Проведены лабораторные исследования по отражательной способности древесной растительности и анализ потенциальных возможностей классификации породы деревьев при использовании спектральных данных в диапазоне 0,4–1 мкм. Спектрометром высокого разрешения получены спектры отражения характерной и наиболее распространённой в Европейской части России древесной растительности: хвои ели и сосны и зелёных листьев берёзы, дуба, клёна, осины и липы. Для оценки вероятности правильной классификации и вероятности неправильной классификации основных древесных пород проводилось статистическое моделирование. Для демонстрации потенциальных возможностей метода классификации породы лиственных и хвойных деревьев использовались спектры, измеренные в августе. Показано, что качество классификации породы деревьев существенно зависит от спектрального разрешения измеренных данных, используемых для классификации. При спектральном разрешении аппаратуры не хуже 2 нм для эффективной классификации породы деревьев измерение спектров отражения достаточно проводить лишь в спектральном диапазоне 0,4–1 мкм (а не в широком диапазоне 0,4–2,4 мкм). При спектральном разрешении аппаратуры 2 нм и относительном среднеквадратичном значении шума 1 % при измерениях в спектральном диапазоне 0,4–1 мкм достижима вероятность правильной классификации породы деревьев (ель, сосна, берёза, дуб, клён, осина, липа) выше 78 % при вероятности неправильной классификации ниже 4,5 %. Использование спектральных данных с разрешением 10 нм значительно ухудшает возможности классификации породы деревьев в диапазоне 0,4–1 мкм.
1. Dmitriev E.V., Kozoderov V.V., Kondranin T.V., Sokolov A.A. Regional monitoring of forest vegetation using airborne hyperspectral remote sensing data // Proceedings of SPIE. – 2014. – Vol. 9263. – P. 926330–1 – 926330–10.
2. Hycza T., Stereńczak K., Bałazy R. Potential use of hyperspectral data to classify forest tree species // New Zealand Journal of Forestry Science. – 2018. – Vol. 48, Is. 18. – P. 1–13.
3. Kayet N. Forest Health Monitoring using Hyperspectral Remote Sensing Techniques / Spatial Modeling in Forest Resources Management – Environmental Science and Engineering / P.K. Shit et al. – Cham: Springer Nature, 2021. – 675 p. – P. 239–257.
4. Sampson P.H., Zarco-Tejada P.J., Mohammed G.H., Miller J.R., Noland T.L. Hyperspectral Remote Sensing of Forest Condition: Estimating Chlorophyll Content in Tolerant Hardwoods // Forest Science. – 2003. – Vol. 49, Is. 3. – P. 381–391.
5. Катаев М.Ю., Карташов Е.Ю. Метод компьютерного зрения для обнаружения лесных пожаров по RGB-изображениям, получаемым с помощью беспилотного моторного планёра // Светотехника. – 2021. – № 2. – С. 15–20.
6. Белов М.Л., Белов А.М., Городничев В.А., Альков С.В. Многоспектральный оптический рефлектометрический метод мониторинга лесных ресурсов // Светотехника. – 2021. – № 6. – С. 57–63.
7. Holzwarth S., Thonfeld F., Abdullahi S., Asam A., Da Ponte Canova E., Gessner U., Huth J., Kraus T., Leutner B., Kuenzer C. Earth Observation Based Monitoring of Forests in Germany: A Review // Remote Sensing. – 2020. – Vol. 12. – P. 1–43.
8. Stoyanov A., Borisova D. Monitoring on forest ecosystems by using space-temporal analysis of different types aerospace data // Ecological Engineering and Environment Protection. – 2017. – No.10. – P. 31–37.
9. Jin L., Yi Y., Xu J. Forest carbon sequestration and China’s potential: the rise of a nature-based solution for climate change mitigation // China Economic Journal. – 2020. – Vol. 13(2). – P. 200–222.
10. Favero A., Daigneault A., Sohngen B. Forests: Carbon sequestration, biomass energy, or both? // Science Advances. – 2020. – Vol. 6, Is. 13. – eaay6792.
11. Alemu B. The Role of Forest and Soil Carbon Sequestrations on Climate Change Mitigation // Journal of Environment and Earth Science. – 2014. – Vol. 4, No. 13. – P. 98–107.
12. Schepaschenko D., Moltchanova E., Fedorov S., Karminov V., Ontikov P., Santoro M., See L., Kositsyn V., Shvidenko A., Romanovskaya F., Korotkov V., Lesiv M., Bartalev S., Fritz S., Shchepaschenko M., Kraxner F. Russian forest sequesters substantially more carbon than previously reported // Scientific Reports. – 2021. – Vol. 11. – 12825. – P. 1–7.
13. Mekonnen H.D., Sintayehu W.D. The Role of Biodiversity and Ecosystem Services in Carbon Sequestration and its Implication for Climate Change Mitigation // International Journal of Environmental Sciences and Natural Resources. – 2018. – Vol. 11(2). –P. 1–9.
