Авторизоваться
Для зарегистрированных пользователей

Развитие методов машинного обучения привело к появлению множества подходов к оценке характеристик растительного покрова на основе данных дистанционного зондирования. Проведённый анализ позволил выбрать оптимальный метод машинного обучения и набор информативных спутниковых индикаторов для решения задачи оценки в масштабах страны продуктивности лесов, в качестве характеристики которой в настоящем исследовании был принят показатель бонитета. Большой объём опорной выборки, состоящей из более чем 28 млн пикселей карты с известным классом бонитета лесов, и исходный набор из 669 полученных по спутниковым изображениям признаков привели к необходимости выбора наиболее значимых из них. Анализ различных методов оценки значимости признаков показал, что для поставленной задачи лучшие результаты демонстрируют методы на основе случайной перестановки признака на входе построенной регрессии. Применение указанных методов позволило сократить исходный набор из 669 признаков до 100 наиболее информативных из них с незначительной потерей точности. С использованием сокращённого набора признаков выполнен анализ нескольких методов машинного обучения, и сделан вывод об оптимальности подхода на основе градиентного бустинга в реализации LightGBM. Комбинация сокращённого набора признаков и метода градиентного бустинга использовалась для построения карты классов бонитета лесов страны. Оценка точности полученных результатов на основе отложенной части выборки показала высокий коэффициент детерминации, равный 0,87, среднеквадратическая ошибка составила 0,5 класса бонитета. Сопоставление полученной карты бонитета лесов с наземными данными показало более чем 80%-й уровень их совпадения.