Лесное хозяйство

Какие задачи решает ДЗЗ в лесном хозяйстве

Дистанционное зондирование особенно важно в лесном вопросе, поскольку оно объединяет множество инструментов для лучшего анализа состояния лесов.

За последние несколько десятилетий глобальные и региональные временные данные дистанционного зондирования стали доступны для мониторинга изменений лесного покрова; поддержка инвентаризации лесов; более пристальное внимание к экофизиологии, биофизике и биохимии лесов.

Поэтому дистанционное зондирование способно решать следующие лесные задачи:

• Картирование лесного хозяйства. Цифровые матрицы высот
• Геолокализация и картографирование событий и ориентиров в лесных массивах;
• Дистанционные методы измерения биофизических параметров растительности;
• Методы получения биофизических (например, индекс площади листвы, фракционный растительный покров и высота растений) и биохимических (например, содержание хлорофилла листьев/полога и содержание воды и влаги в земле) характеристик растительного покрова;
• Методы оценки состояния лесного полога (например, нарушение, деградация и отрастание леса).
• Раннее выявление стресса.
• Усвоение биофизических параметров, полученных с помощью дистанционного зондирования, для применения в лесном хозяйстве и управлении лесным хозяйством;
• Выявление и контролирование вырубки леса во всех регионах страны;
• Статистика и распределение леса по возрасту, запасу, высоте, весу и биологической продуктивности;
• Классификация, выявление и сегментация растительного покрова;
• Анализ данных в режиме реального времени для раннего обнаружения и прогнозирования развития лесных пожаров. Космические аппараты ДЗЗ Planet, Maxar и другие, позволяют нам наблюдать каждое наземное место на поверхности Земли с уменьшением времени повторного посещения. Кроме того, благодаря постоянно растущей вычислительной мощности и постоянным обновлениям алгоритмов машинного обучения появилось множество новых приложений дистанционного зондирования в исследованиях и управлении пожарами;
• Изучение местности и природных условий, в которых находятся представители лесного хозяйства.

Рис. Картирование лесных участков

Рис. Цифровые матрицы высот лесных участков

Новые направления исследований лесного хозяйства методами ДЗЗ:

• 3D реконструкция лесной среды с аэрофотосъемкой, видео, LiDAR, Radar. Извлечение и моделирование вертикального профиля/трехмерной (3D) структуры растительности. Оценка атрибутов на уровне дерева и трехмерный (3D) анализ структуры навеса;
• Объединение крупномасштабных спутниковых данных с высокой задержкой с мелкомасштабными аэроданными с малой задержкой;
• Алгоритмы глубокого обучения для обнаружения обезлесения;
• Применение мультиспектральных и гиперспектральных спутниковых изображений для обнаружения обезлесения;
• Наборы данных о распространении и эволюции глобального или регионального обезлесения;
• Интеллектуальные методы маркировки для обнаружения и сегментации обезлесения;
• Анализ климатических эффектов, связанных с вырубкой лесов, на основе дистанционного зондирования;
• Прогнозы будущих изменений обезлесения в результате действий по углеродной нейтральности;
• Новые методы и концепции количественной оценки лесной биомассы;
• Сочетание дополнительных методов визуализации радиолокационной съемки (томография, поляриметрия, интерферометрия) для определения новых подходов, концепций и приложений для картирования и мониторинга лесов;
• Совместное использование многочастотных изображений SAR для лесных приложений;
• Сравнительные и сравнительные исследования с использованием различных датчиков и/или методов обработки для лесного хозяйства;
• Возможности методов поиска информации о лесах на основе искусственного интеллекта;
• Квалификация влияния структуры растительности на сигналы дистанционного зондирования (например, индуцированное солнцем излучение флуоресценции хлорофилла, баланс излучения и функция распределения двунаправленной отражательной способности);
• Разработка новой оперативной продукции о структуре растительности или оценка неопределенности в текущей продукции.

