Оценка характеристик лесных насаждений Пермского края по данным воздушного лазерного сканирования и мультиспектральной съемки

DOI: 10.35595/2414-9179-2025-2-31-21-35

Посмотреть или загрузить статью (Rus)

Об авторах

Д.А. Богатырев

Пермский государственный национальный исследовательский университет,
ул. Букирева, д. 15, Пермь, Россия, 614990,
E-mail: gis@psu.ru

А.А. Бурдин

Пермский государственный национальный исследовательский университет,
ул. Букирева, д. 15, Пермь, Россия, 614990,
E-mail: gis@psu.ru

С.В. Пьянков

Пермский государственный национальный исследовательский университет,
ул. Букирева, д. 15, Пермь, Россия, 614990,
E-mail: gis@psu.ru

Аннотация

Оценка характеристик лесных насаждений методами дистанционного зондирования представляет собой важную и актуальную задачу в современном лесном хозяйстве, экологическом мониторинге и управлении природными ресурсами. В настоящей работе на примере участка смешанного леса на территории Березовского р-на Пермского края выполнена оценка таксационных характеристик насаждений (породы деревьев, высоты, диаметра и запаса древесины) на основе данных аэрофотосъемки и воздушного лазерного сканирования (ВЛС) с беспилотного летательного аппарата (БПЛА). Для валидации результатов проведен наземный сплошной перечет деревьев с определением перечисленных таксационных характеристик. Съемка и ВЛС выполнена с высоты 150 м с помощью БПЛА «DJI Matrice 350». Выполнена сегментация данных ВЛС для выделения отдельных деревьев, в результате которой верно распознано 962 дерева на тестовом участке, что на 10 % меньше их реального количества. На основе данных ВЛС и мультиспектральной съемки выполнена оценка таксационных характеристик (высоты, диаметра и запасов древесины) методами множественной линейной регрессии и случайного леса «Random Forest». Показано, что высота деревьев по данным ВЛС оценивается с удовлетворительной точностью (RMSE = 1,16 м), тогда как оценка диаметра стволов (RMSE = 5,40 см и запасов древесины требует совершенствования, в частности расширения обучающей выборки. При расчете запаса древесины ошибка модели составила 0,348 м3, а относительная ошибка на весь участок — 4,18 %. Для тестового участка выполнена также классификация пород деревьев на основе ортофотоплана, которая дала удовлетворительный результат.

Ключ. слова

воздушное лазерное сканирование, мультиспектральная съемка, таксационные характеристики, машинное обучение, случайный лес

Список литературы

  1. Anandakumar R., Nidamanuri R., Krishnan R. Individual Tree Detection from Airborne Laser Scanning Data Based on Supervoxels and Local Convexity. Remote Sensing Applications: Society and Environment, 2019. V. 15. No. 100242. DOI: 10.1016/j.rsase.2019.100242.
  2. Breiman L. Random Forests. Machine Learning, 2001. V. 45. Iss. 1. P. 5–32. DOI: 10.1023/A:1010933404324.
  3. Chen X., Jiang K., Zhu Y., Wang X., Yun T. Individual Tree Crown Segmentation Directly From UAV-borne LiDAR Data Using the PointNet of Deep Learning. Forests, 2021. V. 12. No. 131. DOI: 10.3390/f12020131.
  4. Dalponte M., Coomes D.A. Tree-Centric Mapping of Forest Carbon Density from Airborne Laser Scanning and Hyperspectral Data. Methods in Ecology and Evolution, 2016. V. 7. P. 1236–1245. DOI: 10.1111/2041-210X.12575.
  5. Ho T. The Random Subspace Method for Constructing Decision Forests. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998. V. 20. No. 8. P. 832–844. DOI: 10.1109/34.709601.
  6. Junttila V., Maltamo M., Kauranne T. Sparse Bayesian Estimation of Forest Stand Characteristics from Airborne Laser Scanning. Forest Science, 2008. V. 54. P. 543–552. DOI: 10.1093/forestscience/54.5.543.
  7. Kauranne T., Pyankov S., Junttila V., Kedrov A., Tarasov A., Kuzmin A., Peuhkurinen J., Villikka M., Vartio V.-M., Sirparanta S. Airborne Laser Scanning Based Forest Inventory: Comparison of Experimental Results for the Perm Region, Russia and Prior Results from Finland. Forests, 2017. V. 8. No. 72. DOI: 10.3390/f8030072.
  8. Kim D.H., Ko C.U., Kim D.G., Kang J.T., Park J.M., Cho H.J. Automated Segmentation of Individual Tree Structures Using Deep Learning over LiDAR Point Cloud Data. Forests, 2023. V. 14 (6). No. 1159. DOI: 10.3390/f14061159.
  9. Li Y., Xie D., Wang Y., Jin S., Zhou K., Zhang Z., Li W., Zhang W., Mu X., Yan G. Individual Tree Segmentation of Airborne and UAV LiDAR Point Clouds Based on The Watershed and Optimized Connection Center Evolution Clustering. Ecology and Evolution, 2023. V. 13. No. e10297. DOI: 10.1002/ece3.10297.
  10. Pu Y., Xu D., Wang H., Li X., Xu X. A New Strategy for Individual Tree Detection and Segmentation from Leaf-on and Leaf-off UAV-LiDAR Point Clouds Based on Automatic Detection of Seed Points. Remote Sensing, 2023. V. 15. No. 1619. DOI: 10.3390/rs15061619.
  11. Qian C., Yao C., Ma H., Xu J., Wang J. Tree Species Classification Using Airborne LiDAR Data Based on Individual Tree Segmentation and Shape Fitting. Remote Sensing, 2023. V. 15. No. 406. DOI: 10.3390/rs15020406.
  12. Roussel J.R., Auty D., Coops N.C., Tompalski P., Goodbody T.R.H., Sánchez Meador A., Bourdon J.F., De Boissieu F., Achim A. LidR: An R Package for Analysis of Airborne Laser Scanning (ALS) Data. Remote Sensing of Environment, 2021. V. 251. No. 112061. DOI: 10.1016/j.rse.2020.112061.
  13. Sparks A., Smith A. Accuracy of a LiDAR-Based Individual Tree Detection and Attribute Measurement Algorithm Developed to Inform Forest Products Supply Chain and Resource Management. Forests, 2022. V. 13. No. 3. DOI: 10.3390/f13010003.

Для цитирования: Богатырев Д.А., Бурдин А.А., Пьянков С.В. Оценка характеристик лесных насаждений Пермского края по данным воздушного лазерного сканирования и мультиспектральной съемки. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2025. Т. 31. Ч. 2. С. 21–35. DOI: 10.35595/2414-9179-2025-2-31-21-35

For citation: Bogatyrev D.A., Burdin A.A., Pyankov S.V. Algorithms for automation of sub tree taxation based on airborne laser scanning and multispectral imagery data. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2025. V. 31. Part 2. P. 21–35. DOI: 10.35595/2414-9179-2025-2-31-21-35 (in Russian)