РОССИЙСКАЯ ФЕДЕРАЦИЯ ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ	(19) RU (11) 2 773 144 (13) C1
	(51) МПК G06V 20/17 (2022.01) A01G 23/00 (2006.01) (52) СПК G06V 20/17 (2022.02) A01G 23/00 (2022.02)

Статус:	действует (последнее изменение статуса: 10.06.2022)
Пошлина:	учтена за 3 год с 30.06.2023 по 29.06.2024. Установленный срок для уплаты пошлины за 4 год: с 30.06.2023 по 29.06.2024. При уплате пошлины за 4 год в дополнительный 6-месячный срок с 30.06.2024 по 29.12.2024 размер пошлины увеличивается на 50%.

(21)(22) Заявка: 2021118988, 29.06.2021 (24) Дата начала отсчета срока действия патента: 29.06.2021 Дата регистрации: 31.05.2022 Приоритет(ы): (22) Дата подачи заявки: 29.06.2021 (45) Опубликовано: 31.05.2022 Бюл. № 16 (56) Список документов, цитированных в отчете о поиске: US 10614562 B2, 07.04.2020. RU 2533022 C1, 20.11.2014. RU 2565280 C2, 20.10.2015. CN 105241423 B, 08.03.2017. CN 108896021 B, 26.05.2020. CN 105243050 A, 13.01.2016. CN 104867180 B, 15.09.2017. RU 2716477 C1, 11.03.2020. Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: материалы международной конференции (14-15 окт. 2015 г.) / Отв. ред. проф. Э.А. Курбанов [Электронный ресурс]. − Электрон. дан.− Йошкар-Ола: Поволжский государственный технологический университет, 2015. − 121 с. А. А. Медведев, Н. О. Тельнова, А. В. Кудиков, Н. А. Алексеенко "Анализ и картографирование структурных параметров редкостойных северотаёжных лесов на основе фотограмметрических облаков точек" / Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т.17. Адрес для переписки: 119234, Москва, Ломоносовский пр-кт, 27, стр. 1, Московский государственный университет имени М.В. Ломоносова, Фонд "Национальное интеллектуальное развитие"

(72) Автор(ы): Голубева Елена Ильинична (RU), Зимин Михаил Викторович (RU), Медведев Андрей Александрович (RU), Рис Уильям Гарет (GB), Тутубалина Ольга Валерьевна (RU), Тельнова Наталья Олеговна (RU) (73) Патентообладатель(и): Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) (RU)

(54) СПОСОБ ОПРЕДЕЛЕНИЯ ЗАПАСОВ СТВОЛОВОЙ ДРЕВЕСИНЫ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ ВОЗДУШНОЙ БЕСПИЛОТНОЙ СЪЕМКИ

Область техники, к которой относится изобретение

Изобретение относится к технике лесной таксации, и может быть использовано в лесном хозяйстве, лесной промышленности и лесоустройстве в качестве технологии определения запасов древесины, используемой для перехода от съемки лесной растительности с беспилотных летательных аппаратов к информационному продукту, характеризующему таксационные параметры этой растительности.

Уровень техники

Достоверная информация о лесных ресурсах необходима для решения задач устойчивого управления лесами, лесного сектора экономики, экологии, охраны природы и смежных отраслей деятельности. Существующий уровень техники определения запаса древостоя характеризуется высокими значениями погрешностей определения - (±15%), что является недопустимым для задач планирования лесозаготовки в ближайшей перспективе.

Из уровня техники известны различные способы определения запасов древостоя.

Например, в патентном источнике RU2533022 раскрыт способ определения запаса древостоя, в соответствии с которым измеряют высоту и диаметры деревьев на высоте груди, осуществляют сплошной перечет деревьев по диаметру на высоте груди и высоте на пробной площади древостоя. Полученные данные группируют на отдельные размерные градации по диаметру на высоте груди и определяют по размерным градациям запас стволовой древесины в коре и без коры по определенным формулам.

Данный способ достаточно трудоемок в реализации и требует присутствия человека в зоне определения, что не всегда возможно осуществить.

