В Саратовской области 12 человек пострадали в ДТП
https://ria.ru/20210715/dtp-1741370948.html
В Саратовской области 12 человек пострадали в ДТП
В Саратовской области 12 человек пострадали в ДТП — РИА Новости, 15.07.2021
В Саратовской области 12 человек пострадали в ДТП
Число пострадавших при столкновении пяти автомобилей в окрестностях Саратова увеличилось до 12 человек, погибших нет, сообщил региональный главк МЧС. РИА Новости, 15.07.2021
2021-07-15T13:24
2021-07-15T13:24
2021-07-15T13:50
происшествия
саратов
следственный комитет россии (ск рф)
саратовский район
саратовская область
россия
мчс россии (министерство рф по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий)
/html/head/meta[@name=’og:title’]/@content
/html/head/meta[@name=’og:description’]/@content
https://cdn21.img.ria.ru/images/07e5/04/0c/1727905474_0:189:2968:1859_1920x0_80_0_0_cabe39dd3f9a20d68e8361d541dfe14d.
jpg
САРАТОВ, 15 июл — РИА Новости. Число пострадавших при столкновении пяти автомобилей в окрестностях Саратова увеличилось до 12 человек, погибших нет, сообщил региональный главк МЧС.Ранее управление СК РФ по региону информировало, что в четверг около 11.30 (10.30 мск) на федеральной автотрассе Саратов — Волгоград неподалеку от поворота на село Широкий Буерак в Саратовском районе столкнулись пять автомобилей. В результате ДТП, по предварительным данным следствия, пострадали 11 человек, десяти из которых потребовалась госпитализация, в том числе шестерым детям.»По данным ЦМК (Центра медицины катастроф), в результате ДТП пострадало 12 человек, из них шесть детей, погибших нет», — говорится в сообщении.В главке уточнили, что на 333-м километре федеральной трассы Р-228 Сызрань — Саратов — Волгоград столкнулись два грузовых и три легковых автомобиля.Следователи начали проверку, по результатам которой будет принято процессуальное решение, добавили в СК.
https://ria.ru/20210714/rebenok-1741216642.html
https://ria.ru/20210712/saratov-1740912716.html
саратов
саратовский район
саратовская область
россия
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
2021
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
Новости
ru-RU
https://ria.ru/docs/about/copyright.html
https://xn--c1acbl2abdlkab1og.xn--p1ai/
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
https://cdn22.img.ria.ru/images/07e5/04/0c/1727905474_119:0:2850:2048_1920x0_80_0_0_96f24b7688f9eb1afe23cf253d62fbb1.jpgРИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
происшествия, саратов, следственный комитет россии (ск рф), саратовский район, саратовская область, россия, мчс россии (министерство рф по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий)
13:24 15.07.2021 (обновлено: 13:50 15.07.2021)В Саратовской области 12 человек пострадали в ДТП
Село Широкий Буерак Саратовского района Саратовской области
Село Широкий Буерак расположено в Саратовском районе Саратовской области.
Из архива panoramio . Права на фотографию принадлежат их владельцам
У Вас есть фото из Широкого Буерака?
Добавьте их пожалуйста!
Краткая информация о Широком Буераке
Телефонный код: 8452
Автомобильный код: 64, 164
Разница во времени с Москвой: +1 ч.
Широкий Буерак в ВикипедииШирóкий Буерáк — село в Саратовском районе Саратовской области России. Входит в состав Синеньского муниципального образования. В соответствии с Законом Саратовской области от 02.04.2021 № 41-ЗСО 18.04.2021 входит в состав городского округа Саратова. Село расположено в южной части Саратовского района, недалеко от берега реки Волги, вблизи протекает ручей Болотный. Расстояние до административного центра села Синенькие — 13 км, до областного центра составляет 37 км. С областным центром Широкий Буерак связан автодорогой с твёрдым покрытием. Налажено автобусное сообщение. село Широкий Буерак, как и вся Саратовская область, находится в часовой зоне МСК+1. Смещение применяемого времени относительно UTC составляет +4:00. В селе Широкий Буерак четыре улицы: Волжская, Дачная, Молодёжная, Рабочая; один тупик — Молодёжный и один переулок — Рабочий. К населённому пункту относятся территории двадцати четырёх садовых некоммерческих товарищества. На 1 января 2020 года в селе проживали 158 человек.
Фотографии Широкого Буерака
Добавить фото Были в Широком Буераке и сделали снимки города и интересных мест? Разместите их! Многие посетители нашего сайта делают фото в своих поездках. Публикуйте свои фото из Широкого Буерака и из других городов! Отмечайте если Вы тоже видели эти места! Теперь появилась возможность добавления с мобильной версии сайта, что намного облегчает перенос фото из со смартфонов на сайт!Последние вопросы о селе
Добавить вопросЕсли у Вас есть вопросы по данному населенному пункту или Вы ищете людей из селаШирокого Буерака, проживающих в нем, Вы можете задать задать соответсвующий вопрос. Надеемся, что наши пользователи помогут Вам с ответами.
Открытая информация из ЕГРН о каждой квартире России
Мы помогаем получить выписки ЕГРН для недвижимости по всей России
[94 регион] Байконур
[83 регион] Ненецкий автономный округ
[87 регион] Чукотский автономный округ
БОЛЬШАЯ САРАТОВСКАЯ ЭНЦИКЛОПЕДИЯ : Вольский район : Широкий Буерак
Памятник погибшим односельчанам
Автор: И. Козловский
Дата: 14.09.2010
География
Село располагается на правом берегу Волги в километрах от Вольска и в километрах от областного центра. Координаты: . Ближайшая железнодорожная станция находится в Терсе. В селе останавливается рейсовый автобус из районного центра. Через Широкий Буерак проходит региональная трасса Р228.
