RU2773144C1 - Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки - Google Patents
Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки Download PDFInfo
- Publication number
- RU2773144C1 RU2773144C1 RU2021118988A RU2021118988A RU2773144C1 RU 2773144 C1 RU2773144 C1 RU 2773144C1 RU 2021118988 A RU2021118988 A RU 2021118988A RU 2021118988 A RU2021118988 A RU 2021118988A RU 2773144 C1 RU2773144 C1 RU 2773144C1
- Authority
- RU
- Russia
- Prior art keywords
- tree
- forest
- species
- model
- points
- Prior art date
Links
- 239000002023 wood Substances 0.000 title claims abstract description 31
- 241000894007 species Species 0.000 claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000005755 formation reaction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003287 optical Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000001131 transforming Effects 0.000 claims description 3
- 235000010300 dimethyl dicarbonate Nutrition 0.000 claims 1
- MZGNSEAPZQGJRB-UHFFFAOYSA-N dimethyldithiocarbamic acid Chemical compound CN(C)C(S)=S MZGNSEAPZQGJRB-UHFFFAOYSA-N 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000000126 substance Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 241000218652 Larix Species 0.000 description 7
- 235000005590 Larix decidua Nutrition 0.000 description 7
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 5
- 241000018646 Pinus brutia Species 0.000 description 5
- 235000011613 Pinus brutia Nutrition 0.000 description 5
- GEPDYQSQVLXLEU-AATRIKPKSA-N methyl (E)-3-dimethoxyphosphoryloxybut-2-enoate Chemical compound COC(=O)\C=C(/C)OP(=O)(OC)OC GEPDYQSQVLXLEU-AATRIKPKSA-N 0.000 description 5
- 241000219495 Betulaceae Species 0.000 description 4
- 235000018185 birch Nutrition 0.000 description 4
- 235000018212 birch Nutrition 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 230000003595 spectral Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000875 corresponding Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- PFYHYHZGDNWFIF-KVTDHHQDSA-N 2,5-bis(hydroxymethyl)-3,4-dihydroxypyrrolidine Chemical compound OC[C@H]1N[C@H](CO)[C@@H](O)[C@@H]1O PFYHYHZGDNWFIF-KVTDHHQDSA-N 0.000 description 1
- PFYHYHZGDNWFIF-OMMKOOBNSA-N 2R,5R-Dihydroxymethyl-3R,4R-dihydroxy-pyrrolidine Natural products OC[C@@H]1N[C@@H](CO)[C@H](O)[C@@H]1O PFYHYHZGDNWFIF-OMMKOOBNSA-N 0.000 description 1
- 235000003932 Betula Nutrition 0.000 description 1
- 241000219429 Betula Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Abstract
Изобретение относится к технике лесной таксации, которая осуществляется при помощи данных, полученных с беспилотных летательных аппаратов (БПЛА). Сущность заявленного решения заключается в выполнении фотосъёмки БПЛА с целью формирования банка данных снимков и последующей их фотограмметрической обработки в рамках создания цифровой модели древесного полога (ЦМДП). ЦМДП применяется для дальнейшего определения запаса стволовой древесины отдельно для каждой породы деревьев. Технический результат заявленного изобретения заключается в упрощении технологии оценки запасов древесины с одновременным повышением степени точности их определения, а также увеличении площади участка определения запаса. 4 з.п. ф-лы, 5 ил., 3 табл.
Description
Область техники, к которой относится изобретение
Изобретение относится к технике лесной таксации, и может быть использовано в лесном хозяйстве, лесной промышленности и лесоустройстве в качестве технологии определения запасов древесины, используемой для перехода от съемки лесной растительности с беспилотных летательных аппаратов к информационному продукту, характеризующему таксационные параметры этой растительности.
Уровень техники
Достоверная информация о лесных ресурсах необходима для решения задач устойчивого управления лесами, лесного сектора экономики, экологии, охраны природы и смежных отраслей деятельности. Существующий уровень техники определения запаса древостоя характеризуется высокими значениями погрешностей определения - (±15%), что является недопустимым для задач планирования лесозаготовки в ближайшей перспективе.
Из уровня техники известны различные способы определения запасов древостоя.
Например, в патентном источнике RU2533022 раскрыт способ определения запаса древостоя, в соответствии с которым измеряют высоту и диаметры деревьев на высоте груди, осуществляют сплошной перечет деревьев по диаметру на высоте груди и высоте на пробной площади древостоя. Полученные данные группируют на отдельные размерные градации по диаметру на высоте груди и определяют по размерным градациям запас стволовой древесины в коре и без коры по определенным формулам.
Данный способ достаточно трудоемок в реализации и требует присутствия человека в зоне определения, что не всегда возможно осуществить.
