Obtaining tree stand attributes from unmanned aerial vehicle (UAV) data: the case of mixed forests.pdf Введение Важное направление развития методов дистанционного зондирования Земли - использование беспилотных летательных аппаратов (БПЛА). В последние годы эта технология все шире применяется в исследованиях лесных экосистем [1, 2]. Востребованность данных БПЛА в этой области обусловлена несколькими причинами. Во-первых, такой подход позволяет быстро получить информацию для больших площадей (в десятки и более га) при низких трудозатратах, что делает данные БПЛА важным дополнением к традиционным наземным методам исследований [3-5]. Во-вторых, двухмерные изображения (ортофотопланы), являющиеся результатом обработки данных аэрофотосъемки, имеют высокое пространственное разрешение (до 1-3 см на местности), что делает их важным источником для визуального и автоматического дешифрирования. Фотограмметрическая обработка изображений позволяет строить трехмерные модели местности, которые являются основой для дальнейшего анализа данных. Трехмерные цифровые модели и ортофотопланы широко применяются для изучения механизмов лесных сукцессий [6-9], исследования структуры древостоев [10-12], оценки надземной биомассы лесной растительности [5, 13], определения характеристик отдельных деревьев [4, 14-21]. Важно отметить, что большинство отечественных исследователей в данной предметной области работает с ортофотопланами (иногда с привлечением мультиспектральной съемки) [6, 12, 14, 21, 22], тогда как полученные на основе фотограмметрической обработки изображений [7, 12, 23, 24] или методом воздушного лазерного сканирования [25] трехмерные облака точек используются реже. В то же время зарубежными исследователями широко применяются методы анализа облаков точек и трехмерных цифровых моделей. Значительная часть подобных исследований выполнена в управляемых лесах с одноярусными одновидовыми древостоями, часто с регулярной схемой посадки [19, 26-31]. Показана перспективность использования такого подхода для оценки характеристик отдельных деревьев и древостоев в целом. Цель исследования - определение некоторых характеристик смешанных древостоев по данным аэрофотосъемки при помощи БПЛА и оценка качества результатов по данным наземных измерений. Материалы и методики исследования В работе использованы данные наземного картографирования и результаты аэрофотосъёмки постоянной пробной площади (ППП), расположенной на территории Приокско-Террасного государственного природного биосферного заповедника (г. о. Серпухов, Московская обл.). ППП размером 100^100 м (1 га) заложена в 2016 г., координаты центра 54,88876° с.ш., 37,56273° в.д. (WGS84). Методика наземных исследований подробно описана в работе В.Н. Шанина с соавт. [32] и заключалась в следующем: при за- Н.В. Иванова, М.П. Шашков, В.Н. Шанин 160 кладке ППП картографировано положение всех деревьев с диаметром ствола >6 см с помощью дальномера-угломера TruPulse 360B, для каждого живого дерева измерены высота и 4 радиуса проекции кроны от ствола по сторонам света, оценены принадлежность к одному из классов Крафта, а также некоторые другие характеристики. Для деревьев разных видов, относящихся к разным классам Крафта, выборочно определен возраст при помощи возрастного бура. По данным наземных исследований установлено, что древостой на ППП смешанный, в первом ярусе преобладают сосна (Pirns sylvestris L.) и берёза (Betula spp.), единично участвует осина (Populus tremula L.). Второй ярус образован елью (Picea abies (L.) H.Karst.) липой (Tilia cordata Mill.) и дубом (Quercus robur L.). В пологе леса имеются крупные окна, возникшие в результате усыхания ели (последствия засухи 2010 г. и повреждения корое-дом-типографом Ips typographus (Linnaeus, 1758)). Средний возраст сосны в древостое 113 лет, берёзы - 100 лет, ели - 78 лет. План-схема проекций крон учетных деревьев представлена на