Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
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.