Дистанционное определение запасов древесины раскрыто в патентном источнике RU2565280, в соответствии с которым осуществляют дистанционное зондирование таксируемой территории в различные сезоны, составляют цифровую модель рельефа, полученные данные формируют в виде базы данных со строчной структурой и пространственной привязкой, которую сравнивают по спектральным характеристикам с заранее заданными устойчивыми спектральными образами типов ландшафтного покрова, выделяют основные соответствия полученных классов заданным типам ландшафтного покрова, выделяют классы, имеющие лесохозяйственную ценность, в каждом классе, имеющем лесохозяйственную ценность, определяют число контрольных точек, на контрольных точках проводят лесотаксационные полевые описания, полученными в результате описаний лесотаксационными характеристиками дополняют базу данных, для каждой лесотаксационной характеристики, на основе значений мультиспектральных характеристик и характеристик рельефа, статистическими методами осуществляют интерполяцию ее состояний на всю таксируемую территорию.
Способ обладает низкой степенью точности вследствие того, что лесотаксационные параметры в соответствии с данным решением определяются только по спектральным характеристикам без измерений либо математического расчета количества деревьев, их высот и диаметров стволов, что затрудняет применение способа на обширных территориях.
Из уровня техники известны технические решения, обеспечивающие определение запаса стволовой древесины, в том числе, и по данным беспилотных летательных аппаратов (БИЛА). Общей схемой реализации таких решений является следующая последовательность: формирование задания на аэросъемку для БПЛА, выполнение задания, визуализация полученных изображений, фотограмметрическая обработка изображений, автоматизированное определение параметров древостоев по изображениям с использованием технологий компьютерного зрения и автоматических классификаций, моделирование параметров древостоев, в т.ч. запаса стволовой древесины.
Из уровня техники также известно решение, представленное в публикации CN105241423, и раскрывающее способ оценки объема древостоя с высокой плотностью полога на основе пары фотографических изображений беспилотного летательного аппарата (БПЛА). Исходными данными являются снимки неметрической цифровой камеры с фиксированным фокусом. После фотограмметрической обработки снимки анализируются и интерпретируются с помощью комбинированного использования технологии компьютерного зрения и технологии распознавания изображений; поэтому получают такие параметры описания древостоя, как средняя высота дерева h, средний диаметр D на уровне груди (DBH), плотность деревьев на единицу площади N, степень полога K1, степень смешения K2, класс возраста А и класс местности S. Объем древостоя М вычисляется с помощью математической модели.
Однако, известное решение не ориентировано на определение «живых» стволов деревьев. Определение стволов подобного рода происходит исключительно по ограниченному набору ключевых элементов (слов), поиск которых осуществляется в гипертекстовых файлах. В случае если в гипертекстовом файле отсутствуют ключевые элементы из известного набора, тип ствола не будет определен, что снижает точность способа и сужает возможности его применения.
Из уровня техники известна также заявка на изобретение RU2018130997. В публикации раскрыт способ использования БПЛА для вычисления продуктивности лесов и управления лесным хозяйством, в соответствии с которым формируют сигнал управления беспилотным летательным аппаратом (БПЛА) для полета над участком леса и получения изображения участка леса с помощью камеры, установленной на БПЛА; формируют показатель инвентаризации деревьев, указывающий запас деревьев на участке леса, на основании изображения; и формируют сигнал действия на основании показателя инвентаризации деревьев.
Одним из этапов способа является определение показателей инвентаризации деревьев на участке леса, в т.ч. запас деревьев, на основании визуальной информации.
Однако данное решение не содержит оценки точности расчета запаса стволовой древесины, получаемого в результате выполнения технических операций. Кроме того, в рамках известных способов не проводится оценка границ применимости разработанных методик расчета, в т.ч. отсутствует учет сведений о высоте, плотности полога, породном составе лесов, для которых проводимые расчеты можно считать приемлемыми.
Наиболее близким по технической сущности к заявляемому изобретению является решение «Новый метод определения таксационных характеристик насаждений по снимкам сверх высокого разрешения с беспилотного летательного аппарата (БПЛА)», раскрытое в источнике 
Известный метод определения таксационных характеристик древостоев объединяет в себе аллометрические зависимости запаса, средних диаметра и высоты древостоев от числа стволов на единицу площади и результаты автоматизированной обработки снимков сверхвысокого разрешения с целью определения последнего.
Однако, в результате расчета запаса стволовой древесины, в соответствии с известной методикой, наблюдаются погрешности в пределах 6-26 м3/га, что связано, по-видимому, с тем, что высоты деревьев не измеряются в поле или дистанционными методами, а вычисляются с помощью аллометрических уравнений, исходя из данных о количестве деревьев на единицу площади. Погрешности в расчете высот составляют, по данным авторов решения, от 1 до 3 м, что безусловно, влияет на общие получаемые данные об объемах древесины.
Таким образом, техническая проблема, решаемая посредством заявляемого изобретения, заключается в необходимости преодоления недостатков, присущих раскрытым выше аналогам и прототипу, за счет создания способа определения запасов стволовой древесины однородного участка леса на основе анализа снимков, полученных с беспилотных летательных аппаратов с точностью, близкой к полевым измерениям (ошибка 13% в древостоях с 1 ярусом).
Краткое раскрытие сущности изобретения
Технический результат, достигаемый при использовании заявляемого изобретения, заключается в упрощении технологии оценки запасов древесины с одновременным повышением степени точности их определения.
