Развитие науки и техники позволяет решать задачи, стоящие перед лесной отраслью, более эффективно, появляется возможность разрабатывать новые методы лесоинвентаризации, основанные на дистанционных методах зондирования земной поверхности. Вторым немаловажным аспектом в этом направлении является использование различных информационных технологий в лесной отрасли. Перспективными выглядят технологии анализа данных при помощи заранее разработанных программных алгоритмов.
Аэрофотосъёмка уже давно является неотъемлемой частью лесного хозяйства в целом, так и лесной таксации в частности. За последние 30 лет многие отечественные ученые рассматривали возможность применения аэроснимков для определения основных таксационных показателей. Развитие техники в области дистанционных методов ознаменовало появление новых средств дистанционного зондирования, таких как лидарная съемка [1, 2] беспилотных летательных аппаратов [3–5], комбинирование различных средств съёмок, так и совершенствование существующих, а также развитие программного обеспечения для их обработки (увеличение числа спектральных каналов, увеличение пространственного разрешения и т.д.). Важным шагом стал переход на цифровую съёмку.
Одной из важных задач лесного хозяйства является определение количественных характеристик лесного фонда. Применение методов дистанционного зондирования Земли в совокупности с разработкой новых методов определения таксационных характеристик насаждения позволит решать данную задачу более эффективно. С программами анализа геопространственных данных на изображениях сокращается время обработки и получения качественной информации о лесном фонде.
Целью работы являлось исследование и разработка методики получения данных о густоте лесных насаждений по снимкам сверхвысокого разрешения, полученных при помощи беспилотных летательных аппаратов, с последующим определением основных таксационных характеристик.
Материалы и методы исследования
Для апробации методики в качестве объекта исследования были выбраны кварталы в Лисинском учебно-опытном лесничестве Ленинградской области.
Одной из наиболее легко определяемых по снимкам характеристик насаждения является его густота, на основании которой появляется возможность определить остальные показатели древостоя. В биологии давно известны различные аллометрические зависимости, связывающие размеры растений от их количества на единице площади. Наиболее известное из них правило – 3/2, открытое Уодой с коллегами [6, 7] и имеющее следующий вид:
V = B*N-1,5, (1)
где V – объем одного растения на 1 га, м3/га;
В – множитель, безразмерная величина;
N – число растений на 1 га, шт.
Также представляют интерес аллометрические закономерности, близкие правилу Уоды, но описывающие зависимость между густотой насаждения и средними диаметром и высотой (правило Рейнеке (2) и Хильми (3) соответственно).
N = eА*dm-1,605, (2)
где N – количество стволов на 1 га, шт;
А – множитель, безразмерная величина;
dm – средний диаметр на высоте груди, см.
h = a*N-0,5, (3)
где h – высота, м;
а – множитель, безразмерная величина;
N – число стволов на 1 га, шт.
В рамках исследования было необходимо уточнить параметры каждого из аллометрических уравнений. С этой целью в программе StatGraphics был проведён регрессионный анализ таблиц хода роста нормальных сосновых, еловых и берёзовых насаждений для Северо-Запада европейской части России и были построены графики зависимостей основных таксационных показателей от густоты насаждений (рис. 1).
Рис. 1. Зависимость среднего диаметра насаждений сосны 1 класса бонитета от числа стволов на 1 га (1 – аппроксимирующая кривая, 2 – теоретические значения)
Аналогичные графики были построены для каждой таблицы хода роста, каждой породы и класса бонитета. В результате были получены значения параметров аллометрических уравнений, представленные в ранее опубликованных статьях [4].
Поскольку применение описанных выше аллометрических закономерностей основано на использовании данных о количестве деревьев на единицу площади, необходимым условием являлось определение данного параметра по аэрофотоснимкам.
Технология обработки изображения заключалась в применении специальной методики, основная часть которой была построена, опираясь на широко известную теорию распознавания образов. Так, в задаче определения числа деревьев на единице площади требуется первоначально идентифицировать каждое дерево на анализируемом снимке, для этого предварительно требуется произвести предобработку исследуемого снимка. Полный цикл методики анализа данных представлен на схеме. Он состоит из трёх основных этапов, начиная с получения данных анализируемой местности, заканчивая результатом (таблицей таксационных показателей).
Согласно представленной схеме (рис. 2) после выбора качественного изображения для анализа данных, следующим этапом действий становится загрузка изображения в систему распознавания образов, основная технология анализа данных заключается в переборе цветовых пикселей анализируемого изображения и заготовленной базы эталонов. Стоит отметить, что перед началом процедуры анализа требуется произвести заготовку базы эталонных образцов класса «дерево» [8]. После получения данных программной обработкой, о числе деревьев (густоты насаждений) с анализируемого снимка на единицу площади, согласно методике реализуется третий этап. Ключевым моментом на третьем этапе становится экспорт данных второго этапа и применение математического аппарата основанного на правилах, используемых в теоретической биологии и правилах 3/2 [4]. Результат третьего этапа – полученные таксационные показатели анализируемой местности. Данный подход в определении лесотаксационных показателей насаждений относится к числу дешифровочных.
