Оценка лесотаксационных характеристик на основе лидарной БВС-съемки

Леса играют важнейшую роль в регулировании климата, из-за способности к аккумулированию углерода. Например, в 2021 году лесные экосистемы обеспечили нетто-поглощение около 190 миллионов тонн CO2-эквивалент в год, а суммарные углеродные запасы в них оцениваются в 662 миллиардов тонн (Carvalho Resende et al., 2023; FAO, 2022).
В России большая часть лесных ресурсов расположено к востоку от Урала, на территории Сибири. В частности, в Ханты-Мансийском автономном округе (ХМАО) леса покрывают 53,7% территории, но уже сейчас подвергаются значительному антропогенному воздействию: проведению сейсморазведочных работ, строительству дорог, вырубкам и частым пожарам (Характеристика…, 2025).
Исследование запасов древесной фитомассы имеет ключевое значение для оценки углеродного баланса региона. Помимо большой площади распространения лесные экосистемы ХМАО-Югры характеризуются неоднородным породным составом, отдаленностью и труднодоступностью территорий произрастания. Это затрудняет точную инвентаризацию лесного покрова с учетом видового разнообразия и пространственно-временной динамики и требует совершенствования классических методов оценки запасов углерода, характеризующихся высокой трудоемкостью и затратами по времени, а иногда субъективностью получаемых результатов (Крошкина, Бучельникова, 2023). Современным подходом, позволяющим обойти вышеуказанные ограничения, является использование беспилотных авиационных систем (БАС), оснащенных лидарными сканерами, что позволяет осуществить прямые измерения запасов углерода древесного яруса, при условии верификации наземной верификации.
Цель: оценка запасов стволовой древесины с учетом породного состава при помощи беспилотных авиационных систем (БАС).
Основные задачи:
- измерение высоты, количества и диаметра стволов деревьев
- оценка породного состава древостоя на основе анализа морфологических характеристик отдельных деревьев, по данным лидарной съемки;
- расчет объема древесины с применением аллометрических уравнений с учетом породного состава.
Методы исследования. 18 марта и 7 апреля 2025 года (соответственно до и после рубки, для последующей оценки объема вырубленных деревьев, с учетом видового состава) была осуществлена лидарная съемка лесного массива (координаты: 63,80377 с.ш., 62,20723 в.д.) при помощи БВС DJI Matrice 300 и лидара Zenmuse L1 (SZ DJI TechnologyCo., Ltd., China). Высота съемки в надире (приемопередатчик лидара был расположен под углом 90° к поверхности съемки, то есть вертикально вниз) составила 50 метров над уровнем поверхности лесного массива, плотность облака точек на участке – не менее 3000 точек/метр квадратный.
В программном обеспечении (ПО) DJI Terra (DJI, Китай) была осуществлена постобработка данных: выравнивание и сглаживание облака точек лазерных отражений (ТЛО), выгрузка данных в формате .las. В Terrascan (Terrasolid Ltd., Финляндия) были проведены следующие этапы работ:
- Процессинг данных ТЛО, полученных при помощи БВС (объединение траекторий, удаление скачков плотности ТЛО, обусловленных перекрытием траекторий, сглаживание ТЛО и удаление шума);
- Классификация облака точек (выделение классов земля, древесная растительность);
- Сегментация отдельных деревьев и ручная корректировка полученных результатов при помощи инструмента «inspect groups».
Постобработка данных ТЛО также включала классификацию результатов сегментации отдельных деревьев (ТЛОд). Для решения этой задачи был создан скрипт на языке программирования MATLAB (TheMathWorks, USA), позволяющий на основе набора морфологических характеристик отдельных деревьев выделить 5 классов, условно (до верификации) соответствующих следующим породам: Ель, Сосна, Лиственница, Береза, Кедр. Для кластеризации ТЛО по породам деревьев были выбраны следующие морфологические и спектральные признаки:
1. «CrownDensity» – плотность кроны (кол-во точек ТЛОд / объем пространства описывающего ТЛОд параллелепипеда);
2. «OBB_HeightToWidth» – соотношение высоты к ширине описывающего СД параллелепипеда;
3. «PeakHeightRelative – относительная высота дерева, на которой сосредоточен пик плотности ТЛОд;
4. «CrownCompactness» – компактность ТЛОд (площадь проекции кроны / объем ТЛОд);
5. «CanopyThickness» – «толщина» ТЛОд;
6. «DensitySkew» – асимметрия распределения плотности ТЛОд;
7. «TextureEntropy» – неоднородность цветовой текстуры ТЛОд;
8. «WinterGreenIndex» – зимняя «зеленость» ТЛОд (рассчитан как спектральный индекс GRVI по формуле: GRVI = (GREEN–RED) / (GREEN+RED); где: GREEN – спектральная яркость в зеленом диапазоне длин волн; RED – спектральная яркость в красном диапазоне длин волн);
9. «LowerZoneDensity» – плотность ТЛОд в нижней части;
10. «UpperZoneDensity» –плотность ТЛОд верхней части.
Далее была выполнена кластеризация отдельных деревьев в поле признаков при помощи метода к-средних (k-means) в программе MATLAB. По завершению работы алгоритма в каждом кластере было отобрано по 25 случайных облаков ТЛО, соответствующих отдельным деревьям и вручную осуществлена верификация на предмет их соответствия группам пород.
Результаты исследования. В результате обработки лидарных данных на участке было идентифицировано 3991 дерево, общий запас стволовой древесины которых составил 1376 метров кубических. По видовому составу распределение было следующим (вид – объем стволовой древесины – доля соответственно):
- Ель – 324 метров кубических – 23,5 %;
- Сосна – 477 метров кубических – 34,7 %;
- Лиственница – 25 метров кубических – 1,8 %;
- Береза – 514 метров кубических – 37,4 %;
- Кедр – 36 метров кубических – 2,6 %.
Наземные таксационные измерения показали, что общий запас древесины составил 1417 метров кубических со следующим распределением по породам (вид – объем стволовой древесины – доля соответственно):
- Ель – 255 метров кубических – 18 %;
- Сосна – 334 метров кубических – 23,6 %;
- Лиственница – 71 метров кубических – 5 %;
- Береза – 490 метров кубических – 34,6 %;
- Кедр – 267 метров кубических – 18,8 %.
Верификация данных показала, что используемый подход позволил успешно определить лиственные деревья. В то же время с распознаванием хвойных пород у алгоритма возникли сложности: он склонен переоценивать объем ели и занижать показатели кедра. Вероятной причиной этой ошибки является схожесть морфологических характеристик у разных видов хвойных деревьев (например, сосны и кедра).
При валидации общего запаса древесины точность дистанционной оценки составила 97%, тогда как по породам варьировалась от 13,5 до 143 % (где значения свыше 100 % соответствуют переоценке запаса, а менее – недооценке):
- Ель – 127 %
- Сосна – 143 %;
- Лиственница – 35 %;
- Береза – 105 %;
- Кедр – 13,5 %.