Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 93-107

Оценка биометрических параметров сосновых древостоев по спутниковым данным WorldView-3 и материалам беспилотной аэросъёмки

С.В. Князева 1 , А.Д. Никитина 1 , Е.А. Гаврилюк 1 , Е.В. Тихонова 1 , Н.В. Королева 1 
1 Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
Одобрена к печати: 27.10.2022
DOI: 10.21046/2070-7401-2022-19-6-93-107
Представлены результаты исследования возможностей моделирования основных характеристик древостоев (средние значения высоты, возраста и диаметра стволов деревьев, а также густота (число) деревьев на 1 га) по результатам тематической обработки снимков с высокодетальной оптической спутниковой системы WorldView-3 и данных, полученных при аэросъёмке с беспилотного летательного аппарата (БПЛА), на примере сосновых лесов национального парка «Куршская коса» (Калининградская обл.). Лучшие результаты моделирования как методом случайных лесов, так и методом множественной линейной регрессии (LR) получены для параметра «средний диаметр стволов»: коэффициент детерминации R 2 составляет от 0,54 (для данных WorldView-3) до 0,88 (для данных БПЛА), среднеквадратические ошибки RMSE варьируют от 4,6 до 3 см соответственно. Возможности определения среднего возраста древостоев существенно хуже: R 2 от 0,47 до 0,65 при RMSE от 18,5 до 24 лет. Параметр «средняя высота» характеризуется достаточно хорошими показателями взаимосвязи с изобразительными свойствами спутниковых снимков (R 2 = 0,53, RMSE = 2,9 м), но наилучшие результаты моделирования получены при использовании цифровой модели местности (RMSE менее 2 м). Для параметра «средняя густота деревьев» лучший результат достигнут методом LR (R 2 = 0,69, RMSE = 600 шт/га). В целом можно констатировать, что увеличение пространственного разрешения при использовании данных БПЛА (<10 см) вместо спутниковых данных сверхвысокого разрешения (<1 м) даёт наибольший прирост производительности для регрессионных моделей параметра «средний диаметр стволов». При моделировании на основе спутниковых данных WorldView-3 дешифровочных характеристик древесного полога, определяемых по ортофотопланам с БПЛА, получены довольно умеренные результаты: R 2 в диапазоне от 0,54 (для сомкнутости древесного полога) до 0,68 (для средней площади кроны).
Ключевые слова: биометрические параметры, сосновые древостои, спутниковые данные, ортофотопланы, регрессионные модели, дешифровочные характеристики древесного полога
Полный текст

Список литературы:

  1. Алексеев А. С., Никифоров А. А., Михайлова А. А., Вагизов М. Р. Новый метод определения запаса насаждений по снимкам сверхвысокого разрешения с беспилотного летательного аппарата (БПЛА) // Докл. 6-й Всероссийской конф. «Аэрокосм. методы и геоинформац. технологии в лесоведении, лесном хоз-ве и экологии». Москва, 20–22 апр. 2016. М.: ЦЭПЛ РАН, 2016. С. 80–84.
  2. Алешко Р. А., Алексеева А. А., Шошина К. В., Богданов А. П., Гурьев А. Т. Разработка методики актуализации информации о лесном участке с использованием снимков со спутников и малых БПЛА // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 5. С. 87–99. DOI: 10.21046/2070-7401-2017-14-5-87-99.
  3. Богданов А. П., Алешко Р. А., Ильинцев А. С. Выявление взаимосвязи диаметра крон деревьев с различными таксационными показателями в северо-таежном лесном районе // Вопросы лесной науки. 2019. Т. 2(4). С. 1–10. DOI: 10.31509/2658-607x-2019-2-4-1-10.
  4. Жирин В. М., Князева С. В., Эйдлина С. П. Оценка биометрических параметров насаждений по изображениям межкронового пространства на снимках сверхвысокого разрешения // Лесоведение. 2018. № 3. С. 163–177. DOI: 10.7868/S0024114818030014.
