Анализ возможностей мультиспектрального оптического метода мониторинга лесных территорий

Аннотация

Проанализированы возможности мультиспектрального дистанционного оптического метода мониторинга лесных территорий. Приведены результаты математического моделирования классификации элементов лесных территорий на созданной нейронной сети, использующей экспериментально измеренные коэффициенты отражения лесной растительности. Показано, что созданная нейронная сеть обеспечивает большую вероятность правильной классификации для задачи классификации (по данным мультиспектрального дистанционного оптического мониторинга) зондируемых участков лесных территорий. Выбранные спектральные каналы зондирования в широком спектральном диапазоне ~ 400...2400 нм и созданная нейронная сеть обеспечивают (при использовании семи спектральных каналов в видимом и ближнем спектральном ИК-диапазоне и активного лазерного сенсора для определения высоты деревьев) вероятности правильной классификации элементов лесных территорий (зеленых и сухих лиственных и хвойных деревьев, болот, пастбищ с различным покрытием растительностью и разных типов почв) более 0,74 и вероятности неправильной классификации элементов лесных территорий менее 0,08. Мультиспектральный дистанционный оптический метод может быть использован при оперативном мониторинге больших лесных территорий с авиационного носителя (легкого самолета или беспилотного летательного аппарата)

Просьба ссылаться на эту статью следующим образом:

Просьба ссылаться на эту статью следующим образом:
Белов М.Л., Белов А.М., Городничев В.А. и др. Анализ возможностей мульти-спектрального оптического метода мониторинга лесных территорий. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2022, № 4 (141), с. 56–69. DOI: https://doi.org/10.18698/0236-3933-2022-4-56-69

Литература

[1] White J.C., Coops N.C., Wulder M.A., et al. Remote sensing technologies for enhancing forest inventories: a review. Can. J. Remote Sens., 2016, vol. 42, no. 5, pp. 619--641. DOI: https://doi.org/10.1080/07038992.2016.1207484

[2] Immitzer M., Vuolo F., Atzberger C. First experience with Sentinel-2 data for crop and tree species classifications in central Europe. Remote Sens., 2016, vol. 8, no. 3, art. 166. DOI: https://doi.org/10.3390/rs8030166

[3] Michez A., Piegay H., Lisein J., et al. Classification of riparian forest species and health condition using multi-temporal and hyperspatial imagery from unmanned aerial system. Environ. Monit. Assess., 2016, vol. 188, no. 3, art. 146. DOI: https://doi.org/10.1007/s10661-015-4996-2

[4] Holzwarth S., Thonfeld F., Abdullahi S., et al. Earth observation based monitoring of forests in Germany: a review. Remote Sens., 2020, vol. 12, no. 21, art. 3570. DOI: https://doi.org/10.3390/rs12213570

[5] Lister A.J., Andersen H., Frescino T., et al. Use of remote sensing data to improve the efficiency of national forest inventories: a case study from the United States national forest inventory. Forests, 2020, vol. 11, no. 12, art. 1364. DOI: https://doi.org/10.3390/f11121364

[6] John E., Bunting P., Hardy A., et al. Forest monitoring system for Tanzania. Remote Sens., 2021, vol. 13, no. 16, art. 3081. DOI: https://doi.org/10.3390/rs13163081

[7] Biswas S., Huang Q., Anand A., et al. A multi sensor approach to forest type mapping for advancing monitoring of sustainable development goals (SDG) in Myanmar. Remote Sens., 2020, vol. 12, no. 19, art. 3220. DOI: https://doi.org/10.3390/rs12193220

[8] Miranda E., Mutiara A.B. Forest classification method based on convolutional neural networks and Sentinel-2 satellite imagery. Int. J. Fuzzy Log. Intell. Syst., 2019, vol. 19, no. 4, pp. 272--282. DOI: https://doi.org/10.5391/IJFIS.2019.19.4.272

[9] Егоров В.Д., Козодеров В.В. Распознавание лесной растительности по самолетным гиперспектральным данным. Исследование Земли из космоса, 2016, № 3, с. 47--58.

[10] Козодеров В.В., Егоров В.Д. Распознавание типов лесной растительности по гиперспектральным самолетным и многоканальным спутниковым данным высокого пространственного разрешения. Сравнение результатов и оценка их точности. Исследование Земли из космоса, 2019, № 6, с. 89--102. DOI: https://doi.org/10.31857/S0205-96142019689-102

[11] Карпов А.А., Богданов А.П., Пирцхалава-Карпова Н.Р. и др. Использование ДЗЗ для мониторинга лесовосстановления в бореальных лесах. Известия Санкт-Петербургской лесотехнической академии, 2019, № 229, с. 23--43. DOI: https://doi.org/10.21266/2079-4304.2019.229.23-43

[12] Лебедева Т.А., Копылова Ю.Ю., Гагарин А.И. Комплексный мониторинг и эколого-экономическая оценка лесных земель на территориях интенсивного недропользования. Известия Самарского научного центра РАН, 2015, т. 17, № 5 (2), с. 500--504.