Рис. Мозаика стресса деревьев с БПЛА

Рис. Обстановка состояния лесного участка и окружающей обстановки

Преимущества использования ДЗЗ:

• Точность и быстрота получения данных

Усовершенствованный мониторинг и картографирование лесных массивов с использованием последних технологических достижений в области спутниковых изображений является альтернативным решением для устойчивого управления лесами по сравнению с обычными наземными измерениями.

• Экономическая эффективность

Продукты дистанционного зондирования являются ключевым источником информации по наиболее привлекательной цене.

• Качество получаемой информации

Сенсоры более высокого качества (более высокое разрешение, спектральные диапазоны) и технологии сбора данных становятся все более доступными как для новых спутников наблюдения Земли, наземных наблюдательных вышек, так и для летательных аппаратов (пилотируемых и беспилотных). Как по отдельности, так и в сочетании, эти различные методы наблюдения могут предоставить ценные данные для политики управления лесными ресурсами или действий по первому реагированию на аномальные события. Временной фактор и масштаб не сравним с полевыми исследованиями.

• Возможность зондирования труднодоступных и удаленных мест

На просторах России снимки, например, из космоса, не имеют альтернативы так, как используются часто и, по сути, они являются основным механизмом и инструментом для оценки и профилактики состояния леса. Ведь они помогают заглядывать в неизученную местность.

• Большой ассортимент получения информации

Спутниковое дистанционное зондирование может предоставить необходимые данные для оценки фенологии, важного элемента ландшафта, который может быть полезен, особенно для оценок изменения климата и землепользования в глобальном, континентальном, региональном или даже локальном масштабах. Фенология дистанционного зондирования фиксирует широкомасштабные фенологические модели с высокой степенью однородности и стандартизации.

Рис. Общий взгляд применение методов ДЗЗ (оптика и радары) к лесному направлению

Примеры применения:

Использование дистанционного зондирования для определения динамики землепользования и изменений растительного покрова (LULC) ведущая технология ДЗЗ, для оценки уровней сохранения естественных лесов и мониторинга обезлесения.

Задача: мониторинг изменений растительности в комплексе Кампо-Майор в бразильском сухом тропическом лесу Катинга с 2016 по 2020г с учетом временного распределения осадков и изменений землепользования на деградацию лесов.

Решение: использование платформы Google Earth Engine для получения данных об осадках из коллекции CHIRPS и для создания карт LULC. Применение классификатора случайного леса к коллекции Landsat 8. Открытое ПО QGIS и его плагин SPC использованы для визуализации динамики LULC.

Результаты: с июня по октябрь отмечено наименьшее среднее количество осадков. 2019г - год с наибольшим количеством дождливых дней подряд ниже 5 мм. Построенные Карты LULC показывают, что обезлесение было выше в 2018г и составило 20,19%. В 2020г доля вырубки лесов была самой низкой (11,95%), а возобновления — самой высокой (20,33%).

ОПРЕДЕЛЕНИЕ ХАРАКТЕРИСТИК ЛЕСНОГО ПОКРОВА И ЛАНДШАФТА С ИСПОЛЬЗОВАНИЕМ ДЗЗ ИЗ НЕСКОЛЬКИХ ИСТОЧНИКОВ С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ

Точная информация о распределении лесов является важной основой для защиты лесных ресурсов. Недавние достижения в области дистанционного зондирования Земли и машинного обучения способствовали экономически эффективному мониторингу распределения лесного покрова. Доказано, что модель лесного ландшафта тесно связана с функционированием лесных экосистем.

Задача: провести оценку лесного ландшафта методами ДЗЗ и выявить ключевые факторы изменения лесного покрова в горных районах (Цилянь).

Решение: разработана основа для картографирования лесного покрова с использованием данных дистанционного зондирования Земли из нескольких источников (Sentinel-1, Sentinel-2) и метод автоматизированного машинного обучения.

Результат: общая точность полученных карт лесистости 1-го и 2-го уровня составила 95,49 % и 78,05 % соответственно. Сравнение нескольких классификаторов показало, что таксация леса методом машинного обучения превосходит базовые классификаторы, такие как LightGBM, случайные леса, CatBoost, XGBoost и нейронные сети. Интеграция многомерных характеристик, включая спектральную, фенологическую, топографическую и географическую информацию, помогла повысить точность оценки лесного покрова.