  5. Иванова Н. В., Шашков М. П., Шанин В. М. Исследование структуры древостоев сосновых лесов Приокско-Террасного биосферного заповедника (Россия) по материалам аэрофотосъемки с квадрокоптера // Nature Conservation Research. Заповедная наука. 2021. Т. 6(4). С. 1–14. https://dx.doi.org/10.24189/ncr.2021.042.
  6. Лебков В. Ф., Каплина Н. Ф. Строение естественных сосновых древостоев по протяженности кроны дерева // Актуальные проблемы лесного комплекса. 2006. № 13. С. 65–69.
  7. Лопатин Е. В., Карьялайнен Т. Разработка мало затратной высокоточной технологии планирования ведения лесного хозяйства, основанной на облачной обработке мультиугловой гиперспектральной съемки с беспилотных летательных аппаратов и долгосрочном прогнозировании лесного сектора // Докл. 6-й Всероссийской конф. «Аэрокосм. методы и геоинформ. технологии в лесоведении, лесном хозяйстве и экологии». Москва, 20–22 апр. 2016. М.: ЦЭПЛ РАН, 2016. C. 38–39.
  8. Медведев А. А., Тельнова Н. О., Кудиков А. В., Алексеенко Н. А. Анализ и картографирование структурных параметров редкостойных северотаёжных лесов на основе фотограмметрических облаков точек // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 1. С. 150–163. DOI: 10.21046/2070-7401-2020-17-1-150-163.
  9. Никитина А. Д. Возможности использования цифровой модели местности БПЛА для определения некоторых характеристик сосновых древостоев // Сб. материалов участников 17-го Большого географ. фестиваля, посвященного 195-летию российского кругосветного путешествия Ф. П. Литке (1826–1829 гг.). СПб.: Свое изд-во. 2021. С. 503–506.
  10. Николаев А. И. Новые методы в оценке качественных и количественных характеристик лесных насаждений // Тр. Санкт-Петербургского научно-исслед. ин-та лесного хоз-ва. 2016. № 1. С. 79–85. DOI: 10.21178/2079-6080.2016.8.79.
  11. Ardila J., Bijker W., Tolpekin V., Stein A. Context-sensitive extraction of tree crown objects in urban areas using VHR satellite images // Intern. J. Applied Earth Observation and Geoinformation. 2012. V. 15. P. 57–69. https://doi.org/10.1016/j.jag.2011.06.005.
  12. Bagaram M., Giuliarelli D., Chirici G., Giannetti F., Barbati A. UAV remote sensing for biodiversity monitoring: Are forest canopy gaps good covariates? // Remote Sensing. 2018. V. 10. No. 9. Art. No. 1397. https://doi.org/10.3390/rs10091397.
  13. Belmonte A., Sankey T., Seyednasrollah B., Biederman J. A. Quantifying snow cover and persistence in a post restoration environment: UAV-derived forest structure data and forest gap radiation modeling // American Geophysical Union, Fall Meeting. 2019. V. 2019. Abstr. No. EP11C-2146.
  14. Breiman L. Random forests // Machine Learning. 2001. V. 45. No. 1. P. 5–32. https://doi.org/10.1023/A:1010933404324.
  15. Brosofske K. D., Froese R. E., Falkowski M. J., Banskota A. A review of Methods for Mapping and Prediction of Inventory Attributes for Operational Forest Management // Forest Science. 2014. V. 60. Iss. 4. P. 733–756. https://doi.org/10.5849/forsci.12-134.
  16. Brovkina O., Cienciala E., Surový P., Janata P. Unmanned aerial vehicles (UAV) for assessment of qualitative classification of Norway spruce in temperate forest stands // Geo-spatial Information Science. 2018. V. 21. No. 1. P. 12–20. https://doi.org/10.1080/10095020.2017.1416994.
  17. Cao J., Leng W., Liu K., Liu L., He Z., Zhu Y. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models // Remote Sensing. 2018. V. 10. No. 1. Art. No. 89. https://doi.org/10.3390/rs10010089.
  18. Carlson J. Radiomics: ‘Radiomic’ Image Processing Toolbox. R package version 0.1.3. 2018. https://CRAN.R-project.org/package=radiomics.