Дистанционное определение запасов древесины раскрыто в патентном источнике RU2565280, в соответствии с которым осуществляют дистанционное зондирование таксируемой территории в различные сезоны, составляют цифровую модель рельефа, полученные данные формируют в виде базы данных со строчной структурой и пространственной привязкой, которую сравнивают по спектральным характеристикам с заранее заданными устойчивыми спектральными образами типов ландшафтного покрова, выделяют основные соответствия полученных классов заданным типам ландшафтного покрова, выделяют классы, имеющие лесохозяйственную ценность, в каждом классе, имеющем лесохозяйственную ценность, определяют число контрольных точек, на контрольных точках проводят лесотаксационные полевые описания, полученными в результате описаний лесотаксационными характеристиками дополняют базу данных, для каждой лесотаксационной характеристики, на основе значений мультиспектральных характеристик и характеристик рельефа, статистическими методами осуществляют интерполяцию ее состояний на всю таксируемую территорию.

Способ обладает низкой степенью точности вследствие того, что лесотаксационные параметры в соответствии с данным решением определяются только по спектральным характеристикам без измерений либо математического расчета количества деревьев, их высот и диаметров стволов, что затрудняет применение способа на обширных территориях.

Из уровня техники известны технические решения, обеспечивающие определение запаса стволовой древесины, в том числе, и по данным беспилотных летательных аппаратов (БИЛА). Общей схемой реализации таких решений является следующая последовательность: формирование задания на аэросъемку для БПЛА, выполнение задания, визуализация полученных изображений, фотограмметрическая обработка изображений, автоматизированное определение параметров древостоев по изображениям с использованием технологий компьютерного зрения и автоматических классификаций, моделирование параметров древостоев, в т.ч. запаса стволовой древесины.

Из уровня техники также известно решение, представленное в публикации CN105241423, и раскрывающее способ оценки объема древостоя с высокой плотностью полога на основе пары фотографических изображений беспилотного летательного аппарата (БПЛА). Исходными данными являются снимки неметрической цифровой камеры с фиксированным фокусом. После фотограмметрической обработки снимки анализируются и интерпретируются с помощью комбинированного использования технологии компьютерного зрения и технологии распознавания изображений; поэтому получают такие параметры описания древостоя, как средняя высота дерева h, средний диаметр D на уровне груди (DBH), плотность деревьев на единицу площади N, степень полога K1, степень смешения K2, класс возраста А и класс местности S. Объем древостоя М вычисляется с помощью математической модели.

Однако, известное решение не ориентировано на определение «живых» стволов деревьев. Определение стволов подобного рода происходит исключительно по ограниченному набору ключевых элементов (слов), поиск которых осуществляется в гипертекстовых файлах. В случае если в гипертекстовом файле отсутствуют ключевые элементы из известного набора, тип ствола не будет определен, что снижает точность способа и сужает возможности его применения.

Из уровня техники известна также заявка на изобретение RU2018130997. В публикации раскрыт способ использования БПЛА для вычисления продуктивности лесов и управления лесным хозяйством, в соответствии с которым формируют сигнал управления беспилотным летательным аппаратом (БПЛА) для полета над участком леса и получения изображения участка леса с помощью камеры, установленной на БПЛА; формируют показатель инвентаризации деревьев, указывающий запас деревьев на участке леса, на основании изображения; и формируют сигнал действия на основании показателя инвентаризации деревьев.

Одним из этапов способа является определение показателей инвентаризации деревьев на участке леса, в т.ч. запас деревьев, на основании визуальной информации.

Однако данное решение не содержит оценки точности расчета запаса стволовой древесины, получаемого в результате выполнения технических операций. Кроме того, в рамках известных способов не проводится оценка границ применимости разработанных методик расчета, в т.ч. отсутствует учет сведений о высоте, плотности полога, породном составе лесов, для которых проводимые расчеты можно считать приемлемыми.

Наиболее близким по технической сущности к заявляемому изобретению является решение «Новый метод определения таксационных характеристик насаждений по снимкам сверх высокого разрешения с беспилотного летательного аппарата (БПЛА)», раскрытое в источнике

Известный метод определения таксационных характеристик древостоев объединяет в себе аллометрические зависимости запаса, средних диаметра и высоты древостоев от числа стволов на единицу площади и результаты автоматизированной обработки снимков сверхвысокого разрешения с целью определения последнего.

