Лесное хозяйство

Дистанционное зондирование объединяет инструменты анализа состояния лесов: глобальные и региональные временные ряды для мониторинга покрова, поддержки инвентаризации, экофизиологии, биофизики и биохимии лесов.

Основные задачи ДЗЗ в лесном хозяйстве: картирование лесного покрова и создание цифровых матриц высот; геолокация и картографирование событий; оценка биофизических и биохимических параметров растительности; анализ состояния полога и выявление стресса насаждений.

Далее: усвоение биофизических параметров для управления лесным хозяйством; выявление и контроль вырубки во всех регионах страны; статистика и распределение леса по возрасту, запасу, высоте, весу и биологической продуктивности; классификация, выявление и сегментация растительного покрова; анализ в режиме реального времени для раннего обнаружения и прогнозирования лесных пожаров (КА Planet, Maxar и другие — уменьшение времени повторного посещения; машинное обучение); изучение местности и природных условий лесных объектов.

Современные методы дистанционного мониторинга лесов включают 3D-реконструкцию по аэрофото, видео, LiDAR и радарным данным, извлечение вертикального профиля растительности и анализ структуры полога вплоть до отдельных деревьев.

Алгоритмы глубокого обучения и мульти-/гиперспектральные спутниковые изображения для обнаружения обезлесения; наборы данных о распространении и эволюции глобального или регионального обезлесения; интеллектуальная маркировка для детекции и сегментации; климатические эффекты вырубки по ДЗЗ; прогнозы обезлесения в связи с углеродной нейтральностью; количественная оценка лесной биомассы.

Радар: томография, поляриметрия, интерферометрия; совместное использование многочастотных изображений SAR; сравнение датчиков и методов обработки; поиск информации о лесах на основе искусственного интеллекта; влияние структуры растительности на сигналы ДЗЗ (флуоресценция хлорофилла, индуцированная солнцем; баланс излучения; BRDF); новая оперативная продукция о структуре растительности и оценка неопределённости текущей продукции.

Точность и быстрота: мониторинг и картографирование массивов по спутниковым изображениям — альтернатива обычным наземным измерениям для устойчивого управления лесами.

Экономическая эффективность. Дистанционный мониторинг позволяет получать однородные данные о больших территориях и сокращать объём сплошных полевых обследований. Спутниковые, авиационные и наземные сенсоры можно комбинировать в зависимости от требуемой детализации и периодичности наблюдений.

Работа с труднодоступными территориями. Космическая съёмка позволяет контролировать удалённые лесные массивы и регулярно получать сопоставимые данные об их состоянии. Оптические и радарные снимки используются для анализа растительного покрова, сезонной динамики и изменений территории.

Каатинга (Бразилия), комплекс Кампо-Майор, 2016–2020: мониторинг растительности с учётом осадков и землепользования. Платформа Google Earth Engine, осадки CHIRPS, классификатор случайного леса по коллекции Landsat 8, QGIS и плагин SPC. Наименьшее среднее количество осадков — июнь–октябрь; 2019 — год с наибольшим числом дождливых дней подряд ниже 5 мм. Обезлесение выше в 2018 году — 20,19%; в 2020 доля вырубки самая низкая (11,95%), возобновления — самая высокая (20,33%).

Горы Цилянь: картографирование лесного покрова по Sentinel-1 и Sentinel-2 и автоматизированное машинное обучение. Общая точность карт лесистости 1-го и 2-го уровня — 95,49% и 78,05%. Таксация методом машинного обучения в сравнении превзошла LightGBM, случайные леса, CatBoost, XGBoost и нейронные сети. Интеграция спектральных, фенологических, топографических и географических признаков повысила точность. Исследование показывает возможности совместного использования Sentinel-1, Sentinel-2 и методов машинного обучения для картирования лесного покрова. Приведённые показатели относятся к конкретному исследованию; точность работ определяется отдельно для каждого проекта с учётом исходных данных и методики.

Классификация по матрице спектральной разделимости: дерево решений vs Maximum Likelihood Classifier. Общая точность матрицы 98% (дерево решений) и 95% (MLC), каппа 97% и 94%. Точность классификации зависит не только от выбранного алгоритма, но и от качества обучающих данных. Для проверки результатов применяется наземная верификация на эталонных участках.

Лазерное сканирование с БПЛА (ULS) в разновозрастном северном лиственном древостое: высота, диаметр кроны (CD), DBH; на уровне древостоя — число деревьев, площадь основания (BA), распределение DBH. Сравнение с ALS и TLS. Наилучшие результаты по отдельным деревьям — восходящее облако точек: детекция с 50% до 71%, оконтуривание кроны R² с 0,29 до 0,61, прогноз DBH R² с 0,36 до 0,67 относительно TLS.

Водно-болотные угодья: классификаторы DT, RB и Random Forest; снимки высокого разрешения, NDVI, расстояние до ручья; полевые данные n = 228. Random Forest подходит в большинстве случаев, кроме потребности в описательных правилах; метрика текстуры (однородность) существенно улучшила классификацию. Классы легенды — по обилию водно-болотных растений, глубине воды и составу субстрата.