В статье рассмотрено применение программных алгоритмов для подготовки картографических данных на ранних этапах геолого-разведочных работ и планирования обустройства месторождений. Для формирования Интегрированной концепции разработки - одной из ключевых задач Инжиниринга группы компаний «Газпром нефть» - очень важно на ранней стадии работ иметь качественные данные для концептуального проектирования объектов обустройства месторождений углеводородного сырья. Отсутствие качественных картографических данных на этапе анализа лицензионных участков и на ранних этапах крупных проектов приводит к недостаточной проработке технических решений и может вызывать проблемы при проведении геолого-разведочных работ, проектировании и строительстве объектов, приводить к увеличению сроков реализации и стоимости проекта. При этом выполнение детальных полевых изыскательских работ либо аэрофотосъемки на ранних стадиях не всегда возможно и экономически целесообразно. Применение расчетных алгоритмов распознавания объектов на основе обработки данных дистанционного зондирования Земли (ДЗЗ) позволяет получить подробную информацию о местности, границах водных объектов и типах болот, растительности, местах залегания общераспространенных полезных ископаемых. Использование программных алгоритмов при анализе ДЗЗ позволяет повысить качество полученных данных, найти оптимальные трассы линейных объектов, снизить стоимость инженерной подготовки площадных объектов.
Список литературы
1. Ronnenberger O., Fischer Ph., Brox T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention. –MICCAI 2015. Lecture Notes in Computer Science. – 2015. – V. 9351. - Р. 234-241. - https://doi.org/10.1007/978-3-319-24574-4_28
2. Gholamalinezhad H., Khosravi H. Pooling methods in deep neural networks, a review. -arXiv:2009.07485. - 2020.
3. Sentinel-2 Remote Sensed Image Classification with Patchwise Trained ConvNets for Grassland Habitat Discrimination / P. Fazzin [et al.] // Remote Sensing. – 2021. – V. 13. - http://doi.org/10.3390/rs13122276
4. Тарасов А.В. Оценка точности алгоритмов выделения маски облачности по данным Sentinel-2 и PlanetScope // Современные проблемы дистанционного зондирования Земли из космоса. – 2020. – Т. 17. – No 7. – С. 26–38. - http://doi.org/10.21046/2070-7401-2020-17-7-26-38
5. Deep learning in remote sensing applications: A meta-analysis and review / Ma Lei [et al.] // ISPRS Journal of Photogrammetry and Remote Sensing. – 2019. -
V. 152. – P. 166-177. - http://doi.org/10.1016/j.isprsjprs.2019.04.015
6. A deep learning approach for automated diagnosis and multi-class classification of Alzheimer’s disease stages using resting-state fMRI and residual neural networks / F. Ramzan, M.U.G. Khan, A. Rehmat [et al.] // Journal of Medical Systems. - 2020. - V. 44(2). - https://doi.org/10.1007/s10916-019-1475-2
7. Hatem Magdy Keshk, Xu-Cheng Yin. Satellite super-resolution images depending on deep learning methods: A comparative study // International Conference on Signal Processing, Communications and Computing (ICSPCC). – 2017. - https://doi.org/10.1109/ICSPCC.2017.8242625
8. Иванов К.Е., Новиков С.М. Болота Западной Сибири, их строение и гидрологический режим. – М.: Гидрометеоиздат, 1976. – 447 с.
9. Батуев В.И., Калюжный И.Л. Особенности промерзания болот при климатических изменениях на севере и северо-западе Европейской территории России //Лед и снег. – 2019. – Т. 59. – №. 2. – С. 233–244. - https://doi.org/10.15356/2076-6734-2019-2-390
10. Коронатова Н.Г., Миронычева-Токарева Н.П., Соломин Я.Р. Температурный режим торфяной залежи бугров и топей плоскобугристых болотных комплексов Западной Сибири //Криосфера Земли. – 2018. – Т. 22. – №. 6. – С. 16–25. - https://doi.org/10.21782/KZ1560-7496-2018-6(16-25)