рис. 1, число деревьев разных классов Крафта в табл. 1. Аэрофотосъёмка ППП проведена 12 октября 2017 г. Выбор такого срока обусловлен тем, чтобы, с одной стороны, получить достаточное для дальнейшей обработки число точек класса «земная поверхность», так как в это время большинство растений уже не вегетирует, а с другой - контрастный растровый ортофотоплан с деревьями в осенней окраске для минимизации ошибок при визуальном дешифрировании. Съемка проведена БПЛА - ква-дрокоптером DJI Phantom 4 в режиме mosaic flight mode с 90% перекрытием фотографий с высоты 68 м. Технические характеристики камеры квадрокоп-тера представлены в табл. 2. Для предотвращения краевого эффекта съёмка выполнена с буферной зоной шириной около 50 м. Плотное облако точек и ортофотоплан построены в программе фотограмметрической обработки Agisoft Metashape [33] - отечественном продукте, который широко применяется в мире [9, 24, 27, 29]. Затем облако точек обработано в среде статистического программирования R [34] для получения модели высот древесного полога (canopy height model, CHM). Использованы специализированные пакеты, предназначенные для анализа данных воздушного лазерного сканирования, для которых используются те же методы, что и для обработки фотограмметрических облаков точек. Последовательность этапов работы с плотными облаками точек для получения CHM подробно описана в литературе [29, 35]. На первом этапе использованы функции пакета lidR. Сначала выделены точки, относящиеся к классу «земная поверхность», с помощью функции lasground() по алгоритму cloth simulation filtering [36]. Этот алгоритм разработан специально для обработки данных природных (не городских) территорий и позволяет учесть особенности микрорельефа за счет разной эластичности виртуальной ткани, которая опускается на перевернутое облако точек. Определение характеристик смешанных дрееостоее 161 Рис. 1. План-схема проекций крон на постоянной пробной площади (ППП) Fig 1. The scheme of tree crown projections on the permanent sampling plot Таблица 1 [Table 1] Число деревьев разных классов Крафта, учтенных на ППП [Number of trees of each Kraft’s class observed on the permanent sampling plot] Деревья [Trees] Классы Крафта [Kraft’s classes] I II III IV V Береза [Birch] 12 74 35 13 0 Сосна [Pine] 21 21 3 2 0 Ель [Spruce] 2 19 61 180 5 Осина [Aspen] 1 3 1 0 0 Дуб [Oak] 0 2 15 11 0 Липа [Lime] 0 2 12 76 12 Всего [Total] 36 121 127 282 17 Н.В. Иванова, М.П. Шашков, В.Н. Шанин Таблица 2 [Table 2] Технические характеристики камеры квадрокоптера DJI Phantom 4 [Technical parameters of DJI Phantom 4 camera] Характеристика [Parameter] Значение [Value] Камера [Camera] FC 330 Матрица [Image sensor] 1 / 2.3” CMOS Объектив [Camera lens] FOV 94° 20 мм Диафрагма [Aperture] f / 2.8 Диапазон ISO [ISO range] 100-1600 Цветовое пространство [RGB color space] sRGB Скорость затвора [Shutter speed] 1 / 8000 s Размер изображения, пикселей [Photo size] 12 Мп, 4000 * 3000 Формат изображений [Image format] JPEG, RAW 162 Затем выполнена нормализация набора данных с помощью функции lasnormalize() по алгоритму tin, в процессе которой значения высот нормированы на уровень земной поверхности. Этот алгоритм пространственной интерполяции на основе триангуляции Делоне выполняет линейную интерполяцию внутри каждого треугольника. Далее построена CHM по алгоритму pit-free [37] с помощью функции grid_canopy(). Этот алгоритм основан на вычислении триангуляций на разных высотах и позволяет избежать пикселей с неинтерпретированной высотой. На следующем этапе по цифровой модели высот выделены отдельные деревья. Для поиска вершин деревьев и определения их высот использован алгоритм, реализованный в функции FindTreesCHM() пакета rLiDAR [35]. Алгоритм основан на поиске локальных максимумов при помощи скользящего окна заданного размера с учетом минимальной возможной высоты дерева. В результате предварительных