Статья

Наталья Владимировна Иванова, к.б.н., н.с. Института математических проблем биологии РАН – филиал Федерального государственного учреждения «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (142290, Россия, Московская обл., г. Пущино, ул. Проф. Виткевича, д.1); iD ORCID: https://orcid.org/0000-0003-4199-5924; e-mail: natalya.dryomys@gmail.com
Максим Петрович Шашков, н.с. Института физико-химических и биологических проблем почвоведения ФИЦ ПНЦБИ РАН (142290, Россия, Московская область, г. Пущино, ул. Институтская, д. 2, к. 2); iD ORCID: https://orcid.org/0000-0002-1328-8758; e-mail: max.carabus@gmail.com
Владимир Николаевич Шанин, к.б.н., с.н.с. Института физико-химических и биологических проблем почвоведения ФИЦ ПНЦБИ РАН (142290, Россия, Московская область, г. Пущино, ул. Институтская, д. 2, к. 2); iD ORCID: https://orcid.org/0000-0002-8294-7796; e-mail: shaninvn@gmail.com

Иванова Н.В., Шашков М.П., Шанин В.Н. 2021. Исследование структуры древостоев сосновых лесов Приокско-Террасного биосферного заповедника (Россия) по материалам аэрофотосъемки с квадрокоптера // Nature Conservation Research. Заповедная наука. Т. 6(4). С. 1–14. https://dx.doi.org/10.24189/ncr.2021.042

Исследование выполнено в Приокско-Террасном биосферном заповеднике (Московская область, Россия) на трех участках сосновых лесов (50 × 50 м каждый), различающихся по составу и возрасту. Цель работы – изучение структуры древостоя по фотограмметрическим облакам точек и цифровым моделям высот древесного полога (CHM). Для проведения аэрофотосъемки использовали квадрокоптер DJI Phantom 4. На основе полученных фотографий в программе Agisoft Metashape для каждого участка строили фотограмметрическое облако точек и ортофотоплан. Затем облака точек обрабатывали в среде статистического программирования R при помощи функций специализированного пакета lidR. Точки класса «земная поверхность» выделяли по алгоритму csf, затем выполняли нормализацию облака точек по алгоритму пространственной интерполяции tin. Далее проводили поиск вершин отдельных деревьев (локальных максимумов) с использованием алгоритма lmf. Для верификации полученных результатов на каждом участке выполняли наземные учеты деревьев. На основе этих данных оценивали полноту обнаружения деревьев алгоритмом r (recall), качество обнаружения деревьев p (precision) и средневзвешенную оценку F (F-score). На следующем этапе из нормализованных облаков точек для каждого участка строили CHM (30 см/пиксель) по алгоритму pit-free и выполняли сегментацию крон деревьев двумя методами: водоразделов (watershed segmentation) и расширяющихся областей (region-growing segmentation). Полученные результаты сравнивали с оценками, полученными путем ручного дешифрирования ортофотопланов. Результаты исследования показали высокое качество автоматического детектирования вершин, алгоритмом найдено от 46.7% до 87.5% деревьев, учтенных на пробных участках наземными методами. Полнота обнаружения деревьев r варьировала от 0.5 до 0.9, качество обнаружения деревьев p от 0.9 до 1.0, а средневзвешенная оценка F, учитывающая оба эти показателя, от 0.7 до 0.9. Наилучшие результаты получены для участка одноярусного древостоя, где преобладали крупные деревья. Ярусность и неоднородности в лесном пологе снижали качество автоматического детектирования. Высоты, оцененные по фотограмметрическим облакам точек, хорошо согласовывались с высотами, измеренными наземными методами. Зависимость описывалась прямой у = 0.99х при R² = 0.99. Оaценки общей площади крон, полученные по цифровым моделям высот с использованием метода водоразделов и метода с расширяющимися областями, как правило, превышали результаты ручной векторизации ортофотоплана. Различия между автоматическими и полученными вручную оценками достигали 25.1%. Разница в результатах, полученных при помощи двух алгоритмов, для одних и тех же участков составляла от 0.2% до 19.7%. Более качественные оценки отмечены для участков с более разреженным древостоем. В целом, результаты работы показали, что по фотограмметрическим облакам точек можно быстро получить качественные оценки численности и высот деревьев в одноярусных сосновых лесах, что подтверждает перспективность использования этих методов для изучения структуры древостоев. Широко используемые алгоритмы сегментации крон деревьев не дают надежных оценок, получаемые результаты нуждаются в дополнительной коррекции.

Agisoft Metashape, lidR, БПЛА, фотограмметрические облака точек, цифровые модели высот древесного полога

Поступила: 13.03.2021. Исправлена: 28.05.2021. Принята к опубликованию: 02.07.2021.

