1,9 миллион шаршы шақырым аумақты алып жатқан 17 000-нан астам аралдан тұратын Индонезия өзінің даму мақсаттарын қолдау үшін егжей-тегжейлі карталарды жасауда маңызды қиындыққа тап болып отыр.
Елдің тек 3% аумағы ірі масштабты топографиялық карталармен (1:5000 масштабта) қамтылғандықтан, қолмен стерео-диаграммалау және далалық зерттеулер сияқты дәстүрлі әдістер қала құрылысын жоспарлау, апаттарды басқару және қоршаған ортаны қорғау саласындағы шұғыл қажеттіліктерді қанағаттандыру үшін тым баяу.
жарияланған инновациялық зерттеу Қашықтықтан зондтау 2025 жылы шешім ұсынады: өте жоғары ажыратымдылықтағы спутниктік суреттерді пайдаланып, жер жамылғысын жіктеуді автоматтандыратын терең оқыту жүйесі.
Индонезияны картаға түсірудің қиындығы Топография
Индонезияның көлемі мен күрделілігі картаға түсіруді өте маңызды міндет етеді. Ұлттық картаға түсіруге жауапты Геокеңістіктік ақпарат агенттігі (BIG) қазіргі уақытта жыл сайын 13 000 шаршы шақырым топографиялық карталар шығарады.
Осы қарқынмен бүкіл елді картаға түсіру бір ғасырдан астам уақытты алады. Индонезияның жартысына жуығын алып жатқан орманды алқаптарды алып тастағанның өзінде, қалған жер бедерін толықтай өңдеу үшін 60 жыл қажет болады.
Бұл баяу ілгерілеу ұлттық басымдықтарға қайшы келеді, мысалы Бір карта саясаты, 2016 жылы салалар бойынша карталарды стандарттау және жерді пайдаланудағы қақтығыстарды болдырмау үшін енгізілген. Бұл саясатты 1:5000 карталарға дейін масштабтау өте маңызды, бірақ жоспардан әлдеқайда артта қалып отыр.
Топографиялық карталар Жер бетіндегі табиғи және адам қолымен жасалған ерекшеліктердің, соның ішінде биіктіктердің (төбелер, аңғарлар), су айдындарының, жолдардың, ғимараттардың және өсімдіктердің егжей-тегжейлі көріністері.
Олар инфрақұрылымды жоспарлау, апаттарға жауап беру және қоршаған ортаны бақылау үшін негізгі құралдар ретінде қызмет етеді. Индонезия үшін бұл карталарды 1:5000 масштабында жасау (картадағы 1 см жердегі 50 метрге тең) жол құрылысы немесе су тасқынын модельдеу сияқты жобалардағы дәлдік үшін өте маңызды.
Жер жамылғысы туралы деректер, топографиялық карталардың бір бөлігі, Жер бетіндегі ормандар, қалалық жерлер немесе су сияқты физикалық материалдарды білдіреді. Айырмашылығы жерді пайдалану (адамдардың жерді қалай пайдаланатынын сипаттайды, мысалы, тұрғын үй немесе өнеркәсіптік аймақтар), жерге назар аудару байқалатын ерекшеліктерге бағытталған.
Дәл жер жамылғысының карталары үкіметтерге ормандардың жойылуын бақылауға, қалалардың кеңеюін бақылауға немесе ауыл шаруашылығы өнімділігін бағалауға көмектеседі. Дәстүрлі түрде сарапшылар бұл ерекшеліктерді әуеден түсірілген фотосуреттерді немесе спутниктік суреттерді пайдаланып пиксель бойынша қолмен белгілейді, бұл процесс уақытты қажет етеді және адами қателіктерге бейім.
Мысалы, тығыз қалалық аудандардағы жолдарды немесе шағын ғимараттарды анықтау бірнеше күн бойы мұқият жұмысты қажет етуі мүмкін. 2025 жылғы зерттеу жер жамылғысын жіктеуді автоматтандыру үшін қолмен жасалатын күш-жігерді жасанды интеллектпен, атап айтқанда терең оқытумен ауыстыру арқылы бұл кедергіні шешеді.