Заявляемое изобретение также способствует увеличению площади участка определения запаса в несколько раз по сравнению с наземными измерениями, что позволит проводить оценочные работы в более короткие сроки на большей площади.
Заявленный технический результат достигается тем, что способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки, включает
- выполнение фотоснимков заранее выбранного однородного участка леса беспилотным летательным аппаратом (БПЛА) с высоты не более 50 м и перекрытием фотографируемой площади соседних фотоснимков не менее 80% с последующих сохранением фотоснимков для формирования банка данных, содержащего в отношении каждого снимка сведения об условиях съемки, размере изображений и координатах центральных точек каждого снимка;
- обработку фотоснимков с последующим построением цифровой модели древесного полога, для чего выполняют:
а) фотограмметрическую обработку снимков с БПЛА с построением плотного облака точек плотностью не менее 300 точек на м2,
б) классификацию точек по их положению в пространстве с выделением точек, принадлежащих к земной поверхности и формированием из них цифровой модели рельефа (ЦМР) и формированием цифровой модели местности (ЦММ) из остальных точек,
в) формирование цифровой модели древесного полога посредством вычитания ЦМР из ЦММ,
- преобразование полученной цифровой модели для извлечения контуров крон деревьев с последующим их визуальным дешифрированием,
- фильтрацию полученной цифровой модели с определением количества стволов, их высот и породного состава участка леса, для чего
а) определяют положение стволов деревьев по пиковому значению максимальной высоты каждой отдельной кроны дерева
б) определяют значения высот деревьев,
в) определяют породный состав леса посредством визуального дешифрирования ортофотоплана,
- определение запаса стволовой древесины отдельно для каждой породы деревьев из выбранного участка леса с последующим суммированием результатов для всех пород по формуле ln(V)=p0+p1*ln(h),
где V - запас древесины для дерева в м3, h - высота каждого дерева, р0 и p1 - индивидуальные для каждой породы видовые поправочные коэффициенты.
Предварительно осуществляют выбор однородного участка леса по космическим снимкам оптического диапазона пространственного разрешения 10-20 м. Фотоснимки выполняют с пространственным разрешением 1-3 см. Плотное облако точек представляет собой модель объекта местности, где каждая точка характеризуется следующими атрибутами: абсолютная высота (м), яркость в трех видимых диапазонах электромагнитного спектра (синем, зеленом и красном), RGB-код. Построение цифровой модели древесного полога (ЦМДП) и ее последующую фильтрацию ведут в локальной окрестности каждого дерева.
Возможности заявляемого способа определения запаса стволовой древесины ограничены только дальностью съемки с БПЛА и значительно превышают площадь, которую можно охватить при наземных методах расчета. Способ позволяет получить таксационную характеристику древостоев с временными затратами порядка нескольких дней или недель (в зависимости от площади территории), что значительно превышает сроки обновления лесотаксационных карт (несколько лет). В способе при определении запасов стволовой древесины использованы коэффициенты аллометрических уравнений, полученные на основе измеренных высот и диаметров стволов у статистически значимого количества деревьев, позволяющие значительно повысить точность определения запаса стволовой древесины у различных пород. На каждом этапе реализации способа создается результат, позволяющий получить новые знания об изучаемой территории, в том числе, о продукционных процессах и структурно-функциональной организации леса.
В заявляемом способе использовано аллометрическое уравнение следующего вида (Zianis и др., 2005): ln(V)=p0+p1*ln(h), позволяющего оценить объем древесины на основе знания только высотных параметров деревьев, без прямого учета их (деревьев) диаметров. При этом высотные параметры деревьев могут быть определены посредством определенной обработки снимков БПЛА, а не только наземными методами исследования. Таким образом, заявляемый способ позволил в значительной степени упростить и ускорить процесс получения данных о запасах стволовой древесины на больших площадях за счет объединения технологий использования БПЛА и разработанного математического аппарата. Кроме того, определение видовых коэффициентов, используемых в уравнении, на основе обобщения данных по большому количеству пробных площадей, дало возможность повысить точность расчета. С повышением точности определения запасов стало возможным применять его на значительных площадях, что позволит с высокой степенью надежности оценивать запасы древесины на больших площадях.
Краткое описание чертежей
Заявляемое изобретение поясняется следующими изображениями, где
на фиг. 1 представлена 2D-визуализация плотного облака точек после обработки съемки БПЛА; на рисунке показан участок леса при просмотре «сбоку», и в виде точек отображены кроны взрослых деревьев, подроста, кустарников, а также подстилающей поверхности. Более плотные по тону участки изображения соответствуют большему количеству точек.
на фиг. 2 представлен вариант визуализации полученных контуров крон; рисунок представляет собой участок леса при просмотре «сверху», оттенками цвета изображается высота крон, более темным участкам соответствуют более низкие значения. Линиями показаны границы крон, выделенных автоматизировано.