История
Село Широкий Буерак было основано на берегу Волги в первой четверти XVIII века (по другой версии во второй половине XVII века) вольными сходцами и беглыми крестьянами из разных губерний средней части России. Первым названием было Покровское, однако впоследствии закрепилось обиходное Широкое, также Широкий Буерак, по большому оврагу возле села. Через село проходил Казанский почтовый тракт из Вольска через Хвалынск в Сызрань. Во второй половине XVIII века земли и крестьяне перешли к графу К. Г. Разумовскому, затем к тайному советнику Н. А. Загряжскому, жена которого в начале XIX века передала вотчину своей племяннице М. В. Кочубей. С 1840 года селом владел князь Михаил Кочубей. При нём не позднее 1860 года была построена православная церковь, освящённая во имя святого Архистратига Божия Михаила. Здание было каменным, с колокольней. Дома для священника, дьякона и псаломщика были церковно-общественные. До отмены крепостного права в Широком Буераке частыми были столкновения за землю между властью в лице помещика и бунтовавшими крестьянами. После реформы 1861 года село стало центром Широко-Буеракской волости в составе Хвалынского уезда Саратовской губернии. Освобождённые после многих лет борьбы крестьяне образовали одно сельское общество. На тот момент в селе проживало 1407 мужчин и 1634 женщины, всего 482 двора. Имелись больница, почтовая станция, этапный дом, восемь мельниц. В 1900 году открылась библиотека. Окончательное разочарование в итогах отмены крепостничества вылилось в новую волну крестьянских мятежей в Широком Буераке в 1905–1912 годах. Все выступления жестоко подавлялись, зачинщики ссылались в Сибирь. К началу Первой мировой войны в селе насчитывалось 1094 хозяйства и 5315 жителей. Были открыты две церковно-приходские школы, фельдшерско-акушерский и ветеринарный пункты. Население было русским, преимущественно православным. Имелись также крупные старообрядческие общины Австрийского толка (48 семей), беглопоповцев (140 семей) и спасовцев (12 семей). У первых двух были свои моленные в частных домах.
Достопримечательности
В центре села в 1975 году был установлен памятник погибшим в Великой Отечественной войне односельчанам . Открытие стелы с барельефом воина и фамилиями погибших было приурочено к празднованиям 30-летия победы.
Известные личности
Широкий Буерак является родиной Героя Советского Союза сержанта Алексея Ивановича Фадеева, получившего это звание за форсирование Днепра в 1943 году. На здании сельской школы, в которой учился будущий герой, установлена мемориальная доска. Звания Героя Советского Союза также удостоился уроженец села Казаков Григорий Петрович, участник штурма Берлина.
В Широком Буераке провёл несколько лет жизни советский писатель Фёдор Иванович Панфёров. В поисках материала о сельской жизни писатель приехал в 1925 году Широкий Буерак. Работники артели «Сеятель» послужили прототипами героев романа «Бруски». На поле недалеко от села, давшем книге название, в 1986 году был установлен памятный знак. В местной школе собрана музейная экспозиция, посвящённая Панфёрову.
В послевоенные годы председателем колхоза Широкого Буерака являлся Василий Афанасьевич Грехов, удостоившийся в 1958 году за большой вклад в развитие колхоза почётного звания Героя Социалистического труда.
Читать также
Казаков Г. П.
Фадеев А. И.
И. Козловский, 2011 (последнее изменение: 24.05.2011)
Приход в честь Архангела Михаила с.Широкий Буерак Вольского р-на
Престол: во имя Архистратига Михаила.
Освящен:08 января 2015 года, по благословению митрополита Саратовского и Вольского Лонгина, совершен чин положения антиминса.
И.о. настоятеля: иерей Михаил ПИУНОВ
Богослужения:Совершаются в субботние дни: Литургия 8:30, накануне вечернее богослужение в 15:30, совершаются молебны и панихиды.
Адрес: 412935, Саратовская область, Вольский район, с. Широкий Буерак
Проезд: рейсовый междугородний автобус «Саратов-Вольск», далее автобус до с. Широкий Буерак. Расстояние от г. Саратова до с. Широкий Буерак 180 км.
Из истории:Село Широкий Буерак было основано на берегу Волги в первой четверти XVIII века (по другой версии во второй половине XVII века) вольными сходцами и беглыми крестьянами из разных губерний средней части России. Первым названием было Покровское, однако впоследствии закрепилось обиходное Широкое, также Широкий Буерак, по большому оврагу возле села. С 1840 года селом владел князь Михаил Кочубей. При нём не позднее 1860 года была построена православная церковь, освящённая во имя святого Архистратига Божия Михаила. Здание было каменным, с колокольней. Дома для священника, дьякона и псаломщика были церковно-общественные. К началу Первой мировой войны в селе насчитывалось 1094 хозяйства и 5315 жителей. Были открыты две церковно-приходские школы, фельдшерско-акушерский и ветеринарный пункты. Население было русским, преимущественно православным. Имелись также крупные старообрядческие общины Австрийского толка (48 семей), беглопоповцев (140 семей) и спасовцев (12 семей).
Местная церковь была разобрана в начале 1930-х годов, из её кирпича был построен новый корпус средней школы.
Православная община в с. Широкий Буерак Вольского р-на начала возрождаться в 2012 году.
В 2013 году Администрация села передала часть здания ФАП для размещения в нем храма Архистратига Михаила. По завершении обустройства, в помещении храма начали совершаться богослужения.
08 января 2015 года, по благословению Митрополита Саратовского и Вольского Лонгина, благочинный Вольского округа протоиерей Илия Кузнецов и настоятель храма священник Михаил Пиунов совершили Чин положения Антиминса и первую Божественную Литургию в храме.