Однако, в результате расчета запаса стволовой древесины, в соответствии с известной методикой, наблюдаются погрешности в пределах 6-26 м³/га, что связано, по-видимому, с тем, что высоты деревьев не измеряются в поле или дистанционными методами, а вычисляются с помощью аллометрических уравнений, исходя из данных о количестве деревьев на единицу площади. Погрешности в расчете высот составляют, по данным авторов решения, от 1 до 3 м, что безусловно, влияет на общие получаемые данные об объемах древесины.

Таким образом, техническая проблема, решаемая посредством заявляемого изобретения, заключается в необходимости преодоления недостатков, присущих раскрытым выше аналогам и прототипу, за счет создания способа определения запасов стволовой древесины однородного участка леса на основе анализа снимков, полученных с беспилотных летательных аппаратов с точностью, близкой к полевым измерениям (ошибка 13% в древостоях с 1 ярусом).

Краткое раскрытие сущности изобретения

Технический результат, достигаемый при использовании заявляемого изобретения, заключается в упрощении технологии оценки запасов древесины с одновременным повышением степени точности их определения.

Заявляемое изобретение также способствует увеличению площади участка определения запаса в несколько раз по сравнению с наземными измерениями, что позволит проводить оценочные работы в более короткие сроки на большей площади.

Заявленный технический результат достигается тем, что способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки, включает

- выполнение фотоснимков заранее выбранного однородного участка леса беспилотным летательным аппаратом (БПЛА) с высоты не более 50 м и перекрытием фотографируемой площади соседних фотоснимков не менее 80% с последующих сохранением фотоснимков для формирования банка данных, содержащего в отношении каждого снимка сведения об условиях съемки, размере изображений и координатах центральных точек каждого снимка;

- обработку фотоснимков с последующим построением цифровой модели древесного полога, для чего выполняют:

а) фотограмметрическую обработку снимков с БПЛА с построением плотного облака точек плотностью не менее 300 точек на м2,

б) классификацию точек по их положению в пространстве с выделением точек, принадлежащих к земной поверхности и формированием из них цифровой модели рельефа (ЦМР) и формированием цифровой модели местности (ЦММ) из остальных точек,

в) формирование цифровой модели древесного полога посредством вычитания ЦМР из ЦММ,

- преобразование полученной цифровой модели для извлечения контуров крон деревьев с последующим их визуальным дешифрированием,

- фильтрацию полученной цифровой модели с определением количества стволов, их высот и породного состава участка леса, для чего

а) определяют положение стволов деревьев по пиковому значению максимальной высоты каждой отдельной кроны дерева

б) определяют значения высот деревьев,

в) определяют породный состав леса посредством визуального дешифрирования ортофотоплана,

- определение запаса стволовой древесины отдельно для каждой породы деревьев из выбранного участка леса с последующим суммированием результатов для всех пород по формуле ln(V)=p0+p1*ln(h),

где V - запас древесины для дерева в м³, h - высота каждого дерева, р0 и p1 - индивидуальные для каждой породы видовые поправочные коэффициенты.

Предварительно осуществляют выбор однородного участка леса по космическим снимкам оптического диапазона пространственного разрешения 10-20 м. Фотоснимки выполняют с пространственным разрешением 1-3 см. Плотное облако точек представляет собой модель объекта местности, где каждая точка характеризуется следующими атрибутами: абсолютная высота (м), яркость в трех видимых диапазонах электромагнитного спектра (синем, зеленом и красном), RGB-код. Построение цифровой модели древесного полога (ЦМДП) и ее последующую фильтрацию ведут в локальной окрестности каждого дерева.

Возможности заявляемого способа определения запаса стволовой древесины ограничены только дальностью съемки с БПЛА и значительно превышают площадь, которую можно охватить при наземных методах расчета. Способ позволяет получить таксационную характеристику древостоев с временными затратами порядка нескольких дней или недель (в зависимости от площади территории), что значительно превышает сроки обновления лесотаксационных карт (несколько лет). В способе при определении запасов стволовой древесины использованы коэффициенты аллометрических уравнений, полученные на основе измеренных высот и диаметров стволов у статистически значимого количества деревьев, позволяющие значительно повысить точность определения запаса стволовой древесины у различных пород. На каждом этапе реализации способа создается результат, позволяющий получить новые знания об изучаемой территории, в том числе, о продукционных процессах и структурно-функциональной организации леса.

