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. 2023. Т. 20. № 5. С. 9-27

Методика обработки данных авиационных мультиспектральных измерений для мониторинга состояния отдельных деревьев

А.А. Ломако 1 
1 Институт прикладных физических проблем им. А.Н. Севченко БГУ, Минск, Беларусь
Одобрена к печати: 25.08.2023
DOI: 10.21046/2070-7401-2023-20-5-9-27
На сегодняшний день существует большое количество исследований в области мониторинга состояния деревьев с целью выявления очагов усыханий. Тем не менее лишь в малой части таких работ ставится задача детектирования усыханий отдельных деревьев на ранней стадии. В настоящей статье приведён оригинальный подход к мониторингу состояния древостоев, основанный на проведении измерений с использованием мультиспектральной камеры, установленной на беспилотный летательный аппарат, и последующей обработке зарегистрированных данных специализированными новыми методами. Описывается новый способ географической привязки данных, использующий в качестве дополнительной информации рассчитываемые с использованием библиотеки компьютерного зрения пиксельные расстояния между близлежащими изображениями. Этот способ позволяет уменьшить средний радиус разброса значений географических координат изображений крон деревьев на 46 % по сравнению с прямым наложением кадров по координатам, сформированным на основе данных глобальных навигационных спутниковых систем, и на 15 % по сравнению со стандартным программным обеспечением. Также в работе описывается подход к семантической сегментации изображений на основе использования предварительно обученной модели нейросети Deep Forest и дополнительного анализа изображений специфических вегетационных индексов с помощью оригинального алгоритма. В результате применения такого способа удалось увеличить точность распознавания деревьев (F-score) с 75 до 92 %. В совокупности описанные методы и способы формируют методику обработки мультиспектральных изображений для мониторинга состояния хвойных насаждений, позволяющую анализировать спектральные отражательные характеристики отдельных деревьев по результатам мультивременных площадных съёмок.
Ключевые слова: БПЛА, изображения, геопривязка, ключевые точки, семантическая сегментация, нейросети, Deep Forest, вегетационные индексы
Полный текст

Список литературы:

  1. Алешко Р. А., Алексеева А. А., Шошина К. В. и др. 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.
  2. Гонсалес Р., Вудс Р. Цифровая обработка изображений: пер. с англ.; 3-е изд., испр. и дополн.; пер. Л. И. Рубанова, П. А. Чочиа; ред. П. А. Чочиа. М.: Техносфера, 2012. 1104 с.
  3. Дубинин М. Вычисление расстояния и начального азимута между двумя точками на сфере / Географ. информац. системы и дистанц. зондирование. 2006. https://gis-lab.info/qa/great-circles.html.
  4. Катковский Л. В., Беляев Б. И., Сосенко В. А., Абламейко С. В. Аппаратно-программный комплекс «Калибровка» для наземного спектрометрирования подстилающей поверхности и атмосферы // 7-й Белорусский космич. конгресс: материалы конгресса. В 2 т. Минск: ОИПИ НАН Беларуси, 2017. Т. 2. С. 36–40.
  5. Катковский Л. В., Силюк О. О., Беляев Б. И. и др. Обнаружение усыханий хвойных лесов по авиакосмическим данным // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 3. С. 88–102. DOI: 10.21046/2070-7401-2022-19-3-88-102.
  6. Керчев И. А., Маслов К. А., Марков Н. Г., Токарева О. С. Семантическая сегментация повреждённых деревьев пихты на снимках с беспилотных летательных аппаратов // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 1. С. 116–126. DOI: 10.21046/2070-7401-2021-18-1-116-126.
  7. Кэлер А., Брэдски Г. Анализ изображений. Гистограммы и шаблоны. Контуры. Особые точки и дескрипторы // Изучаем OpenCV 3: пер. с англ.; пер. А. А. Слинкин; ред. Д. Мовчан. М.: ДМК Пресс, 2017. Гл. 12–14, 16. С. 310–375, 418–495.
  8. Ломако А. А. Метод формирования панорамных изображений по мультиспектральным данным беспилотного летательного аппарата, учитывающий дисторсию камеры // Журн. Белорусского гос. ун-та. Физика. 2022. № 2. С. 60–69. DOI: 10.33581/2520-2243-2022-2-60-69.