Церковно-социальная деятельность:Приход взаимодействует с детским домом –интернатом с. Ш.Буерак
ИНН 6432230637, ОГРН 1026401180794, адрес, телефон, сайт, реквизиты, выписка из ЕГРЮЛ
Полное название организации
ТОВАРИЩЕСТВО СОБСТВЕННИКОВ НЕДВИЖИМОСТИ «КЕДР»
Адрес
Саратовская обл., Саратовский район, с. Широкий Буерак, 0.3 км. ЮГО-ВОСТОЧНЕЕ корп. — офис —
ОКФС
Частная собственность
ОКОПФ
Товарищества собственников недвижимости
ОКОГУ
Организации, учрежденные юридическими лицами или гражданами, или юридическими лицами и гражданами совместно
ОКАТО
Саратовская область, Саратовский район, с Широкий Буерак
ОКТМО
Саратовская область, Саратовский мун. р-н, Синеньское, с Широкий Буерак
САДОВОДЧЕСКОЕ НЕКОММЕРЧЕСКОЕ ТОВАРИЩЕСТВО «ВОЛЖАНКА», Саратовская обл Саратовский Широкий Буерак (ИНН 6432031720, ОГРН 1036403204925) – реквизиты
Юридический адрес410518, Саратовская обл, Саратовский р-н, с Широкий Буеракпоследнее изменение 22.04.2003
Краткая справкаПо данным ЕГРЮЛ организация САДОВОДЧЕСКОЕ НЕКОММЕРЧЕСКОЕ ТОВАРИЩЕСТВО «ВОЛЖАНКА» зарегистрирована 6 июня 1987 по адресу 410518, Саратовская обл, Саратовский р-н, с Широкий Буерак. Юр.лицу присвоены ОГРН 1036403204925, ИНН 6432031720, КПП 643201001. Основной вид деятельности — «Управление эксплуатацией нежилого фонда за вознаграждение или на договорной основе». Связей между САДОВОДЧЕСКОЕ НЕКОММЕРЧЕСКОЕ ТОВАРИЩЕСТВО «ВОЛЖАНКА» и другими юридическими лицами не обнаружено.
Общие данные
- дата регистрации — 06.06.1987
- действующая организация
- не числится в реестре СМиСП
Реквизиты
- ОГРН — 1036403204925
- ИНН — 6432031720
- КПП — 643201001
Руководитель
ПРЕДСЕДАТЕЛЬ ПРАВЛЕНИЯ
НЕМЕНКОВ АЛЕКСАНДР СЕРГЕЕВИЧназначен 26.04.2018
Уставный капитал
отсутствует
Налоговый режим: общий
Сведения о регистрации
по данным ЕГРЮЛ и ЕГРИП
Федеральная налоговая служба (ФНС)22 апреля 2003 САДОВОДЧЕСКОЕ НЕКОММЕРЧЕСКОЕ ТОВАРИЩЕСТВО «ВОЛЖАНКА» присвоен ОГРН 1036403204925
Регистратор — Межрайонная инспекция Федеральной налоговой службы № 19 по Саратовской области
Адрес регистратора — 410049,Саратов г,Пономарева ул,24
22 апреля 2003 организация САДОВОДЧЕСКОЕ НЕКОММЕРЧЕСКОЕ ТОВАРИЩЕСТВО «ВОЛЖАНКА» поставлена на учет в налоговом органе, присвоен ИНН 6432031720
Налоговый орган — Межрайонная инспекция Федеральной налоговой службы № 12 по Саратовской области
Пенсионный фонд России (ПФР)Юр.лицо зарегистрировано 23 января 2018 под номером 073032014992
Территориальный орган — Управление Пенсионного фонда Российской Федерации в Саратовском районе Саратовской области
Фонд социального страхования (ФСС)Юр.лицо зарегистрировано 2 апреля 2018 под номером 640332288864031
Территориальный орган — Филиал №3 Государственного учреждения — Саратовского регионального отделения Фонда социального страхования Российской Федерации
Жалобы в фасНа организацию — 0
От организации — 0
Арбитражные делаИстец — 0
Ответчик — 0
Исполнительное производствоЗавершенных производств — 0
Производств с долгом — 0
Сумма долга — ░ ₽
ЛицензииДействующие — 0
Недействующие — 0
Банковские гарантииРазмещенные — 0
Отклоненные — 0
Заказчик
Процедуры, в которых организация выступает заказчиком
Завершено закупок
0
Подача заявок
0
Поставщик
Процедуры, в которых организация выступает участником
Победы в закупках
0
Участиебез побед
0
НадежностьУзнать числится ли юр.лицо в РНПРегистрация в ЕРУЗУзнать зарегистрировано ли юр.лицо в ЕРУЗВиды деятельности по ОКВЭД
Основной вид деятельности
| 68.32.2 | Управление эксплуатацией нежилого фонда за вознаграждение или на договорной основе |
САДОВОДЧЕСКОЕ НЕКОММЕРЧЕСКОЕ ТОВАРИЩЕСТВО «ВОЛЖАНКА», с Широкий Буерак — информация о контрагенте из официальных источников (в т.ч. ЕГРЮЛ и ЕГРИП): реквизиты, адрес, контакты, ОКВЭД и другие сведения.
Отражение ветра в степи
Темные угловатые линии, пересекающие этот заснеженный пейзаж, привлекли внимание космонавта, смотрящего вниз с Международной космической станции. На этой фотографии показаны параллельные линии большой лесополосы, также известной как ветрозащитная полоса, пересекающая степи на юге России у реки Волга (Волгоградская область).На снимке показан 14-километровый участок разветвленной системы лесозащитных полос, засаженных для защиты сельскохозяйственных культур и уменьшения ветровой эрозии степных почв. Лесополоса разорвана в месте слияния с местным ручьем.
Каждая из линий, простирающихся с севера на юг, представляет собой густую массу деревьев шириной около 60 метров (75 ярдов). На этом фоне после полудня деревья отбрасывают тени на восток (север справа). Вместе три линии составляют около 800 метров (900 ярдов), и между рядами деревьев достаточно места для обработки узких полей.
Строительство защитного пояса началось, когда в начале 1700-х годов российские земледельцы впервые заселили открытые степные ландшафты. В настоящее время засажено более 2 миллионов гектаров (5 миллионов акров) степей. Было показано, что почвы в основных лесополосах этого региона значительно улучшились и стали богаче органическим углеродом, чем целинные почвы, которые никогда не вспахивались.
На фотографии также видны более узкие линии деревьев вдоль границ фермы; они защищают отдельные поля от ветров и связанной с ними овражной эрозии.Деревья также защищают водоемы от испарения постоянными ветрами и предотвращают заполнение прудов и ручьев песком и илом. Линии деревьев на гребне берега ручья защищают долину ручья (вверху справа).