В заявляемом способе использовано аллометрическое уравнение следующего вида (Zianis и др., 2005): ln(V)=p0+p1*ln(h), позволяющего оценить объем древесины на основе знания только высотных параметров деревьев, без прямого учета их (деревьев) диаметров. При этом высотные параметры деревьев могут быть определены посредством определенной обработки снимков БПЛА, а не только наземными методами исследования. Таким образом, заявляемый способ позволил в значительной степени упростить и ускорить процесс получения данных о запасах стволовой древесины на больших площадях за счет объединения технологий использования БПЛА и разработанного математического аппарата. Кроме того, определение видовых коэффициентов, используемых в уравнении, на основе обобщения данных по большому количеству пробных площадей, дало возможность повысить точность расчета. С повышением точности определения запасов стало возможным применять его на значительных площадях, что позволит с высокой степенью надежности оценивать запасы древесины на больших площадях.

Краткое описание чертежей

Заявляемое изобретение поясняется следующими изображениями, где

на фиг. 1 представлена 2D-визуализация плотного облака точек после обработки съемки БПЛА; на рисунке показан участок леса при просмотре «сбоку», и в виде точек отображены кроны взрослых деревьев, подроста, кустарников, а также подстилающей поверхности. Более плотные по тону участки изображения соответствуют большему количеству точек.

на фиг. 2 представлен вариант визуализации полученных контуров крон; рисунок представляет собой участок леса при просмотре «сверху», оттенками цвета изображается высота крон, более темным участкам соответствуют более низкие значения. Линиями показаны границы крон, выделенных автоматизировано.

на фиг. 3А и фиг. 3Б представлен результат визуального дешифрирования стволов деревьев по контурам крон, цифровой модели древесного полога (ЦМДП) (А) и ортофотоплану (Б); точками отмечены дешифрированные стволы деревьев.

на фиг. 4 представлено картографическое отображение результатов расчета запаса стволовой древесины на ортофотоплане; кругами отмечены стволы деревьев, диаметр круга пропорционален рассчитанному запасу стволовой древесины.

на фиг. 5 представлены результаты расчета запаса стволовой древесины по видовым формулам настоящей методики в сравнении с полевыми данными. По оси X располагаются значения запаса стволовой древесины, измеренные в поле на ключевых участках, по оси Y - соответствующие этим участкам значения, полученные в результате применения видовых формул использованной методики. Уравнение на графике описывает связь этих значений, коэффициент детерминации R²>0,75 свидетельствует о высокой степени связи, т.е. о высокой степени соответствия рассчитанных значений запаса измеренным.

Осуществление изобретения

Способ реализуют последовательным выполнением следующих этапов.

1. Предварительно осуществляют выбор однородного участка по космическим снимкам оптического диапазона высокого пространственного разрешения (10-20 м), предпочтительно, используют данные, полученные съемкой Sentinel-2 MSI (https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi). Участок выбирают таким образом, чтобы он оказался типичным для большой территории, в результате чего последующий расчет запаса стволовой древесины мог бы быть при необходимости экстраполирован на прилегающие участки. Использование космических снимков значительно ускоряет выбор типичного для большой территории участка леса, подлежащего съемке с БПЛА. При таком подходе можно исключить, или, наоборот, специально исследовать участки, пострадавшие от пожаров, болезней или ураганов деревья. Таким образом, в результате данного этапа получают географические координаты выбранного участка, которые используют для формирования полетного задания БПЛА на этапе 2.