Жасанды интеллектпен басқарылатын спутниктік кескіндерді талдау
Зерттеу Ломбок аралындағы шағын, бірақ алуан түрлі қалалық аймақ Матарам қаласына сынақ ретінде бағытталды. Топ ... пайдаланды Плеяданың спутниктік суреттері 2015 жылдан бастап, оған жоғары ажыратымдылықтағы панхроматикалық (0,5 метр) және мультиспектрлік (2 метр) деректер кірді.
Панхроматикалық кескіндер сұр реңкте ұсақ кеңістіктік бөлшектерді түсіреді, ал көп спектрлі кескіндер белгілі бір толқын ұзындығы диапазондарында (мысалы, қызыл, жасыл, көк, жақын инфрақызыл) түрлі-түсті және инфрақызыл ақпарат береді.
Осы күшті жақтарды біріктіру үшін зерттеушілер жоғары ажыратымдылықтағы сұр реңкті деректерді төмен ажыратымдылықтағы түрлі-түсті кескіндермен біріктіретін панорамалық ұштау деп аталатын әдісті қолданды. Бұл процесс жолдар немесе жеке ғимараттар сияқты шағын нысандарды анықтауға өте ыңғайлы, 0,5 метрлік ажыратымдылықтағы айқын, егжей-тегжейлі кескіндерді алды.
Панорамалық қайрау өте маңызды, себебі ол кеңістіктік айқындықты арттыра отырып, көпспектрлі деректердің бай спектрлік ақпаратын сақтайды, түстердің физикалық ерекшеліктермен дәл сәйкес келуін қамтамасыз етеді.
Әрі қарай, топ жіктеу дәлдігін жақсарту үшін суреттерден қосымша ақпарат алды. Олар инфрақызылға жақын (NIR) және қызыл жарықтың шағылысуынан алынған өсімдіктер денсаулығының өлшемі болып табылатын қалыпты айырмашылықты өсімдік индексін (NDVI) есептеді.
Хлорофилл белсенділігіне байланысты сау өсімдіктер жақын инфрақызыл сәулені көбірек шағылыстырады және қызыл жарықты көбірек сіңіреді. Формула NDVI=(NIR−Қызыл)/(NIR+Қызыл) -1 және 1 аралығындағы мәндерді береді, мұндағы жоғары мәндер тығызырақ, сау өсімдіктерді көрсетеді.
NDVI ормандарды, ауылшаруашылық жерлерін және қалалық жасыл кеңістіктерді ажырату үшін баға жетпес. Мысалы, бұл зерттеуде NDVI жасыл плантациялар мен жалаңаш топырақты ажыратуға көмектесті.
Текстураны талдау тағы бір маңызды қадам болды. Сұр деңгейлі бірлескен оқиға матрицасы (GLCM) деп аталатын статистикалық әдісті қолдана отырып, зерттеушілер кескіндердегі заңдылықтарды, мысалы, ауылшаруашылық алқаптарының кедір-бұдырлығы мен асфальтталған жолдардың тегістігі сияқты заңдылықтарды сандық түрде анықтады.
GLCM кескінде белгілі бір мәндері мен кеңістіктік қатынастары (мысалы, көлденеңінен көршілес) бар пиксель жұптарының қаншалықты жиі кездесетінін талдау арқылы жұмыс істейді. Бұл матрицадан келесідей көрсеткіштерді алуға болады: біртектілік (пиксель мәндерінің біркелкілігі), қарама-қарсылық (жергілікті қарқындылықтың өзгеруі), және энтропия (пиксельдік таралудың кездейсоқтығы) есептеледі.
Бұл құрылымдық көрсеткіштер жасанды интеллект моделіне ұқсас жер жамылғысының түрлерін ажыратуға көмектесті, мысалы, асфальт жолдар мен қара топырақты жерлерді ажырату.
Деректерді жеңілдету үшін команда қолданды Негізгі компоненттерді талдау (PCA), деректер жиынындағы ең маңызды үлгілерді анықтайтын әдіс. PCA корреляцияланған айнымалыларды (мысалы, бірнеше текстуралық жолақтарды) корреляцияланбаған компоненттердің кішірек жиынтығына түрлендіру арқылы артықтықты азайтады.
Бұл зерттеуде PCA бастапқы ақпараттың 95% бөлігін сақтай отырып, бес текстуралық жолақты екі негізгі компонентке қысқартты. Бұл терең оқыту моделіне кірісті жеңілдетті, дәлдік пен есептеу тиімділігін арттырды.