  19. Chen G., Hay G. J., St-Onge B. A GEOBIA framework to estimate forest parameters from lidar transects, Quickbird imagery and machine learning: A case study in Quebec, Canada // Intern. J. Applied Earth Observation and Geoinformation. 2012. V. 15. P. 28–37. https://doi.org/10.1016/j.jag.2011.05.010.
  20. Cheng G., Han J. A Survey on Object Detection in Optical Remote Sensing Images // ISPRS J. Photogrammetry and Remote Sensing. 2016. V. 117. P. 11–28. https://doi.org/10.48550/arXiv.1603.0620.
  21. Ferreira M. P., Wagner F. H., Aragão L. E. O., Shimabukuro Y. E. Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis // ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 149. P. 119–131. https://doi.org/10.1016/j.isprsjprs.2019.01.019.
  22. Franklin S. E., Ahmed O. S., Williams G. Northern conifer forest species classification using multispectral data acquired from an unmanned aerial vehicle // Photogrammetric Engineering and Remote Sensing. 2017. V. 83. No. 7. P. 501–507. https://doi.org/10.14358/PERS.83.7.501.
  23. Fritz A., Kattenborn T., Koch B. UAV-based photogrammetric point clouds — Tree stem mapping in open stands in comparison to terrestrial laser scanner point clouds // Intern. Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences. 2013. V. 40. P. 141–146. http://dx.doi.org/10.5194/isprsarchives-XL-1-W2-141-2013.
  24. Getzin S., Nuske R., Wiegand K. Using unmanned aerial vehicles (UAV) to quantify spatial gap patterns in forests // Remote Sensing. 2014. V. 6(8). P. 6988–7004. http://dx.doi.org/10.3390/rs6086988.
  25. Gini R., Passoni D., Pinto L., Sona G. Use of unmanned aerial systems for multispectral survey and tree classification: A test in a park area of northern Italy // European J. Remote Sensing. 2014. V. 47. No. 1. P. 251–269. https://doi.org/10.5721/EuJRS20144716.
  26. Goodbody T., Coops N., Hermosilla T., Tompalski P., Crawford P. Assessing the status of forest regeneration using digital aerial photogrammetry and unmanned aerial systems // Intern. J. Remote Sensing. 2018. V. 39. No. 15–16. P. 5246–5264. https://doi.org/10.1080/01431161.2017.1402387.
  27. Groot A., Cortini F., Wulder M. Crown-fibre attribute relationships for enhanced forest inventory: Progress and prospects // The Forestry Chronicle. 2015. V. 91. P. 266–279. DOI: 10.5558/tfc2015-048.
  28. Guyon I., Weston J., Barnhill S., Vapnik V. Gene selection for cancer classification using support vector machines // Machine Learning. 2002. V. 46(1–3). P. 389–422. https://doi.org/10.1023/A:1012487302797.
  29. Immitzer M., Atzberger C., Koukal T. Tree Species Classification with Random Forest Using Very High Spatial Resolution 8-Band WorldView-2 Satellite Data // Remote Sensing. 2012. V. 4. P. 2661–2693. https://doi.org/10.3390/rs4092661.
  30. Kampen M., Lederbauer S., Mund J., Immitzer M. UAV-Based Multispectral Data for Tree Species Classification and Tree Vitality Analysis // Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich. 2019. V. 28. P. 623–639.
  31. Lehmann E., Caccetta P., Lowell K., Mitchell A., Zheng-Shu Zhou, Held A., Milne T., Tapley I. SAR and optical remote sensing: Assessment of complementarity and interoperability in the context of a large-scale operational forest monitoring system // Remote Sensing of Environment. 2015. V. 156. P. 335–348. https://doi.org/10.1016/j.rse.2014.09.034.
  32. Liaw A., Wiener M. Classification and Regression by RandomForest // R News. 2002. V. 2(3). P. 18–22.
  33. Michez A., Piégay H., Lisein J., Claessens H., Lejeune P. Classification of riparian forest species and health condition using multi-temporal and hyperspatial imagery from unmanned aerial system // Environmental Monitoring and Assessment. 2016. V. 188. No. 3. P. 146. https://link.springer.com/article/10.1007/s10661-015-4996-2.