2. Для выбранного участка леса формируют банк снимков, выполненных с использованием малых беспилотных летательных аппаратов (БПЛА), например, мультироторного типа. Современные бюджетные модели таких БПЛА (например, серий DJI Phantom, DJI Mavic и др.) имеют небольшой вес, и оснащены оптической камерой, гиростабилизирующей платформой и навигационным приемником глобальной спутниковой системы позиционирования (GNSS). Съемка участка с БПЛА проводится в ручном или автоматическом режиме. Для повышения точности определения запасов древесины и для обеспечения приемлемого (1-3 см) пространственного разрешения съемку выполняют с высоты не более 50 м от поверхности земли, и с перекрытием между снимками не менее 80%. Полученные снимки записывают в формате jpeg; каждый снимок имеет метаданные в формате EXIF, содержащие информацию об условиях съемки, размере изображений и координатах центральных точек каждого снимка. Набор снимков для выбранного участка переносят с карты памяти БПЛА в память персональных компьютеров для дальнейшей обработки.

3. Снимки, полученные на этапе 2, могут быть обработаны с использованием программного обеспечения, например, Agisoft Photoscan (https://www.agisoft.com/) и Global Mapper (https://www.bluemarblegeo.com/global-mapper/). Предварительная обработка данных БПЛА заключается в стереофотограмметрической обработке полученного набора снимков для каждого участка съемки плотного облака точек и ортофотоплана. Предварительная обработка данных включает следующие шаги (Медведев и др., 2020):

3.1. Подготовка материалов - получение плотного облака точек (фиг. 1). Плотное облако точек представляет собой модель объекта местности, отражающую его геометрию в трехмерной системе координат. Плотное облако точек формируется в результате автоматизированной фотограмметрической обработки снимков с БПЛА после их выравнивания, и построения набора связующих точек (Руководство пользователя Agisoft Metashape…, 2019). При построении плотного облака для каждой принадлежащей ему точки определяют и записывают следующие атрибуты: абсолютная высота в м, яркость в трех видимых диапазонах электромагнитного спектра (синем, зеленом и красном), RGB-код. При рекомендованном методе проведения съемки в ручном режиме с высоты 50 м с высоким перекрытием между снимками плотность результирующего фотограмметрического плотного облака точек составляет не менее 300 точек на м². Такая высокая плотность облака позволяет детально реконструировать геометрические и цветовые параметры объектов местности, в т.ч. кроны, ветви, стволы отдельных деревьев, кустарников и т.д.

3.2. Удаление шумов. Шумами в фотограмметрическом плотном облаке точек являются точки, координаты которых в трехмерном пространстве результате фотограмметрической обработки снимков с БПЛА были определены ошибочно. Такие точки могут быть расположены по краям области съемки, и находится на большом отдалении от основного облака точек. Удаление шумов может проводиться автоматизировано по определенным критериям (напр., стандартному отклонению высоты точек) и контролироваться вручную;

3.3. Классификация точек - разделение всех точек облака на два класса: «земная поверхность и «прочее» (этот класс соответствует растительности на лесных территориях). Используются автоматизированные алгоритмы (Руководство…, 2021) классификации облака точек, основанные на выделении точек, принадлежащих классу «земная поверхность», по их положению в трехмерном пространстве. На этом этапе требуется задание пользователем таких специфических для участка съемки параметров как размер локальной окрестности, эквивалентный диаметру крон деревьев, стандартное отклонение высоты точек от среднего по окрестности; средний уклон и диапазон высот земной поверхности в пределах всего участка.

4. На данном этапе из плотного облака точек, относящихся к классу «земля», создают цифровую модель рельефа (ЦМР), а из неклассифицированного облака точек - цифровую модель местности (ЦММ). Далее путем вычитания ЦМР из ЦММ получают цифровую модель древесного полога, то есть поверхности крон деревьев (ЦМДП) (Create a canopy…, 2020, Lisein, 2013).

5. Преобразование полученной ЦМДП, например, в ПО SAGA GIS (Conrad et al., 2015) для извлечения контуров крон деревьев. Обработка на данном этапе включает следующие шаги:

5.1. Импорт ЦМДП, полученной на предыдущем этапе, в ПО SAGA GIS;

5.2. Сглаживание. Так как модель древесного полога представляет собой файл большого объема с высокой детализацией, в ней могут быть пиксели со значениями, сильно отличающимися от соседних, и это затрудняет выделение отдельных крон деревьев. Для сглаживания применяется низкочастотный фильтр Гаусса, который обеспечивает размытие изображения с использованием функции нормального распределения (Гонсалес Вудс, 2005)). В пределах окна заданного размера на изображении происходит взвешенное осреднение значения высоты для центрального пиксела окна с учетом всех высот пикселов, попадающих в окно, наибольший вес имеют высоты пикселов, наиболее близких к центру. Далее окно (т.н. «скользящее окно»), сдвигается на 1 пиксел, происходит осреднение высоты для следующего пиксела и т.д, позволяя в результате получить более сглаженный рельеф поверхности крон деревьев.

