Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 5. С. 195-206
Оценка согласованности структурно-биометрических характеристик сосновых лесов по данным наземных измерений и БПЛА-съёмки
А.Д. Никитина
1 , С.В. Князева
1 , Е.В. Тихонова
1 , А.В. Горнов
1 1 Центр по проблемам экологии и продуктивности лесов им. А.С. Исаева РАН, Москва, Россия
Одобрена к печати: 16.08.2025
DOI: 10.21046/2070-7401-2025-22-5-195-206
Представлены результаты исследования согласованности характеристик сосновых лесов, полученных по данным наземных измерений и высокодетальной RGB-съёмки с беспилотных летательных аппаратов (БПЛА). Оценка проводилась: между диаметрами стволов деревьев, измеренными при наземных обследованиях, и площадями их крон, определёнными по данным БПЛА; средней высотой по наземным обследованиям и высотой, полученной с использованием цифровой модели местности; числом деревьев и сомкнутостью по результатам наземной таксации и по ортофотопланам БПЛА как при визуальном дешифрировании, так и с применением автоматической сегментации. С использованием коэффициента корреляции Спирмена rs установлена высокая согласованность между наземными измерениями и визуальным дешифрированием: rs = 0,71 для числа деревьев, rs = 0,75 для средней высоты. Умеренная согласованность по сомкнутости (rs = 0,59) может быть связана не столько с ограничениями RGB-съёмки, сколько с неопределённостью самой наземной глазомерной оценки; при этом данные БПЛА могут обеспечивать более объективную интерпретацию. Связь между диаметром ствола и площадью кроны, полученной по ортофотоплану, в старовозрастных сосновых лесах достигала 0,96. Дополнительно рассмотрена согласованность визуального дешифрирования с результатами автоматической сегментации ортофотопланов с использованием нейронной сети Mask R-CNN: rs = 0,93…0,97 для числа деревьев, площади и периметра крон; rs = 0,73 для сомкнутости — в последнем случае сниженная согласованность обусловлена вкладом пропущенных крон в общую сомкнутость древостоя. Работа демонстрирует потенциал использования данных RGB-съёмки и методов автоматической сегментации для надёжного дополнения традиционных наземных подходов в мониторинге лесов.
Ключевые слова: БПЛА, RGB-съёмка, корреляционный анализ, сосновые древостои, визуальное дешифрирование, автоматическая сегментация, Mask R-CNN, мониторинг лесов
Полный текстСписок литературы:
- Аккумуляция углерода в лесных почвах и сукцессионный статус лесов: монография / под ред. Н. В. Лукиной. М.: Товарищество науч. изд. КМК, 2018. 232 с.
- Березина Н. А., Вахрамеева М. Г., Шведчикова Н. К. Растительность национального парка «Смоленское Поозерье» // Науч. исслед. в Нац. парке «Смоленское Поозерье». Вып. 1. М.: НИА-Природа, 2003. С. 121–149.
- Герасименко Г. Г., Козьминская Т. Л. Состояние и разнообразие сосновых насаждений Куршской косы // Вестн. Санкт-Петербургского ун-та. Сер. 3. 2002. Вып. 1. № 3. С. 41–45.
- Губарева И. Ю. Ботанические объекты // Особо ценные природные и культурные объекты нац. парка «Куршская коса»: сб. науч. ст. Калининград: Изд-во РГУ им. И. Канта, 2009. С. 9–36.
- Евстигнеев О. И., Коротков В. Н. Сукцессии сосновых лесов зандровой местности в Неруссо-Деснянском полесье // Разнообразие растительного мира. 2013. № 1 (1). С. 31–41.
- Иванова Н. В., Шашков М. П., Шанин В. Н. 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. DOI: 10.24189/ncr.2021.042.
- Немирова Е. С., Мартынов Б. И. К изучению растительности Смоленской области // Геогр. среда и живые системы. 2010. № 2. С. 74–79.
- Огуреева Г. Н., Леонова Н. Б., Микляева И. М., Бочарников М. В., Федосов В. Э., Мучник Е. Э., Урбанавичюс Г. П., Емельянова Л. Г., Хляп Л. А., Румянцев В. Ю., Кузиков И. В., Липка О. Н., Архипова М. В., Булдакова Е. В., Кадетов Н. Г. Биоразнообразие биомов России. Равнинные биомы / под ред. Г. Н. Огуреевой. М.: ФГБУ «ИГКЭ», 2020. 623 с.
- Рысин Л. П. Хвойные леса России // Изв. Самарского науч. центра Российской акад. наук. 2012. Т. 14. № 1(4). С. 1106–1109.