Фотография астронавта ISS050-E-52312 была сделана 16 февраля 2017 г. цифровой камерой Nikon D4 с линзой 1150 мм и предоставлена Центром наблюдений за Землей экипажа МКС и Отделом наук о Земле и дистанционного зондирования Johnson Space. Центр.Фотография сделана членом экипажа 50-й экспедиции. Изображение было обрезано и улучшено для повышения контрастности, а артефакты линз удалены. Программа Международной космической станции поддерживает лабораторию как часть Национальной лаборатории МКС, чтобы помочь астронавтам делать снимки Земли, которые будут иметь наибольшую ценность для ученых и общественности, и сделать эти изображения свободными в Интернете. Дополнительные изображения, сделанные астронавтами и космонавтами, можно увидеть на сайте NASA / JSC Gateway to Astronaut Photography of Earth.Подпись Энди Холлиер, Hx5, JETS Contract at NASA-JSC.
Дистанционное зондирование | Бесплатный полнотекстовый | Автоматическое обнаружение оврагов: нейронные сети и компьютерное зрение
1. Введение
Эрозия оврагов — один из самых активных геоморфных процессов и одна из основных причин деградации земель во всем мире. Роль процесса трудно недооценить, даже по приблизительным оценкам площадь оврагов только в России составляет 2,4 млн га [1], что больше, чем площадь некоторых европейских стран, таких как Словения, или общая площадь Черногории. , Люксембург, Андорра, Мальта и Лихтенштейн.В восточной части Русской равнины овражная эрозия особенно интенсивна, образуя так называемый «эрозионный полис» [2,3]. Все это приводит к тому, что плодородные и интенсивно используемые ранее сельскохозяйственные земли изымаются из оборота, что, в свою очередь, порождает альтернативные издержки, оцениваемые в сотни миллиардов долларов в год [1]. В пределах европейской части России овраги наблюдаются в основном в пределах пахотных земель. Последняя оценка и картирование плотности расчленения оврагов для европейской части России были выполнены в 1970-х годах.Предыдущие карты размыва оврагов имеют высокую степень обобщения. Это связано с тем, что при создании таких карт для территории бывшего СССР и отдельных его регионов плотность расчленения овражной сети определялась топографическими картами разного масштаба (1: 420 000, 1: 100 000, 1). : 50 000 и 1: 25 000) [4,5,6,7,8,9]. Учитывая большие размеры территории СССР, даже для некоторых регионов это не было сплошным картированием. Картирование ключевых территорий проводилось на основании предварительного экспертного районирования.Таким образом, становится очевидным, что необходимо создать национальный регистр оврагов для контроля, мониторинга и современной оценки размыва оврагов. Сегодня в России предпринимается несколько попыток создания региональных баз данных по оврагам. Так, одной из крупнейших по количеству и времени полевых наблюдений является база данных оврагов Удмуртской Республики [10], которая содержит информацию о линейном росте оврагов Удмуртии с 1970-х гг. Дополнительно инструментальный мониторинг линейного роста оврагов проводился в Республике Татарстан, Воронежской, Саратовской, Оренбургской областях и Ставропольском крае [11,12].Подобные исследования проводились и в ряде других регионов России [13,14,15,16,17]. Однако в России до сих пор нет единой базы данных оврагов, особенно отражающей их текущее состояние и идентифицируемых по единым методическим правилам и картографическим источникам. Во многом это связано с исключительно большой территорией страны, разнообразием природных условий и сложностью проведения непрерывных инструментальных наблюдений в полевых условиях из-за их дороговизны. Решением может быть нанесение на карту оврагов в офисных условиях (без полевых работ) на основе данных дистанционного зондирования, но такая работа также требует очень много времени для большой территории.Кроме того, при таком подходе возникает ряд методологически нерешенных вопросов. Например, трудности с выявлением оврагов, как известно, возникают на промежуточных этапах развития оврагов. При каких условиях линейные формы эрозии, такие как мель, можно рассматривать как овраг? Растущий овраг все еще балка или балка? Надо сказать, что у геоморфологов нет четких критериев для ответа на эти вопросы. Чаще всего используется экспертный метод [12,18]. Подводя итог всему вышесказанному, основными проблемами при картировании эрозии оврагов являются:Ручное (визуальное) определение оврагов с помощью дистанционного зондирования, особенно на большой территории, очень трудоемко и требует полевой проверки результатов;
Отсутствует единая методологическая база для обнаружения оврагов по данным дистанционного зондирования и мало региональных ссылок на обнаружение;
Субъективность при обнаружении оврагов с учетом стадий развития оврагов.
Таким образом, становится ясно, что существующие методы не позволяют воспроизводить карты эрозии оврагов, особенно на большой площади. Для решения этой проблемы применен новый подход, основанный на использовании искусственного интеллекта.
Нейронные сети все активнее используются для обработки данных ДЗЗ. Взрывной рост количества работ с использованием нейронных сетей для решения задачи обнаружения объектов на спутниковых снимках был зафиксирован в 2016 году, после чего количество таких работ увеличилось в геометрической прогрессии [35,36].Даже сейчас исследователи в этой области сходятся во мнении, что результаты, полученные с помощью нейронных сетей, превосходят по качеству результаты, полученные с помощью OBIA [34]. Однако применение нейронных сетей для обнаружения объектов и построения контуров на спутниковых изображениях еще недостаточно развито [37,38,39]. Традиционная проблема классификации типов землепользования и растительного покрова более или менее решена [40,41,42,43,44,45], с меньшими усилиями по выявлению конкретных объектов. В первую очередь, это связано с доступностью обучающих наборов данных для основных классов землепользования и земного покрова (AlexNet, ImageNet [46], GoogLeNet [47], VGGNet [48]).Целью данного исследования является разработка методологии автоматического обнаружения плоской формы оврагов для их картирования на основе данных дистанционного зондирования с использованием нейронных сетей. Для этого решаются следующие взаимосвязанные задачи:
Выбор источника данных ДЗЗ;
Выбор среды разработки программного обеспечения;
Разработка архитектуры нейронной сети;
Сбор обучающего набора данных;
Обучение нейронной сети;
Оценка точности распознавания объектов (оврагов) по разработанной методике.