5.3. Сегментация - процесс объединения пикселов вокруг локального максимума высоты и отделения их от пикселов соседней кроны (по минимальным значениям высоты на границах крон и в межкроновых просветах). Наращивание сегментов, объединяющих пиксели, соответствующих на разных высотных уровнях проекциям крон и межкроновых просветов, выполняется методом водораздела, реализованном в открытом геоинформационном программном обеспечении SAGA GIS (Conrad et al., 2015).

5.4. Выбор сегментов на разных высотных уровнях. Для отсечения крон деревьев от кустарникового и кустарничкового ярусов производится выборка сегментов только со значениями высоты более 2 метров;

5.5. Векторизация выбранных сегментов позволяет выделить контуры крон с присвоением каждой кроне значения высоты ее пика. Может быть реализована в открытом геоинформационном программном обеспечении, например, SAGA GIS (Conrad et al., 2015).

5.6. Экспорт векторных контуров крон в полигональный шейпфайл. Один из вариантов визуализации полученных контуров крон представлен на фиг. 2.

После выполнения данных шагов для многоярусных лесных насаждений может оказаться, что некоторые кроны выделяются некорректно, и такие данные не могут полноценно использоваться для дальнейшего анализа при использовании заявляемого способа. Потому следующий этап выделения стволов деревьев по кронам происходит с помощью визуального дешифрирования контуров крон, ЦМДП и ортофотоплана.

6. Визуальное дешифрирование отдельных деревьев по контурам крон (этап 5.6), ЦМДП (этап 5) и ортофотоплану (этап 3) с получением точечного шейп-файла (фиг. 3) включает следующие шаги:

6.1 Определение положение ствола дерева по пику максимальной высоты на ЦМДП внутри полигона (сегмента) каждой отдельной кроны дерева и создание точечного шейп-файла стволов деревьев.

6.2. Определение высот деревьев. С помощью, например, геоинформационного ПО (например, ArcGIS или QGIS) в точках стволов производится извлечение высот деревьев из ЦМДП.

6.3. Определение породного состава леса с помощью визуального дешифрирования ортофотоплана и занесение названия пород в атрибутивную таблицу точек стволов. В результате данного этапа получается шейп-файл, содержащий точки деревьев, их координаты и породу дерева.

7. Выбор аллометрических уравнений для расчета запаса стволовой древесины. Были выбраны формулы из работы Zianis et al., 2005, поскольку этот сборник основан на большом массиве эмпирических данных по лесным площадкам в различных регионах. В общем виде формула имеет вид:

ln(V)=p0+p1*ln(h),

где V - запас древесины для дерева в м3, h - высота каждого дерева, р0 и p1 - поправочные коэффициенты (видовые числа), определяемые в зависимости от породы дерева. Предусмотрен вариант коэффициентов для случая, если порода дерева не определена. Значения коэффициентов р0 и p1 получены в результате осреднения коэффициентов различных уравнений, приведенных для различных тестовых площадок по породам в сборнике (Zianis и др., 2005) и представлены в таблице 1 для определенных видов деревьев.

8. Определение запаса стволовой древесины проводят для каждой породы по выбранным уравнениям с последующим суммированием полученных результатов для выбранного участка леса. Картографическое отображение результатов расчета запаса стволовой древесины представлено на фиг. 4.

