Russian Federation
employee from 01.09.1988 until now
Voronezh State University of Forestry and Technologies named after G.F. Mo-rozov
The paper discusses the main stages and problems of digitization of archival geological maps and the possibility of using artificial intelligence to solve them. The possibilities of computer vision using a convolutional neural network with a description of the main stages of the image recognition and classification process are considered.
geological map, artificial intelligence, digitization, computer vision, convolutional neural network, geoinformation systems
Для перевода бумажной геологической карты в цифровой вид специалисту по оцифровке, в зависимости от выбранного им способа, приходится проходить через основные этапы работы:
- После подготовки исходных данных, так как некоторые архивные карты могут быть в плохом состоянии, проводится сканирование картографического материала с установкой соответствующего.
- Отсканированные изображения карт подвергаются обработке с применением фильтров для улучшения изображения с последующей привязкой к географическим координатам.
- Предполагая, что с картой будут проводится дальнейшие работы, её необходимо перевести в векторный вид, путем построения векторных объектов на основе исходного растрового изображения. Данный процесс называется - векторизацией.
- К каждому объекту на векторной карте необходимо добавить его атрибутивные данные (качественные и количественные характеристики пространственных объектов). Добавленные атрибутивные характеристики вносятся в базу данных пространственных объектов.
- Качество и точность оцифрованных данных зависит от каждого этапа, поэтому на завершающем этапе оцифровки производится тщательная проверка на возможные несоответствия и их корректировка по необходимости.
Решение проблем оцифровки архивных геологических карт может принести ряд значительных выгод и преимуществ:
- Увеличение доступности и удобства использования: оцифрованные геологические карты становятся легко доступными через цифровые платформы, что упрощает поиск, доступ и использование геологической информации.
- Сохранение и защита исторической информации: процесс оцифровки позволяет сохранить ценные архивные данные, которые могут быть подвержены разрушению или утрате из-за времени, износа материалов и других факторов.
- Улучшение анализа и интерпретации данных: цифровые формы геологических карт позволяют легче проводить анализ, сравнение и объединение данных, что помогает улучшить интерпретацию геологических процессов и явлений.
- Интеграция с геоинформационной системой (ГИС): оцифрованные карты могут быть легко интегрированы с ГИС для создания многослойных пространственных аналитических моделей и улучшения принятия решений.
- Увеличение точности и надежности данных: цифровые карты позволяют улучшить точность и надежность геологических данных за счет исключения ошибок, связанных с ручным переносом информации.
- Облегчение обмена информацией: оцифрованные геологические карты могут быть легко распространены и переданы коллегам, научным группам или заинтересованным сторонам, способствуя обмену знаний и совместной работе.
- Создание базы для дальнейших исследований и проектов: оцифрованные геологические карты могут стать основой для проведения дальнейших исследований, моделирования геологических процессов и планирования геологических проектов.
В отличие от традиционных методов оцифровки, которыми являются как ручной метод оцифровки, используемый, и в сторонних программах, и в продуктах геоинформационных систем (ГИС), так и полуавтоматический и автоматический методы оцифровки, используемые в ГИС - метод с использованием искусственного интеллекта (ИИ) имеет наибольший потенциал.
ИИ может применяться в агропромышленности в прогнозировании развития площади эродированных земель, их локализация на местности, тип агроландшафта, на котором они возникают, зависимость от наличия элементов противоэрозионного устройства территории и т.д.[1] Также на основе определенного набора данных с помощью алгоритмов машинного обучения имеется возможность прогнозировать урожайность основных сельскохозяйственных культур. [1]
Большое поле возможностей для ИИ открывают возможности мониторинга в кадастре и землеустройстве, мониторинг пожаров для их предупреждения и устранения. В военном деле, где ИИ может прогнозировать сценарии ведения боя, разведывать территории, планировать и координировать операции. [2]
Решение задач, связанные с оцифровкой геологических карт можно успешно решать с помощью компьютерного зрения. Компьютерное зрение - это область искусственного интеллекта, которая изучает разработку систем, способных анализировать, понимать, интерпретировать и обрабатывать изображения и видео таким образом, как это делает человеческий зрительный аппарат. В качестве примера использования компьютерного зрения в ГИС могут служить решения задач, связанные с анализом спутниковых снимков, аэрофотоснимков, снимков с дронов, такие как: классификация объектов на изображении, поиск объектов, семантическая сегментация и т.д. [3]
Одним из возможных алгоритмов для распознавания и классификации объектов на изображении является – нейронная свёрточная сеть (англ. convolutional neural network, CNN). Применительно к геологическим картам необходимо выполнять такие задачи, как: распознавать числовые значения, изолинии и их дальнейшая векторизация, условные обозначения, разбивка участков карты по цветам.
Существует множество архитектур свёрточных нейронных сетей, которые имеют различную точность распознавания объектов, но в данной статье рассматривается общее строение (рис.1) и процесс работы анализа изображений.
Рисунок 1 – Пример строения свёрточной нейронной сети
Можно выделить четыре основных этапа в процессе работы свёрточной нейронной сети:
- Свёртка – на этом этапе свёрточные слои применяют фильтр (ядро свёртки) для сканирования входных данных и выделения определенных характеристик, таких как границы, текстуры или цвета. Математически операцию свертки можно представить в виде формулы:
,
где V – выходное значение, x – входное значение, 
– значение ядра свёртки, 
– величина смещения.