2. Материалы и методы
2.1. Пример из практики Район
Выбранный район исследования — Республика Татарстан, тестовый регион Российской Федерации, расположенный на восточной стороне бореального экотона. Общая площадь республики сопоставима с размерами некоторых европейских стран (Ирландия, Латвия, Литва) и составляет 68 тыс. Кв. Км (рисунок 1).Эрозия оврагов на территории республики изучалась несколько раз. Исходные данные были получены при нанесении на карту аэроснимков в масштабе 1: 17 000 в 1960–1970-е гг.Совпадение форм овражной эрозии на аэроснимках с полевыми формами составило 95–97%. Современные сети оврагов были нанесены на карту с помощью визуального обнаружения по спутниковым изображениям. Для обеспечения высокого качества обнаружения оврагов по спутниковым снимкам использовались снимки разных сезонов съемки с высоким и сверхвысоким разрешением (0,5–1,5 м). Сформирована система региональных интерпретаций для выявления форм оврагов на спутниковых снимках. К наиболее информативным признакам обнаружения относятся: а) плоская форма оврага с хорошо заметными границами; б) линейный и дендритоподобный планарный рисунок изображения с четкими границами и талвегом; в) косвенные признаки (тени, позволяющие определить поперечный профиль оврага; цвет и тон изображения — идентифицирующие открытые участки откосов оврага).
Выявлена также зависимость четкости оврагов от цвета пород, в которых произошел эрозионный разрез на спутниковом снимке. Формы, имеющие оттенок от светло-серого до почти белого, надежно выявляются по эрозионно-врезанным карбонатно-кремнистым, известняковым и меловым породам. Для выявления оврагов на переходных стадиях их развития определены критерии, позволяющие исключить из интерпретации формы оврага фактические борозды, которые отличаются от формы оврага незначительной глубиной и шириной, не превышающей 1.5–3 м, которые можно вспахать сельскохозяйственной техникой во время обработки. Формы балок имеют нечеткую границу, трапециевидный поперечный профиль с нечетким дном, склоны и днища, поросшие луговой и древесно-кустарниковой растительностью, плохо очерченные устье и вершина.
Выбор территории определяется разнообразием природных условий, определяющих образование оврагов, степенью их изученности и значительной фрагментацией балок [49,50]. Предыдущие исследования показали, что плотность расчленения современной сети балок составляет 10 баллов. м / кв км в среднем и достигает максимума 400 м / кв км [51].При сравнении разновременных карт плотности расчленения оврагов можно отметить четко выраженный тренд резкого спада сети оврагов. Плотность расчленения балок за последние 50–60 лет на большей части территории снизилась в среднем на 230 м / кв. Км (рис. 2). Для разработки и апробации методики обнаружения оврагов выбран наиболее сильно расчлененный район северной части республики площадью 1,7 тыс. Кв. Км (координаты углов 50,15, 55,80; 50,82, 56,17) (рисунок 1).Выбранный регион можно считать репрезентативным для всего многообразия представленных здесь ландшафтных условий, в которых овраги развиваются в лесных и лесостепных возвышенных ландшафтах востока Русской равнины. Тестовый район относится к бореальной ландшафтной зоне, подзоне подтаежных ландшафтов. Геологическую основу рельефа составляют водные широтно-асимметричные речные долины, созданные породами пермского возраста. Это типичные глинистые породы красного цвета, которые подстилаются толщиной плиток, переходящих в лагунно-морские отложения.Эти породы активно участвуют в процессе почвообразования. Четвертичные отложения представлены в основном элювиально-делювиальными средними и верхнечетвертичными суглинками с мощностью в нижней части склонов от 19 до 21 м. Рельеф представляет собой холмистую равнину, расчлененную речными долинами на широкие пологие гряды. Водоразделы плоские. Большая часть территории расположена на абсолютных высотах 140–200 м. На территории преобладают небольшие (до 2 °) склоны. В основном это водоразделы, верхние части склонов, поймы рек и речные террасы.Крутые склоны (> 8 °) составляют лишь 0,5% склонов. Помимо овражной эрозии наблюдается активная эрозия почв: смывается около 40% пахотных почв. Район расположен в зоне умеренно-континентального климата с холодной зимой, теплым летом и достаточным количеством осадков. Среднегодовая температура воздуха составляет -3,9 ° C, средняя температура января -11,9 ° C, средняя температура июля +19,1 ° C, а средняя многолетняя годовая амплитуда температуры воздуха составляет 53,8 ° C. Коэффициент континентального климата, включающий как температурный режим, так и атмосферное увлажнение в холодное время года, равен 2.1–2.2. Годовая сумма осадков 480–500 мм. Из них в теплый период года выпадает от 320 до 340 мм, а за период с ноября по март — от 160 до 180 мм. Максимальная высота снежного покрова от 32 до 44 см. Запасы воды в снежном покрове увеличиваются с севера на юг до 148 мм. Плотность речной сети составляет в среднем 0,4 км / кв. Км. Единица речного стока составляет 3,2 л / с × кв км. Единица годового стока колеблется от 4,5 до 5,5 л / с × кв км, увеличиваясь с юга на север.Коэффициент стока колеблется от 0,2 до 0,3. Сток поверхностных рек колеблется от 136 до 161 мм / год. Почвообразующие породы представлены карбонатно-песчано-глинистыми элювиальными и делювиальными суглинками. Преобладающие почвы — лесные легкие (Лювисолс) (60%) и дерново-подзолистые (Альбелувисолс, Подзолы) (26%) почвы. По сравнению с 1800-ми годами площадь лесов в регионе уменьшилась более чем в три раза с 68% до 22% (Рисунок 3). Площадь пашни более 50%.2.2. Исходные материалы и программное обеспечение