Жерді жабуға арналған U-Net терең оқыту Топография
Зерттеудің негізі кескін сегменттеу тапсырмаларында кеңінен қолданылатын конволюциялық нейрондық желінің (CNN) бір түрі болып табылатын U-Net архитектурасына негізделген терең оқыту моделі болды.
U-тәрізді дизайнымен аталған U-Net екі негізгі бөліктен тұрады: иерархиялық ерекшеліктерді (мысалы, жиектер, текстуралар) алу үшін кескінді талдайтын энкодер және кескінді пиксельдік белгілермен қайта құратын декодер.
Кодер кескінді кішірейту үшін конволюциялық қабаттарды және пулдарды пайдаланады, кең үлгілерді түсіреді, ал декодер кеңістіктік ажыратымдылықты қалпына келтіру үшін деректерді жоғарылатады. Кодер мен декодер қабаттары арасындағы өткізіп жіберу қосылымдары ұсақ бөлшектерді сақтайды, дәл шекараны анықтауға мүмкіндік береді - бұл тар жолдарды немесе дұрыс емес пішінді ғимараттарды картаға түсіру үшін маңызды мүмкіндік.
Модельде ResNet34 магистральдық желісі пайдаланылды — бұл тереңдігі мен тиімділігімен танымал алдын ала дайындалған желі. ResNet34 қалдық желі тұқымдасына жатады, ол айналып өтетін қабаттарға “жарлық қосылымдарын” енгізеді, бұл жоғалып кететін градиент мәселесін азайтады (мұнда терең желілер оқыту кезінде жаңартулардың азаюына байланысты үйренуде қиналады).
ResNet34-тің ImageNet-тен (үлкен кескіндер базасы) күрделі үлгілерді тану мүмкіндігін пайдалану арқылы модельге спутниктік кескіндерге бейімделу үшін аз оқыту деректері мен уақыт қажет болды.
Модельді оқыту үшін алты жер жамылғысы класын қамтитын, әрқайсысы 512 × 512 пиксель өлшеміндегі 1440 кескін плиткасы қажет болды: ғимараттар, жолдар, ауылшаруашылық жерлері, тақыр жерлер, плантациялар және су айдындары.
Деректер жиынтығында ішкі теңгерімсіздіктер болды; жолдар мен су айдындары үлгілердің тек 3,7% және 4,2% құрады, ал ғимараттар мен ауылшаруашылық жерлері әрқайсысы 25%-ден астамды құрады. Осы қиындыққа қарамастан, модель жад шектеулеріне байланысты 200 дәуірден астам уақыт бойы оқытылды - дәлдік пен есептеу құны арасындағы тепе-теңдік.
Ан дәуір оқыту деректерінің модель арқылы бір толық өтуін білдіреді, ал партия мөлшері модель параметрлерін жаңартпас бұрын қанша үлгі өңделетінін анықтайды. Кішірек партия өлшемдері жадты пайдалануды азайтады, бірақ оқытуды баяулатуы мүмкін.
Морфологиялық өңдеу арқылы карталарды жетілдіру
Тіпті ең жақсы жасанды интеллект модельдері де қателіктер жібереді, мысалы, оқшауланған пикселдерді дұрыс емес жіктеу немесе ерекшеліктердің айналасында тісті жиектер жасау. Мұны шешу үшін зерттеушілер эрозия және кеңейту сияқты операцияларды қолдана отырып, кемшіліктерді тегістейтін морфологиялық өңдеу әдісін қолданды.
Эрозия объектілер шекараларынан пиксельдердің жұқа қабаттарын алып тастайды, ұсақ дұрыс емес жіктелген дақтарды жояды, ал кеңейту объектілер шекараларын кеңейту үшін пиксельдер қосады, жолдар сияқты сызықтық нысандардағы олқылықтарды толтырады.
Бұл операциялар пиксель мәндерін өзгерту үшін кескіннің үстінен сырғытылатын құрылымдау элементіне (кішкентай матрица) сүйенеді. Бұл операциялар үшін оңтайлы ядро өлшемі (5×5 пиксель) кескіндегі кеңістіктік үлгілерді сандық түрде анықтайтын геостатистикалық әдіс болып табылатын жартылай дисперсиялық талдау арқылы анықталды.
