Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 22, 2025
Номер 1
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
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. 2025. Т. 22. № 1. С. 116-130

Формирование базы данных пространственного распределения древесных пород на тестовом полигоне «Ляльский» (Республика Коми) по материалам БПЛА-съёмок

Т.А. Мыльникова 1 , А.Ю. Боровлёв 1 , В.В. Елсаков 1 , В.М. Щанов 1 
1 Институт биологии Коми НЦ УрО РАН, Сыктывкар, Россия
Одобрена к печати: 09.01.2025
DOI: 10.21046/2070-7401-2025-22-1-116-130
На основании обработки разносезонных съёмок с беспилотного летательного аппарата (БПЛА) проведено построение базы данных пространственного распределения крон древесных пород лесного полигона «Ляльский» с привязанными атрибутивными характеристиками. Выделение границ крон выполнено с использованием объектно-ориентированной сегментации изображений по текстурно- и яркостно-однородным участкам, выбора локальных максимумов в пределе контуров, соответствующих освещённым верхушкам деревьев, выращивания участков крон по методу водоразделов. Сравнение сходимости суммарных площадей крон выделенных классов деревьев, полученных автоматизированным и экспертным методами, демонстрирует высокий класс сходимости по двум независимым участкам (85,8 и 90,3 %). Критерии статистической разделимости и межклассовой преобразованной дивергенции демонстрируют наличие возможностей для выделения сухостоя, крон лиственных пород, темнохвойных пород и сосны по спектральным величинам. Ординационная диаграмма многомерного неметрического шкалирования по величинам мультиспектральных летних и осенних съёмок модельных деревьев выделяет ядра классов, характеризующих эти породы. Разделение модельных участков крон по классам породного состава показало средний уровень сходимости с экспертной оценкой (общая сходимость 77,3 %, коэффициент Каппа 67,5 % при n = 2631 дереву). Наибольшей точностью определения обладали темнохвойные породы и сухостой, наименьшую — имела осина. Полученные материалы оформлены в виде базы данных «База данных о пространственном распределении древесных пород на тестовом полигоне «Ляльский» (средняя тайга, северо-восток Восточно-Европейской равнины)» (регистрационный № 2024623720). Данные планируется использовать для построения пространственных моделей с привлечением спектрозональных спутниковых снимков (построение моделей методом разложения спектральных смесей и их верификации) и получения таксономических показателей древостоев.
Ключевые слова: БПЛА, Республика Коми, спектральная разделимость, кроны древесных пород
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. Атлас Коми АССР. М.: ГУГК, 1964. 112 с.
  3. Атлас почв Республики Коми / под ред. Г. В. Добровольского, А. И. Таскаева, И. В. Забоевой. Сыктывкар: ООО «Коми республиканская типография», 2010. 356 с.
  4. Атлас Республики Коми по климату и гидрологии. М.: Дрофа, 1997. 115 с.
  5. Барталёв С. А., Егоров В. А., Лупян Е. А., Плотников Д. Е., Уваров И. А. Распознавание пахотных земель на основе многолетних спутниковых данных спектрорадиометра MODIS и локально-адаптивной классификации // Компьютерная оптика. 2011. Т. 35. № 1. С. 103–116.
  6. Данилова И. В. Методика пространственного моделирования лесовосстановительной динамики на основе данных дистанционного зондирования: автореф. … канд. техн. наук. Новосибирск, 2014. 24 с.
  7. Дейвис Ш. М., Ландгребе Д. А., Филлипс Т. Л., Свейн Ф. Х., Хоффер Р. М., Ланденлауб Д. С., Сиева Ле Р. Ф. Дистанционное зондирование: количественный подход / пер. с англ. М.: Недра, 1983. 415 с.
  8. Дмитриев Е. В., Козуб В. А., Мельник П. Г. и др. Классификация и оценка состояния смешанных древостоев по аэроизображениям сверхвысокого пространственного разрешения // Лесной журн. 2019. № 5. С. 9–24. DOI: 10.17238/issn0536-1036.2019.5.9.
  9. Дмитриев Е. В., Кондранин Т. В., Мельник П. Г., Донской С. А. Определение видового состава смешанного леса на основе совместной обработки публичных спутниковых карт и многовременных изображений Sentinel-2 // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 1. С. 31–50. DOI: 10.21046/2070-7401-2024-21-1-31-50.
  10. Жарко В. О., Барталев С. А. Оценка распознаваемости древесных пород леса на основе спутниковых данных о сезонных изменениях их спектрально-отражательных характеристик // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 3. С. 159–170.
