Россия
сотрудник с 01.09.1988 по настоящее время
Воронежский государственный лесотехнический университет имени Г.Ф. Морозова
В работе рассматриваются основные этапы и проблемы оцифровки архивных геологических карт и возможности применения искусственного интеллекта для их решения. Рассмотрены возможности компьютерного зрения с применением свёрточной нейронной сети с описанием основных этапов процесса распознавания и классификации образов.
слова: геологическая карта, искусственный интеллект, оцифровка, компьютерное зрение, свёрточная нейронная сеть, геоинформационные системы
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. Линкина А.В. Применение методов искусственного интеллекта при работе с геопространственными данными / А.В. Линкина // Научно-технический прогресс в сельскохозяйственном производстве : материалы XVII Международной научно-практической конференции, 7 апреля 2022 г. / Великолукская ГСХА. - Великие Луки : РИО ВГСХА, 2022. С. 196-201 – ISBN 978-5-8047-0110-0
2. Геоинформационные системы военного назначения: теория и практика применения : материалы IХ Респ. науч.-практ. конф., Минск, 12 мая 2023 г. / Белорус. гос. ун-т ; редкол.: А. М. Бахарь (гл. ред.) [и др.] ; под общ. ред. А. С. Черенко. – Минск : БГУ, 2023. – С. 98-102.
3. Селлин, А. Ю. Актуализация геоинформационных систем посредством интеграции нейронных сетей / А. Ю. Селлин, О. Н. Панамарева // Состояние и перспективы развития современной науки по направлению «Геоинформационные платформы военного назначения» : Сборник статей I Всероссийской научно-технической конференции, Анапа, 17 марта 2021 года. – Анапа: Федеральное государственное автономное учреждение "Военный инновационный технополис "ЭРА", 2021. – С. 195-205. – EDN GHCCMY.
4. Стоянов, С. Ф. Обзор моделей классификации изображений на основе свёрточных нейронных сетей / С. Ф. Стоянов // Сборник тезисов докладов научно-практической конференции студентов Курганского государственного университета, Курган, 20 марта – 01 2022 года. Том ВЫПУСК XXIII. – Курган: Курганский государственный университет, 2022. – С. 273-274. – EDN AVZJHD.
5. Томилин, О. С. Применение свёрточной нейронной сети для распознавания объектов на изображении / О. С. Томилин // Актуальные вопросы современной науки : Сборник научных статей по материалам II Международной научно-практической конференции, Уфа, 02 июня 2023 года. Том Часть 1. – Уфа: Общество с ограниченной ответственностью "Научно-издательский центр "Вестник науки", 2023. – С. 63-66. – EDN BCPCLI.
6. Создание поведенческой модели LDMOS транзистора на основе искусственной MLP нейросети и ее описание на языке Verilog-A / С.А. Победа, М.И. Черных, Ф.В. Макаренко, К.В. Зольников // Моделирование систем и процессов. – 2021. – Т. 14, № 2. – С. 28-34. – DOI:https://doi.org/10.12737/2219-0767-2021-14-2-28-34.
7. Полуэктов А.В., Макаренко Ф.В., Ягодкин А.С. Использование сторонних библиотек при написании программ для обработки статистических данных // Моделирование систем и процессов. – 2022. – Т. 15, № 2. – С. 33-41.
