350 руб
Журнал «Динамика сложных систем - XXI век» №4 за 2022 г.
Статья в номере:
Подход к автоматической оценке таксационных параметров деревьев с помощью данных LiDAR
Тип статьи: научная статья
DOI: 10.18127/j19997493-202204-06
УДК: 004.67
Авторы:

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)
 

Аннотация:

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.

Страницы: 63-73
Для цитирования

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

Список источников
  1. Rossi L. et al. Urban Planning Insights from Tree Inventories and Their Regulating Ecosystem Services Assessment. Sustainability. 2022. V. 14. № 3. P. 1684.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. Popescu S. C. Estimating biomass of individual pine trees using airborne lidar. Biomass and Bioenergy. 2007. V. 31. № 9. P. 646–655.
  10. 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.
  11. 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.
  12. Raumonen P. et al. Fast automatic precision tree models from terrestrial laser scanner data. Remote Sensing. 2013. V. 5. № 2. P. 491–520.
  13. Disney M.I. et al. Weighing trees with lasers: advances, challenges and opportunities. Interface Focus. 2018. V. 8. № 2.
    P. 20170048.
  14. Åkerblom M. et al. Non-intersecting leaf insertion algorithm for tree structure models. Interface Focus. 2018. V. 8. № 2.
    P. 20170045.
  15. 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.
  16. Dong W., Isler V. Tree morphology for phenotyping from semantics-based mapping in orchard environments //arXiv preprint arXiv:1804.05905. 2018.
  17. 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.
  18. 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.
  19. 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.
  20. Хрящев В.В. и др. Сегментация объектов на спутниковых изображениях с использованием сверточных нейронных сетей // Успехи современной радиоэлектроники. 2019. № 6. С. 28–34.
  21. 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.
  22. 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.
  23. 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.
  24. Rangarajan P. et al. Hyper least squares and its applications. 2010 20th International Conference on Pattern Recognition. IEEE, 2010. P. 5–8.
  25. 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.
Дата поступления: 03.11.2022
Одобрена после рецензирования: 17.11.2022
Принята к публикации: 21.11.2022