Спутниковые снимки DigitalGlobe сверхвысокого разрешения (0.6 м) были выбраны в качестве исходных данных дистанционного зондирования Земли. Этот выбор был сделан на основе разрешения изображения, обеспечивающего непрерывный охват всей исследуемой территории, и выбора наилучшего времени визуализации (вторая половина весны до первой половины июня) для надежной идентификации оврагов и четкого определения оврагов, которые еще не покрыты. по растительности. Однако для унификации методологии интерпретации и обеспечения доступности изображения при работах на других участках использовался не исходный набор многоканальных изображений, а обработанный RGB-синтез изображений, содержащих 3 канала со значениями пикселей от 0 до 255. .Доступ к изображениям предоставляется бесплатно сервису HERE WeGo [52] через API или пакет Sas.Planet GIS. Разработка, отладка и получение результатов проводились в среде Python IDE версии 3.7 и библиотеке нейронной сети с открытым исходным кодом Keras. [53], который является расширением структуры Tensorflow. Архитектура нейронной сети U-Net была выбрана в качестве основы для разработки нейронной сети для сегментации. U-Net — сверточная нейронная сеть, которая была создана в 2015 году для сегментации биомедицинских изображений на факультете компьютерных наук Университета Фрайбурга (Германия).Сетевая архитектура представляет собой полностью взаимосвязанную сверточную сеть, модифицированную таким образом, чтобы она могла работать с меньшим количеством примеров (обучающих изображений) и более точной сегментацией [54]. Нейронная сеть содержит 24 скрытых слоя, из которых 11 являются сверточными слоями, а 13 — слоями деконволюции.2.3. Подготовка обучающих данных
Для обучения любой нейронной сети требуется обучающий набор данных, который напрямую зависит от типа обучаемой нейронной сети. В нашем случае это сверточная нейронная сеть, которая получает на входе RGB-синтез размером 512 * 512 пикселей изображения, а на выходе выдает двоичное изображение с маской, которая выделяет форму оврага.В соответствии с этим обучающий набор данных состоял из более чем 1000 пар фрагментов спутникового изображения DigitalGlobe и бинарной маски с белым цветом оврага, выделенного на этом изображении (рис. ибо этот фрагмент был черным. Набор обучающих данных был подготовлен в два этапа с использованием разных инструментов. Сначала было выбрано 219 фрагментов размером 512 * 512 пикселей изображения, каждый из которых имел овраг. Маска файла была подготовлена для каждого изображения в Adobe Photoshop как пара.Данная процедура проводилась в качестве эксперимента, так как на начальном этапе не было до конца понятно, сможет ли нейросеть обнаружить и выделить овраг. В дальнейшем образцы были приготовлены путем автоматического вырезания большого изображения с пространственным разрешением 0,6 м (15360 × 15360 пикселей) и соответствующего слоя с эталонами оврагов в виде маски аналогичного размера на 900 фрагментов. Затем подготовленный набор данных был разделен на сам набор обучающих данных (80% от всего набора данных) и тестовый набор данных (оставшиеся 20% от всего набора данных).Для повышения точности распознавания обучающая выборка была искусственно увеличена в три раза путем случайного последовательного и комбинированного поворота, сдвига, сжатия и растяжения исходных изображений обучающей выборки (рисунок 5). Была проведена процедура обучения сверточной нейронной сети с эрозией оврагов (GECNN). Всего обучение проводилось в течение 10 эпох (эпоха — это итерация по всем предоставленным данным x и y [53] с 10 шагами на эпоху (общее количество шагов (пакетов выборок) до объявления одной эпохи завершенной и запуска следующая эпоха [53])).Обучение проводилось до тех пор, пока функция потери распознавания не стала больше по сравнению с предыдущей эпохой. В итоге была разработана модель, которая может быть применена к любому изображению для обнаружения оврагов. Точность обучения по результатам кросс-валидации составила 0,9971 при значении функции потерь 0,00801 (рисунок 6).3. Результаты
Разработанная нейронная сеть позволила идентифицировать формы оврагов на территории более 1,7 тыс. Кв. Км. Средняя плотность вскрытия активных оврагов составила 0.16 га / кв. Км. Плотность рассчитывалась исходя из отношения площади векторизованных полигональных границ оврагов к площади исследуемой территории. Средняя площадь выявленных оврагов составила 0,082 га, максимальная — 3,456 га. В связи с тем, что нейронная сеть в ряде случаев идентифицирует овраг с пропусками на участках с растительным покровом (луг и кустарник), невозможно правильно оценить длину всей сети оврагов, однако эта проблема будет устранена. решается дополнительным обучением GECNN.
Для проверки результаты автоматического выбора оврага сравнивались с данными, полученными для этого участка экспертным методом — с визуальной интерпретацией (рис. 7).Поскольку существуют сложности количественной оценки объектов, выделенных разными способами (в некоторых случаях некоторые объекты не выделяются экспертом, в некоторых случаях алгоритм может не идентифицировать объект или идентифицировать его с низкой степенью достоверности) — было решено произвести как количественную, так и качественную оценку полученных ошибок.
Предварительные результаты показывают, что выявленные экспертами овраги составляют половину от выявленных GECNN. В первую очередь это связано с тем, что не все объекты на снимке были классифицированы экспертами как «овраги». В остальных случаях результаты обнаружения оврагов, полученные разными способами, не перекрываются. Метрика F1-Score использовалась для количественной оценки классификатора. F1-Score — это среднее гармоническое значение между точностью и полнотой. Он стремится к нулю, если точность или полнота стремится к нулю.Полученный классификатор нейронной сети оценивается при значении F1-Score, равном 0,7. Однако, помимо достаточно хорошей точности, следует отметить, что использование «компьютерного зрения» даже на небольшой части исследуемой площади в 40 кв. Км позволило выделить в 3,5 раза больше объектов (43 против 12), среди которых 93% относятся к в овраги. Оценивая качество обнаружения оврагов с помощью GECNN, следует отметить, что пока есть пробелы (дискретизация) планарной формы при выделении крупных оврагов, из-за вращения обнаженных и заросших участков.Это не позволяет идентифицировать овраг как целостную эрозионную систему. Также ошибки иногда возникают по разным причинам. Например, заснеженные овраги (овраг не идентифицирован или частично идентифицирован), или если овраг находится на оползневых склонах без растительности (овраг не имеет точной формы), или овраг находится на открытых впадинах речных долин (овраг ошибочно идентифицирован).
