Разработка и оптимизация модели морфоразнообразия для горных территорий с использованием контролируемой классификации и искусственных нейронных сетей

Почему форма гор имеет значение

Когда мы думаем о защите природы, обычно представляем себе редкие растения и животных. Но грунт под ними — скалы, долины, хребты и речные ущелья — незаметно определяет, где жизнь может процветать. В этой статье рассматривается, как точно и автоматически измерять это физическое разнообразие, называемое морфоразнообразием. На примере польских Пениносов автор показывает, как современные компьютерные методы, включая искусственные нейронные сети, могут превращать детальные модели высот в надежные карты, помогающие в планировании охраны природы и землепользования.

Горная лаборатория для изучения ландшафтного разнообразия

Пенины, расположенные на польско-словацкой границе, представляют собой компактный, но необычно разнородный горный массив. Крутые известняковые скалы, глубокие ущелья, такие как знаменитое ущелье реки Дунайец, более пологие флишеобразные склоны, вулканические породы и ровные бассейновые днища соседствуют здесь бок о бок. Такое сочетание типов пород и форм рельефа создаёт мозаичность местообитаний — от солнечных обрывов до затенённых долин — что, в свою очередь, поддерживает богатое биоразнообразие. Благодаря детальной картографической и научной проработке территория служит идеальной «лабораторией» для проверки новых способов количественной оценки того, насколько разнообразен ландшафт, выходя за рамки того, что легко заметить визуально или по карте.

От исходных высот до измеряемого рельефного разнообразия

Исследование начинается с высокоразрешенной цифровой модели рельефа — детального 3D-описания поверхности земли. На её основе автор получает семь базовых признаков рельефа: высота, крутизна склона, экспозиция (направление, в которое ориентирован склон), два типа кривизны (изгибы поверхностей), локальные различия в высоте и наличие скальных выходов. Регион затем покрывают тысячами равномерных шестиугольных ячеек. Внутри каждой ячейки компьютер измеряет, насколько эти признаки рельефа изменяются от пикселя к пикселю. Вместо простого подсчёта «типов» форм рельефа метод рассматривает само изменение как сигнал: чем больше колебаний высоты, крутизны или направления внутри ячейки, тем выше вероятность её морфоразнообразия.

Обучение цифрового классификатора распознавать сложный рельеф

Чтобы превратить эти числовые данные в осмысленную карту, в работе используются контролируемая классификация и искусственные нейронные сети — компьютерные модели, отчасти вдохновлённые тем, как мозг учится распознавать закономерности. Эксперты вручную отмечают примеры ячеек как явно «морфоразнообразные» (скалистые вершины, каменистые гребни, глубоко расчленённые долины, драматичные стены ущелий) или «не морфоразнообразные» (ровные днища долин, поверхности озёр, широкие пологие склоны). Эти размеченные образцы обучают нейронную сеть тому, какие сочетания высоты, крутизны и других признаков обычно соответствуют сложному рельефу. После обучения сеть присваивает каждой ячейке вероятность принадлежности к классу морфоразнообразия. В итоге получается непрерывная карта, которую затем можно разбить на интуитивные категории от очень низкого до очень высокого морфоразнообразия.

Отсев данных — оставляем только существенное

Старые методы часто просто суммировали множество индикаторов рельефа, непреднамеренно учитывая одну и ту же информацию несколькими способами и размывая картину. В этой работе эта проблема решается сочетанием нейронных сетей и глобального анализа чувствительности — метода, который проверяет, насколько каждый входной признак действительно влияет на точность предсказаний. Постепенно «отключая» переменные и отслеживая изменение ошибки модели, автор выявляет признаки, содержащие реальную информацию, и те, которые в основном избыточны. Оптимизированные модели показывают, что достаточно нескольких факторов — различий высот внутри ячейки, общей высоты, крутизны, распределения направлений склонов и наличия скальных выходов — чтобы уловить существенную структуру морфоразнообразия. Даже после удаления малоинформативных входов упрощённые модели очень близки к полным версиям, с коэффициентами корреляции до 0,96–0,98.

Что значат результаты для охраны природы

Уточнённая модель, особенно версия RCMSC–ANN–M, даёт карты, хорошо согласующиеся с представлениями геоморфологов о ландшафте Пениносов. Она подчёркивает не только эффектные высокие хребты и стены ущелий, но и морфологически сложные участки на склонах долин и предгорьях, которые в противном случае могли бы остаться незамеченными. Поскольку метод основан на широко доступных данных о высотах и компактном наборе ключевых переменных, его можно адаптировать к другим горным регионам мира. Для планировщиков охраны природы это обеспечивает объективный инструмент для выявления и сравнения «геологически богатых» территорий, лежащих в основе биоразнообразия и пейзажной ценности, что помогает приоритезировать районы для охраны, управления туризмом или детальных полевых обследований.

Цитирование: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Ключевые слова: георазнообразие, морфоразнообразие, горные ландшафты, нейронные сети, геоконсервация