Жартылай дисперсия пиксель мәндерінің әртүрлі қашықтықта қаншалықты өзгеретінін өлшейді, бұл текстуралық ерекшеліктердің (мысалы, құрылыс кластерлерінің) ең айқын болатын масштабын анықтауға көмектеседі.
Жасанды интеллект картаға түсіру жылдамдығы мен дәлдігін арттырады
Модель бастапқыда 84% дәлдігіне қол жеткізді (каппа ұпайы = 0,79), ол өңдеуден кейін 86% (каппа = 0,81) дейін көтерілді. каппа ұпайы (Коэн каппасы) кездейсоқ мүмкіндікті ескере отырып, болжамды және нақты жіктеулер арасындағы сәйкестікті өлшейді.
0,81 балл “айтарлықтай дерлік” келісімді білдіреді, бұл “айтарлықтай” деп саналатын 0,61–0,80 диапазонынан асып түседі. Су айдындары мен плантациялар мінсіз дәлдікпен жіктелді (сәйкесінше 97% және 96%), ал жұқа, сызықты пішіні мен көлеңкелерімен қиындыққа тап болған жолдар 85%-ге жетті.
Ғимараттар мен ауылшаруашылық жерлері де жақсы көрсеткіштерге қол жеткізді, F1 ұпайлары 88% және 83% болды. Дәлдік пен еске түсірудің гармоникалық орташа мәні болып табылатын F1 ұпайы жалған оң және жалған теріс мәндерді теңестіреді, бұл оны теңгерімсіз деректер жиынтығын бағалау үшін өте қолайлы етеді.
Тиімділіктің артуы одан да таңқаларлық болды. 3D аэрофотосуреттердегі элементтерді қолмен белгілеуді қамтитын дәстүрлі стерео-диаграммалау ғимараттар мен өсімдіктер үшін карта парағына тоғыз күн (5,29 км²) уақыт алады.
Жасанды интеллектке негізделген тәсіл мұны бір параққа 43 минутқа дейін қысқартты — бұл 250 есе жақсару. Модельді оқыту бастапқыда 17 сағатты қажет етті, бірақ оқытылғаннан кейін ол адамның минималды араласуымен кең аумақтарды жіктей алды. Бұл жүйені масштабтау Индонезияға жылына 9000 км² картаға түсіруге мүмкіндік береді, бұл жоспарланған аяқталу уақытын бір ғасырдан астам уақыттан 15 жылға дейін қысқартады.
Жасанды интеллект картасын жасау жаһандық тұрақтылықты жақсартады
Мұның салдары Индонезиядан әлдеқайда асып түседі. Жер жамылғысының автоматтандырылған жіктелуі БҰҰ-ның Тұрақты даму мақсаттары (ТДМ) сияқты жаһандық күш-жігерді қолдайды. Мысалы, ормандардың жойылуын (ТДМ 15) немесе қалалардың кеңеюін (ТДМ 11) бақылау жылдамырақ және дәлірек болады.
Апатқа ұшырау қаупі бар аймақтарда, мысалы, су тасқыны қаупі бар аймақтарда, жаңартылған карталар осал қауымдастықтарды анықтап, эвакуация жолдарын жоспарлай алады.
Фермерлер де пайда көреді; жер жамылғысының дәл деректері NDVI арқылы топырақтың денсаулығы мен өсімдіктерге түсетін стрессті бақылау арқылы суды пайдалануды және дақылдардың өнімділігін оңтайландыруға мүмкіндік беретін дәл ауыл шаруашылығын жүргізуге мүмкіндік береді.
Дегенмен, қиындықтар әлі де бар. Модельдің жолдар сияқты аз ұсынылған сыныптардағы өнімділігі теңдестірілген оқыту деректерінің қажеттілігін көрсетеді. Болашақ жұмысқа трансферлік оқыту кіруі мүмкін, бұл әдіс бір тапсырма бойынша алдын ала дайындалған модельді (мысалы, жалпы кескінді тану) белгілі бір қолданба үшін (мысалы, спутниктік суреттерде жолды анықтау) дәл баптайды.
