moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.48.1.007 1756 Использование нейронных сетей для определения пылевого загрязнения вблизи области открытой добычи угля по данным дистанционного зондирования Земли Using neural networks to determine dust pollution near open-pit coal mining areas based on Earth remote sensing data Озарян Юлия Александровна Ozaryan Yulia Alexandrovna aff-1 Кожевникова Татьяна Владимировна Kozhevnikova Tatyana Vladimirovna aff-2 Цыгулёв Кирилл Сергеевич Tsygulev Kirill Sergeevich aff-3 Окладников Владимир Евгеньевич Okladnikov Vladimir Yevgenyevich aff-4 Хабаровский Федеральный исследовательский центр Дальневосточного отделения Российской академии наук Khabarovsk federal research center of the Far Eastern Branch of the Russian Academy of Sciences Вычислительный центр Дальневосточного отделения Российской академии наук Computing Center of the Far Eastern Branch of the Russian Academy of Sciences Вычислительный центр Дальневосточного отделения Российской академии наук Computing Center of the Far Eastern Branch of the Russian Academy of Sciences Вычислительный центр Дальневосточного отделения Российской академии наук Computing Center of the Far Eastern Branch of the Russian Academy of Sciences 01 01 2026 1 1 10.26102/2310-6018/2025.48.1.007 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье рассматривается вопрос использования нейронных сетей для определения пылевого загрязнения вблизи области открытой добычи угля по данным дистанционного зондирования Земли. В работе участвовали территории угольных разрезов, находящихся в различных субъектах Российской Федерации. В качестве исходных данных использовались снимки спутника Sentinel-2, которые обрабатывались в ГИС-программе Quantum GIS. Разработан алгоритм формирования обучающей выборки, в котором используются каналы видимого и ближнего инфракрасного спектров со спутниковых снимков. Технология создания масок в разработанном алгоритме строится на использовании индекса Enhanced Coal Dust Index и его дальнейшей кластеризации. В качестве модели нейронной сети используется U-Net. Обученная модель апробирована на валидационной выборке. Точность распознавания составила 59,3 % по метрике Intersection over Union, 78,9 % по метрике Precision, 80,6 % по метрике F1 и 95,5 % по метрике Accuracy. Этот уровень точности обусловлен ограниченным объемом данных для обучения. Обсуждается возможность улучшения точности за счет увеличения объема выборки в сочетании с настройками параметров используемой нейронной сети. Полученный результат позволяет оценивать последствия воздействия работ по добыче угля на окружающую среду и на основании этих данных разрабатывать меры по обеспечению экологической безопасности.

The article examines the use of neural networks for detecting dust pollution near open-pit coal mining areas based on remote sensing data. The study involved coal mining sites located in various regions of the Russian Federation. Satellite images from the Sentinel-2 mission served as the primary data source and were processed using Quantum GIS software. An algorithm for forming the training dataset was developed, utilizing the visible and near-infrared spectral bands from the satellite imagery. The mask creation technology in the developed algorithm is based on the Enhanced Coal Dust Index and its subsequent clustering. U-Net is used as a neural network model. The trained model was tested on a validation dataset. The recognition accuracy was 59.3% for the Intersection over Union metric, 78.9% for the Precision metric, 80.6% for the F1 metric, and 95.5% for the Accuracy metric. This level of accuracy is attributed to the limited volume of training data. The potential for improving accuracy through increasing the sample size in conjunction with optimizing the parameters of the neural network is discussed. The results obtained provide a basis for assessing the environmental impacts of coal mining activities and for developing measures to ensure ecological safety based on these findings.

 пылевое загрязнение дистанционное зондирование Земли машинное обучение кластеризация нейронная сеть dust pollution Earth remote sensing machine learning clustering neural network Исследование выполнено за счет гранта Российского научного фонда № 24-11-20029, https://rscf.ru/project/24-11-20029/. В создании научной статьи принимал участие М.Э. Добровольский (ДВГУПС) – анализ спутниковых данных и форматирование рисунков. This research was funded by Russian Science Foundation, project number 24-11-20029, https://rscf.ru/project/24-11-20029/. The scientific article includes contributions from M.E. Dobrovolsky (FESTU) in the analysis of satellite data and the formatting of figures. References Абрамов Н.С., Макаров Д.А., Талалаев А.А., Фраленко В.П. Современные методы интеллектуальной обработки данных ДЗЗ. Программные системы: теория и приложения. 2018;9(4):417–442. http://doi.org/10.25209/2079-3316-2018-9-4-417-442 Yu H., Zahidi I. Environmental hazards posed by mine dust, and monitoring method of mine dust pollution using remote sensing technologies: An overview. Science of The Total Environment. 2023;864. https://doi.org/10.1016/j.scitotenv.2022.161135 Опарин В.Н., Потапов В.П., Гиниятуллина О.Л., Андреева Н.В., Счастливцев Е.Л., Быков А.А. Оценка пылевого загрязнения атмосферы угледобывающих районов Кузбасса в зимний период по данным дистанционного зондирования Земли. Физико-технические проблемы разработки полезных ископаемых. 2014;(3):126–137. Nie X., Hu Z., Ruan M., Zhu Q., Sun H. Remote-Sensing Evaluation and Temporal and Spatial Change Detection of Ecological Environment Quality in Coal-Mining Areas. Remote Sensing. 2022;14(2). https://doi.org/10.3390/rs14020345 Мусина Г.А., Ожигин Д.С., Ожигина С.Б. Экологический мониторинг на основе снимков, полученных с помощью беспилотных летательных аппаратов. Интерэкспо Гео-Сибирь. 2019;4(2):196–204. https://doi.org/10.33764/2618-981X-2019-4-2-196-204 Саворский В.П., Лупян Е.А., Горный В.И., Ермаков Д.М., Панова О.Ю., Константинова А.М. Методы и инструменты анализа данных ДЗЗ для выявления изменений растительного покрова, вызванных техногенными отходами и отвалами. Современные проблемы дистанционного зондирования Земли из космоса. 2019;16(6):31–47. https://doi.org/10.21046/2070-7401-2019-16-6-31-47 Wang Y., Zhang D., Dai G. Classification of High Resolution Satellite Images Using Improved U–Net. International Journal of Applied Mathematics and Computer Science. 2020;30(3):399–413. https://doi.org/10.34768/amcs-2020-0030 Попов С.Е., Потапов В.П., Замараев Р.Ю. Разработка модуля расчёта нормализованного индекса разностной активности открытых работ на угольных месторождениях на базе радарных данных Sentinel-1. Современные проблемы дистанционного зондирования Земли из космоса. 2022;19(3):62–76. https://doi.org/10.21046/2070-7401-2022-19-3-62-76 Hao L., Zhang Z., Yang X. Mine tailing extraction indexes and model using remote-sensing images in southeast Hubei Province. Environmental Earth Sciences. 2019;78(15):1–11. https://doi.org/10.1007/s12665-019-8439-1 He D., Le B.T., Xiao D., Mao Y., Shan F., Ha T.T.L. Coal mine area monitoring method by machine learning and multispectral remote sensing images. Infrared Physics & Technology. 2019;103. https://doi.org/10.1016/j.infrared.2019.103070

The authors declare that there are no conflicts of interest present.