4. Обсуждение
Результаты показывают, что распознавание форм оврагов с помощью нейронных сетей и компьютерного зрения возможно.Однако получившуюся нейронную сеть GECNN необходимо улучшить. Для этого необходимо как минимум удвоить исходный размер набора обучающих данных. Получение нейронной сети многократно увеличит производительность при оценке эрозии оврага, потому что даже на этом этапе разработки распознавание объектов в одной и той же области специалистом занимает 10 минут, а с GECNN — 29 секунд. Использование свободно доступных спутниковых снимков сверхвысокого разрешения позволяет унифицировать разработанную методику и расширить область исследований.В случае, если нейронная сеть начинает давать непредсказуемые результаты, ее можно переобучить на основе справочных данных с новой территории, благодаря ее способности к обучению. Наконец, появится возможность всесторонне и объективно оценить современную овражную эрозию и ее динамику на такой большой территории, как сельскохозяйственно освоенная часть европейской части России. Особо стоит отметить тот факт, что по предварительным результатам GECNN алгоритмы компьютерного зрения достоверно выделяют овраг среди других морфологически выраженных форм линейной эрозии на склонах: ручьев, эфемерных оврагов и балок.Их визуальное обнаружение дистанционным зондированием довольно сложно, трудоемко и очень субъективно.
Анализируя полученные результаты, необходимо отметить несколько моментов, выделяющих разработанную методику. Например, была проведена сравнительная работа по обнаружению оврагов методами GEOBIA (OBIA). Этот метод тематической классификации на данный момент считается одним из самых точных, поэтому здесь мы опишем его подробно. Результаты, полученные этим методом, по сути, не отличаются от тех, которые могут быть получены экспертным методом.Более того, нет увеличения скорости распознавания, поскольку для объектно-ориентированного анализа изображения необходимо сегментировать изображение, отбирать образцы с оврагами и без них и вычислять статистику текстур и формы объекта, что даже на мощном компьютерном оборудовании занимает длительное время (более 2 часов на небольшой площади 40 кв км). Тематическая классификация изображения занимает еще 4 часа. При этом следует учитывать, что с увеличением количества выборок время расчета статистических показателей увеличивается.Нет сомнений в том, что обучение нейронной сети также требует мощного компьютерного оборудования и занимает много времени, однако его можно сократить за счет использования веб-серверов и вычислительных кластеров, таких как Google Colab, Amazon S3 или Yandex Cloud, что в данном случае невозможно. анализа изображений с помощью OBIA. Это связано с существующей реализацией алгоритмов в виде коммерческих приложений (например, eCognition Developer, который мы использовали) или пакетов с открытым исходным кодом с очень ограниченной функциональностью, таких как GIS GRASS, SAGA, RSGISLib или Orfeo Toolbox.Кроме того, следует также учитывать, что алгоритмы OBIA хорошо работают в случае высокодетализированных данных мультиспектральной космической съемки, в то время как нашей задачей было разработать метод поиска оврага, основанный только на RGB-синтезе изображения, не требуя Данные ЦМР или мультиспектральные космические снимки.
Анализируя различия в полученных результатах, необходимо отметить наличие ошибок распознавания при использовании обоих методов, однако результат, полученный с помощью OBIA, не масштабируется на другие области, а GECNN позволяет охватить большую площадь.Однако ошибки OBIA носили системный характер: если для обучения использовалась овраговая выборка, то она распознавалась по тематической классификации. Был проведен эксперимент, чтобы определить, сможет ли алгоритм OBIA найти овраг. Для этого все овраги были выявлены экспертом в области изображения. На следующем этапе был обучен классификатор OBIA, в котором все, кроме одного оврага, распознанного экспертом, использовались в качестве образцов. После обучения классификатора он был применен к изображению, однако единственного оставшегося оврага обнаружить не удалось.Отсюда следует, что несмотря на то, что форма и текстура использовались в качестве статистических показателей, OBIA не может оценивать и экстраполировать абстракции, а это означает, что классификатор, независимо от того, на скольких образцах он был обучен, не подходит для использования на других территориях. .
Оценивая перспективы масштабирования GECNN, а также возможность применения нейронной сети на других территориях, следует отметить, что текущая реализация алгоритма направлена на выявление оврагов в Республике Татарстан, что является представителем Европейская часть России.Учитывая, что анализируются изображения оврагов, представляющих абстрактные формы, для нейронной сети нет разницы, какой тип почвы изображен и какие условия влажности находятся на исследуемой территории (в пределах европейской части России). Однако в случае необходимости дополнительное обучение модели с использованием изображений условий развития оврагов, характерных для конкретной территории, на наш взгляд, позволит расширить возможности применения GECNN.
5. Выводы
Предложен не имеющий аналогов в настоящее время метод автоматического обнаружения оврагов.Использование нейронных сетей позволяет беспристрастно определять границы оврагов, что дает возможность количественно оценить не только площадь, занимаемую овражными процессами из сельскохозяйственного оборота, но и быстро составить карту и оценить ключевые показатели размыва оврагов. Дополнительное обучение GECNN необходимо для решения проблемы ложноположительного распознавания объектов, с одной стороны, и пробелов в картировании существующих оврагов и планарной идентификации сложных систем оврагов, разные части которых могут находиться на разных этапах своей эволюции.Очевидно, для этого необходимо увеличить обучающий набор данных в разы, что не является проблемой для такой овражно-затронутой территории Восточно-Русской равнины и европейской части России в целом.
Казаков Григорий Петрович, фото, биография
(13. 8. 1913 — 11. 1. 1987)Господин строгость Петрович Казаков , старшина 2-й статьи, командир полуглиссера 1-й Бобруйской Краснознаменной бригады речные корабли. Родился 13 августа 1913 года в с.Широкая балка Вольского (бывш. Широкобуеракского) района Саратовской области. Русский. Школу окончил семь лет. До военной службы работал на предприятиях г. Баку. С 1935 года служил на флоте.