Бұл жасау қымбатқа түсетін үлкен таңбаланған деректер жиынтықтарына деген қажеттілікті азайтады. Масштабтар бойынша мүмкіндіктерді агрегациялауды жақсартатын U-Net3+ сияқты озық архитектураларды немесе трансформаторға негізделген модельдерді (кескіндердегі ұзақ қашықтықтағы тәуелділіктерді түсіруде жақсы) сынау дәлдікті одан әрі жақсартуы мүмкін.
Дегенмен, Lidar (жарықты анықтау және қашықтықты анықтау) немесе радар деректерін біріктіру, әсіресе оптикалық спутниктер қиындық көретін бұлтты аймақтарда нәтижелерді жақсартуы мүмкін.
Қорытынды: Геокеңістік ғылымының жаңа дәуірі
Бұл зерттеу топографиялық картаға түсірудегі бетбұрыс кезеңін белгілейді. Жер жамылғысының жіктелуін автоматтандыру арқылы елдер дәл карталарды бұрынғыдан да жылдам және арзан жасай алады. Индонезия үшін бұл технология тек ыңғайлылық емес - бұл оның жылдам урбанизациясын басқару, ормандарын қорғау және климатқа байланысты апаттарға дайындалу үшін қажеттілік.
Жасанды интеллект және спутниктік технологиялар дамыған сайын, нақты уақыт режимінде, жоғары ажыратымдылықтағы картаға түсіру мүмкіндігі қолжетімді болып, үкіметтер мен қауымдастықтарға тұрақты болашақ құруға мүмкіндік береді.
Дереккөз: Хаким, Ю.Ф.; Цай, Ф. Ірі көлемді топографиялық карталарды жасауға көмектесу үшін өте жоғары ажыратымдылықтағы спутниктік кескіндерден терең оқытуға негізделген жер жамылғысын алу. Қашықтан зондтау. 2025, 17, 473. https://doi.org/10.3390/rs17030473











Ол белгілі бір аумақтың немесе аймақтың табиғи және жасанды ерекшеліктерін өлшеуді және картаға түсіруді қамтиды. Ол жердің пішіні, рельефі және көлбеуі, сондай-ақ табиғи және жасанды ерекшеліктердің орналасуы мен көлемі туралы егжей-тегжейлі ақпарат береді. Топографиялық карталар жер бетінің үш өлшемді сипаттамаларын екі өлшемді картада дәл көрсету үшін жер бетін зерттеу, аэрофототүсіру және спутниктік суреттердің үйлесімін пайдаланып жасалады. Оның негізгі мақсаты - әртүрлі қолданбалар үшін маңызды болуы мүмкін Жер бетінің физикалық қасиеттерін түсіну және талдау. Мысалы, ол жерді игеруде және қала құрылысын жоспарлауда маңызды рөл атқарады, себебі ол құрылыс үшін қолайлы орындарды анықтауға, инфрақұрылым жобаларының орындылығын бағалауға және ықтимал су тасқыны аймақтарын анықтауға көмектеседі. Ол сондай-ақ табиғи ресурстарды басқаруда, қоршаған ортаны зерттеуде және геологиялық зерттеулерде өте маңызды, себебі ол топырақ түрлері, су ағызу үлгілері, өсімдіктердің таралуы және геологиялық түзілімдер туралы құнды ақпарат береді. Ол география, геология, құрылыс инженериясы, қоршаған орта ғылымы және қала құрылысы сияқты пәндерде кеңінен қолданылады. Бұл ғалымдарға, инженерлерге және жоспарлаушыларға жер бедерін түсінуге, оның адам қызметіне әсерін бағалауға және жерді пайдалану, ресурстарды басқару және инфрақұрылымды дамыту бойынша хабардар шешімдер қабылдауға мүмкіндік береді.
