Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Восемнадцатая Всероссийская Открытая конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

Участие в Школе молодых 

XVIII.F.359

Использование материалов разносезонной фото- и мультиспектральной беспилотной аэросъемки для распознавания породной структуры в смешанных лесах Европейской части России

Гаврилюк Е.А. (1), Никитина А.Д. (1), Тихонова Е.В. (1), Каганов В.В. (1), Ершов Д.В. (1)
(1) Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
В докладе приводятся результаты исследования возможностей использования данных фото- и мультиспектральной цифровой съемки, получаемых с беспилотных летательных аппаратов, для автоматизированного распознавания породной структуры смешанных хвойно-широколиственных древостоев с набором видов, характерных для Европейской части России.
Исследование проводилось для двух модельных лесных массивов (каждый площадью около 4 кв. км), расположенных в Московской области на территории Пригородного участкового лесничества Ногинского лесничества (в окрестностях г. Ногинск) и Свердловского участкового лесничества Московского учебно-опытного лесничества (в окрестностях г. Фрязино).
Съемка модельных объектов производилась в мае, июле и октябре 2020 года беспилотным летательным аппаратом самолетного типа «Геоскан 201» (производитель ООО «Геоскан»), с двумя цифровыми камерами в качестве полезной нагрузки – Sony DSC-RX1 и MicaSense RedEdge-MX. С использованием ПО Agisoft Metashape (Agisoft LLC) из изображений с камеры Sony были сформированы разносезонные RGB-ортофотопланы пространственным разрешением 5 см. Аналогично из изображений с камеры MicaSense были сформированы мультиспектральные ортофотопланы разрешением 14 см, содержащие данные о коэффициентах отражения подстилающей поверхности в пяти спектральных каналах видимого и ближнего инфракрасного диапазонов.
На полученных ортофотопланах в полевых и камеральных условиях были вручную идентифицированы около 3000 крон деревьев различных пород (около 2000 в районе Ногинска и около 1000 в районе Фрязино), в том числе: ель, сосна, береза, осина, дуб, клен, липа, вяз, серая и черная ольха. В пределах выделенных крон по мультиспектральным ортофотопланам оценивались статистические метрики первого порядка, а по детальным RGB-ортофотопланам – текстурные и тоновые характеристики различных типов (Parmar et al., 2014).
Для оценки возможностей распознавания породной структуры древостоев на основе полученного набора переменных использовались случайные леса (Breiman, 2001) в их приложении для вероятностной классификации, вместе с сопутствующим комплексом методов для автоматического подбора параметров алгоритма, оценки информативности переменных и точности полученных результатов, реализованном в программной среде R в пакетах caret (Kuhn, 2019) и ranger (Wright, Ziegler, 2017).
Общая точность классификационной модели, обученной для распознавания 10 древесных пород, при использовании всех доступных типов переменных и сезонов составила более 95% (каппа Коэна 0.95), интегральные показатели точности определения отдельных пород варьировали в пределах 74-100%. Переменные, полученные на основе мультиспектральных данных, превосходят текстурные и тоновые характеристики, полученные на основе RGB-изображения, по информативности. Наилучшие результаты распознавания при использовании отдельных сезонов продемонстрировали материалы весенней съемки. При переносе обученных моделей с одного тестового участка на другой точность распознавания снижалась примерно на 20%.
Исследование выполнено в рамках ГЗ ЦЭПЛ РАН № АААА-А18-118052590019-7 при финансовой поддержке Российского научного фонда (проект №19-77-30015).

Ключевые слова: БПЛА, аэрофотосъемка, породная структура лесов, хвойно-широколиственные леса, случайные леса, текстурный анализ, тематическая классификация изображений
Литература:
  1. Breiman L. Random forests // Machine Learning. 2001. V. 45. № 1. P. 5–32.
  2. Kuhn M. caret: Classification and Regression Training. R package version 6.0-84. [Электронный ресурс]. URL: https://CRAN.R-project.org/package=caret (дата обращения 12.07.2019)
  3. Parmar C., Rios Velazquez E., Leijenaar R., Jermoumi M., Carvalho S., Mak R.H., et al. Robust Radiomics Feature Quantification Using Semiautomatic Volumetric Segmentation // PLoS ONE. 2014. Vol. 9. №7. P. 102–107. https://doi.org/10.1371/journal.pone.0102107
  4. Wright M.N., Ziegler A. A Fast Implementation of Random Forests for High Dimensional Data in C++ and R // J. Statistical Software. 2017. V. 77. № 1. P. 1-17. https://doi.org/10.18637/jss.v077.i01

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов

306