на фиг. 3А и фиг. 3Б представлен результат визуального дешифрирования стволов деревьев по контурам крон, цифровой модели древесного полога (ЦМДП) (А) и ортофотоплану (Б); точками отмечены дешифрированные стволы деревьев.
на фиг. 4 представлено картографическое отображение результатов расчета запаса стволовой древесины на ортофотоплане; кругами отмечены стволы деревьев, диаметр круга пропорционален рассчитанному запасу стволовой древесины.
на фиг. 5 представлены результаты расчета запаса стволовой древесины по видовым формулам настоящей методики в сравнении с полевыми данными. По оси X располагаются значения запаса стволовой древесины, измеренные в поле на ключевых участках, по оси Y - соответствующие этим участкам значения, полученные в результате применения видовых формул использованной методики. Уравнение на графике описывает связь этих значений, коэффициент детерминации R2>0,75 свидетельствует о высокой степени связи, т.е. о высокой степени соответствия рассчитанных значений запаса измеренным.
Осуществление изобретения
Способ реализуют последовательным выполнением следующих этапов.
1. Предварительно осуществляют выбор однородного участка по космическим снимкам оптического диапазона высокого пространственного разрешения (10-20 м), предпочтительно, используют данные, полученные съемкой Sentinel-2 MSI (https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi). Участок выбирают таким образом, чтобы он оказался типичным для большой территории, в результате чего последующий расчет запаса стволовой древесины мог бы быть при необходимости экстраполирован на прилегающие участки. Использование космических снимков значительно ускоряет выбор типичного для большой территории участка леса, подлежащего съемке с БПЛА. При таком подходе можно исключить, или, наоборот, специально исследовать участки, пострадавшие от пожаров, болезней или ураганов деревья. Таким образом, в результате данного этапа получают географические координаты выбранного участка, которые используют для формирования полетного задания БПЛА на этапе 2.
2. Для выбранного участка леса формируют банк снимков, выполненных с использованием малых беспилотных летательных аппаратов (БПЛА), например, мультироторного типа. Современные бюджетные модели таких БПЛА (например, серий DJI Phantom, DJI Mavic и др.) имеют небольшой вес, и оснащены оптической камерой, гиростабилизирующей платформой и навигационным приемником глобальной спутниковой системы позиционирования (GNSS). Съемка участка с БПЛА проводится в ручном или автоматическом режиме. Для повышения точности определения запасов древесины и для обеспечения приемлемого (1-3 см) пространственного разрешения съемку выполняют с высоты не более 50 м от поверхности земли, и с перекрытием между снимками не менее 80%. Полученные снимки записывают в формате jpeg; каждый снимок имеет метаданные в формате EXIF, содержащие информацию об условиях съемки, размере изображений и координатах центральных точек каждого снимка. Набор снимков для выбранного участка переносят с карты памяти БПЛА в память персональных компьютеров для дальнейшей обработки.
3. Снимки, полученные на этапе 2, могут быть обработаны с использованием программного обеспечения, например, Agisoft Photoscan (https://www.agisoft.com/) и Global Mapper (https://www.bluemarblegeo.com/global-mapper/). Предварительная обработка данных БПЛА заключается в стереофотограмметрической обработке полученного набора снимков для каждого участка съемки плотного облака точек и ортофотоплана. Предварительная обработка данных включает следующие шаги (Медведев и др., 2020):
3.1. Подготовка материалов - получение плотного облака точек (фиг. 1). Плотное облако точек представляет собой модель объекта местности, отражающую его геометрию в трехмерной системе координат. Плотное облако точек формируется в результате автоматизированной фотограмметрической обработки снимков с БПЛА после их выравнивания, и построения набора связующих точек (Руководство пользователя Agisoft Metashape…, 2019). При построении плотного облака для каждой принадлежащей ему точки определяют и записывают следующие атрибуты: абсолютная высота в м, яркость в трех видимых диапазонах электромагнитного спектра (синем, зеленом и красном), RGB-код. При рекомендованном методе проведения съемки в ручном режиме с высоты 50 м с высоким перекрытием между снимками плотность результирующего фотограмметрического плотного облака точек составляет не менее 300 точек на м2. Такая высокая плотность облака позволяет детально реконструировать геометрические и цветовые параметры объектов местности, в т.ч. кроны, ветви, стволы отдельных деревьев, кустарников и т.д.
3.2. Удаление шумов. Шумами в фотограмметрическом плотном облаке точек являются точки, координаты которых в трехмерном пространстве результате фотограмметрической обработки снимков с БПЛА были определены ошибочно. Такие точки могут быть расположены по краям области съемки, и находится на большом отдалении от основного облака точек. Удаление шумов может проводиться автоматизировано по определенным критериям (напр., стандартному отклонению высоты точек) и контролироваться вручную;
3.3. Классификация точек - разделение всех точек облака на два класса: «земная поверхность и «прочее» (этот класс соответствует растительности на лесных территориях). Используются автоматизированные алгоритмы (Руководство…, 2021) классификации облака точек, основанные на выделении точек, принадлежащих классу «земная поверхность», по их положению в трехмерном пространстве. На этом этапе требуется задание пользователем таких специфических для участка съемки параметров как размер локальной окрестности, эквивалентный диаметру крон деревьев, стандартное отклонение высоты точек от среднего по окрестности; средний уклон и диапазон высот земной поверхности в пределах всего участка.