Алешко Р.А., Алексеева А.А., Шошина К.В., Богданов А.П., Гурьев А.Т. 2017. Разработка методики актуализации информации о лесном участке с использованием снимков со спутников и малых БПЛА // Современные проблемы дистанционного зондирования Земли из космоса. Т. 14(5). С. 87–99. DOI: 10.21046/2070-7401-2017-14-5-87-99
Архипов В.Ю., Мурашев И.А., Буйволов Ю.А. 2020. Птицы Приокско-Террасного биосферного заповедника: (аннотированный список видов). М.: Товарищество научных изданий КМК. 80 с. (Флора и фауна заповедников. Вып. 135).
Богданов А.П., Алешко Р.А., Ильинцев А.С. 2019. Выявление взаимосвязи диаметра крон деревьев с различными таксационными показателями в северо-таежном лесном районе // Вопросы лесной науки. Т. 2(4). С. 1–10. DOI: 10.31509/2658-607x-2019-2-4-1-10
Денисов С.А., Домрачев А.А., Елсуков А.С. 2016. Опыт применения квадрокоптера для мониторинга возобновления леса // Вестник Поволжского государственного технологического университета. Серия: Лес. Экология. Природопользование. №4(32). С. 34–46. DOI: 10.15350/2306-2827.2016.4.34
Домнина Е.А., Тимонов А.С., Кантор Г.Я., Кислицына А.П., Савиных В.П. 2017. Опыт составления детальной карты растительности пойменного луга // Теоретическая и прикладная экология. №1. С. 42–49. DOI: 10.21046/2070-7401-2020-17-1-150-163
Ершов Д.В., Гаврилюк Е.А., Белова Е.И., Никитина А.Д. 2020. Определение породной структуры лесного участка по ортофотопланам беспилотной аэрофотосъемки // Актуальные проблемы современного лесоводства. Симферополь: АРИАЛ. С. 141–152.
Заугольнова Л.Б. (ред.). 2000. Оценка и сохранение биоразнообразия лесного покрова в заповедниках Европейской России. М.: Научный мир. 196 с.
Иванова Н.В., Шашков М.П., Шанин В.Н., Грабарник П.Я. 2020. Оценка качества автоматического детектирования деревьев по материалам аэрофотосъемки с помощью квадрокоптера // Математическая биология и биоинформатика. Т. 8. Пущино: ИМПБ РАН. Статья: e36. DOI: 10.17537/icmbb20.31
Ковязин В.Ф., Виноградов К.П., Киценко А.А., Васильева Е.А. 2020. Воздушное лазерное сканирование для уточнения таксационных характеристик древостоев // Известия высших учебных заведений. Лесной журнал. №6. С. 42–54. DOI: 10.37482/0536-1036-2020-6-42-54
Медведев А.А., Тельнова Н.О., Кудиков А.В. 2019. Дистанционный высокодетальный мониторинг динамики зарастания заброшенных сельскохозяйственных земель лесной растительностью // Вопросы лесной науки. №3. DOI: 10.31509/2658-607x-2019-2-3-1-12
Медведев А.А., Тельнова Н.О., Кудиков А.В., Алексеенко Н.А. 2020. Анализ и картографирование структурных параметров редкостойных северотаежных лесов на основе фотограмметрических облаков точек // Современные проблемы дистанционного зондирования Земли из космоса. Т. 17(1). С. 150–163. DOI: 10.21046/2070-7401-2020-17-1-150-163
Санников П.Ю., Андреев Д.Н., Бузмаков С.А. 2018. Выявление и анализ сухостоя при помощи беспилотного летательного аппарата // Современные проблемы дистанционного зондирования Земли из космоса. Т. 15(3). С. 103–113. DOI: 10.21046/2070-7401-2018-15-3-103-113
Agisoft LLC. 2019. Agisoft Metashape (Version 1.5). Software. Available from: https://www.agisoft.com/
Alonzo M., Bookhagen B., Roberts D.A. 2014. Urban tree species mapping using hyperspectral and lidar data fusion // Remote Sensing of Environment. Vol. 148. P. 70–83 DOI: 10.1016/j.rse.2014.03.018
Alonzo M., Andersen H.E., Morton D.C., Cook B.D. 2018. Quantifying Boreal Forest Structure and Composition Using UAV Structure from Motion // Forests. Vol. 9(3). Article: 119. DOI: 10.3390/f9030119
Anderson K., Gaston K.J. 2013. Lightweight unmanned aerial vehicles will revolutionize spatial ecology // Frontiers in Ecology and the Environment. Vol. 11(3). P. 138–146. DOI: 10.1890/120150
Bennett G., Hardy A., Bunting P., Morgan P., Fricker A. 2020. A Transferable and Effective Method for Monitoring Continuous Cover Forestry at the Individual Tree Level Using UAVs // Remote Sensing. Vol. 12(13). Article: 2115. DOI: 10.3390/rs12132115