Вывод: результаты картирования и оценки применимы для повышения качества управления лесными ресурсами, экологической оценке и региональному устойчивому развитию (ESG).

Рис. Схема лесного ландшафта в горах Цилянь: (a) заполненность леса (прогалины); (b) средний размер участка без леса; (c) целостность леса (гибнущие деревья).

КЛАССИФИКАЦИЯ СПУТНИКОВЫХ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ МАТРИЦЫ СПЕКТРАЛЬНОЙ РАЗДЕЛИМОСТИ

Классификация изображений является одной из основных задач в геовычислениях, которая используется для классификации для дальнейшего анализа, такого как управление земельными ресурсами, картирование потенциала, анализ прогнозов, оценка почвы и т.д. Классификация изображений - это метод, с помощью которого к отдельным пикселям прикрепляются метки или идентификаторы классов на основе их характеристик. Эти характеристики обычно представляют собой измерения их спектрального отклика в различных диапазонах. Традиционно задачи классификации основываются на статистических методологиях, таких как минимальное расстояние до среднего (MDM), классификация с максимальным правдоподобием (MLC) и линейный дискриминационный анализ (LDA). Эти классификаторы обычно характеризуются наличием явной базовой вероятностной модели, которая обеспечивает вероятность попадания в каждый класс, а не просто классификацию. Эффективность классификатора такого типа зависит от того, насколько данные соответствуют предварительно определённой модели. Если данные имеют сложную структуру, то моделирование данных соответствующим образом может стать настоящей проблемой.

Задача: разработать алгоритм классификации на основе дерева решений для спутниковых снимков ДЗЗ с использованием матрицы спектральных распределений вероятных классов в соответствующих диапазонах.

Решение: спектральное расстояние между двумя классами вычисляется из разницы между минимальным спектральным значением класса и максимальным спектральным значения предыдущего класса для конкретной полосы. Дерево решений строится путём рекурсивного разбиения спектрального распределения по принципу "сверху вниз". Используя матрицу разделимости матрицы разделимости, порог и полоса будут выбраны для того, чтобы оптимально разделить обучающее множество. Классифицированное изображение сравнивается с изображением, классифицированным с помощью классического метода Maximum Likelihood Classifier (MLC).

Результаты: общая точность матрицы на уровне 98% при использовании метода дерева решений и 95% при использовании метода максимального правдоподобия со значениями каппа 97 % и 94 % соответственно. Причина высокой точности может быть в некоторой степени объяснена тем, что часть исходных образов рассматривается в качестве базовых истин, а не реальных данных. Поскольку точность результатов зависит только от выбранного тестового набора, эффективность любого алгоритма не должна рассматриваться только по показателю точности. Из одиннадцати классов, рассмотренных для образца изображения, многие классы были обнаружены при близком совпадении в обоих методах. Из сравнения следует, что оба метода одинаково эффективны, но алгоритм дерева решений имеет преимущество перед своим статистическим аналогом из-за своей простоты, гибкости и вычислительной эффективности. Оптимально верифицировать результаты наземными методами на отдельны эталонных участках (если этого не было сделано в начале реализации проекта).

Рис. Классифицированное изображение с помощью предложенного классификатора Decision Tree

Рис.Классификация изображения с помощью стандартного классификатора максимального правдоподобия - Maximum Likelihood classifier

ОЦЕНКА ХАРАКТЕРИСТИК ЗАПАСОВ СЕВЕРНЫХ ЛИСТВЕННЫХ ЛЕСОВ С ПОМОЩЬЮ ЛАЗЕРНОГО СКАНИРОВАНИЯ С БПЛА (ULS): ПРИМЕНЕНИЕ МЕТОДОВ ЛАЗЕРНОГО СКАНИРОВАНИЯ И СРАВНЕНИЕ АВТОМАТИЗИРОВАННЫХ ПОДХОДОВ НА УРОВНЕ ДЕРЕВЬЕВ И НАСАЖДЕНИЙ

Лазерное сканирование с помощью БПЛА потенциально может помочь при проведении лесохозяйственных работ, поскольку обеспечивает получение данных высокой плотности при гибких условиях работы.