[13] Мониторинг лесных территорий. zaomkt.ru: веб-сайт. URL: http://zaomkt.ru/monitoring-lesnyh-territoriy (дата обращения: 02.05.2022).

[14] Мониторинг лесных хозяйств. innoter.com: веб-сайт. URL: https://innoter.com/otraslevye-resheniya/lesnoe-khozyaystvo/monitoring-lesnykh-khozyaystv (дата обращения: 02.05.2022).

[15] Аэрокосмический мониторинг лесного хозяйства. sovzond.ru: веб-сайт. URL: https://sovzond.ru/industry-solutions/forestry (дата обращения: 02.05.2022).

[16] БПЛА для лесного хозяйства. geosalut.ru: веб-сайт. URL: https://www.geosalut.ru/bpla/monitoring-lesnyh-ugodij/monitoring-lesnyh-ugodij-s-primeneniem-bpla (дата обращения: 02.05.2022).

[17] Meerdink S.K., Hook S.J., Abbott E.A., et al. ECOSTRESS spectral library --- Version 1.0. 2018. URL: https://speclib.jpl.nasa.gov (дата обращения: 02.05.2022).

[18] Clark R.N., Swayze G.A., Wise R., et al. USGS Digital Spectral Library splib06a. U.S. Geological survey, data series 231, 2007. URL: http://speclab.cr.usgs.gov/spectral.lib06 (дата обращения: 02.05.2022).

[19] Brunton S.L., Kutz J.N. Neural networks and deep learning. Cambridge, Cambridge University Press, 2019.

[20] Haykin S.S. Neural networks and learning machines. Upper Saddle River, Pearson, 2009.

[21] Duchi J., Hazan E., Singer Y. Adaptive subgradient methods for online learning and stochastic optimization. J. Mach. Learn. Res., 2011, vol. 12, pp. 2121--2159.

[22] Методы оптимизации нейронных сетей. habr.com: веб-сайт. URL: https://habr.com/ru/post/318970 (дата обращения: 02.05.2022).

[23] Каширина И.Л., Демченко М.В. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей. Вестник ВГУ, серия: Системный анализ и информационные технологии, 2018, № 4, с. 123--132.

[24] Belov M.L., Belov A.M., Gorodnichev V.A., et al. Laser airborne reflection method for remote sensing forest species composition. IOP Conf. Ser.: Mater. Sc. Eng., 2020, vol. 862, art. 022003. DOI: https://doi.org/10.1088/1757-899X/862/2/022003

[25] Belov M.L., Belov A.M., Gorodnichev V.A., et al. Analysing detection bands of two-spectral reflection method to identify forest species composition. J. Phys.: Conf. Ser., 2021, vol. 2094, art. 042035. DOI: https://doi.org/10.1088/1742-6596/2094/4/042035

[26] Belov M.L., Belov A.M., Gorodnichev V.A., et al. Analysing laser reflection method capabilities to monitor forestland condition and species composition. Proc. SPIE, 2021, vol. 11916. DOI: https://doi.org/10.1117/12.2602893

[27] Wu W., Zhang Z., Zheng L., et al. Research progress on the early monitoring of pine wilt disease using hyperspectral techniques. Sensors, 2020, vol. 20, no. 13, art. 3729. DOI: https://doi.org/10.3390/s20133729

[28] Hyperion. usna.edu: веб-сайт. URL: https://www.usna.edu/Users/oceano/pguth/md_help/html/hyperion.htm (дата обращения: 02.05.2022).

[29] Ресурс-П. russianspacesystems.ru: веб-сайт. URL: http://russianspacesystems.ru/bussines/dzz/resurs-p (дата обращения: 02.05.2022).

[30] Hu Y., Wu F., Sun Z., et al. The laser vegetation detecting sensor: a full waveform, large-footprint, airborne laser altimeter for monitoring forest resources. Sensors, 2019, vol. 19, no. 7, art. 1699. DOI: https://doi.org/10.3390/s19071699

[31] d’Oliveira M.V.N., Broadbent E.N., Oliveira L.C., et al. Aboveground biomass estimation in Amazonian tropical forests: a comparison of aircraft- and GatorEye UAV-borne LiDAR data in the Chico Mendes extractive reserve in Acre, Brazil. Remote Sens., 2020, vol. 12, no. 11, art. 1754. DOI: https://doi.org/10.3390/rs12111754

[32] M’ayr’a J., Keski-Saari S., Kivinen S., et al. Tree species classification from airborne hyperspectral and LiDAR data using 3D convolutional neural networks. Remote Sens. Environ., 2021, vol. 256, art. 112322. DOI: https://doi.org/10.1016/j.rse.2021.112322