Использование информационных технологий при определении проективного покрытия эпифитных лишайников в лихеноиндикации

В статье проведен анализ существующих способов лихеноиндикации, особое внимание уделялось использованию современных информационных технологий для полной или частичной автоматизации при определении общего и частного проективного покрытия эпифитных лишайников. Изучение проективного покрытия требует скрупулезной работы и значительное время на определение площадей, покрытых различными видами лишайников. Использование нейронных сетей для нахождения объектов на изображениях представляет собой мощный инструмент для решения задач компьютерного зрения, позволяющий автоматизировать многие этапы работы, увеличить точность определения проективного покрытия, значительно сокращает время, потраченное на сбор и анализ материала, устранить субъективность, по сравнению с традиционными методами. Одним из наиболее эффективных инструментов для решения подобных задач является библиотека Detectron2, разработанная Facebook AI Research. Detectron2 позволяет создавать и обучать модели для задач объектного детектирования и сегментации. При исследовании эпифитной лихенофлоры были отобраны модельные деревья, проводилась фотофиксация, полученные изображения сохраняли в формате растровой графики JPEG. Для обработки и анализа исследуемого материала использовали библиотеки Detectron2, которую обучили для детектирования объектов (эпифитных лишайников) на поверхности деревьев, а также для расчета общей площади покрытия эпифитной лихенофлоры и площади, занимаемой каждым видом. Исследования показали высокую эффективность использования библиотеки Detectron2, обеспечивающей более высокую точность определения проективного покрытия эпифитных лишайников, по сравнению с глазомерными методами, а также более высокую скорость обработки и анализа материала. Это дает возможность рекомендовать использование современных информационных технологий в исследованиях эпифитной лихенофлоры.

1. Анищенко Л. Н. Количественная лихеноиндикация: лихеноиндикационный индекс // Учебные записки Орловского государственного университета. Сер.: Естественные, технические и медицинские науки. 2013. № 6. С. 91–93.

2. Бадика Е. М., Зырянов Д. А., Бабчинецкий С. Г. Модели нейронной сети для обнаружения объектов // Кронос. 2022. Т. 7, № 6 (68). С. 14–18.

3. Башмаков Д. И. Биологические аспекты распространения, адаптации и устойчивости растений // Материалы всероссийской (с международным участием) научной конференции, Саранск, 20–22 ноября 2014 года. Саранск : Мордовский гос. ун-т им. Н. П. Огарёва, 2014. С. 31–35.

4. Голубкова Н. С. Определитель лишайников средней полосы Европейской части СССР. М.-Л. : Наука, 1966. 256 с.

5. Горецкая А. Г., Калюжная И. Ю., Марголина И. Л. Перспективы использования методов лихеноиндикации в экологическом образовании // Вестник Московского городского педагогического университета. Сер.: Естественные науки. 2017. № 1 (25). С. 93–100.

6. Закутнова В. И. Лишайники в экологическом мониторинге Астраханского региона // Вестник Оренбург. гос. ун-та. 2004. № 4. С. 100–107.

7. Захарова Н. Ю., Кузнецова И. С., Кропова Ю. Г. Биоиндикация загрязнения воздуха района НагатиноСадовники методом лихеноиндикации // Вестник Московского городского педагогического университета. Сер.: Естественные науки. 2024. № 2 (54). С. 10–22. Doi: 10.25688/2076-9091.2024.54.2.01

8. Комплексная орнито-лихенологическая оценка состояния воздушного бассейна г. Рязани на базе картографического подхода / Е. С. Иванов, А. В. Барановский, Э. А. Блинова, М. В. Ленков // XXI век. Техносферная безопасность. 2016. Т. 1, № 2. С. 45–55.

9. Каширина Е. С., Медведков А. А., Новиков А. А. Оценка состояния приземного атмосферного воздуха в юго-западном крыму по данным лихеноиндикации // Известия Томск. политехнич. ун-та. Инжиниринг георесурсов. 2022. Т. 333, № 8. С. 126–138.

10. Малышкин Н. Г. Оценка состояния атмосферного воздуха в районе деятельности промышленного предприятия методом лихеноиндикации // Успехи современного естествознания. 2018. № 11 (ч. 2). С. 361–365. URL: https://natural-sciences.ru/ru/article/view?id=36953

11. Ненахов И. Д., Артемов К., Забихифар С., Семочкин А. Н., Колюбин С. А. Сегментация объектов с функцией дообучения // Известия высших учебных заведений. Приборостроение. 2022. Т. 65, №. 3. С. 194–203.

12. Никишина Д. А., Таллер Е. Б. Оценка загрязнения атмосферного воздуха в зоне влияния комбината «Каменский» методом лихеноиндикации // Вестник науки. 2023. Т. 3, № 12 (69). С. 1263–1269.

13. Сионова Н. А., Криворотов С. Б. Изменение проективного покрытия эпифитных лишайников в разных зонах урбоэкосистемы г. Краснодара // Известия высших учебных заведений. Северо-Кавказский регион. Естественные науки. 2008. № 2. С. 85–86.

14. Исследование сверточных нейронных сетей для обнаружения объектов на аэрокосмических снимках / В. О. Скрипачев, М. В. Гуйда, Н. В. Гуйда, А. О. Жуков // International Journal of Open Information Technologies. 2022. Т. 10, № 7. С. 54–64.

15. Слонов Т. Л. Лихеноиндикация загрязненности окружающей среды // Известия высших учебных заведений. Северо-Кавказский регион. Естественные науки. 2010. № 2. С. 111–115.

16. Список лихенофлоры России. СПб., 2010. 194 с.

17. Цуриков А. Г., Храмченкова О. М. Листоватые и кустистые городские лишайники: атлас-определитель. Гомель : ГГУ им. Ф. Скорины, 2009. 123 с.

18. Шинов Р. М. Качественная оценка уровня загрязненности атмосферного воздуха озера Шамсутдин газообразными и твердыми поллютантами // Инновационная наука. 2019. № 10. С. 7–8.

19. Brodo I. M. Transplanted experiments with corticolus lichens using a new technique // Ecology. 1961. Vol. 42. P. 838–841.

20. Detection, instance segmentation, and classification for astronomical surveys with deep learning (deepdisc): detectron2 implementation and demonstration with Hyper Suprime-Cam data / G. Merz, Y. Liu, C. J. Burke [et al.] // Monthly Notices of the Royal Astronomical Society. 2023. Vol. 526, No. 1. P. 1122–1137.