запусков функции с разными сочетаниями этих аргументов минимальная высота для выделения отдельных деревьев принята в 1,37 м, размер окна 5*5 пикселей. Полученные автоматически координаты вершин конвертированы в точечный векторный файл. Далее в среде QGIS [38] при визуальном сопоставлении полученного слоя с ортофотопланом и данными наземной съемки экспертно оценены результаты автоматического поиска вершин деревьев. Дерево считалось найденным корректно, если автоматически найденная вершина лежала в пределах кроны соответствующего дерева на ортофотоплане. Если в пределах кроны детектировано несколько вершин, дерево считалось найденным корректно, но для дальнейшего анализа оставляли маркер только одной вершины с наибольшим значением высоты (вычисленным автоматически), другие вершины учтены как ложные, и соответствующие точки удалены вручную. Затем рассчитана доля корректно детектированных алгоритмом деревьев относительно всех найденных автоматически. Для деревьев I-II классов Крафта рассчитана доля корректно найденных алгоритмом деревьев относительно учтенных наземными методами. Для всех корректно детектированных алгоритмом живых деревьев выполнено сравнение высот, оцененных по цифровой модели высот, и полученных в результате наземных измерений. Определение характеристик смешанных древостоев 163 Результаты исследования и обсуждение В ходе работы выполнена фотограмметрическая обработка материалов аэрофотосъемки, на основе которой построены плотное облако точек и ортофотоплан, затем рассчитана цифровая модель высот древесного полога, по которой выполнен автоматический поиск деревьев и оценены их высоты, после чего проведена верификация результатов по данным наземных исследований. Для построения плотного облака точек и ортофотоплана использовано 501 изображение. Получено плотное облако точек, содержащее 3,57 млн точек плотностью 163,7 точки/м2. После его обработки получены цифровая модель высот с разрешением 50 см/пиксель и ортофотоплан (3 см/пиксель). По модели высот в пределах ППП автоматически детектировано 241 дерево (рис. 2, А). Рис. 2. Результаты автоматического поиска деревьев по алгоритму [18]. A - найденные алгоритмом деревья на цифровой модели высот. Рамка - границы ППП; B - найденные алгоритмом деревья на фрагменте ортофотоплана [Fig 2. Trees detected by algorithm [18]. A - Detected trees in the CHM. Frame - Borders of the permanent sampling plot; B - Detected trees in the orthophoto mosaic image] Сопоставление полученных результатов с ортофотопланом показало лишь частичное соответствие вершин, найденных автоматически, и деревьев, визуально детектируемых на ортофотоплане (рис. 2, B, табл. 3). Доля корректно детектированных деревьев (от всех найденных алгоритмом) составила 72,6% (175 деревьев). Выяснено, что автоматическое определение положения вершин хвойных деревьев почти всегда выполнено корректно. Все найденные автоматически вершины, соответствующие деревьям ели, найдены алгоритмом правильно. Число ложных срабатываний для сосны невелико. При поиске вершин лиственных деревьев (в основном берёзы) в пределах одной кроны алгоритм, как правило, находил несколько ложных вершин, соответствующих на самом деле крупным скелетным ветвям, в ре- Н.В. Иванова, М.П. Шашков, В.Н. Шанин 164 зультате чего одно дерево учитывалось как несколько (рис. 2, Б). Вершины других лиственных деревьев (осины, липы и дуба) определены алгоритмом с разной степенью корректности, но небольшое число этих деревьев не позволило сделать выводы о качестве их обнаружения. Сухостойные деревья успешно детектированы по цифровой модели высот. Единственное ложное срабатывание соответствовало крупной скелетной ветви сухостойного дуба. Таблица 3 [Table 3] Качество автоматического поиска вершин деревьев [The quality of automatic detection of trees] Деревья [Trees] Общее число автоматически детектированных деревьев, шт. [Total number