Точность определения запасов стволовой древесины по настоящей методике зависит, в том числе, и от сомкнутости, вертикальной структуры и породного состава древостоя. Наилучшие результаты, мало отличающиеся от наземных измерений, получают в древостоях, состоящих из одного главного яруса деревьев, без подлеска, в которых кроны отдельных деревьев четко выделяются. Если в вертикальной структуре древостоя много деревьев второго яруса, а также подлеска, и они хорошо видны между главными кронами, это может привести к погрешностям (например, часть деревьев второго яруса прячется под первым, в результате запас древесины занижается). Наиболее четко выделяются кроны лиственниц и сосен, для берез с их более плотной листвой и разнообразной формой крон возможны дополнительные искажения.

Пример конкретного выполнения

Заявляемый способ протестирован на пробных площадках в Якутии. В таблице 2 представлены основные показатели для каждого дерева на площадке. Последовательность действий при расчетах была следующая:

1. Определение видовых коэффициентов для каждого дерева (р0, p1);

2. Использование формулы для получения запаса древесины;

Суммированием получали общий запас древесины для каждой рассматриваемой площадки и после переводили полученные значения на площадь в 1 га. Пример подсчета запаса древесины показан в таблице 3:

Из приведенной выше таблицы следует, что наибольшим запасом древесины обладает лиственничный лес - в среднем 200 м³ на га. Березовые и сосновые леса характеризуются наименьшим запасом древесины (менее 8 м³ на га), что связано с малыми высотами и биологическими особенностями данных пород. Например, на участке соснового леса на пробной площади №11 происходит восстановление лесов после лесных пожаров, соответственно все деревья достаточно молодые и не обладают большими запасами древесины. Восстановление леса также наблюдается на пробной площади 10 (лиственничное редколесье), где сомкнутость леса является минимальной, как и рассчитанный запас древесины.

Далее на площадках было проведено сравнение запаса, рассчитанного в соответствии с настоящим способом, с запасом, рассчитанным по данным полевых измерений параметров деревьев. На графике фиг. 5 видно, что рассчитанные показатели демонстрируют тесную положительную связь с коэффициентом детерминации 0,76, что позволяет говорить о надежности расчетов запаса, проведенных по заявленной методике. За значимую положительную связь мы принимаем таковую с R² более 0,5, за слабую положительную - с R² от 0,3 до 0,5.

Для различных пробных площадей расхождения запаса стволовой древесины, рассчитанного на основе данных БПЛА по аллометрическим уравнениям, и рассчитанных на основе тех же уравнений по полевым измерениям принимают значения от 13%. Наименьшие расхождения наблюдаются для пробной площади березового леса с подростом лиственницы (13%), наибольшие - для лиственничных редколесий и мертвопокровного соснового леса. Повышенные расхождения связаны, по всей видимости, с наличием большого количества подроста вследствие лесовосстановления после лесного пожара, который плохо отображается на снимках с БПЛА.

Наименьшие расхождения наблюдаются для пробной площади березового леса с подростом лиственницы (№2), результаты расчетов по данным наземных наблюдений и съемки с БПЛА там не сильно отличаются и составляют 25 м3/га и 22 м3/га соответственно.

Таким образом, оценка точности результатов заявляемого способа проводилась на основе полевых данных о лиственничных, сосновых, березовых и смешанных древостоях, собранных в 2019 г. на пробных площадях в Центральной Якутии. На 11 площадках размером 20×20 м полевыми измерениями были определены количество деревьев, высота и порода каждого дерева. Расхождения между количеством оцифрованных на пробной площади стволов деревьев (этап 6 способа) и их количеством по данным наземных измерений составляют около 13%. Определение породного состава древостоя (этап 6) и использование коэффициентов для пород в аллометрических уравнениях (этап 7) существенно повышает точность расчета запаса стволовой древесины. Связь значений запаса, определенных в соответствии с заявляемым способом, и значений, полученных в результате полевых измерений, тесная положительная, коэффициент детерминации R² составляет 0,76 (фиг. 5).

Уникальность изобретения состоит в реализации системного междисциплинарного подхода к расчету запаса стволовой древесины, позволяющего достичь результата для больших площадей леса, сопоставимого с наземными методами расчета, точно, оперативно и с оптимальными трудозатратами.

СПИСОК ЛИТЕРАТУРЫ

1. Create a Canopy Height Model With Lidar Data // Earth Data Science - Earth Lab [Электронный ресурс]. URL: https://www.earthdatascience.org/courses/earth-analytics/lidar-raster-data-r/lidar-chm-dem-dsm/ (дата обращения: 25.01.2021).

