2023 Трансформация экосистем 6 (2), 33-48
Оценка качества автоматического детектирования деревьев по фотограмметрическим моделям высот и ортофотопланам
Иванова Н.В. , Лебедев А.В. , Шашков М.П.
DOI: https://doi.org/10.23859/estr-220418Том: 6
Номер: 2
Страницы: 33-48
Дата поступления в редакцию: 18.04.2022
Дата принятия к печати: 04.07.2022
Дата онлайн-публикации: 02.06.2023
Дата выхода номера: 15.06.2023
ISSN 2619-094X Print
ISSN 2619-0931 Online
Работа выполнена в малонарушенном ельнике липняковом заповедника «Кологривский лес» (Костромская обл.) на основе данных аэрофотосъемки квадрокоптером. Алгоритмы автоматического детектирования позволили выделить большинство деревьев в пологе леса. Детектирование деревьев по ортофотоплану с использованием нейросетевого алгоритма Deep Forest оказалось более качественным, чем детектирование по модели высот при помощи алгоритма, основанного на методе скользящего окна. Как правило, оба метода демонстрировали более качественные результаты для хвойных деревьев по сравнению с лиственными. Сравнение средних высот деревьев, оцененных по дистанционным данным и измеренных наземными методами, не выявило значимых различий. Показана необходимость дополнительных наземных обследований для оценки качества детектирования подроста.
Наталья Владимировна Иванова
Институт математических проблем биологии РАН – филиал ИПМ им. М.В. Келдыша РАН
142290, Россия, Московская область, г. Пущино, ул. проф. Виткевича, д. 1
кандидат биологических наук, старший научный сотрудник
natalya_ivanova@impb.ru
Александр Вячеславович Лебедев
Российский государственный аграрный университет – МСХА им. К.А. Тимирязева
127434, Россия, г. Москва, ул. Тимирязевская, д. 49
кандидат сельскохозяйственных наук, доцент
avl1993@mail.ru
Максим Петрович Шашков
Государственный заповедник «Кологривский лес» им. М.Г. Синицына
157440, Россия, Костром- ская обл., г. Кологрив, ул. Некрасова, д. 48
старший научный сотрудник
max.carabus@gmail.com
Иванов, А.Н., Буторина, Е.А., Балдина, Е.А., 2012. Многолетняя динамика коренных южно-таежных ельников в заповеднике Кологривский лес. Вестник Московского университета. Серия 5. География 3, 74–79.
Иванова, Н.В., Шашков, М.П., Шанин, В.Н., Грабарник, П.Я., 2020. Оценка качества автоматического детектирования деревьев
по материалам аэрофотосъемки с помощью квадрокоптера. Доклады международной конференции «Математическая биология и биоинформатика». Лахно, В.Д. (ред.). Т. 8. ИМПБ РАН, Пущино, Россия, статья № e36. http://www.doi.org/10.17537/icmbb20.31
Иванова, Н.В., Шашков, М.П., Шанин, В.Н., 2021. Исследование структуры древостоев сосновых лесов Приокско-Террасного биосферного заповедника (Россия) по материалам аэрофотосъемки с квадрокоптера. Nature Conservation Research. Заповедная наука 6 (4), 1–14. http://www.doi.org/10.24189/ncr.2021.042
Коренные темнохвойные леса южной тайги (резерват «Кологривский лес»), 1988. Абатуров, Ю.Д., Письмеров, А.В., Орлов, А.Я. и др. (ред.). Наука, Москва, СССР, 220 с.
Лебедев, А.В., Чистяков, С.А., 2021a. Долговременные наблюдения на пробных площадях в древостоях ядра заповедника
«Кологривский лес». Материалы конференции «Вклад ООПТ в экологическую устойчивость регионов: современное состояние и перспективы. Кологрив, Россия, 31–43.
Лебедев, А.В., Чистяков, С.А., 2021b. Оценка последствий ветровала 2021 года на территории биосферного резервата «Кологривский лес». Материалы конференции «Вклад ООПТ в экологическую устойчивость регионов: современное состояние и перспективы. Кологрив, Россия, 71–77.
Медведев, А.А., Тельнова, Н.О., Кудиков, А.В., Алексеенко, Н.А., 2020. Анализ и картографирование структурных параметров редкостойных северотаежных лесов на основе фотограмметрических облаков точек. Современные проблемы дистанционного зондирования Земли из космоса 17 (1), 150–163. http://www.doi.org/10.21046/2070-7401-2020-17-1-150-163
Портнов, А.М., Быховец, С.С., Дин, Е.С., Иванова, Н.В., Фролов, П.В., Шанин, В.Н., Шашков, М.П., 2021. Количественная оценка размеров окон в пологе старовозрастного широколиственного леса наземными и дистанционными методами. Материалы Седьмой конференции «Математическое моделирование в экологии» ЭкоМатМод-2021. Пущино, Россия, 99–102.
Хорошев, А.В., Немчинова, А.В., Кощеева, А.С., Иванова, Н.В., Петухов, И.Н., Терентьева, Е.В., 2013. Ландшафтные и сукцессионные факторы соотношения неморальных и бореальных свойств травяного яруса в заповеднике Кологривский лес. Вестник Московского университета. Серия 5. География 5, 11–18.