4. На данном этапе из плотного облака точек, относящихся к классу «земля», создают цифровую модель рельефа (ЦМР), а из неклассифицированного облака точек - цифровую модель местности (ЦММ). Далее путем вычитания ЦМР из ЦММ получают цифровую модель древесного полога, то есть поверхности крон деревьев (ЦМДП) (Create a canopy…, 2020, Lisein, 2013).
5. Преобразование полученной ЦМДП, например, в ПО SAGA GIS (Conrad et al., 2015) для извлечения контуров крон деревьев. Обработка на данном этапе включает следующие шаги:
5.1. Импорт ЦМДП, полученной на предыдущем этапе, в ПО SAGA GIS;
5.2. Сглаживание. Так как модель древесного полога представляет собой файл большого объема с высокой детализацией, в ней могут быть пиксели со значениями, сильно отличающимися от соседних, и это затрудняет выделение отдельных крон деревьев. Для сглаживания применяется низкочастотный фильтр Гаусса, который обеспечивает размытие изображения с использованием функции нормального распределения (Гонсалес Вудс, 2005)). В пределах окна заданного размера на изображении происходит взвешенное осреднение значения высоты для центрального пиксела окна с учетом всех высот пикселов, попадающих в окно, наибольший вес имеют высоты пикселов, наиболее близких к центру. Далее окно (т.н. «скользящее окно»), сдвигается на 1 пиксел, происходит осреднение высоты для следующего пиксела и т.д, позволяя в результате получить более сглаженный рельеф поверхности крон деревьев.
5.3. Сегментация - процесс объединения пикселов вокруг локального максимума высоты и отделения их от пикселов соседней кроны (по минимальным значениям высоты на границах крон и в межкроновых просветах). Наращивание сегментов, объединяющих пиксели, соответствующих на разных высотных уровнях проекциям крон и межкроновых просветов, выполняется методом водораздела, реализованном в открытом геоинформационном программном обеспечении SAGA GIS (Conrad et al., 2015).
5.4. Выбор сегментов на разных высотных уровнях. Для отсечения крон деревьев от кустарникового и кустарничкового ярусов производится выборка сегментов только со значениями высоты более 2 метров;
5.5. Векторизация выбранных сегментов позволяет выделить контуры крон с присвоением каждой кроне значения высоты ее пика. Может быть реализована в открытом геоинформационном программном обеспечении, например, SAGA GIS (Conrad et al., 2015).
5.6. Экспорт векторных контуров крон в полигональный шейпфайл. Один из вариантов визуализации полученных контуров крон представлен на фиг. 2.
После выполнения данных шагов для многоярусных лесных насаждений может оказаться, что некоторые кроны выделяются некорректно, и такие данные не могут полноценно использоваться для дальнейшего анализа при использовании заявляемого способа. Потому следующий этап выделения стволов деревьев по кронам происходит с помощью визуального дешифрирования контуров крон, ЦМДП и ортофотоплана.
6. Визуальное дешифрирование отдельных деревьев по контурам крон (этап 5.6), ЦМДП (этап 5) и ортофотоплану (этап 3) с получением точечного шейп-файла (фиг. 3) включает следующие шаги:
6.1 Определение положение ствола дерева по пику максимальной высоты на ЦМДП внутри полигона (сегмента) каждой отдельной кроны дерева и создание точечного шейп-файла стволов деревьев.
6.2. Определение высот деревьев. С помощью, например, геоинформационного ПО (например, ArcGIS или QGIS) в точках стволов производится извлечение высот деревьев из ЦМДП.
6.3. Определение породного состава леса с помощью визуального дешифрирования ортофотоплана и занесение названия пород в атрибутивную таблицу точек стволов. В результате данного этапа получается шейп-файл, содержащий точки деревьев, их координаты и породу дерева.
7. Выбор аллометрических уравнений для расчета запаса стволовой древесины. Были выбраны формулы из работы Zianis et al., 2005, поскольку этот сборник основан на большом массиве эмпирических данных по лесным площадкам в различных регионах. В общем виде формула имеет вид:
ln(V)=p0+p1*ln(h),
где V - запас древесины для дерева в м3, h - высота каждого дерева, р0 и p1 - поправочные коэффициенты (видовые числа), определяемые в зависимости от породы дерева. Предусмотрен вариант коэффициентов для случая, если порода дерева не определена. Значения коэффициентов р0 и p1 получены в результате осреднения коэффициентов различных уравнений, приведенных для различных тестовых площадок по породам в сборнике (Zianis и др., 2005) и представлены в таблице 1 для определенных видов деревьев.
8. Определение запаса стволовой древесины проводят для каждой породы по выбранным уравнениям с последующим суммированием полученных результатов для выбранного участка леса. Картографическое отображение результатов расчета запаса стволовой древесины представлено на фиг. 4.
