СРАВНЕНИЕ МЕТОДИЧЕСКИХ ПОДХОДОВ ОПРЕДЕЛЕНИЯ ВЫСОТ И ПРОЕКЦИЙ КРОН ДЕРЕВЬЕВ ПО МАТЕРИАЛАМ ЛАЗЕРНОГО СКАНИРОВАНИЯ С БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА В СРЕДНЕТАЕЖНЫХ ЛЕСАХ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Бореальные леса — важнейшие резервуары углерода суши, древесина которых запасает около 30—35% углерода таких биогеоценозов, инвентаризация которых является важнейшей национальной задачей. Мировой практикой последних десятилетий является масштабирование лесотаксационных данных при помощи беспилотных воздушных судов (БВС), являющихся эффективным и дешевым средством сбора информации на уровне отдельных биогеоценозов. Разнообразие методов съемки и обработки требует поиска оптимальных подходов к инвентаризации запасов древесины при помощи БВС. Статья посвящена сравнению двух методов (Matlab — ML и TerraScan — TS) оценки количества, высоты и проективного покрытия крон деревьев путем обработки облаков точек лазерных отражений различной плотности (100 и 2800 точек/м2; ML100, ML2800 и TS100, TS2800). Лидарная съемка осуществлена на 3 пробных площадях размером 50×50 метров. ПП 1 — лес, пересеченный ручьем; ПП 2 — лес на ровной поверхности; ПП 3 — лес на границе с олиготрофным болотом. Число деревьев, идентифицированных при помощи ML100 / ML2800, для ПП 1, 2 и 3 составило: 55 / 66, 67 / 87 и 174 / 220; для TS100 и TS2800 — 66 / 95, 85 / 156 и 82 /166. Средняя высота деревьев достигает 10—24 метров, слабо отличаясь при двух способах обработки на каждом из участков. Суммарное проективное покрытие крон для ПП 1, 2 и 3 составило 2569, 2494 и 2059 м2 в ML; 2091, 2424 и 1506 м2 — в TS. При дистанционной оценке удалось достаточно полно оценить количество лишь деревьев первого яруса: для этой задачи достаточно использования ML100. Однако для более полноценного учета деревьев, в том числе нижних ярусов, предпочтительнее использование TS2800 при условии подбора параметра минимальной высоты деревьев.

Об авторах

Д. В. Ильясов

Югорский государственный университет

Email: d_ilyasov@ugrasu.ru
Россия, ул. Чехова, д. 16, Ханты-Мансийск, 628012

А. Б. Алексеев

Центр по проблемам экологии и продуктивности лесов РАН

Автор, ответственный за переписку.
Email: poxpox@mail.ru
Россия, ул. Профсоюзная, д. 84/32, стр. 14, Москва, 117997