of trees detected by algorithm, ind.] Число корректно детектированных деревьев, шт. [Number of correctly detected trees, ind.] Доля корректно детектированных деревьев [Percentage of correctly detected trees], % Живые деревья [Living trees] Береза [Birch] 134 78 58,2 Сосна [Pine] 50 43 86,0 Ель [Spruce] 30 30 100 Осина [Aspen] 3 3 100 Дуб [Oak] 4 2 50,0 Липа [Lime] 2 2 100 Всего [Total] 223 158 70,9 Сухостойные деревья [Dead trees] Ель [Spruce] 16 16 100 Другие деревья [Other trees] 2 1 50,0 Всего [Total] 18 17 94,4 На следующем этапе выполнено сравнение полученных автоматически результатов поиска вершин деревьев с фактическим числом деревьев на ППП, учтенных наземными методами. В данном случае рассмотрены только деревья, относящиеся к пологу древостоя (I и II классы Крафта), так как они визуально могли быть выделены на ортофотоплане. На момент проведения аэрофотосъёмки на ППП насчитывалось 157 деревьев I и II классов Крафта. Из них алгоритмом корректно детектированы 128 (81,5%), т.е. использованный нами метод позволяет учесть большинство деревьев в пологе древостоя. Более низкие деревья детектированы автоматически только в тех случаях, когда они росли в окнах в пологе и их кроны не перекрывались с другими деревьями. В частности, из 127 деревьев III класса Крафта автоматически найдено только 30. Алгоритмом также обнаружены 17 из 22 учтенных наземными методами сухостойных деревьев. Таким образом, использованный нами метод автоматического поиска вершин позволяет выделить большинство деревьев в пологе, но наиболее надежные оценки дает при детектировании хвойных деревьев. Эти результаты согласуются с выводами других исследователей [5, 7, 29, 35]. Присутствие в древостое старых лиственных деревьев приводит к завышению получа- Определение характеристик смешанных древостоев 165 емых автоматически оценок и требует дополнительной верификации. При этом известно, что молодые лиственные деревья, для которых характерна одна, хорошо выраженная вершина, по цифровой модели высот можно детектировать с высокой точностью. Согласно литературным данным [7], точность автоматического распознавания вершин в молодых березовых лесах (до 20 лет) составляет 70-90%. Для успешного детектирования лиственных деревьев старших классов возраста по данными аэрофотосъёмки, вероятно, более эффективно использовать ортофотопланы (т.е. растровые изображения цветовой модели RGB (red, green, blue)) и алгоритмы неконтролируемой классификации, такие как метод k-средних и ISODATA [39, 40]. Высоты, полученные алгоритмом по данным аэрофотосъёмки, хорошо согласовывались с высотами, измеренными наземными методами. Для выборки всех корректно детектированных автоматически деревьев среднее значение высоты по данным аэрофотосъёмки составило 25,0±4,8 м (мин. 8,2 м, макс. 32,9 м), по данным наземных исследований - 25,3±5,2 м (мин. 5,9 м, макс. 34,0 м). Значимых различий между средними значениями высот, полученных обоими методами, не выявлено (парный критерий Стью-дента, p=0,049). Зависимость между данными аэрофотосъёмки и полевыми измерениями соответствовала линейной модели y=k*x (R2=0,99, k=0,98) (см. рис. 2). Высоты, полученные по данным аэрофотосъёмки, в среднем на 1,5% ниже полученных при наземных измерениях. Сравнения на уровне отдельных видов деревьев показали, что наибольшие различия высот, измеренных двумя методами, характерны для березы, наименьшие - для ели, сосна занимает промежуточное положение (рис. 3, A). Данный результат можно объяснить особенностями морфологии крон деревьев разных видов. Наличие крупных скелетных ветвей у березы не только приводит к ложным срабатываниям алгоритма, но и затрудняет визуальное выделение вершины при наземных измерениях, что может вносить ошибку в определение высоты. Как видно из рис. 3, B, результаты наземных измерений высот березы и сосны более вариабельны по сравнению с оценками, полученными