Точность определения запасов стволовой древесины по настоящей методике зависит, в том числе, и от сомкнутости, вертикальной структуры и породного состава древостоя. Наилучшие результаты, мало отличающиеся от наземных измерений, получают в древостоях, состоящих из одного главного яруса деревьев, без подлеска, в которых кроны отдельных деревьев четко выделяются. Если в вертикальной структуре древостоя много деревьев второго яруса, а также подлеска, и они хорошо видны между главными кронами, это может привести к погрешностям (например, часть деревьев второго яруса прячется под первым, в результате запас древесины занижается). Наиболее четко выделяются кроны лиственниц и сосен, для берез с их более плотной листвой и разнообразной формой крон возможны дополнительные искажения.
Пример конкретного выполнения
Заявляемый способ протестирован на пробных площадках в Якутии. В таблице 2 представлены основные показатели для каждого дерева на площадке. Последовательность действий при расчетах была следующая:
1. Определение видовых коэффициентов для каждого дерева (р0, p1);
2. Использование формулы для получения запаса древесины;
Суммированием получали общий запас древесины для каждой рассматриваемой площадки и после переводили полученные значения на площадь в 1 га. Пример подсчета запаса древесины показан в таблице 3:
Из приведенной выше таблицы следует, что наибольшим запасом древесины обладает лиственничный лес - в среднем 200 м3 на га. Березовые и сосновые леса характеризуются наименьшим запасом древесины (менее 8 м3 на га), что связано с малыми высотами и биологическими особенностями данных пород. Например, на участке соснового леса на пробной площади №11 происходит восстановление лесов после лесных пожаров, соответственно все деревья достаточно молодые и не обладают большими запасами древесины. Восстановление леса также наблюдается на пробной площади 10 (лиственничное редколесье), где сомкнутость леса является минимальной, как и рассчитанный запас древесины.
Далее на площадках было проведено сравнение запаса, рассчитанного в соответствии с настоящим способом, с запасом, рассчитанным по данным полевых измерений параметров деревьев. На графике фиг. 5 видно, что рассчитанные показатели демонстрируют тесную положительную связь с коэффициентом детерминации 0,76, что позволяет говорить о надежности расчетов запаса, проведенных по заявленной методике. За значимую положительную связь мы принимаем таковую с R2 более 0,5, за слабую положительную - с R2 от 0,3 до 0,5.
Для различных пробных площадей расхождения запаса стволовой древесины, рассчитанного на основе данных БПЛА по аллометрическим уравнениям, и рассчитанных на основе тех же уравнений по полевым измерениям принимают значения от 13%. Наименьшие расхождения наблюдаются для пробной площади березового леса с подростом лиственницы (13%), наибольшие - для лиственничных редколесий и мертвопокровного соснового леса. Повышенные расхождения связаны, по всей видимости, с наличием большого количества подроста вследствие лесовосстановления после лесного пожара, который плохо отображается на снимках с БПЛА.
Наименьшие расхождения наблюдаются для пробной площади березового леса с подростом лиственницы (№2), результаты расчетов по данным наземных наблюдений и съемки с БПЛА там не сильно отличаются и составляют 25 м3/га и 22 м3/га соответственно.
Таким образом, оценка точности результатов заявляемого способа проводилась на основе полевых данных о лиственничных, сосновых, березовых и смешанных древостоях, собранных в 2019 г. на пробных площадях в Центральной Якутии. На 11 площадках размером 20×20 м полевыми измерениями были определены количество деревьев, высота и порода каждого дерева. Расхождения между количеством оцифрованных на пробной площади стволов деревьев (этап 6 способа) и их количеством по данным наземных измерений составляют около 13%. Определение породного состава древостоя (этап 6) и использование коэффициентов для пород в аллометрических уравнениях (этап 7) существенно повышает точность расчета запаса стволовой древесины. Связь значений запаса, определенных в соответствии с заявляемым способом, и значений, полученных в результате полевых измерений, тесная положительная, коэффициент детерминации R2 составляет 0,76 (фиг. 5).
Уникальность изобретения состоит в реализации системного междисциплинарного подхода к расчету запаса стволовой древесины, позволяющего достичь результата для больших площадей леса, сопоставимого с наземными методами расчета, точно, оперативно и с оптимальными трудозатратами.
СПИСОК ЛИТЕРАТУРЫ
1. Create a Canopy Height Model With Lidar Data // Earth Data Science - Earth Lab [Электронный ресурс]. URL: https://www.earthdatascience.org/courses/earth-analytics/lidar-raster-data-r/lidar-chm-dem-dsm/ (дата обращения: 25.01.2021).
2. Lisein J., Pierrot-Deseilligny M., Bonnet S., Lejeune P. A Photogrammetric Workflow for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial System Imagery//Forests, 2013, Vol. 4, No. 4, P. 922-944.
3. Zianis D., Muukkonen P., Mencuccini M, Makipaa R. Biomass and stem volume equations for tree species in Europe / Silvia Fennica Monographs, 2005.
