Авторизоваться
Для зарегистрированных пользователей

Настоящая работа посвящена разработке и исследованию методов автоматической сегментации спутниковых изображений для оконтуривания речных выносов с использованием свёрточных нейронных сетей. Исследование проводилось на основе анализа данных мультиспектральных сенсоров MSI (англ. Multispectral Instrument) спутников Sentinel-2 для четырёх ключевых районов: устьевых зон рек Сулак и Терек в Каспийском море, р. Мзымты в Чёрном море и Калининградского канала в Балтийском море. В работе был создан собственный набор данных, включающий 587 фрагментов спутниковых изображений с экспертной разметкой речных плюмов. Проведено комплексное сравнение 10 различных архитектур нейронных сетей, включая комбинации энкодеров (VGG16, ResNet50, Xception) с декодерами (U-Net, DeepLabv3+, FCN), а также модель YOLO 11-Seg. Для повышения качества сегментации разработан программный комплекс предварительной обработки данных, включающий модули загрузки, кадрирования и разметки спутниковых изображений. Экспериментальные исследования показали, что архитектура YOLO 11-Seg продемонстрировала наилучшую производительность с коэффициентом Дайса 0,74. Для дальнейшего улучшения результатов были реализованы два метода ансамблирования: взвешенное усреднение масок и стекинг с использованием Random Forest в качестве метамодели. Стекинговый подход показал наилучшие результаты, достигнув коэффициента Дайса 0,78. Разработанная методология демонстрирует высокую эффективность автоматического детектирования речных выносов в различных гидрологических условиях и может быть интегрирована в системы оперативного спутникового мониторинга морской среды.