Рис. 2. Полная схема этапов методики, основанная на густоте деревьев
Второй подход в решении данной задачи – это проведение аналогичных действий, исключая автоматическую обработку, при этом следует отметить, что расчет деревьев производится вручную, что значительно увеличивает время на обработку снимка. Результат ручной обработки при этом не менее точный, он зависит от подготовки дешифровщика и практического опыта. Ручной метод не требует заготовки базы эталонов и написания программы сопоставления, он применим в том случае, когда площадь анализа представляет собой небольшую территорию.
Как при автоматической обработке, так и при ручном анализе существуют ошибки обработки, они связаны со следующими особенностями.
При программной обработке не всегда база эталонов способна соотнести все деревья на изображении, перебор пикселей происходит на основе размера матрицы эталонных образцов, следовательно, технически от размера матрицы эталонов будет зависеть точное соотнесение элементов к тому или иному образу. Однако на сегодняшний день данный подход близок по своей сути к нейросетевому анализу, где подобное логическое обучение проходит так называемая нейросеть. В конечном итоге технология распознавания совершенствуется до такой степени, что точность результатов будет применима для широкомасштабного внедрения. На сегодняшний день есть большое число примеров применения данных технологий в других областях науки, где первоначально задачи анализа казались трудновыполнимы, к таким задачам можно отнести распознавание речи и анализ текста с технологией распознавания символов на изображении. Тем не менее на сегодняшний день данные задачи в большинстве случаев хорошо описаны, а результаты данных технологий давно используются во многих областях человеческой деятельности.
При ручной обработке изображений сложность дешифровки заключается в точном определении каждого дерева и выделении границ лесотаксационного выдела.
Результаты исследования и их обсуждение
В результате исследования была разработана специализированная методика определения густоты насаждения по аэрофотоснимкам сверхвысокого разрешения Лисинского учебно-опытного лесничества Ленинградской области, полученным при помощи беспилотного летательного комплекса, и проведена автоматическая обработка материалов при помощи программного алгоритма, написанного на языке JavaScript.
Как видно из таблицы, в большинстве случаев расхождения результатов определения запаса с истинными значениями были невелики. Хотя существовали отклонения, которые могли быть вызваны расхождениями в определении преобладающей породы, определении параметров аллометрических уравнений по таблицам хода роста модальных насаждений. Поэтому необходимо было уточнить параметры данных уравнений на таблицах хода роста нормальных насаждений с учетом теоретических степеней.
Результаты определения запаса на 1 га
№ выд. |
№ кв. |
S, га |
Состав |
N1га, шт |
M1га, м3/га |
Мрасч, м3/га |
Ошибка, % |
1 |
116 |
3,1 |
6Е4Б + Е + Ос |
600 |
250 |
284 |
13,5 |
5 |
116 |
2,7 |
6С2Е2Б + Ос |
737 |
270 |
316 |
17,2 |
11 |
116 |
3,5 |
3Е3Е2С2Б + Ос |
627 |
300 |
242 |
–19,4 |
15 |
116 |
1,1 |
8Е2Б + Ос |
1051 |
250 |
249 |
–0,4 |
21 |
116 |
1,1 |
8С2Б + Е + Ос |
619 |
210 |
236 |
12,5 |
22 |
116 |
3,8 |
3Е2Е3С2Б + Ос |
600 |
300 |
347 |
–17,6 |
25 |
116 |
4,2 |
4Е2Е1С3Б + Ос |
615 |
330 |
285 |
–13,7 |
29 |
116 |
1,8 |
7Е2С1Б + Ос + Е |
690 |
360 |
307 |
–14,6 |
36 |
116 |
1,4 |
5С2Е3Б |
472 |
300 |
355 |
18,3 |
37 |
116 |
1,9 |
6Е3Е1С + Ос + Б |
418 |
370 |
346 |
–6,6 |
38 |
116 |
3,3 |
5Е1С4Б + Е |
541 |
330 |
304 |
–7,9 |
39 |
116 |
3,4 |
4С3Е3Б + Е + Ос |
433 |
310 |
324 |
4,6 |
49 |
116 |
1,0 |
6Е2С2Б + Ос |
616 |
260 |
244 |
–6,1 |
18 |
123 |
3,1 |
5Е3Е2Б + С + Ос |
315 |
300 |
341 |
13,8 |
21 |
123 |
1,0 |
5С3Е2Б |
433 |
290 |
324 |
11,8 |
27 |
123 |
1,7 |
4С3Е3Б |
571 |
280 |
282 |
0,9 |
29 |
123 |
2,2 |
10С + Е + Б |
562 |
260 |
285 |
9,5 |
52 |
123 |
1,4 |
8С2Е + Б + Ос |
433 |
290 |
282 |
–2,6 |
53 |
123 |
4,3 |
7С3Е + Б |
345 |
330 |
365 |
10,6 |
6 |
131 |
3,0 |
6С2Е2Б |
571 |
260 |
282 |
8,6 |
9 |
131 |
3,7 |