4. Медведев А.А., Тельнова H.О., Кудиков А.В., Алексеенко H.А. Анализ и картографирование структурных параметров редкостойных северотаежных лесов на основе фотограмметрических облаков точек // Современные проблемы дистанционного зондирования Земли из космоса, 2020, Vol. 17, No. 1, P. 150-163.
5. Гонсалес Р.С, Вудс Р. Цифровая обработка изображений. - Москва: Техносфера, 2005. - 1070 р.
6. Руководство пользователя Agisoft Metashape: Professional edition, версия 1.5. Agisoft Metashape User Manual: Professional Edition, Version 1.6 [Электронный ресурс]. URL: https://www.agisoft.com/pdf/metashape-pro_1_6_ru.pdf (дата обращения: 18.06.2021).
7. Conrad. O., Bechtel, В., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., and Boehner, J. (2015): System for Automated Geoscientific Analyses (SAGA) v. 2.1.4. Gcosci. Model Dev.. 8, 1991-2007, doi:10.5194/gmd-8-1991-20l5.
Claims (17)
1. Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки, включающий
- выполнение фотоснимков заранее выбранного однородного участка леса беспилотным летательным аппаратом (БПЛА) с высоты не более 50 м с перекрытием фотографируемой площади соседних фотоснимков не менее 80%, с последующим сохранением фотоснимков для формирования банка данных, содержащего в отношении каждого снимка сведения об условиях съемки, размере изображений и координатах центральных точек каждого снимка;
- обработку фотоснимков с последующим построением цифровой модели древесного полога, для чего выполняют:
а) фотограмметрическую обработку снимков с БПЛА с построением плотного облака точек плотностью не менее 300 точек на м2,
б) классификацию точек по их положению в пространстве с выделением точек, принадлежащих к земной поверхности, формированием из них цифровой модели рельефа (ЦМР) и формированием цифровой модели местности (ЦММ) из остальных точек,
в) формирование цифровой модели древесного полога посредством вычитания ЦМР из ЦММ,
- преобразование полученной цифровой модели для извлечения контуров крон деревьев с последующим их визуальным дешифрированием,
- фильтрацию полученной цифровой модели с определением количества стволов, их высот и породного состава участка леса, для чего
а) определяют положение стволов деревьев по пиковому значению максимальной высоты каждой отдельной кроны дерева,
б) определяют значения высот деревьев,
в) определяют породный состав леса посредством визуального дешифрирования ортофотоплана,
- определение запаса стволовой древесины отдельно для каждой породы деревьев из выбранного участка леса с последующим суммированием результатов для всех пород по формуле ln(V)=p0+p1*ln(h),
где V - запас древесины для дерева в м3, h - высота каждого дерева, р0 и p1 - индивидуальные для каждой породы видовые поправочные коэффициенты.
2. Способ по п. 1, отличающийся тем, что предварительно осуществляют выбор однородного участка леса по космическим снимкам оптического диапазона пространственного разрешения 10-20 м.
3. Способ по п. 1, отличающийся тем, что фотоснимки выполняют с пространственным разрешением 1-3 см.
4. Способ по п. 1, отличающийся тем, что плотное облако точек представляет собой модель объекта местности, где каждая точка характеризуется следующими атрибутами: абсолютная высота (м), яркость в трех видимых диапазонах электромагнитного спектра (синем, зеленом и красном), RGB-код.
5. Способ по п. 1, отличающийся тем, что построение цифровой модели древесного полога (ЦМДП) и ее последующую фильтрацию ведут в локальной окрестности каждого дерева.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2773144C1 true RU2773144C1 (ru) | 2022-05-31 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620171A (zh) * | 2022-12-20 | 2023-01-17 | 中化现代农业有限公司 | 树林蓄积量评估方法、装置、设备及存储介质 |
| RU2812666C1 (ru) * | 2023-07-31 | 2024-01-31 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Устройство пространственно-спектральной классификации гиперспектральных изображений |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2533022C1 (ru) * | 2013-06-11 | 2014-11-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежская государственная лесотехническая академия" | Способ определения запаса древостоя |
| RU2565280C2 (ru) * | 2012-04-04 | 2015-10-20 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ НАУКИ ИНСТИТУТ ПРОБЛЕМ ЭКОЛОГИИ И ЭВОЛЮЦИИ им. А.Н. СЕВЕРЦОВА РОССИЙСКОЙ АКАДЕМИИ НАУК (ИПЭЭ РАН) | Способ лесотаксации территории |
| CN105243050A (zh) * | 2015-09-18 | 2016-01-13 | 北京林业大学 | 一种计算林分最大蓄积量的方法 |
| CN105241423B (zh) * | 2015-09-18 | 2017-03-08 | 北京林业大学 | 一种基于无人机摄影像对高郁闭度林分蓄积量的估算方法 |
| CN104867180B (zh) * | 2015-05-28 | 2017-09-15 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
| RU2716477C1 (ru) * | 2019-05-30 | 2020-03-11 | Дмитрий Михайлович Михайлов | Система мониторинга лесопользования и лесопатологических изменений |
| US10614562B2 (en) * | 2015-07-31 | 2020-04-07 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
