С.И. Чумаченко1, В.И. Терехов2, Е.М. Митрофанов3, И.А. Гришин4
1, 3 Мытищинский филиал МГТУ им. Н.Э. Баумана (г. Мытищи, Московская обл., Россия)
2, 4 МГТУ им. Н.Э. Баумана (Москва, Россия)
Постановка проблемы. Лазерное сканирование LiDAR предоставляет трехмерные облака точек сканируемых объектов. Полученные записи координат точек в пространстве открывают возможность для детального обследования древостоя в дистанционных условиях. Данные LiDAR участков лесного массива позволяют произвести оценку насаждений методом, базирующемся на данных сплошного перечета деревьев на всей площади участка автоматически и в короткие сроки. Методы оценки параметров насаждений в плотных облаках точек требуют усовершенствования. Предварительная задача таксации – извлечение отдельных деревьев из лесного массива.
Цель. Рассмотреть и реализовать процедуру определения параметров отдельных деревьев с помощью данных LiDAR. Сравнить результаты измерений параметров на двух наборах данных, полученных автоматическим путем и ручной сегментацией, с результатами полевых измерений параметров участка.
Результаты. Рассмотрена и реализована процедура определения параметров отдельных деревьев с помощью данных LiDAR. Получены наборы деревьев для их оценки двумя разными способами: 1) ручной сегментацией; 2) автоматическим разделением участка с помощью диаграммы Вороного на подобласти, каждая из которых содержит только одно дерево. Отмечено, что входные данные для разделения – координаты деревьев, получены автоматически с помощью анализа нижнего слоя облака методом кластеризации на основе плотности, а затем с целью оценки таксационных параметров проведена обработка двух наборов деревьев. Сделано сравнение полученных значений с результатами полевых измерений.
Практическая значимость. Результаты оценки параметров, а также незначительные различия параметров между автоматическим и ручным разделением дают основания утверждать, что использование подобного автоматического разделения для определения основных таксационных параметров возможно в рамках решения подобных задач и рекомендуется, особенно для участков с небольшой плотностью посадки насаждений. Рассмотренный способ разделения участка позволяет значительно уменьшить время сегментации несложных участков леса.
Чумаченко С.И., Терехов В.И., Митрофанов Е.М., Гришин И.А. Подход к автоматической оценке таксационных параметров деревьев с помощью данных LiDAR // Динамика сложных систем. 2022. Т. 16. № 4. С. 63−73. DOI: 10.18127/j19997493-202204-06
- Rossi L. et al. Urban Planning Insights from Tree Inventories and Their Regulating Ecosystem Services Assessment. Sustainability. 2022. V. 14. № 3. P. 1684.
- Ramalho de Oliveira L. F. et al. Moving to automated tree inventory: Comparison of uas-derived lidar and photogrammetric data with manual ground estimates. Remote Sensing. 2020. V. 13. № 1. P. 72.
- Terekhov V. et al. Classification of Tree Species by Trunk Image Using Conventional Neural Network and Augmentation of the Training Sample Using a Telegram-Bot. International Conference on Neuroinformatics. Springer. Cham. 2021. P. 210–216.
- Lin Y. C. et al. Leaf-off and leaf-on uav lidar surveys for single-tree inventory in forest plantations. Drones. 2021. V. 5. № 4.
P. 115. - Hamraz H., Contreras M. A., Zhang J. A robust approach for tree segmentation in deciduous forests using small-footprint airborne LiDAR data. International journal of applied earth observation and geoinformation. 2016. V. 52. P. 532–541.
- Hamraz H., Contreras M. A., Zhang J. Forest understory trees can be segmented accurately within sufficiently dense airborne laser scanning point clouds. Scientific Reports. 2017. V. 7. № 1. P. 1–9.
- Windrim L., Bryson M. Forest tree detection and segmentation using high resolution airborne LiDAR. 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2019. P. 3898–3904.
- Suárez J. C. et al. Use of airborne LiDAR and aerial photography in the estimation of individual tree heights in forestry. Computers & Geosciences. 2005. V. 31. № 2. P. 253–262.
- Popescu S. C. Estimating biomass of individual pine trees using airborne lidar. Biomass and Bioenergy. 2007. V. 31. № 9. P. 646–655.
- Dassot M., Constant T., Fournier M. The use of terrestrial LiDAR technology in forest science: application fields, benefits and challenges. Annals of forest science. 2011. V. 68. № 5. P. 959–974.
- Malhi Y. et al. New perspectives on the ecology of tree structure and tree communities through terrestrial laser scanning. Interface Focus. 2018. V. 8. № 2. P. 20170052.
- Raumonen P. et al. Fast automatic precision tree models from terrestrial laser scanner data. Remote Sensing. 2013. V. 5. № 2. P. 491–520.
- Disney M.I. et al. Weighing trees with lasers: advances, challenges and opportunities. Interface Focus. 2018. V. 8. № 2.
P. 20170048. - Åkerblom M. et al. Non-intersecting leaf insertion algorithm for tree structure models. Interface Focus. 2018. V. 8. № 2.
P. 20170045. - Gonzalez de Tanago J. et al. Estimation of above‐ground biomass of large tropical trees with terrestrial LiDAR. Methods in Ecology and Evolution. 2018. V. 9. № 2. P. 223–234.
- Dong W., Isler V. Tree morphology for phenotyping from semantics-based mapping in orchard environments //arXiv preprint arXiv:1804.05905. 2018.
- Trochta J. et al. 3D Forest: An application for descriptions of three-dimensional forest structures using terrestrial LiDAR. PloS one. 2017. V. 12. № 5. P. e0176871.
- Burt A., Disney M., Calders K. Extracting individual trees from lidar point clouds using treeseg. Methods in Ecology and Evolution. 2019. V. 10. № 3. P. 438–445.
- Eroshenkova D. A. et al. Automated determination of forest-vegetation characteristics with the use of a neural network of deep learning. International Conference on Neuroinformatics. Springer, Cham, 2019. P. 295–302.
- Хрящев В.В. и др. Сегментация объектов на спутниковых изображениях с использованием сверточных нейронных сетей // Успехи современной радиоэлектроники. 2019. № 6. С. 28–34.
- Кваснов А.В., Гладилин П.Е., Першуткин А.Э. Методика распознавания неподвижных групповых объектов по радиолокационному изображению на основе искусственных нейронных сетей // Успехи современной радиоэлектроники. 2020. Т. 74. № 8. С. 63–71.
- Zhang W. et al. Cloth simulation-based construction of pit-free canopy height models from airborne LiDAR data. Forest Ecosystems. 2020. V. 7. № 1. P. 1–13.
- Campello R. J. G. B., Moulavi D., Sander J. Density-based clustering based on hierarchical density estimates. Pacific-Asia conference on knowledge discovery and data mining. Springer, Berlin, Heidelberg, 2013. P. 160–172.
- Rangarajan P. et al. Hyper least squares and its applications. 2010 20th International Conference on Pattern Recognition. IEEE, 2010. P. 5–8.
- Barber C. B., Dobkin D. P., Huhdanpaa H. The quickhull algorithm for convex hulls. ACM Transactions on Mathematical Software (TOMS). 1996. V. 22. № 4. P. 469–483.