Agisoft LLC,. 2019. Agisoft Metashape (Version 1.5). Software. URL: https://www.agisoft.com/Alonzo, M., Bookhagen, B., Roberts, D.A., 2014. Urban tree species mapping using hyperspectral and LiDAR data fusion. Remote Sensing of Environment 148, 70–83 http://www.doi.org/10.1016/j.rse.2014.03.018
Alonzo, M., Andersen, H.E., Morton, D.C., Cook, B.D., 2018. Quantifying boreal forest structure and composition using UAV structure from motion. Forests 9 (3), 119. http://www.doi.org/10.3390/f9030119
Anderson, K., Gaston, K.J., 2013. Lightweight unmanned aerial vehicles will revolutionize spatial ecology. Frontiers in Ecology and the Environment 11 (3), 138–146. http://www.doi.org/10.1890/120150
Bennett, G., Hardy, A., Bunting, P., Morgan, P., Fricker, A., 2020. A transferable and effective method for monitoring continuous cover forestry at the individual tree level using UAVs. Remote Sensing 12 (13), 2115. http://www.doi.org/10.3390/rs12132115
Birdal, A.C., Avdan, U., Türk, T., 2017. Estimating tree heights with images from an unmanned aerial vehicle. Geomatics, Natural Hazards and Risk 8 (2), 1144–1156. http://www.doi.org/10.1080/19475705.2017.1300608
Chen, Q., Gao, T., Zhu, J., Wu, F., Li, X., Lu, D., Yu, F., 2022. Individual tree segmentation and tree height estimation using leaf-off and leaf-on UAV-LiDAR data in dense deciduous forests Remote Sensing 14 (12), 2787. https://doi.org/10.3390/rs14122787
Christin, S., Hervet, É., Lecomte, N., 2019. Applications for deep learning in ecology. Methods in Ecology and Evolution 10, 1632–1644. http://www.doi.org/10.1111/2041-210X.13256
Gonçalves, V.P., Ribeiro, E.A.W., Imai, N.N., 2022. Mapping areas invaded by Pinus sp. from geographic object-based image analysis (GEOBIA) applied on RPAS (Drone) color images. Remote Sensing 14 (12), 2805. https://doi.org/10.3390/rs14122805
Goutte, C., Gaussier, E., 2005. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. In: Losada, D.E., Fernández-Luna, J.M. (eds.), Advances in Information Retrieval. ECIR 2005. Lecture Notes in Computer Science, vol 3408. Springer, Berlin – Heidelberg, 345–359. https://doi.org/10.1007/978-3-540-31865-1_25
Ivanova, N.V., Shashkov, M.P., 2022. Tree stand assessment before and after windthrow based on open-access biodiversity data and aerial photography. Nature Conservation Research 7 (Suppl. 1), 52–63. https://dx.doi.org/10.24189/ncr.2022.018
Khosravipour, A., Skidmore, A.K., Skidmore, M., Wang, T., Hussin, Y., 2014. Generating pit-free canopy height models from airborne LiDAR. Photogrammetric Engineering and Remote Sensing 9, 863–872. http://www.doi.org/10.14358/PERS.80.9.863
Kislov, D.E., Korznikov, K.A., 2020. Automatic windthrow detection using very-high-resolution satellite imagery and deep learning. Remote Sensing 12 (7), 1145. http://www.doi.org/10.3390/rs12071145
Kolarik, N.E., Gaughan, A.E., Stevens, F.R., Pricope, N.G., Woodward, K., Cassidy, L., Salerno, J., Hartter, J., 2020. A multi-plot
assessment of vegetation structure using a micro-unmanned aerial system (UAS) in a semiarid savanna environment. ISPRS Journal of Photogrammetry and Remote Sensing 164, 84–96. http://www.doi.org/10.1016/j.isprsjprs.2020.04.011
Krisanski, S., Taskhiri, M.S., Turner, P., 2020. Enhancing methods for under-canopy unmanned aircraft system based photogrammetry in complex forests for tree diameter measurement. Remote Sensing 12 (10), 1652. http://www.doi.org/10.3390/
rs12101652
Lamba, A., Cassey, P., Segaran, R.J., Koh, L.P., 2019. Deep learning for environmental conservation. Current Biology 29, R977–R982. http://www.doi.org/10.1016/j.cub.2019.08.016
Li, W., Guo, Q., Jakubowski, M.K., Kelly, M., 2012. A new method for segmenting individual trees from the LiDAR point cloud. Photogrammetric Engineering and Remote Sensing 78 (1), 75–84. http://www.doi.org/10.14358/PERS.78.1.75
Miller, E., Dandois, J.P., Detto, M., Hall, J.S., 2017. Drones as a tool for monoculture plantation assessment in the steepland tropics. Forests 8 (5), 168. http://www.doi.org/10.3390/f8050168
Mohan, M., Silva, C.A., Klauberg, C., Jat, P., Catts, G. et al., 2017. Individual tree detection from Unmanned Aerial Vehicle (UAV) derived canopy height model in an open canopy mixed conifer forest. Forests 8 (9), 340. http://www.doi.org/10.3390/f8090340