. С начала Великой Отечественной войны с победой над Германией, воевал в составе Черноморского флота и Краснознаменной Днепровской флотилии, выполняя боевые задачи в интересах Приморской армии, Южного, 2-го и 1-го русских фронтов
. Участвовал в обороне Одессы, Севастополя, в боях на Северо-Западном фронте (1942-1943 гг.), Освобождение Беларуси, Польши, разгром врага в Германии. За боевые отличия награжден орденами Отечественной войны 1 степени (1944 г.), медалями «За оборону Одессы», «За оборону Севастополя», «За взятие Берлина» и двумя другими медалями.
. Вт. ция Героя Советского Союза и орден Ленина и медаль «Золотая Звезда» Григорий Петрович Казаков награжден 31 мая 1945 года за отвагу и отвагу при переходе через реку Шпрее при штурме Берлина.
. В 1945, GP
. Казаков был демобилизован из рядов ВМФ и вернулся к мирной работе. Жил и работал в Магаданской области. Умер 11 января 1987 г.
.
апреля 23, 1945 отдельное подразделение полуглиссеров под командованием капитан-лейтенанта Калинина вместе с передовыми частями 9-го пехотного корпуса вышло на реку Шпрее в районе Карлхорста
. Была ночь, но было светло как днем. В городе загорелись сотни пожаров.Немцы прикрывали реку ракетами, вели яростный огонь с чердака и из окон кирпичных домов, расположенных на противоположном берегу реки. Хотя большинство немцев стреляли бесприцельно, огонь был настолько плотным, что на каждый метр правого берега реки и водной глади приходилось каждую минуту десятков пуль.
. Матросы разгрузили свои машины с небольшими судами, а позже и водой, начали перебрасывать пехоту с восточного побережья на запад
.Первый перелет через Шпрее совершил полуглиссер 117 под командованием сержанта Грегори Казакова .
К утру Казаков совершил несколько десятков вылетов и прислал роту пехотинцев. Тем временем наши передовые отряды, переброшенные через реку, захватили прибрежные постройки. Стрелковый огонь слабого противника. Где-то справа, возле Трептова, заливисто вышивает пулемет, а у причала все время гремят пули. До сих пор велся очень сильный огонь минометов, но через некоторое время наша артиллерия заставила замолчать многие батареи противника.
К полудню саперы поставили переправу и начали переброску танковой части. Стремясь избежать грозной боевой машины на левом берегу реки, немцы предприняли сильную контратаку. При поддержке тяжелых САУ «Фердинанд» противник потеснил наши отделения и взял под огонь переправу. Посреди реки один из двух паромов был поврежден. От прямого попадания вражеского танка снаряд загорелся. Саперы, руководившие переправой, убивают.Ферри вышел из-под контроля. Увидев это, Казаков на полном ходу бросился на выручку танку. Он взял экипаж парома «Тридцать» и группу автоматчиков и выбросил их на западный берег. В это время в танке начинался взрыв боеприпасов, в любой момент могли взорваться бомбы. Рискуя жизнью, Казаков , пошел на полуглиссере к переправе и вместе с лейтенантом Суворовым потушил пожар.
Переход продолжен. За 23, 24 и 25 апреля сержант Казаков , работая без отдыха днем и ночью, перебросил на своем полуглиссере с правого берега на левый 400 морских пехотинцев и несколько десятков тонн боеприпасов.
. По мере наступления советских войск к центру Берлина на Шпрее продолжалось и юркое малое судно Григория Казакова
. Свою победу храбрый моряк нашел в самом центре нацистской столицы.
—
Источники:
1) Герои Советского Союза: Краткий биографический словарь . V.1. М .: Воениз.1987.
2) Румянцев Н.М. Народный легендарный героизм ». Саратов. 1968
Запись в блоге с видео — Urban One
Запись в блоге с видео — Urban OneПохоже, у вас отключен Javascript.Этому веб-сайту для правильной работы необходим javascript!
Запись в блоге с видео
Без категории Комментариев: 31,891
Vestibulum fringilla accumsan neque, eu conctetur ipsum conctetur et.Suspendisse at maximus justo. Vivamus non sapien sit amet ante luctus interdum? Morbi placerat velit venenatis ligula hendrerit, vel placerat arcu accumsan. Suspendisse in enim tempor, molestie quam id, placerat lectus. Donec fringilla rutrum diam non mollis? Interdum et malesuada fames ac ante ipsum primis in faucibus. Maecenas eget mattis metus, at vestibulum nisl.
Lorem ipsum dolor sit amet, conctetur adipiscing elit. Donec efficitur auctor ultrices. Nam neque sem, aliquam non pretium nec, ultricies quis arcu.Aenean quis justo lacus. Pellentesque iaculis convallis elit, eu ornare ex tincidunt vitae. Ut nulla purus, porttitor sit amet dignissim ac, ultricies sit amet ex. Quisque id mauris ut sapien fringilla viverra. Phasellus vulputate rutrum convallis. Nunc eu leo felis. Целое число dui sem, pharetra eu neque vitae, scelerisque rutrum velit. In hac Habitasse platea dictumst. Phasellus auctor id orci in scelerisque. Pellentesque eleifend odio при пеллентеских язвах. Присутствует non ex et orci mollis iaculis.Phasellus lacinia vulputate mattis.
Nullam hendrerit, lectus eget eleifend laoreet, ex est suscipit ipsum, lobortis imperdiet eros ex non mi. Mauris efficitur congue tempus. Aenean tempus tellus ac quam placerat, nec dapibus odio semper. В красивом леве. Proin luctus nunc diam, eu fermentum lacus scelerisque ac. Sed fermentum ligula at nulla tincidunt, id fringilla nunc tincidunt. Etiam vel toror vulputate, iaculis velit eu, accumsan metus. Morbi porttitor euismod vulputate.
.