8С1Е1Б |
433 |
290 |
324 |
11,8 |
13 |
131 |
4,0 |
7С3Б |
632 |
210 |
184 |
–12,2 |
2 |
132 |
1,2 |
6С2Е2Б |
433 |
280 |
324 |
15,8 |
3 |
132 |
2,5 |
5Е1С4Б |
700 |
290 |
267 |
–7,9 |
23 |
132 |
2,9 |
4Е3С3Б + Ос |
518 |
270 |
266 |
–1,4 |
24 |
132 |
1,9 |
7С3Б + Е |
420 |
260 |
287 |
10,3 |
25 |
132 |
1,5 |
4С3Е3Б + С |
573 |
220 |
242 |
9,8 |
Для проверки данных и статистического контроля была определена систематическая ошибка, которая составила 3,2 %, что является допустимым значением при определении лесотаксационных показателей при нормативе не более 5 %. Общий запас на единицу площади по разработанному методу определяется наиболее точно. Отклонения оказались невелики и составляли от 1 до 53 м3/га или от 0,4 до 18,3 %. Отклонения не превышают нормативов точности определения таксационных показателей для дешифровочного способа таксации лесов, установленных лесоустроительной инструкцией 2012 г.
В результате обработки снимка двумя способами (ручным и автоматическим) (24 выдел 123 квартала Лисинского учебно-опытного лесничества), были получены данные о густоте насаждения, которые впоследствии были использованы для расчёта запаса, средних диаметра и высот по аллометрическим закономерностям.
Апробация полученной методики проводилась по данным таблиц хода роста [4] по Ленинградской области для основных лесообразующих пород, а также данных пробных площадей Лисинского учебно-опытного лесничества (СПБГЛТУ им. С.М. Кирова) и Лодейнопольского лесничества Ленинградской области (ЛОГКУ «Ленобллес»). Первое применение разработанной методики дало положительный результат, при этом следует отметить, что требуется дальнейшее развитие данной методики с целью выявления возможности применения на таких объектах, как сложные по составу многоярусные насаждения. Необходимо учитывать возможность совершенствования алгоритмов анализа компьютерной обработки снимков на основе распознания образов. Дальнейшее развитие метода предполагает комбинирование ряда технологий, которые позволят уточнить необходимые данные лесных насаждений. Для более точного определения таксационных показателей, особенно на таких объектах как смешанные по составу древостои естественного происхождения с высокой сомкнутостью древесного полога, дополнительно требуются данные лидарной съёмки. При получении дополнительных данных увеличится точность получения материалов ДЗЗ и снизится ошибка в определении запаса насаждений.
Заключение
Леса, произрастающие на территории Российской Федерации, составляют 20 % от общего количества лесных ресурсов планеты. Вследствие огромной значимости данного вида ресурсов, а также обширной территории нашей страны, труднодоступности участков, трудоёмкости, а также больших затрат из-за необходимости обследования обширных территорий возникает необходимость разработки новых методов лесоинвентаризации. Рассмотренная в данной статье, методика определения таксационных показателей древостоев может стать альтернативой для метода актуализации данных лесоустройства, поскольку позволяет ускорить процесс таксации насаждений и повысить ее объективность, достоверность и точность за счет более полного использования информации со снимков. Но в то же время на данный момент существует ряд ограничений для её применения. Так, пока нет возможности применить данный метод для определения таксационных характеристик многоярусных насаждений, поскольку невозможно учесть деревья, расположенные под пологом основного яруса.
Но вместе с тем первое применение данного метода дало обнадеживающие результаты, в будущем планируется его совершенствование и всесторонняя проверка на более обширном материале.
Библиографическая ссылка
Михайлова А.А., Вагизов М.Р. МЕТОДИКА ОБРАБОТКИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ С ПРИМЕНЕНИЕМ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И АЛЛОМЕТРИЧЕСКИХ ЗАВИСИМОСТЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ ЛЕСОТАКСАЦИОННЫХ ПОКАЗАТЕЛЕЙ ДРЕВОСТОЕВ // Успехи современного естествознания. – 2018. – № 4. – С. 80-85;URL: https://natural-sciences.ru/ru/article/view?id=36729 (дата обращения: 17.08.2024).