Задача: дать оценку нескольких характеристик деревьев в разновозрастном северном лиственном древостое.

Решение: создание алгоритмов обнаружения отдельных деревьев на основе растрового и восходящего облака точек (LiDAR) и автоматизировать подходы для получения характеристик лесоустройства на уровне деревьев (т.е. высота, диаметр кроны (CD), DBH) и на уровне древостоя (т.е. количество деревьев, площадь основания (BA), распределение DBH).

Результат: результаты данных ULS сравнивались с ALS и TLS для лучшего понимания потенциала и проблем, с которыми сталкиваются различные системы лазерного сканирования и методологические подходы в условиях лиственного леса. Наилучшие результаты, характеризующие отдельные деревья по данным БПЛА, были достигнуты в лиственной среде с использованием восходящего облака точек. Последний превзошёл растровый подход, повысив точность обнаружения деревьев (с 50% до 71%), очерчивания кроны (с R 2 = 0,29 до R 2 = 0,61) и прогнозирования DBH деревьев (с R 2 = 0,36) до P 2 = 0,67) по сравнению со значениями, полученными по эталонным данным TLS.

В целом результаты показывают, что использование восходящей линии облака точек для данных БПЛА высокой плотности из лиственных лесов приводит к высокоточным характеристикам деревьев и древостоев, открывая новые возможности для поддержки лесной инвентаризации и операций на уровне лесных хозяйств.

Рис. Общий рабочий процесс, иллюстрирующий основные шаги, применяемые к каждому набору аэрофотоснимков

КЛАССИФИКАЦИЯ МУЛЬТИСПЕКТРАЛЬНЫХ СНИМКОВ ВЫСОКОГО РАЗРЕШЕНИЯ ДЛЯ КАРТИРОВАНИЯ И ИНВЕНТАРИЗАЦИИ ВОДНО-БОЛОТНЫХ УГОДИЙ

Все больше усилий прилагается для классификации мировых ресурсов водно-болотных угодий – важной экосистемы и среды обитания.

Задача: создать классификатор для картирования и инвентаризации водно-болотистых угодий.

Решение: использовались методы классификации, включая набор непараметрических классификаторов, таких как дерево решений (DT), основанные на правилах (RB) и случайный лес (Random forest - RF). Спутниковые снимки высокого разрешения могут обеспечить большую специфичность классифицированному конечному продукту, а вспомогательные слои данных, такие как нормализованный индекс разности индекс растительности, и гидрогеоморфные слои, такие как расстояние до ручья, могут быть объединены для повысить общую точность при исследовании водно-болотных угодий. Алгоритмы машинного обучения (DT, RB и RF) с использованием большого набора полевых данных (n = 228), доступность диапазонов предполагает включение вспомогательных контекстных слоев данных, таких как метрики почвы или данные о высоте, гранулярность которых может определить их полезность в последующих классификациях водно-болотных угодий.

Результат: анализ показывает, что методы классификации DT, RB и RF обеспечивают подходящую основу для объединения различных типов источников данных.

Для объединения различных типов источников данных, позволяя использовать индексы, полученные на основе изображений и дополнительные гидрогеоморфные переменные.

в дополнение к спектральным диапазонам изображений и наборам данных о рельефе. Пришли к выводу, что Random Forest (RF) можно использовать в качестве классификатора в большинстве случаев, за исключением, возможно, ситуаций, когда конечным пользователям требуются описательные правила для наилучшего управления своими ресурсами. Включение метрики текстуры (однородность) значительно улучшило классификацию.

Рис. Территория исследования и классифицирования. Классы в легенде были присвоены на основе обилия водно-болотных растений, глубины воды и состава субстрата.