  9. Ломако А. А., Ивуть П. В., Гуторов А. В., Щербаков Н. Г. Определение пространственного разрешения аэрофотосистем в летном эксперименте // Прикладные проблемы оптики, информатики, радиофизики и физики конденсированного состояния: материалы 7-й Международ. научно-практич. конф. 18–19 мая 2023, Минск / М-во образования Республики Беларусь; Ин-т прикладных физ. проблем им. А. Н. Севченко Белорусского гос. ун-та. Минск, 2023. С. 425–427.
  10. Молчанов А. С. Методика оценки линейного разрешения на пиксель аэрофотосистем военного назначения при проведении летных испытаний // Изв. высш. учеб. заведений. Геодезия и аэрофотосъемка. 2018. Т. 62. № 4. С. 390–396. DOI: 10.30533/0536-101X-2018-62-4-390-396.
  11. Портнов А. М., Иванова Н. В., Шашков М. П. Опыт использования нейронной сети DeepForest для детектирования деревьев в широколиственном лесу // Докл. Международ. конф. «Математическая биология и биоинформатика» / под ред. В. Д. Лахно. Пущино: ИМПБ РАН, 2022. Т. 9. Ст. № e45. 6 с. DOI: 10.17537/icmbb22.12.
  12. Силюк О. О., Литвинович Г. С., Бручковский И. И. и др. Классификация стрессовых состояний ели обыкновенной по спектральным характеристикам при дистанционных измерениях // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 5. С. 125–135. DOI: 10.21046/2070-7401-2022-19-5-125-135.
  13. Тимофеев М. В. RTK-режим системы глобального позиционирования при топографической съемке линейных объектов / Огарёв-Online. 2015. № 24(65). https://cyberleninka.ru/article/n/rtk-rezhim-sistemy-globalnogo-pozitsionirovaniya-pri-topograficheskoy-semke-lineynyh-obektov.
  14. Alahi A., Ortiz R., Vandergheynst P. FREAK: Fast Retina Keypoint // IEEE Conf. Computer Vision and Pattern Recognition. 2012. P. 510–517. DOI: 10.1109/CVPR.2012.6247715.
  15. Awad M. Forest mapping: a comparison between hyperspectral and multispectral images and technologies // J. Forestry Research. 2018. V. 29. No. 5. P. 1395–1405. DOI: 10.1007/s11676-017-0528-y.
  16. Bannari A., Morin D., Bonn F., Huete A. R. A review of vegetation indices // Remote Sensing Reviews. 1995. V. 13. No. 1. P. 95–120.
  17. Brandtberg T., Walter F. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis // Machine Vision and Applications. 1998. No. 11. P. 64–73. DOI: 10.1007/s001380050091.
  18. Chen Q., Gao T., Zhu J. et al. Individual Tree Segmentation and Tree Height Estimation Using Leaf-Off and Leaf-On UAV-LiDAR Data in Dense Deciduous Forests // Remote Sensing. 2022. V. 14. Article 2787. DOI: 10.3390/rs14122787.
  19. Comaniciu D., Meer P. Mean Shift Analysis and Applications // IEEE Intern. Conf. Computer Vision. 1999. V. 2. Article 1197.
  20. Dainelli R., Toscano P., Di Gennaro S. F., Matese A. Recent Advances in Unmanned Aerial Vehicle Forest Remote Sensing — A Systematic Review. Pt. I: A General Framework // Forests. 2021. V. 12. Article 327. DOI: 10.3390/f12030327.
  21. Datt B. A new reflectance index for remote sensing of chlorophyll content in higher plants: tests using Eucalyptus leaves // J. Plant Physiology. 1999. No. 154. P. 30–36. DOI: 10.1016/S0176-1617(99)80314-9.
  22. Ecke S., Dempewolf J., Frey J. et al. UAV-Based Forest Health Monitoring: A Systematic Review // Remote Sensing. 2022. V. 14. Article 3205. DOI: 10.3390/rs14133205.
  23. Fassnacht F., Latifi H., Ghosh A. et al. Assessing the potential of hyperspectral imagery to map bark beetle-induced tree mortality // Remote Sensing of Environment. 2014. V. 140. P. 533–548. DOI: 10.1016/j.rse.2013.09.014.
  24. Guimarães N., Pádua L., Marques P. et al. Forestry Remote Sensing from Unmanned Aerial Vehicles: A Review Focusing on the Data, Processing and Potentialities // Remote Sensing. 2020. V. 12. Article 1046. DOI: 10.3390/rs12061046.
  25. Guo Y., Zhang X., Chen S. et al. Integrated UAV-Based Multi-Source Data for Predicting Maize Grain Yield Using Machine Learning Approaches // Remote Sensing. 2022. V. 14. Article 6290. DOI: 10.3390/rs14246290.