- Тихонова Е. В. Инвентаризация и классификация современного ценотического разнообразия лесной растительности НП «Смоленское Поозерье» // Биоразнообразие и функционирование лесных экосистем. М.: Товарищество науч. изд. КМК, 2021. С. 118–130.
- Ball J. G. C., Hickman S. H. M., Jackson T. D. et al. Accurate delineation of individual tree crowns in tropical forests from aerial RGB imagery using Mask R‐CNN // Remote Sensing in Ecology and Conservation. 2023. V. 9. No. 5. P. 641–655. DOI: 10.1002/rse2.332.
- Chadwick A. J., Goodbody T. R. H., Coops N. C. et al. Automatic delineation and height measurement of regenerating conifer crowns under leaf-off conditions using UAV imagery // Remote Sensing. 2020. V. 12. Iss. 24. Article 4104. DOI: 10.3390/rs12244104.
- Chen J., Wang L., Jucker T. et al. Detecting forest canopy gaps using unoccupied aerial vehicle RGB imagery in a species‐rich subtropical forest // Remote Sensing in Ecology and Conservation. 2023. V. 9. No. 5. P. 671–686. DOI: 10.1002/rse2.336.
- Diez Y., Kentsch S., Fukuda M. et al. Deep learning in forestry using UAV-acquired RGB data: A practical review // Remote Sensing. 2021. V. 13. Iss. 14. Article 2837. DOI: 10.3390/rs13142837.
- Gao T., Gao Z., Sun B. et al. An integrated method for estimating forest-canopy closure based on UAV LiDAR data // Remote Sensing. 2022. V. 14. Iss. 17. Article 4317. DOI: 10.3390/rs14174317.
- Hao Z., Lin L., Post C. J. et al. Assessing tree height and density of a young forest using a consumer unmanned aerial vehicle (UAV) // New Forests. 2021. V. 52. P. 843–862. DOI: 10.1007/s11056-020-09827-w.
- Maimaitijiang M., Sagan V., Erkbol H. et al. UAV-based sorghum growth monitoring: A comparative analysis of LiDAR and photogrammetry // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2020. V. 3. P. 489–496. DOI: 10.5194/isprs-annals-V-3-2020-489-2020.
- Mohta M. V., Azwin A., Ikhwan M. Model Pendugaan diameter pohon Eucalyptus pellita Clone EP0077AA Berbasis Citra foto (Unmanned Aerial Vehicle) // Wahana Forestra: Jurnal Kehutanan. 2024. V. 19. No. 1. P. 111–123. DOI: 10.31849/forestra.v19i1.17592.
- Nasiri V., Darvishsefat A. A., Arefi H. et al. UAV-based canopy height modeling under leaf-on and leaf-off conditions for determining tree height and crown diameter (case study: Hyrcanian mixed forest) // Canadian J. Forest Research. 2021. V. 51. No. 7. P. 962–971. DOI: 10.1139/cjfr-2020-0125.
- Nikitina A. D. Automatic segmentation of tree crowns in pine forests using Mask R-CNN on RGB imagery from UAVs // Forest Science Issues. 2024. V. 7. No. 3. Article 150. 18 p. DOI: 10.31509/2658-607x-202473-150.
- Pérez-Carrasco M., Karelovic B., Molina R. et al. Precision silviculture: Use of UAVs and comparison of deep learning models for the identification and segmentation of tree crowns in pine crops // Intern. J. Digital Earth. 2022. V. 15. No. 1. P. 2223–2238. DOI: 10.1080/17538947.2022.2152882.
- Speckenwirth S., Brandmeier M., Paczkowski S. A toolbox for fully automated tree crown segmentation based on high-resolution multispectral UAV data // Remote Sensing. 2024. V. 16. Iss. 19. Article 3660. DOI: 10.3390/rs16193660.
- Tang L., Shao G. Drone remote sensing for forestry research and practices // J. Forestry Research. 2015. V. 26. No. 4. P. 791–797. DOI: 10.1007/s11676-015-0088-y.
- Torresan C., Berton A., Carotenuto F. et al. Forestry applications of UAVs in Europe: A review // Intern. J. Remote Sensing. 2017. V. 38. No. 8–10. P. 2427–2447. DOI: 10.1080/01431161.2016.1252477.
- Wijaya F. W., Kurniawan I. F., Asyhari A. T. Automated biomass estimation leveraging instance segmentation and regression models with UAV aerial imagery and forest inventory data // 2024 IEEE Intern. Conf. on Communication, Networks and Satellite (COMNETSAT). IEEE, 2024. P. 521–528. DOI: 10.1109/COMNETSAT63286.2024.10862819.
- Zhou X., Wang H., Chen C. et al. Detection of growth change of young forest based on UAV RGB images at single-tree level // Forests. 2023. V. 14. No. 1. Article 141. DOI: 10.3390/f14010141