В статье обоснована актуальность исследования автоматизированных методов определения таксационных признаков лесных насаждений по данным дистанционного зондирования Земли в интересах ПАО «НК «Роснефть». В рамках данной работы продолжено изучение возможностей применения материалов, полученных с беспилотных платформ, для автоматизации определения породного состава древесной растительности. В качестве основного метода при классификации применен объектно-ориентированный подход с использованием извлеченных статистических данных по спектральным признакам. Практическая реализация определения породного состава выполнена в несколько этапов. Выполнена предварительная обработка аэросъемочных материалов с беспилотных воздушных судов DJI P4 Multispectral и DJI Matrice 600 Pro. Сформирована обучающая выборка по эталонным элементам в исследуемом полигоне. Проведена сегментация путем буферизации вершин деревьев, полученных на первом этапе обработки по точкам лазерных отражений. Собрана статистика по каналам всех входных изображений (набор данных из четырех растров с различной комбинацией каналов). Выполнены обучение моделей и классификация контролируемым методом Support Vector Machines по всему набору созданных многоканальных изображений. Оценена точность работы алгоритма Support Vector Machines на входных данных. Для сравнительного анализа на наиболее информативном изображении применен алгоритм Random Forrest с последующей оценкой результатов. Сделаны выводы об условиях применения обоих методов и повышении информативности изображений мультиспектральной съемки за счет использования в качестве дополнительного канала данных интенсивности отражения сигнала. Общий уровень точности при рекомендуемой в статье комбинации данных и алгоритма Support Vector Machines составил 84 %. Намечены перспективные направления дальнейших исследований.
Список литературы
1. Object-Based land cover classification of cork oak qoodlands using UAV Imagery and Orfeo ToolBox / G. De Luca, M.N. Silva, S. Cerasoli [et al.] // Remote Sensing. – 2019. – № 11(10). DOI: 10.3390/rs11101238.
2. Разработка алгоритма семантической сегментации аэрофотоснимков реального времени / Ю.Б. Блохинов, В.А. Горбачев, Ю.О. Ракутин, А.Д. Никитин // Компьютерная оптика. – 2018. – Т. 42. – № 1. – С. 141–148.
3. Abhishek A., Minakshi K., Raghavendra S. An Integrated Object and Machine Learning Approach for Tree Canopy Extraction from UAV Datasets // Journal of the Indian Society of Remote Sensing. – 2021. – DOI: 10.1007/s12524-020-01240-2.
4. Onishi M., Takeshi I. Explainable identification and mapping of trees using UAV RGB image and deep learning // Scientific Reports. – 2021. – № 11(1). – 903. – https://doi.org/10.1038/s41598-020-79653-9
5. Опыт использования мультиспектрального аэрофотосъемочного оборудования в комплексе с беспилотным воздушным судном для решения задач лесотаксации и топографии / А.Н. Погородний, Н.Н. Филин, С.А. Шумейко [и др.] // Нефтяное хозяйство. – 2021. – № 9. – С. 90–94. – https://doi.org/10.24887/0028-2448-2021-9-90-94
6. Применение материалов аэросъемки для определения породной и высотной составляющих лесных насаждений на объектах ПАО «НК «Роснефть» / Н.Н. Филин, А.Н. Погородний, С.А. Арбузов, Н.Н. Бердников // Нефтяное хозяйство. – 2022. – № 9. – С. 111–115. – https://doi.org/10.24887/0028-2448-2022-9-111-115
7. Cho M.A., Skidmore A.K. A new technique for extracting the red edge position from hyperspectral data: the linear extrapolation method // Remote Sensing of Environment. – 2006. – No. 101. – P. 181–193.
8. Толкач И.В., Саевич Ф.К. Cпектральные и яркостные характеристики основных лесообразующих пород на снимках сканера Leica ADS100 // Труды БГТУ. – 2016. – № 1. – С. 24–27.
9. Оценка точности и сопоставимости тематических карт лесного покрова разного пространственного разрешения на примере Среднего Поволжья / Э.А. Курбанов, О.Н. Воробьев, А.В. Губаев [и др.] // Современные проблемы дистанционного зондирования Земли из космоса. – 2016. – Т. 13. – № 1. – С. 36–48. - DOI: 10.21046/2070-7401-2016-13-1-36-48
10. Оценка влияния изменения плотности облака точек на точность автоматической сегментации / А.Г. Юнусов, А.Д. Дждид, Н.С. Бегляров, М.А. Елшеви // Геодезия и картография. – 2020. – Т. 81. – № 7. – С. 47–55. – DOI: 10.22389/0016-7126-2020-961-7-0-0.
11. A new framework for optimal classifier design / M. Di Martino, G. Hernandez, M. Fiori, A. Fernandez // Pattern Recognition. – 2013. – V. 46. – Issue 8. – P. 2249–2255. – DOI: 10.1016/j.patcog.2013.01.006
12. Image Semantic Segmentation Method Based on Deep Learning in UAV Aerial Remote Sensing Image / M. Ling, Q. Cheng, J. Peng [et al.] // Hindawi Mathematical Problems in Engineering. – 2022. – Article ID 5983045. – P. 1–10. – DOI: 10.1155/2022/5983045.
13. A review on deep learning in UAV remote sensing / L.P. Osco, J. Marcato Jr., A.P.M. Ramos [et al.] // International Journal of Applied Earth Observations and Geoinformation. – 2021. – No. 102. – DOI: 10.1016/j.jag.2021.102456.