  34. Näsi R., Honkavaara E., Lyytikäinen-Saarenmaa P., Blomqvist M., Litkey P., Hakala T., Viljanen N. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level // Remote Sensing. 2015. V. 7. No. 11. P. 15467–15493. https://doi.org/10.3390/rs71115467.
  35. Palace M., Keller M., Asner G., Hagen S., Braswell B. Amazon forest structure from IKONOS satellite data and the automated characterization of forest canopy properties // Biotropica. 2008. V. 40. No. 2. P. 141–150. https://doi.org/10.1111/j.1744-7429.2007.00353.x.
  36. Pandey S., Chand N., Nandy S., Muminov A., Sharma A., Ghosh S., Srinet R. High-Resolution Mapping of Forest Carbon Stock Using Object-Based Image Analysis (OBIA) Technique // J. Indian Society of Remote Sensing. 2020. V. 48. P. 865–875. http://dx.doi.org/10.1007/s12524-020-01121-8.
  37. Parmar C., Rios Velazquez E., Leijenaar R., Jermoumi M., Carvalho S., Mak R. H., Mitra S., Shankar B. U., Kikinis R., Haibe-Kains B., Lambin Ph., Aerts H. J. Robust Radiomics Feature Quantification Using Semiautomatic Volumetric Segmentation // PLoS ONE. 2014. V. 9. No. 7. P. 102–107. https://doi.org/10.1371/journal.pone.0102107.
  38. Puliti S., Solberg S., Granhus A. Use of UAV photogrammetric data for estimation of biophysical properties in forest stands under regeneration // Remote Sensing. 2019. V. 11. No. 3. Art. No. 233. https://doi.org/10.3390/rs11030233.
  39. Rikimaru A., Roy P. S., Miyatake S. Tropical forest cover density mapping // Tropical Ecology. 2002. V. 43. No. 1. P. 39–47.
  40. Shashkov M., Ivanova N., Shanin V., Grabarnik P. Ground Surveys Versus UAV Photography: The Comparison of Two Tree Crown Mapping Techniques // Information Technologies in the Research of Biodiversity. Cham: Springer, 2019. P. 48–56. https://doi.org/10.1007/978-3-030-11720-7_8.
  41. Siegel A. F. Robust Regression Using Repeated Medians // Biometrika. 1982. V. 69. No. 1. P. 242–244. https://doi.org/10.1093/biomet/69.1.242.
  42. Sudhakar S., Vijayakumar V., Kumar C., Priya V., Ravi L., Subramaniyaswamy V. Unmanned Aerial Vehicle (UAV) based Forest Fire Detection and monitoring for reducing false alarms in forest-fires // Computer Communications. 2020. V. 149. P. 1–16. https://doi.org/10.1016/j.comcom.2019.10.007.
  43. Tuominen S., Näsi R., Honkavaara E., Balazs A., Hakala T., Viljanen N., Reinikainen J. Tree species recognition in species rich area using UAV-borne hyperspectral imagery and stereo-photogrammetric point cloud // Intern. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2017. V. XLII-3/W3. P. 185–194. DOI: 10.5194/isprs-archives-XLII-3-W3-185-2017.
  44. Waser L., Küchler M., Jütte K., Stampfer T. Evaluating the Potential of WorldView-2 Data to Classify Tree Species and Different Levels of Ash Mortality // Remote Sensing. 2014. V. 6. P. 4515–4545. DOI: 10.3390/rs6054515.
  45. White J., Coops N., Wulder M., Vastaranta M., Hilker T., Tompalski P. Remote sensing technologies for enhancing forest inventories: A review // Canadian J. Remote Sensing. 2016. V. 42. No. 5. P. 619–641. https://doi.org/10.1080/07038992.2016.1207484.
  46. Yilmaz V., Güngör O. Estimating crown diameters in urban forests with Unmanned Aerial System-based photogrammetric point clouds // Intern. J. Remote Aensing. 2019. V. 40. No. 2. P. 468–505. https://doi.org/10.1080/01431161.2018.1562255.