14. Singh J., Khare P., Yadav S., Gupta N, Agarwal A. Carbon sequestration: assessment and application – a review // European journal of pharmaceutical and medical research. – 2017. – Vol. 4(5). – P. 220–222.
15. Kindermann G.E., McCallum I., Fritz S., Obersteiner M. A global forest growing stock, biomass and carbon map based on FAO statistics // Silva Fennica. – 2008. – Vol. 42. – P. 387–396.
16. Meng Q., Cieszewski C.J., Maddenb M., Borders B. A linear mixed effects model of biomass and volume of trees using Landsat ETM+ images // Forest Ecology and Management. – 2007. –Vol. 244. – P. 93–101.
17. Van Tuyl S., Law B.E., Turner D.P., Gitelman A.I. Variability in net primary production and carbon storage in biomass across Oregon forests – an assessment integrating data from forest inventories, intensive sites, and remote sensing // Forest Ecology and Management. – 2005. – Vol. 209. – P. 273–291.
19. Dadon A., Mandelmilch M., Ben-Dor E., Sheffer E. Sequential PCA-based classification of mediterranean forest plants using airborne hyperspectral remote sensing // Remote Sensing. – 2019. – Vol. 11. – 2800. – P. 1–19.
20. Ferreira M.P., Zortea M., Zanotta D.C., Shimabukuro Y.E., de Souza Filho C.R.. Mapping tree species in tropical seasonalsemi-deciduous forests with hyperspectral and multispectral data // Remote Sensing of Environment. – 2016. – Vol. 179. – P. 66–78.
21. Wessel M., Brandmeier M., Tiede D. Evaluation of Different Machine Learning Algorithms for Scalable Classification of Tree Types and Tree Species Based on Sentinel‑2 Data // Remote Sensing. – 2018. – Vol. 10. – 1419. – P. 1–21.
22. Чабан Л.Н., Березина К.В. Анализ информативности спектральных и текстурных признаков при классификации растительности по гиперспектральным аэроснимкам // Изв. вузов. «Геодезия и аэрофотосъемка». – 2018. – Т. 62, № 1. – С. 85–95.
23. Зотов С.А., Дмитриев Е.В., Шибанов С.Ю. Оценка информационных возможностей гиперспектрального космического комплекса НПО «Лептон» и МФТИ в задаче мониторинга лесных территорий России // Лесной вестник. – 2020. –Т. 24, № 3. – С. 26–32.
24. Burai P., Deák B., Valkó O., Tomor T. Classification of Herbaceous Vegetation Using Airborne Hyperspectral Imagery // Remote Sensing. – 2015. – Vol. 7. – P. 2046–2066.
25. Yang G., Zhao Y., Li B., Ma Y., Li R., Jing J., Dian Y. Tree Species Classification by Employing Multiple Features Acquired from Integrated Sensors // Journal of Sensors. – 2019. –3247946. – P. 1–12.
26. USGS Digital Spectral Library 06. URL: http://speclab.cr.usgs.gov/spectral.lib06 (дата обращения: 22.09.2023).
27. Popular UV–Vis vs USB2000+. URL: https://www.optosky.net/atp2000p.html (дата обращения: 22.09.2023).
28. Кринов Е.Л. Спектральная отражательная способность природных образований. АН СССР. Лаборатория аэрометодов. – Москва; Ленинград: Изд-во АН СССР, 1947. – 272 с.
29. Xie S., Ren G., Zhu J. Application of a new one-dimensional deep convolutional neural network for intelligent fault diagnosis of rolling bearings // Science Progress. – 2020. – Vol. 103(3). – P. 1–18.
30. Hinton G., Srivastava N., Swersky K. «Neural Networks for Machine Learning». URL: https://www.cs.toronto.edu/~hinton/coursera_lectures.html (дата обращения: 22.09.2023).
31. Dalponte M., Bruzzone L., Vescovo L., Gianelle D. The role of spectral resolution and classifier complexity in the analysis of hyperspectral images of forest areas // Remote Sensing of Environment. – 2009. – Vol. 113. – P. 2345–2355.
32. Pika XC2 400–1000 nm High-Precision VNIR. URL: https://resonon.com/pika-xc2 (дата обращения: 22.09.2023).
33. Hyperspectral Sensors. URL: https://www.headwallphotonics.com/products (дата обращения: 22.09.2023).
34. Zhong Y., Wang X., Wang S., Zhang L. Advances in spaceborne hyperspectral remote sensing in China // Geo-spatial Information Science. – 2021. – Vol. 24(1). – P. 95–120.
35. HySpex Classic VNIR‑3000 N. URL: https://www.hyspex.com/hyspex-products (дата обращения: 22.09.2023).

• Предыдущая статья
• Следующая статья

• спектры отражения
• экспериментальные исследования
• нейронная сеть
• древесная растительность
• классификация породы деревьев