17 Интякова А. А. Абламейко С. В. семантическая сегментация городские зеленые зоны дистанционное зондирование Земли глубокое обучение сверточные нейронные сети U-Net цифровая модель поверхности мультиспектральные изображения пространственная кросс-валидация 2026 2026-07-10 10.29235/1561-2430-2026-62-2-164-176 Известия Национальной академии наук Беларуси. Серия физико-математических наук Рассмотрена проблема классификации растительного покрова в плотно застроенной урбанизированной среде по изображениям дистанционного зондирования Земли сверхвысокого разрешения. Целью исследования является разработка и валидация нейросетевого алгоритма для высокоточной семантической сегментации городских зеленых зон с использованием мультимодальных данных. Предложена усовершенствованная архитектура сверточной нейронной сети U-Net, модифицированная для работы с 7-канальным входным тензором (RGB, NIR, RedEdge, DSM, NDVI). В основе подхода лежит стратегия раннего слияния (Early Fusion), объединяющая спектральные измерения с перспективными структурными характеристиками (цифровой моделью поверхности, DSM). Для преодоления дисбаланса классов применена функция Focal Loss. Предложенная модель позволила надежно разделить спектрально идентичные ярусы (трава и деревья) и исключить ложные срабатывания на зеленых антропогенных объектах. Итоговый показатель Mean IoU составил 0,725. Полнота (Recall) обнаружения лесных массивов достигла 0,93, а сложного миноритарного класса «Кустарники» – 0,77. Эксперимент на независимой тестовой территории подтвердил высокую способность модели к генерализации (F1-score 0,93). Комплексирование 7 каналов информации и применение модифицированной U-Net полностью оправдано для задач точного расчета площадей насаждений и экологического мониторинга в концепции «Умный город». https://www.academjournals.by/publication/20529 https://www.academjournals.by/files/20384