис. 5.

Результат работы нейронной сети с параметрами: входное и выходное изображения размером 28 × 28 пикселей, сверточные слои размером 32 и 64, соответственно, окно свертки размером 3 × 3, слои уменьшения размерности в 2 раза после каждого сверточного слоя, один скрытый слой с 128 нейронами.

В ходе анализа полученных результатов сделан вывод о том, что нейронная сеть с размером окна 40 × 40 пикселей наилучшим образом реагирует на входные параметры (рис. 6).

Рис. 6.

Результат работы нейронной сети с параметрами: входное и выходное изображения размером 40 × 40 пикселей, сверточные слои размером 32 и 64, соответственно, окно свертки размером 3 × 3, слои уменьшения размерности в 2 раза после каждого сверточного слоя, один скрытый слой с 128 нейронами.

Как можно заметить на рис. 7, результат работы нейронной сети не всегда совпадает с искомым линеаментом. Это связано с тем, что линеаменты, выделенные вручную, картируются очень приблизительно, а нейронная сеть оперирует исходными данными и реагирует на их незначительные флуктуации. Следовательно, результаты работы нейронной сети можно рассматривать как искомый линеамент, но с вычисленной и внесенной поправкой (т.е. среднеквадратическим отклонением). Полученный результат является ключевым критерием использования нейронных сетей для решения поставленной задачи.

Рис. 7.

Результат работы нейронной сети с параметрами: входное и выходное изображения размером 40 × 40 пикселей, сверточные слои размером 32 и 64, соответственно, окно свертки размером 3 × 3, слои уменьшения размерности в 2 раза после каждого сверточного слоя, пять скрытых слоев с 3200 нейронами.

В ходе исследования установлено, что увеличение скрытых слоев свыше 5 и нейронов свыше 3200 слабо влияет на достоверность результатов, но при этом значительно уменьшает производительность. Следовательно, нейронная сеть с 5-ю скрытыми слоями, в каждом из которых по 3200 нейронов, и размером входных и выходных окон 40 × 40 пикселей наилучшим образом подходит для текущего исследования (рис. 7).

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Для преобразования результатов работы нейронной сети в векторную форму, пригодную для работы в геоинформационном пространстве, поставлены и решены следующие задачи:

• формирование объекта из набора облаков точек методом, предложенным Сузуки и Абе (Suzuki, Abe, 1985);

• свертка площадного объекта в линейный с использованием алгоритма скелетезации Зонга-Суня (Баранов, Фаворская, 2011);

• векторизация и аппроксимация растровых данных алгоритмом Дугласса–Пеккера (Рябов, 2017);

• запись относительных координат начальных и конечных узлов сегментов линейного объекта;

• вычисление смещения и назначение географических координат векторным объектам.

На результаты векторизации значительно влияет шумовая компонента, что приводит к искажениям положения при идентификации линеаментов. Решением данной проблемы является моделирование наборов идеальных данных и дообучение на них нейронной сети, так как качество подготовленной обучающей выборки невозможно оценить эмпирически, а только визуально, т.е. невозможно однозначно математически описать модель поведения всех линеаментов. Другими словами, необходимо дополнить нейронную сеть идеально смоделированными данными.

Моделирование условий выделения линеаментов производилось на основе разработанной авторской методики, состоящей из 4 этапов:

• подготовка различных вариаций линеаментов, учитывающих ориентировки, длину, положение в окне;

• создание различных вариантов склонов (пологий, крутой и т.д.) и задание высотных отметок;

• моделирование и добавление Гауссовского шума (Barbu, 2013);

• сглаживание и генерация растрового изображения.

Смоделированные данные можно представить в виде растрового изображения, значения пикселей которого соответствуют высотным отметкам. В отличие от естественных, смоделированные данные имеют менее плавные переходы между высотами и более выраженную линейную структуру (рис. 8).

Рис. 8.

Сравнение входных данных.

Нейронная сеть, обученная на смоделированных данных, демонстрирует линейный тренд распределения точечных данных, в сравнении с результатом нейронной сети, обученной на естественных данных. Тем не менее, ответ нейронной сети, обученной на естественных данных, коррелирует с ожидаемым “идеальным” результатом (рис. 9).

Рис. 9.

Результаты работы нейронных сетей, обученных на разных данных.

Так как в природе идеальные данные не встречаются, можно с уверенностью предположить, что шумовая компонента естественных данных будет вносить значительные погрешности в результат. Обучение идеализированной нейронной сети производилось исключительно с целью заверки ее работоспособности.

На рис. 10 представлен результат работы выделения линеаментов ручным способом (рис. 10, а) и результат выделения линеаментов в ходе работы нейронной сети после ее дообучения (рис. 10, б).

Рис. 10.

Линеаменты, показанные красным цветом: а) выделенные ручным способом; б) выделенные нейронной сетью.

Выделенные нейронной сетью линеаменты по большей части отражают линеаменты, которые были выделены вручную. Хорошо согласуются как протяженные, так и мелкие структуры. Наличие линеаментов в тех местах, где интерпретация оператором не была проведена, обуславливается чувствительностью к незначительным перепадам высот, которые крайне затруднительно определить человеческому глазу. Также по результатам работы нейронной сети можно наблюдать широкое распространение закольцованных структур, что возможно отражает блоковое строение рельефа или эрозионной сети.

ЗАКЛЮЧЕНИЕ

Проведенная работа позволяет сделать следующие выводы.

Впервые решена задача по выделению линеаментов с применением нейросетевых моделей.

Установлено, что обучение нейросетевых моделей на естественных и смоделированных данных оптимизирует подбор параметров, которые влияют на результаты интерпретации нейронной сети.

Создана нейросетевая модель, обеспечивающая автоматическое выделение линеаментов человекоподобным образом.

Разработана методика автоматической векторизации результатов работы нейронной сети, их географической привязки и экспорта в ГИС.

В дальнейшем планируется обеспечить работу приложения с другими типами ЦМР и увеличить количество вариаций анализируемых морфологических элементов (кольцевые структуры, хребты, впадины, крутые и пологие склоны, протяженные структуры свыше 10 км и т.д.).

В связи с тем, что на данный момент отсутствуют опубликованные научные работы по выделению линеаментов с применением нейросетевых моделей, результаты, изложенные в данной статье, представляют значительный вклад в область разработки подходов к выделению линеаментов.