| CN108896021B (zh) * | 2018-08-03 | 2020-05-26 | 南京林业大学 | 基于航空摄影测量点云提取人工林林分结构参数的方法 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2565280C2 (ru) * | 2012-04-04 | 2015-10-20 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ НАУКИ ИНСТИТУТ ПРОБЛЕМ ЭКОЛОГИИ И ЭВОЛЮЦИИ им. А.Н. СЕВЕРЦОВА РОССИЙСКОЙ АКАДЕМИИ НАУК (ИПЭЭ РАН) | Способ лесотаксации территории |
| RU2533022C1 (ru) * | 2013-06-11 | 2014-11-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежская государственная лесотехническая академия" | Способ определения запаса древостоя |
| CN104867180B (zh) * | 2015-05-28 | 2017-09-15 | 南京林业大学 | 一种集成uav与lidar的森林林分特征反演方法 |
| US10614562B2 (en) * | 2015-07-31 | 2020-04-07 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
| CN105243050A (zh) * | 2015-09-18 | 2016-01-13 | 北京林业大学 | 一种计算林分最大蓄积量的方法 |
| CN105241423B (zh) * | 2015-09-18 | 2017-03-08 | 北京林业大学 | 一种基于无人机摄影像对高郁闭度林分蓄积量的估算方法 |
| CN108896021B (zh) * | 2018-08-03 | 2020-05-26 | 南京林业大学 | 基于航空摄影测量点云提取人工林林分结构参数的方法 |
| RU2716477C1 (ru) * | 2019-05-30 | 2020-03-11 | Дмитрий Михайлович Михайлов | Система мониторинга лесопользования и лесопатологических изменений |
Non-Patent Citations (1)
| Title |
|---|
| Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: материалы международной конференции (14-15 окт. 2015 г.) / Отв. ред. проф. Э.А. Курбанов [Электронный ресурс]. − Электрон. дан.− Йошкар-Ола: Поволжский государственный технологический университет, 2015. − 121 с. А. А. Медведев, Н. О. Тельнова, А. В. Кудиков, Н. А. Алексеенко "Анализ и картографирование структурных параметров редкостойных северотаёжных лесов на основе фотограмметрических облаков точек" / Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т.17. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620171A (zh) * | 2022-12-20 | 2023-01-17 | 中化现代农业有限公司 | 树林蓄积量评估方法、装置、设备及存储介质 |
| RU2812666C1 (ru) * | 2023-07-31 | 2024-01-31 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Устройство пространственно-спектральной классификации гиперспектральных изображений |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Comert et al. | Mapping of shallow landslides with object-based image analysis from unmanned aerial vehicle data | |
| Pascual et al. | Object-based semi-automatic approach for forest structure characterization using lidar data in heterogeneous Pinus sylvestris stands | |
| Popescu et al. | Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass | |
| Kattenborn et al. | Automatic single tree detection in plantations using UAV-based photogrammetric point clouds | |
| JP3865764B1 (ja) | 森林資源調査方法および森林資源調査装置 | |
| US8111924B2 (en) | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest | |
| US7639842B2 (en) | Remote sensing and probabilistic sampling based forest inventory method | |
| Khokthong et al. | Drone-based assessment of canopy cover for analyzing tree mortality in an oil palm agroforest | |
| Shendryk et al. | Bottom-up delineation of individual trees from full-waveform airborne laser scans in a structurally complex eucalypt forest | |
| Guan et al. | Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images | |
| CN103364781A (zh) | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 | |
| Coluzzi et al. | On the LiDAR contribution for landscape archaeology and palaeoenvironmental studies: the case study of Bosco dell'Incoronata (Southern Italy) | |
| Dell et al. | Detection of necrotic foliage in a young Eucalyptus pellita plantation using unmanned aerial vehicle RGB photography–a demonstration of concept | |
| CN111950336A (zh) | 基于背包式激光雷达的植被冠层生态水估算方法 | |
| Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
| Zhang et al. | A tree detection method based on trunk point cloud section in dense plantation forest using drone LiDAR data | |
| Sedliak et al. | Classification of tree species composition using a combination of multispectral imagery and airborne laser scanning data | |
| Rinnamang et al. | Estimation of aboveground biomass using aerial photogrammetry from unmanned aerial vehicle in teak (Tectona grandis) plantation in Thailand | |
| CN115223062B (zh) | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 | |
| RU2773144C1 (ru) | Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки | |
| Mweresa et al. | Estimation of tree distribution and canopy heights in ifakara, tanzania using unmanned aerial system (UAS) stereo imagery | |
| Berveglieri et al. | Forest cover change analysis based on temporal gradients of the vertical structure and density | |
| Raeva et al. | Optimized post-processing of multiple UAV images for forestry inspections | |
| Aleshko et al. | Development of methods for automated determination of forest resource parameters using multispectral survey data from unmanned aerial vehicles | |
| Jiménez-Bello et al. | Use of remote sensing and geographic information tools for irrigation management of citrus trees |