  11. 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.
  12. Кузьмичев В. В. Закономерности роста древостоев. Новосибирск: Наука, 1977. 160 с.
  13. Матко Е. В., Сафонова А. Н. Методы глубоко обучения для прогнозирования гибели леса вследствие жизнедеятельности Серой цапли (Ardea cinerea), по данным БПЛА // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2023): сб. тр. Всероссийской конф. с международ. участием. Новосибирск: ФГБУ ФИЦ ИВТ, 2023. С. 104–109. DOI: 10.25743/sdm.2023.15.77.018.
  14. 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.
  15. Плотников Д. Е. Разработка методов дистанционной оценки растительного покрова на основе многолетних спутниковых измерений квазипериодических вариаций спектральной яркости: автореф. … канд. физ.-мат. наук. М., 2011. 23 с.
  16. Растительность Европейской части СССР / под ред. С. А. Грибовой, Т. И. Исаченко, Е. М. Лавренко. Л.: Наука. Ленинградское отд-ние, 1980. 429 с.
  17. Санников П. Ю., Андреев Д. Н., Бузмаков С. А. Выявление и анализ сухостоя при помощи беспилотного летательного аппарата // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 3. С. 103–113. DOI: 10.21046/2070-7401-2018-15-3-103-113.
  18. Сухих В. И., Гусев Н. Н., Данюлис Е. П. Аэрометоды в лесоустройстве. М.: Лесная промышленность, 1977. 192 с.
  19. Шабанов Н. В., Михайлов Н. В., Тихонов Д. Н. и др. Валидация оценки индекса листовой поверхности по данным MODIS для редкостойных лесов Кольского полуострова с использованием материалов съёмок беспилотных летательных аппаратов // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 2. С. 156–170. DOI: 10.21046/2070-7401-2021-18-2-156-170.
  20. Cabral R. P., da Silva G. F., de Almeida A. Q. et al. Mapping of the successional stage of a secondary forest using point clouds derived from UAV photogrammetry // Remote Sensing. 2023. V. 15. No. 2. Article 509. DOI: 10.3390/rs15020509.
  21. Dalla Corte A. P., Rex F. E., Alves de Almeida D. R. et al. Measuring individual tree diameter and height using GatorEye high-density UAV-lidar in an integrated crop-livestock-forest system // Remote Sensing. 2020. V. 12. No. 5. Article 863. DOI: 10.3390/rs12050863.
  22. Elsakov V. V. Influence of aerospace imagery spatial resolution on mapping results of tundra vegetation // Cosmic Research. 2023. V. 61. Iss. Suppl. 1. P. S163–S172. DOI: 10.1134/S0010952523700557.
  23. Fraser R. H., Van der Sluijs J., Hall R. J. Calibrating satellite-based indices of burn severity from UAV-derived metrics of a burned boreal forest in NWT, Canada // Remote Sensing. 2017. V. 9. No. 3. Article 279. DOI: 10.3390/rs9030279.
  24. Freudenberg M., Magdon P., Nölke N. Individual tree crown delineation in high-resolution remote sensing images based on U-Net // Neural Computing and Applications. 2022. V. 34. P. 22197–22207. DOI: 10.1007/s00521-022-07640-4.
  25. Ghimire R. P., Kivimäenpää M., Blomqvist M. et al. Effect of bark beetle (Ips typographus L.) attack on bark VOC emissions of Norway spruce (Picea abies Karst.) trees // Atmospheric Environment. 2016. V. 126. P. 145–152. DOI: 10.1016/j.atmosenv.2015.11.049.
  26. Grosse G., Schirrmeister L., Malthus T. J. Application of Landsat-7 satellite data and a DEM for the quantification of thermokarst-affected terrain types in the periglacial Lena–Anabar coastal lowland // Polar Research. 2006. V. 25. No. 1. P. 51–67. DOI: 10.3402/polar.v25i1.6238.
  27. Guerra-Hernández J., Cosenza D. N., Cardil A. et al. Predicting growing stock volume of Eucalyptus plantations using 3-D point clouds derived from UAV imagery and ALS data // Forests. 2019. V. 10. No. 10. Article 905. DOI: 10.3390/f10100905.
  28. Kärvemo S., Johansson V., Schroeder M. et al. Local colonization-extinction dynamics of a tree-killing bark beetle during a large-scale outbreak // Ecosphere. 2016. V. 7. No. 3. Article e01257. DOI: 10.1002/ecs2.1257.