  26. Haboudane D., Miller J. R., Pattey E. et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture // Remote Sensing of Environment. 2004. V. 90. Iss. 3. P. 337–352. DOI: 10.1016/j.rse.2003.12.013.
  27. He J., Lyu D., He L. et al. Combining Object-Oriented and Deep Learning Methods to Estimate Photosynthetic and Non-Photosynthetic Vegetation Cover in the Desert from Unmanned Aerial Vehicle Images with Consideration of Shadows // Remote Sensing. 2023. V. 15. Article 105. DOI: 10.3390/rs15010105.
  28. Hunt Jr. E. R., Daughtry C. S. T., Eitel J. U. H., Long D. S. Remote Sensing Leaf Chlorophyll Content Using a Visible Band Index // Agronomy J. 2011. V. 103. P. 1090–1099. DOI: 10.2134/agronj2010.0395.
  29. Kislov D. E., Korznikov K. A., Altman J. et al. Extending deep learning approaches for forest disturbance segmentation on very high-resolution satellite images // Remote Sensing in Ecology and Conservation. 2021. V. 7. No. 3. P. 355–368. DOI: 10.1002/rse2.194.
  30. Korznikov K. A., Kislov D. E., Altman J. et al. Using U-Net-Like Deep Convolutional Neural Networks for Precise Tree Recognition in Very High Resolution RGB (Red, Green, Blue) Satellite Images // Forests. 2021. V. 12. Article 66. DOI: 10.3390/f12010066.
  31. Lamaka A. A., Gutarau A. V., Shcherbakou N. G., Ivuts P. V. Photospectral Data Obtaining with the Unmanned Aerial Spectrometry Vehicle // Devices and Methods of Measurements. 2023. V. 14. No. 1. P. 7–17. DOI: 10.21122/2220-9506-2023-14-1-7-17.
  32. Lausch A., Heurich M., Gordalla D. et al. Forecasting potential bark beetle outbreaks based on spruce forest vitality using hyperspectral remote-sensing techniques at different scales // Forest Ecology and Management. 2013. V. 308. P. 76–89. DOI: 10.1016/j.foreco.2013.07.043.
  33. Mohan M., Silva C. A., Klauberg C. et al. Individual Tree Detection from Unmanned Aerial Vehicle (UAV) Derived Canopy Height Model in an Open Canopy Mixed Conifer Forest // Forests. 2017. V. 8. Article 340. DOI: 10.3390/f8090340.
  34. Otsu N. A. Threshold Selection Method from Gray-Level Histograms // IEEE Trans. Systems, Man, and Cybernetics. 1979. V. 9. No. 1. P. 62–66.
  35. Rublee E., Rabaud V., Konolige K., Bradski G. ORB: An efficient alternative to SIFT or SURF // 2011 Intern. Conf. Computer Vision. 2011. P. 2564–2571. DOI: 10.1109/ICCV.2011.6126544.
  36. Shamaoma H., Chirwa P. W., Ramoelo A. et al. The Application of UASs in Forest Management and Monitoring: Challenges and Opportunities for Use in the Miombo Woodland // Forests. 2022. V. 13. Article 1812. DOI: 10.3390/f13111812.
  37. Sokolova M., Japkowicz N., Szpakowicz S. Beyond accuracy, F-score and ROC: A family of discriminant measures for performance evaluation // AI 2006: Advances in Artificial Intelligence. Lecture Notes in Computer Science / eds. Sattar A., Kang B. Berlin; Heidelberg: Springer, 2006. V. 4304. P. 1015–1021. DOI: 10.1007/11941439_1.
  38. Takhtkeshha N., Mohammadzadeh A., Salehi B. A Rapid Self-Supervised Deep-Learning-Based Method for Post-Earthquake Damage Detection Using UAV Data (Case Study: Sarpol-e Zahab, Iran) // Remote Sensing. 2023. V. 15. Article 123. DOI: 10.3390/rs15010123.
  39. Torres P., Rodes-Blanco M., Viana-Soto A. et al. The Role of Remote Sensing for the Assessment and Monitoring of Forest Health: A Systematic Evidence Synthesis // Forests. 2021. V. 12. Article 1134. DOI: 10.3390/f12081134.
  40. Weinstein B. G., Marconi S., Bohlman S. et al. Individual Tree-Crown Detection in RGB Imagery Using Semi-Supervised Deep Learning Neural Networks // Remote Sensing. 2019. V. 11. Article 1309. DOI: 10.3390/rs11111309.