Birdal A.C., Avdan U., Türk T. 2017. Estimating tree heights with images from an unmanned aerial vehicle // Geomatics, Natural Hazards and Risk. Vol. 8(2). P. 1144–1156. DOI: 10.1080/19475705.2017.1300608
Chen Q., Baldocchi D., Gong P., Kelly M. 2006. Isolating individual trees in a savanna woodland using small footprint lidar data // Photogrammetric Engineering and Remote Sensing. Vol. 72(8). P. 923–932. DOI: 10.14358/PERS.72.8.923
Dalponte M., Coomes D.A. 2016. Tree-centric mapping of forest carbon density from airborne laser scanning and hyperspectral data // Methods in Ecology and Evolution. Vol. 7(10). P. 1236–1245. DOI: 10.1111/2041-210X.12575
Dandois J., Ellis E.C. 2013. High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision // Remote Sensing of Environment. Vol. 136. P. 259–276. DOI: 10.1016/j.rse.2013.04.005
Eysn L., Hollaus M., Lindberg E., Berger F., Monnet J.M., Dalponte M., Kobal M., Pellegrini M., Lingua E., Mongus D., Pfeifer P. 2015. A benchmark of lidar-based single tree detection methods using heterogeneous forest data from the alpine space // Forests. Vol. 6(5). P. 1721–1747. DOI: 10.3390/f6051721
Goutte C., Gaussier E. 2005. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation // Proceedings of the European Conference on Information Retrieval. Berlin/Heidelberg: Springer. P. 345–359.
Hansen E.H., Gobakken T., Bollandsås O.M., Zahabu E., Næsset E. 2015. Modeling aboveground biomass in dense tropical submontane rainforest using airborne laser scanner data // Remote Sensing. Vol. 7(1). P. 788–807. DOI: 10.3390/rs70100788
Hudak A.T., Haren A.T., Crookston N.L., Liebermann R.J., Ohmann J.L. 2014. Imputing forest structure attributes from stand inventory and remotely sensed data in western Oregon, USA // Forest Science. Vol. 60(2). P. 253–269. DOI: 10.5849/forsci.12-101
Khosravipour A., Skidmore A.K., Skidmore M., Wang T., Hussin Y. 2014. Generating Pit-free Canopy Height Models from Airborne Lidar // Photogrammetric Engineering and Remote Sensing. Vol. 80(9). P. 863–872. DOI: 10.14358/PERS.80.9.863
Koch B., Heyder U., Weinacker H. 2006. Detection of individual tree crowns in airborne lidar data // Photogrammetric Engineering and Remote Sensing. Vol. 72(4). P. 357–363. DOI: 10.14358/PERS.72.4.357
Kolarik N.E., Gaughan A.E., Stevens F.R., Pricope N.G., Woodward K., Cassidy L., Salerno J., Hartter J. 2020. A multi-plot assessment of vegetation structure using a micro-unmanned aerial system (UAS) in a semi-arid savanna environment // ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 164. P. 84–96. DOI: 10.1016/j.isprsjprs.2020.04.011
Krisanski S., Taskhiri M.S., Turner P. 2020. Enhancing Methods for Under-Canopy Unmanned Aircraft System Based Photogrammetry in Complex Forests for Tree Diameter Measurement // Remote Sensing. Vol. 12(10). Article: 1652. DOI: 10.3390/rs12101652
Li W., Guo Q., Jakubowski M.K., Kelly M. 2012. A new method for segmenting individual trees from the lidar point cloud // Photogrammetric Engineering and Remote Sensing. Vol. 78(1). P. 75–84. DOI: 10.14358/PERS.78.1.75
Messinger M., Gregory P., Asner G.P., Silman M. 2016. Rapid assessments of Amazon forest structure and biomass using small unmanned aerial systems // Remote Sensing. Vol. 8(8). Article: 615. DOI: 10.3390/rs8080615
Miller E., Dandois J.P., Detto M., Hall J.S. 2017. Drones as a Tool for Monoculture Plantation Assessment in the Steepland Tropics // Forests. Vol. 8(5). Article: 168. DOI: 10.3390/f8050168
Mohan M., Silva C.A., Klauberg C., Jat P., Catts G., Cardil A., Hudak A.T., Dia M. 2017. Individual tree detection from Unmanned Aerial Vehicle (UAV) derived canopy height model in an open canopy mixed conifer forest // Forests. Vol. 8(9). Article: 340. DOI: 10.3390/f8090340