  29. Landis J. R., Koch G. G. The measurement of observer agreement for categorical data // Biometrics. 1977. V. 33. No. 1. P. 159–174.
  30. Michez A., Piégay H., Lisein J. et al. 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. Article 146. DOI: 10.1007/s10661-015-4996-2.
  31. Moe K. T., Owari T., Furuya N. et al. Comparing individual tree height information derived from field surveys, LiDAR and UAV-DAP for high-value timber species in northern Japan // Forests. 2020. V. 11. No. 2. Article 223. DOI: 10.3390/f11020223.
  32. Nevalainen O., Honkavaara E., Tuominen S. et al. Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging // Remote Sensing. 2017. V. 9. No. 3. Article 185. DOI: 10.3390/rs9030185.
  33. Nezami S., Khoramshahi E., Nevalainen O. et al. Tree species classification of drone hyperspectral and RGB imagery with deep learning convolutional neural networks // Remote Sensing. 2020. V. 12. No. 7. Article 1070. DOI: 10.3390/rs12071070.
  34. Nyaruhuma P., Gerke M., Vosselman G. et al. Verification of 2D building outlines using oblique airborne images // ISPRS J. Photogrammetry and Remote Sensing. 2012. V. 71. P. 62–75. DOI: 10.1016/j.isprsjprs.2012.04.007.
  35. Peña M., Castro A., Torres-Sánchez J. et al. Estimating tree height and biomass of a poplar plantation with image-based UAV technology // AIMS Agriculture and Food. 2018. V. 3. No. 3. P. 313–326. DOI: 10.3934/agrfood.2018.3.313.
  36. Ranson K. J., Kovacs K., Sun G., Kharuk V. I. Disturbance recognition in the boreal forest using radar and Landsat-7 // Canadian J. Remote Sensing. 2003. V. 29. Iss. 2. P. 271–285. DOI: 10.5589/m02-096.
  37. Safonova A., Guirado E., Maglinets Y. et al. (2021a) Olive tree biovolume from UAV multi-resolution image segmentation with Mask R-CNN // Sensors. 2021. V. 21. No. 5. Article 1617. DOI: 10.3390/s21051617.
  38. Safonova A., Hamad Y., Dmitriev E. et al. (2021b) Individual tree crown delineation for the species classification and assessment of vital status of forest stands from UAV images // Drones. 2021. V. 5. No. 3. Article 77. DOI: 10.3390/drones5030077.
  39. Safranyik L., Carroll A. L., Régnière J. et al. Potential for range expansion of mountain pine beetle into the boreal forest of North America // The Canadian Entomologist. 2010. V. 142. No. 5. P. 415–442. DOI: 10.4039/n08-CPA01.
  40. Shao J., Habib A., Fei S. Semantic segmentation of UAV lidar data for tree plantations // The Intern. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2023. V. 43. P. 1901–1906. DOI: 10.5194/isprs-archives-XLVIII-1-W2-2023-1901-2023.
  41. Sparks A. M., Corrao M. V., Smith A. M. Cross-comparison of individual tree detection methods using low and high pulse density airborne laser scanning data // Remote Sensing. 2022. V. 14. No. 14. Article 3480. DOI: 10.3390/rs14143480.
  42. Talucci A. C., Forbath E., Kropp H. et al. Evaluating post-fire vegetation recovery in Cajander larch forests in northeastern Siberia using UAV derived vegetation indices // Remote Sensing. 2020. V. 12. No. 18. Article 2970. DOI: 10.3390/rs12182970.
  43. Wallace L., Lucieer A., Watson C. et al. Development of a UAV-LiDAR system with application to forest inventory // Remote Sensing. 2012. V. 4. No. 6. P. 1519–1543. DOI: 10.3390/rs4061519.
  44. 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. No. 11. Article 1309. DOI: 10.3390/rs11111309.
  45. White J. C., Stepper C., Tompalski P. et al. Comparing ALS and image-based point cloud metrics and modelled forest inventory attributes in a complex coastal forest environment // Forests. 2015. V. 6. No. 10. P. 3704–3732. DOI: 10.3390/f6103704.
  46. White J. C., Coops N. C., Wulder M. A. et al. Remote sensing technologies for enhancing forest inventories: A review // Canadian J. Remote Sensing. 2016. V. 42. No. 5. P. 619–641. DOI: 10.1080/07038992.2016.1207484.
  47. Zhang N., Wang Y., Zhang X. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images // Plant Methods. 2020. V. 16. No. 1. Article 135. DOI: 10.1186/s13007-020-00678-2.