Onishi, M., Ise, T., 2021. Explainable identification and mapping of trees using UAV RGB image and deep learning. Scientific Reports 11, 903. http://www.doi.org/10.1038/s41598-020-79653-9
Otero, V., Van De Kerchove, R., Satyanarayana, B., Martínez-Espinosa, C., Fisol, M.A.B. et al., 2018. Managing mangrove forests from the sky: forest inventory using field data and unmanned aerial vehicle (UAV) imagery in the Matang Mangrove Forest Reserve, peninsular Malaysia. Forest Ecology and Management 411, 35–45. http://www.doi.org/10.1016/j.foreco.2017.12.049
Pajares, G., 2015. Overview and current status of remote sensing applications based on unmanned aerial vehicles (UAVs). Photogrammetric Engineering and Remote Sensing 81 (4), 281–330. http://www.doi.org/10.14358/PERS.81.4.281
Panagiotidis, D., Abdollahnejad, A., Surový, P., Chiteculo, V., 2017. Determining tree height and crown diameter from high-resolution UAV imagery. International Journal of Remote Sensing 38 (8–10), 2392–2410. http://www.doi.org/10.1080/0143
1161.2016.1264028
Picos, J., Bastos, G., Míguez, D., Alonso, L., Armesto, J., 2020. Individual tree detection in a eucalyptus plantation using unmanned aerial vehicle (UAV)-LiDAR. Remote Sensing 12 (5), 885. http://www.doi.org/10.3390/rs12050885
Puliti, S., Ørka, H.O., Gobakken, T., Næsset, E., 2015. Inventory of small forest areas using an unmanned aerial system. Remote Sensing 7 (8), 9632–9654. http://www.doi.org/10.3390/rs70809632
QGIS Development Team, 2019. QGIS Geographic Information System. Open Source Geospatial Foundation Project. URL: http://qgis.osgeo.org
R Core Team, 2021. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.Rproject.org/
Roussel, J.-R., Auty, D., Coops, N.C., Tompalski, P., Goodbody, T.R.H. et al., 2020. lidR: An R package for analysis of airborne laser scanning (ALS) data. Remote Sensing of Environment 251, 112061. http://www.doi.org/10.1016/j.rse.2020.112061
Silva, C.A., Hudak, A.T., Vierling, L.A., Loudermilk, E.L., O’Brien, J.J. et al., 2016. Imputation of individual Longleaf Pine (Pinus
palustris Mill.) tree attributes from field and LiDAR Data. Canadian Journal of Remote Sensing 42 (5), 554–573. https://doi.org/10.1080/07038992.2016.1196582
Silva, C.A., Klauberg, C., Mohan, M., Bright, B.C., 2018. LiDAR analysis in R and rLiDAR for forestry applications. NRS 404/504 LiDAR Remote Sensing for Environmental Monitoring. University of Idaho, Moscow, Idaho, USA, 90 p.
Sokolova, M., Japkowicz, N., Szpakowicz, S., 2008. Beyond accuracy, F-score and ROC: A family of discriminant measures for performance evaluation. Advances in Artificial Intelligence 4304, 1015–1021. http://dx.doi.org/10.1007/11941439_114
Weinstein, B.G., Marconi, S., Bohlman, S., Zare, A., White, E., 2019. Individual tree-crown detection in RGB imagery using semi-supervised deep learning neural networks. Remote Sensing 11 (11), 1309. http://www.doi.org/10.3390/rs11111309
Weinstein, B.G., Marconi, S., Aubry-Kientz, M., Vincent, G., Senyondo, H., White, E.P., 2020. DeepForest: a Python package for RGB deep learning tree crown delineation. Methods in Ecology and Evolution 11, 1743–1751. http://www.doi.org/10.1111/2041-210X.13472
Weinstein, B.G., Marconi, S., Bohlman, S., Zare, A., White, E., 2019. Individual tree-crown detection in RGB imagery using semi-supervised deep learning neural networks. Remote Sensing 11 (11), 1309. http://www.doi.org/10.3390/rs11111309
Zhang, J., Hu, J., Lian, J., Fan, Z., Ouyang, X., YeW., 2016a. Seeing the forest from drones: testing the potential of lightweight drones as a tool for longterm forest monitoring. Biological Conservation 198, 60–69. http://www.doi.org/10.1016/j. biocon.2016.03.027
Zhang, W., Qi, J., Wan, P., Wang, H., Xie, D., Wang, X., Yan, G., 2016b. An easy-to-use airborne LiDAR data filtering method based on cloth simulation. Remote Sensing 8 (6), 501. http://www.doi.org/10.3390/rs8060501
Ключевые слова: заповедник «Кологривский лес», квадрокоптер, нейронная сеть, Agisoft Metashape, lidR, rLiDAR, DeepForest
Для цитирования: Иванова, Н.В. и др., 2023. Оценка качества автоматического детектирования деревьев по фотограмметрическим моделям высот и ортофотопланам. Трансформация экосистем 6 (2), 33–48. https://doi.org/10.23859/estr-220418