Бұл фермада қандай жабдық пен техниканың жақсы жұмыс істейтініне де әсер етуі мүмкін. Мысалы, тау беткейлері тракторлар үшін тым тік, сондықтан фермерлер істерді аяқтау үшін өздерінің бұлшықет күшіне сүйенуі керек. Сонымен қатар, бұл ферманы басқару үшін қанша еңбек қажет екеніне әсер етеді. Егер жер тегіс және тегіс болса, онда жұмысшылардың егу немесе жинау маусымы кезінде қозғалуы көп күш жұмсамайды, бірақ егер ол төбелі немесе тегіс емес болса, онда олар тек жүру үшін көбірек энергия жұмсауға мәжбүр болады. Ауыл шаруашылығында оның маңызды болуының тағы бір себебі - ол әр аймақта жыл сайын қанша жаңбыр жауатынына әсер етеді. Егер бір аймақтың айналасында көптеген таулар болса, онда жазық жері бар аймаққа қарағанда көбірек жаңбыр жауады, себебі сол таулардың үстінде көбірек бұлттар пайда болып, олардың суын сол жерлерге шығарады, бұл оларды айналасындағы басқа жерлерге қарағанда ылғалды етеді. Өсімдік биологтары мұны өсімдіктердің қай жерде орналасқанын немесе басқа жерге отырғызылса, олардың қай жерде өсіп-өніп, тіршілік ете алатынын анықтауда бір фактор ретінде пайдаланады. Бұған бүкіл әлемде кеңінен өсірілетін бидай мен жүгері сияқты дақылдар кіреді.
Жауын-шашын топырақ арқылы еріген иондардың ауысуы сияқты көкжиек түзілу элементтеріне әсер етеді. Климат уақыт өте келе топырақ сапасына маңызды әсер ете бастады, ал бастапқы материал онша маңызды болмады.
Топография
Ол су ағынына және оның бағыты микроклиматқа, ал бұл өз кезегінде өсімдіктерге әсер ететіндіктен, топырақтың түзілуіне айтарлықтай әсер етеді. Топырақ көкжиегіндегі процестердің жүруіне мүмкіндік беру үшін бастапқы материал салыстырмалы түрде бұзылмаған күйде қалуы керек. Судың беті арқылы қозғалуы бастапқы материалды алып тастайды, бұл топырақтың өсуіне кедергі келтіреді. Тік, өсімдіксіз беткейлерде су эрозиясы тиімдірек болады.
Организмдер
Өсімдіктер мен жануарлар организмдері топырақтың түзілуі мен құрамында маңызды рөл атқарады. Организмдер органикалық заттарды қосу арқылы ыдырауға, ауа райының өзгеруіне және қоректік заттардың айналымына көмектеседі. Климат топырақ организмдері мен жер бетінде өсетін өсімдіктердің байлығы мен әртүрлілігіне әсер етеді.
Уақыт
Топырақтың негізгі материалында уақыт өте келе үгілу механизмдері жұмыс істей береді, оны ыдыратады және ыдыратады. Топырақ профиліндегі қабаттардың физикалық және химиялық ерекшеліктері көкжиек түзілу процестерімен саралана береді. Нәтижесінде, ескі, жетілген топырақтарда көкжиек тізбегі жақсы дамыған, бірақ кейбіреулері айқын көрінетін қабаттарды ажырату қиын болатындай етіп үгілуден өтіп, шайылып кетуі мүмкін. Бұл оксисолдардың ерекше белгісі. Кейбір геологиялық процестер бетін үнемі өзгерту арқылы топырақтың түзілуіне кедергі келтіреді, бұл негізгі материалдың ұзақ уақыт бойы үгілуіне жол бермейді. Мысалы, тау беткейлерінің эрозиясы материалды үнемі алып тастайды, бұл топырақтың өсуіне кедергі келтіреді. Су тасқыны кезінде өзен өзенінің жайылма жазығына ағып жатқанда, өзен арналары бойымен жаңа шөгінділер жиі жиналады. Топырақтың түзілу процесі жаңа материалдың үнемі қосылуымен қайта басталады. Топырақтың өсу процесі кезінде климат пен уақыт өзара әрекеттеседі. Жылы және жаңбырлы температура топырақтың дамуын жеделдетеді, бұл оның тезірек жетілуіне мүмкіндік береді. Суық климатта үгілу баяулайды, ал топырақтың өсуі айтарлықтай ұзағырақ уақыт алады. GeoPard - жақсы шешімдер қабылдау және дақылдардың дамуы үшін топырақ ерекшеліктері мен топографиясын зерттеудің жаңа және инновациялық тәсілі. Олар сізге дәл ақпарат беру арқылы топырақ картасын жасауды келесі деңгейге көтеруде
Өріс потенциалы картасымен қабаттасқан 3D топографиялық модель




