Nunes M.H., Ewers R.M., Turner E.C., Comes D.A. 2017. Mapping Aboveground Carbon in Oil Palm Plantations Using LiDAR: A Comparison of Tree-Centric versus Area-Based Approaches // Forests. Vol. 9(8). Article: 816. DOI: 10.3390/rs9080816
Otero V., Van De Kerchove R., Satyanarayana B., Martínez-Espinosa C., Fisol M.A.B., Ibrahim M.R.B., Sulong I., Mohd-Lokman H., Lucas R., Dahdouh-Guebas F. 2018. Managing mangrove forests from the sky: Forest inventory using field data and Unmanned Aerial Vehicle (UAV) imagery in the Matang Mangrove Forest Reserve, peninsular Malaysia // Forest Ecology and Management. Vol. 411. P. 35–45. DOI: 10.1016/j.foreco.2017.12.049
Pajares G. 2015. Overview and current status of remote sensing applications based on unmanned aerial vehicles (UAVs) // Photogrammetric Engineering and Remote Sensing. Vol. 81(4). P. 281–330. DOI: 10.14358/PERS.81.4.281
Panagiotidis D., Abdollahnejad A., Surový P., Chiteculo V. 2017. Determining tree height and crown diameter from high-resolution UAV imagery // International Journal of Remote Sensing. Vol. 38(8–10). P. 2392–2410. DOI: 10.1080/01431161.2016.1264028
Picos J., Bastos G., Míguez D., Alonso L., Armesto J. 2020. Individual Tree Detection in a Eucalyptus Plantation Using Unmanned Aerial Vehicle (UAV)-LiDAR // Remote Sensing. Vol. 12(5). Article: 885. DOI: 10.3390/rs12050885
Popescu S., Wynne R. 2004. Seeing the Trees in the Forest: Using Lidar and Multispectral Data Fusion with Local Filtering and Variable Window Size for Estimating Tree Height // Photogrammetric Engineering and Remote Sensing. Vol. 70(5). P. 589–604. DOI: 10.14358/PERS.70.5.589
Puliti S., Ørka H.O., Gobakken T., Næsset E. 2015. Inventory of small forest areas using an unmanned aerial system // Remote Sensing. Vol. 7(8). P. 9632–9654. DOI: 10.3390/rs70809632
QGIS Development Team. 2019. QGIS Geographic Information System. Open Source Geospatial Foundation Project. Available from: http://qgis.osgeo.org
R Core Team. 2020. R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. Available from: https://www.R-project.org/
Roussel J.R., Auty D., De Boissieu F., Meador A.S., Jean-François B. 2020. Airborne LiDAR Data Manipulation and Visualization for Forestry Applications. Package 'lidR'. Version 2.2.2. Available from: https://CRAN.R-project.org/package=lidR
Shashkov M., Ivanova N., Shanin V., Grabarnik P. 2019. Ground Surveys Versus UAV Photography: The Comparison of Two Tree Crown Mapping Techniques // Information Technologies in the Research of Biodiversity / I. Bychkov, V. Voronin (Eds.). Cham: Springer. P. 48–56. DOI: 10.1007/978-3-030-11720-7_8
Silva C.A., Hudak A.T., Vierling L.A., Loudermilk E.L., O'Brien J.J., Hiers J.K., Jack S.B., Gonzalez-Benecke C., Lee H., Falkowski M.J., Khosravipour A. 2016. Imputation of individual longleaf pine (Pinus palustris Mill.) tree attributes from field and LiDAR data // Canadian Journal of Remote Sensing. Vol. 42(5). P. 554–573. DOI: 10.1080/07038992.2016.1196582
Sokolova M., Japkowicz N., Szpakowicz S. 2008. Beyond accuracy, F-score and ROC: A family of discriminant measures for performance evaluation // Proceedings of the Australasian Joint Conference on Artificial Intelligence. Berlin/Heidelberg: Springer. P. 1015–1021.
Zarco-Tejada P.J., Diaz-Varela R., Angileri V., Loudjani P. 2014. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods // European Journal of Agronomy. Vol. 55. P. 89–99. DOI: 10.1016/j.eja.2014.01.004
Zhang J., Hu J., Lian J., Fan Z., Ouyang X., Ye W. 2016. Seeing the forest from drones: Testing the potential of lightweight drones as a tool for long-term forest monitoring // Biological Conservation. Vol. 198. P. 60–69. DOI: 10.1016/j.biocon.2016.03.027
Zhang W., Qi J., Wan P., Wang H., Xie D., Wang X., Yan G. 2016. An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation // Remote Sensing. Vol. 8(6). Article: 501. DOI: 10.3390/rs8060501