2. Lisein J., Pierrot-Deseilligny M., Bonnet S., Lejeune P. A Photogrammetric Workflow for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial System Imagery//Forests, 2013, Vol. 4, No. 4, P. 922-944.

3. Zianis D., Muukkonen P., Mencuccini M, Makipaa R. Biomass and stem volume equations for tree species in Europe / Silvia Fennica Monographs, 2005.

4. Медведев А.А., Тельнова H.О., Кудиков А.В., Алексеенко H.А. Анализ и картографирование структурных параметров редкостойных северотаежных лесов на основе фотограмметрических облаков точек // Современные проблемы дистанционного зондирования Земли из космоса, 2020, Vol. 17, No. 1, P. 150-163.

5. Гонсалес Р.С, Вудс Р. Цифровая обработка изображений. - Москва: Техносфера, 2005. - 1070 р.

6. Руководство пользователя Agisoft Metashape: Professional edition, версия 1.5. Agisoft Metashape User Manual: Professional Edition, Version 1.6 [Электронный ресурс]. URL: https://www.agisoft.com/pdf/metashape-pro_1_6_ru.pdf (дата обращения: 18.06.2021).

7. Conrad. O., Bechtel, В., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., and Boehner, J. (2015): System for Automated Geoscientific Analyses (SAGA) v. 2.1.4. Gcosci. Model Dev.. 8, 1991-2007, doi:10.5194/gmd-8-1991-20l5.

Формула изобретения

1. Способ определения запасов стволовой древесины с использованием данных воздушной беспилотной съемки, включающий

- выполнение фотоснимков заранее выбранного однородного участка леса беспилотным летательным аппаратом (БПЛА) с высоты не более 50 м с перекрытием фотографируемой площади соседних фотоснимков не менее 80%, с последующим сохранением фотоснимков для формирования банка данных, содержащего в отношении каждого снимка сведения об условиях съемки, размере изображений и координатах центральных точек каждого снимка;

- обработку фотоснимков с последующим построением цифровой модели древесного полога, для чего выполняют:

а) фотограмметрическую обработку снимков с БПЛА с построением плотного облака точек плотностью не менее 300 точек на м²,

б) классификацию точек по их положению в пространстве с выделением точек, принадлежащих к земной поверхности, формированием из них цифровой модели рельефа (ЦМР) и формированием цифровой модели местности (ЦММ) из остальных точек,

в) формирование цифровой модели древесного полога посредством вычитания ЦМР из ЦММ,

- преобразование полученной цифровой модели для извлечения контуров крон деревьев с последующим их визуальным дешифрированием,

- фильтрацию полученной цифровой модели с определением количества стволов, их высот и породного состава участка леса, для чего

а) определяют положение стволов деревьев по пиковому значению максимальной высоты каждой отдельной кроны дерева,

б) определяют значения высот деревьев,

в) определяют породный состав леса посредством визуального дешифрирования ортофотоплана,

- определение запаса стволовой древесины отдельно для каждой породы деревьев из выбранного участка леса с последующим суммированием результатов для всех пород по формуле ln(V)=p0+p1*ln(h),

где V - запас древесины для дерева в м³, h - высота каждого дерева, р0 и p1 - индивидуальные для каждой породы видовые поправочные коэффициенты.

2. Способ по п. 1, отличающийся тем, что предварительно осуществляют выбор однородного участка леса по космическим снимкам оптического диапазона пространственного разрешения 10-20 м.

3. Способ по п. 1, отличающийся тем, что фотоснимки выполняют с пространственным разрешением 1-3 см.

4. Способ по п. 1, отличающийся тем, что плотное облако точек представляет собой модель объекта местности, где каждая точка характеризуется следующими атрибутами: абсолютная высота (м), яркость в трех видимых диапазонах электромагнитного спектра (синем, зеленом и красном), RGB-код.

5. Способ по п. 1, отличающийся тем, что построение цифровой модели древесного полога (ЦМДП) и ее последующую фильтрацию ведут в локальной окрестности каждого дерева.