- Активация - используется для введения нелинейности в модель и повышения её способности изучать сложные зависимости в данных. Существует несколько типов нелинейных операций, самые популярные из которых [4]:
- ReLU:
; - Сигмоида:
; - Гиперболический тангенс:
;
- ReLU:
- Пулинг (pooling) или субдискретизирующий слой - на этом этапе происходит уменьшение размерности полученного изображения за счет выбора наибольшего или наименьшего значения в наборе пикселей. Это позволяет уменьшить количество параметров и ускорить вычисления.[5]
- Полносвязный слой – на последнем этапе происходит классификация полученных признаков с помощью полносвязного слоя, который принимает на вход выходные данные предыдущих слоев и выдает итоговый результат.[5]
Сверточные нейронные сети, также, как и полносвязные [6], обучаются путем применения алгоритма обратного распространения ошибки. Процесс обучения начинается с передачи входных данных через сеть от входного слоя к выходному. Затем вычисляется ошибка на выходном слое, и эта ошибка распространяется обратно через сеть. На каждом слое вычисляются градиенты по обучаемым параметрам, которые затем используются для корректировки весов с помощью градиентного спуска. Этот процесс итеративно повторяется, пока модель не достигнет желаемого уровня точности.
Для определения типов геологических объектов на изображениях, сверточные нейронные сети обучаются на обширном наборе изображений с уже известными классами объектов. После обучения модель можно применить для точной классификации новых изображений геологических объектов. Однако количество обучающей выборки может быть недостаточно, тогда для обучения можно использовать синтетические и аугментированные данные (слегка измененные исходные данные).
1. Linkina A.V. Primenenie metodov iskusstvennogo intellekta pri rabote s geoprostranstvennymi dannymi / A.V. Linkina // Nauchno-tehnicheskiy progress v sel'skohozyaystvennom proizvodstve : materialy XVII Mezhdunarodnoy nauchno-prakticheskoy konferencii, 7 aprelya 2022 g. / Velikolukskaya GSHA. - Velikie Luki : RIO VGSHA, 2022. S. 196-201 – ISBN 978-5-8047-0110-0
2. Geoinformacionnye sistemy voennogo naznacheniya: teoriya i praktika primeneniya : materialy IH Resp. nauch.-prakt. konf., Minsk, 12 maya 2023 g. / Belorus. gos. un-t ; redkol.: A. M. Bahar' (gl. red.) [i dr.] ; pod obsch. red. A. S. Cherenko. – Minsk : BGU, 2023. – S. 98-102.
3. Sellin, A. Yu. Aktualizaciya geoinformacionnyh sistem posredstvom integracii neyronnyh setey / A. Yu. Sellin, O. N. Panamareva // Sostoyanie i perspektivy razvitiya sovremennoy nauki po napravleniyu «Geoinformacionnye platformy voennogo naznacheniya» : Sbornik statey I Vserossiyskoy nauchno-tehnicheskoy konferencii, Anapa, 17 marta 2021 goda. – Anapa: Federal'noe gosudarstvennoe avtonomnoe uchrezhdenie "Voennyy innovacionnyy tehnopolis "ERA", 2021. – S. 195-205. – EDN GHCCMY.
4. Stoyanov, S. F. Obzor modeley klassifikacii izobrazheniy na osnove svertochnyh neyronnyh setey / S. F. Stoyanov // Sbornik tezisov dokladov nauchno-prakticheskoy konferencii studentov Kurganskogo gosudarstvennogo universiteta, Kurgan, 20 marta – 01 2022 goda. Tom VYPUSK XXIII. – Kurgan: Kurganskiy gosudarstvennyy universitet, 2022. – S. 273-274. – EDN AVZJHD.
5. Tomilin, O. S. Primenenie svertochnoy neyronnoy seti dlya raspoznavaniya ob'ektov na izobrazhenii / O. S. Tomilin // Aktual'nye voprosy sovremennoy nauki : Sbornik nauchnyh statey po materialam II Mezhdunarodnoy nauchno-prakticheskoy konferencii, Ufa, 02 iyunya 2023 goda. Tom Chast' 1. – Ufa: Obschestvo s ogranichennoy otvetstvennost'yu "Nauchno-izdatel'skiy centr "Vestnik nauki", 2023. – S. 63-66. – EDN BCPCLI.
6. Sozdanie povedencheskoy modeli LDMOS tranzistora na osnove iskusstvennoy MLP neyroseti i ee opisanie na yazyke Verilog-A / S.A. Pobeda, M.I. Chernyh, F.V. Makarenko, K.V. Zol'nikov // Modelirovanie sistem i processov. – 2021. – T. 14, № 2. – S. 28-34. – DOI:https://doi.org/10.12737/2219-0767-2021-14-2-28-34.
7. Poluektov A.V., Makarenko F.V., Yagodkin A.S. Ispol'zovanie storonnih bibliotek pri napisanii programm dlya obrabotki statisticheskih dannyh // Modelirovanie sistem i processov. – 2022. – T. 15, № 2. – S. 33-41.