автоматически. Расчет коэффициентов вариации (табл. 4) также показал, что высоты березы и сосны, измеренные наземными методами, варьируют несколько больше, чем высоты, оцененные автоматически. Крона ели, как правило, имеет хорошо распознаваемую вершину. Значения коэффициентов вариации высот ели, оцененных двумя методами, практически совпадают. Это означает, что наземные измерения высот, выполненные по одной методике, имеют разную точность для деревьев разных видов, что важно учитывать при оценке данных аэрофотосъемки. В то же время значения высот, полученные автоматически по цифровой модели, по всей видимости, также имеют погрешности. Например, неизвестно, насколько полно учитываются особенности микрорельефа при определении точек класса «земная поверхность» и последующей нормализации облака точек. Для изучения этих вопросов требуются дополнительные исследования. Н.В. Иванова, М.П. Шашков, В.Н. Шанин 166 Рис. 3. Соотношение высот деревьев по данным аэрофотосъемки (CHM) и наземным измерениям (GS). N - число измерений [Fig. 3. Relationship between estimated (CHM) tree heights and the ground survey (GS), N - Number of measurements] Таблица 4 [Table 4] Коэффициенты вариации высот деревьев разных видов, оцененных по данным аэрофотосъемки и наземным измерениям [Coefficient of variation of tree heights obtained by CHM and ground survey] Коэффициенты вариации [Coefficients of variation] Береза [Birch] Сосна [Pine] Ель [Spruce] Коэффициент вариации высоты, оцененной автоматически по данным аэрофотосъемки [Coefficient of variation for tree height obtained by CHM] 10,1% (N = 78) 9,4% (N = 43) 34,5% (N = 30) Коэффициент вариации высоты, измеренной наземными методами [Coefficient of variation for tree height obtained by ground survey] 12,9% (N = 78) 11,2% (N = 43) 34,3% (N = 30) Заключение Данное исследование - одно из первых в России по применению цифровых моделей высот древесного полога, полученных на основе данных аэрофотосъемки квадрокоптером, для изучения структуры древостоев в смешанных лесах. На основе сопоставления данных наземных исследований и результатов анализа материалов аэрофотосъемки постоянной пробной площади в Приокско-Террасном биосферном заповеднике выяснено, что по дистанционным данным получены приемлемые оценки численности деревьев и их высот. Автоматические методы поиска вершин позволяют выявить большинство деревьев в пологе леса. При этом качество детектирования вершин различается для деревьев разных видов. Вершины хвойных (ель и сосна) обнаружены с высокой точностью. При детектировании ли- Определение характеристик смешанных дрееостоее 167 ственных деревьев (березы) в пределах одной кроны алгоритмом часто выделяются ложные вершины, соответствующие крупным скелетным ветвям. Результаты свидетельствуют о необходимости верификации получаемых автоматически данных при работе с материалами аэрофотосъемки многовидовых древостоев. Установлено хорошее соответствие между высотами деревьев, измеренными наземными методами и полученными по данным аэрофотосъёмки. Сделаны предварительные выводы о различиях в качестве оценки высот деревьев разных видов. Показано, что наземные измерения высот крупных деревьев березы и сосны, у которых часто сложно визуально определить вершину, более вариабельны по сравнению с дистанционными оценками. Для ели, крона которой имеет хорошо распознаваемую вершину, подобных различий не выявлено. В целом полученные результаты свидетельствуют о перспективности использования аэрофотосъемки при помощи квадрокоптера для оценки таксационных характеристик древостоев. Тем не менее существующие алгоритмы поиска вершин деревьев пока не дают высококачественных результатов при обработке данных съемки смешанных древостоев. Для широкого применения этих методов в лесоведении и лесном хозяйстве необходимо совершенствование алгоритмов и методов обработки данных.

Скачать электронную версию публикации