Список литературы

  1. Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 с.
  2. Замолодчиков Д.Г., Грабовский В.И., Краев Г.Н. Динамика бюджета углерода лесов России за два последних десятилетия // Лесоведение. 2011. № 6. С. 16—28.
  3. Замолодчиков Д.Г., Грабовский В.И., Честных О.В. Динамика баланса углерода в лесах федеральных округов Российской Федерации // Вопросы лесной науки. 2018. Т. 1. № 1. С. 1—24.
  4. Иванов К.Е., Новиков С.М. Болота Западной Сибири, их строение и гидрологический режим. Л.: Гидрометеоиздат, 1976. 447 с.
  5. Пинаевская Е.А. Рост разных форм сосны обыкновенной (Pinus sylvestris L.) на болотных почвах северной тайги // Вестник Красноярского государственного аграрного университета. 2016. № 11. С. 163—170.
  6. Приказ Федерального агентства лесного хозяйства от 6 мая 2022 г. № 556 “Об утверждении Регламента организации и проведения мероприятий по государственной инвентаризации лесов центральным аппаратом Рослесхоза, территориальными органами Рослесхоза и подведомственными Рослесхозу организациями”. URL: https://rosleshoz.gov.ru/doc/пр_№ 556_2022.05.06 (дата обращения: 14.01.2024).
  7. Сочилова Е.Н., Сурков Н.В., Ершов Д.В., Хамедов В.А. Оценка запасов фитомассы лесных пород по спутниковым изображениям высокого пространственного разрешения (на примере лесов Ханты-Мансийского АО) // Вопросы лесной науки. 2018. Т. 1. № 1. С. 1—23.
  8. Тюрин А.В. Таксация леса. М.: Государственное лесотехническое изд-во, 1938. 300 с.
  9. Указ Президента Российской Федерации от 4 ноября 2020 г. № 666 “О сокращении выбросов парниковых газов”. URL: http://www.kremlin.ru/acts/bank/45990 (дата обращения: 13.08.2024).
  10. Щепащенко Д.Г., Мухортова Л.В., Швиденко А.З., Ведрова Э.Ф. Запасы органического углерода в почвах России // Почвоведение. 2013. № 2. С. 123—132.
  11. Anderson K., Gaston K.J. Lightweight unmanned aerial vehicles will revolutionize spatial ecology // Frontiers in Ecology and the Environment. 2013. V. 11. № 3. P. 138—146.
  12. Brede B., Calders K., Lau A., Raumonen P., Bartholomeus H.M., Herold M., Kooistra L. Non-destructive tree volume estimation through quantitative structure modelling: Comparing UAV laser scanning with terrestrial LIDAR // Remote Sensing of Environment. 2019. V. 233. Article № 111355.
  13. Brede B., Terryn L., Barbie, N., Bartholomeus H.M., Bartolo R., Calders K., Derroire G., Krishna Moorthy S.M., Lau A., Levick S.R., Raumonen P., Verbeeck H., Wang D., Whiteside T., van der Zee J., Herold M. Non-destructive estimation of individual tree biomass: Allometric models, terrestrial and UAV laser scanning // Remote Sensing of Environment. 2022. V 280. Article № 113180.
  14. Cao L., Liu H., Fu X., Zhang Z., Shen X., Ruan H. Comparison of UAV LiDAR and digital aerial photogrammetry point clouds for estimating forest structural attributes in subtropical planted forests // Forests. 2019. V. 10. № 2. Article № 145.
  15. Chen Q., Baldocchi D., Gong P., Kelly M. Isolating individual trees in a savanna woodland using small footprint lidar data // Photogrammetric Engineering and Remote Sensing. 2006. V. 72. № 8. P. 923—932.
  16. Dixon R.K., Solomon A.M., Brown S., Houghton R.A., Trexier M.C., Wisniewski J. Carbon pools and flux of global forest ecosystems // Science. 1994. V. 263. № 5144. P. 185—190.
  17. Extract Forest Metrics and Individual Tree Attributes from Aerial Lidar Data. https://www.mathworks.com/help/lidar/ug/extraction-of-forest-metrics-and-individual-tree-attributes.html).
  18. Ganz S., Käber Y., Adler P. Measuring tree height with remote sensing — A comparison of photogrammetric and LiDAR data with different field measurements // Forests. 2019. V. 10. № 8. Article № 694.
  19. Gyawali A., Aalto M., Peuhkurinen J., Villikka M., Ranta T. Comparison of individual tree height estimated from LiDAR and digital aerial photogrammetry in young forests // Sustainability. 2022. V. 14. № 7. Article № 3720.
  20. Hyyppä E., Yu X., Kaartinen H., Hakala T., Kukko A., Vastaranta M., Hyyppä J. Comparison of backpack, handheld, under-canopy UAV, and above-canopy UAV laser scanning for field reference data collection in boreal forests // Remote Sensing. 2020. V.12. № 20. Article № 3327.
  21. Ilyasov D.V., Kaverin A.A., Zhernov S.N., Glagolev M.V., Niyazova A.V., Kupriianova I.V., Filippov I.V., Terentieva I.E., Sabrekov A.F., Lapshina E.D. Estimation of tree cover height on oligotrophic bog based on UAV lidar surveying // Environmental Dynamics and Global Climate Change. 2023. V. 14. № 4. P. 237—248.
  22. IPCC, 2023: Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, H. Lee and J. Romero (eds.)]. IPCC, Geneva, Switzerland. 184 p. doi: 10.59327/IPCC/AR6-9789291691647
  23. Kupriianova I.V., Kaverin A.A., Filippov I.V., Ilyasov D.V., Lapshina E.D., Logunova E.V., Kulyabin M.F. The main physical and geographical characteristics of the Mukhrino field station area and its surroundings // Environmental Dynamics and Global Climate Change. 2022. V. 13. № 4. P. 215—252.
  24. Kuželka K., Slavík M., Surový P. Very high density point clouds from UAV laser scanning for automatic tree stem detection and direct diameter measurement // Remote Sensing. 2020. V. 12. № . 8. Article № 1236.
  25. Lister A.J., Andersen H., Frescino T., Gatziolis D., Healey S., Heath L.S., Liknes G.C., McRoberts R., Moisen G.G., Nelson M., Riemann R., Schleeweis K., Schroeder T.A., Westfall J., Wilson B.T. Use of remote sensing data to improve the efficiency of national forest inventories: A case study from the United States national forest inventory // Forests. 2020. V. 11. № 12. Article № 1364.
  26. Mielcarek M., Stereńczak K., Khosravipour A. Testing and evaluating different LiDAR-derived canopy height model generation methods for tree height estimation // International Journal of Applied Earth Observation and Geoinformation. 2018. V. 71. P. 132—143.
  27. Puliti S., Breidenbach J., Schumacher J., Hauglin M., Klingenberg T.F., Astrup R. Above-ground biomass change estimation using national forest inventory data with Sentinel‑2 and Landsat // Remote Sensing of Environment. 2021. V. 265. Article № 112644.
  28. Reese H., Nilsson M., Sandström P., Olsson H. Applications using estimates of forest parameters derived from satellite and forest inventory data // Computers and Electronics in Agriculture. 2002. V. 37. № 3. P. 37—55.
  29. Rogers S.R., Manning I., Livingstone W. Comparing the spatial accuracy of digital surface models from four unoccupied aerial systems: Photogrammetry versus LiDAR // Remote Sensing. 2020. V. 12. № 17. Article № 2806.
  30. Sibona E., Vitali A., Meloni F., Caffo L., Dotta A., Lingua E., Motta R., Garbarino M. Direct measurement of tree height provides different results on the assessment of LiDAR accuracy // Forests. 2016. V. 8. № 1. Article № 7.
  31. Sun W., Liu X. Review on carbon storage estimation of forest ecosystem and applications in China // Forest Ecosystems. 2020. V. 7. № 1. P. 1—14.
  32. Wallace L., Lucieer A., Watson C., Turner D. Development of a UAV—LiDAR system with application to forest inventory // Remote Sensing. 2012. V. 4. № . 6. P. 1519—1543.
  33. Wang D., Wan B., Liu J., Su Y., Guo Q., Qiu P., Wu X. Estimating aboveground biomass of the mangrove forests on northeast Hainan Island in China using an upscaling method from field plots, UAV—LiDAR data and Sentinel‑2 imagery // International Journal of Applied Earth Observation and Geoinformation. 2020. V. 85. Article № 101986.
  34. Zhao K., Suarez J.C., Garcia M., Hu T., Wang C., Londo A. Utility of multitemporal lidar for forest and carbon monitoring: Tree growth, biomass dynamics, and carbon flux // Remote Sensing of Environment. 2018. V. 204. P. 883—897.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».