Проведены лабораторные исследования спектров отражения листьев и хвои деревьев, характерных для Европейской части РФ (берёза, дуб, клён, липа, осина, ель, сосна), в осенний период года в спектральном диапазоне 0,4–1 мкм со спектральным разрешением 2 нм. Для каждой породы деревьев использовались образцы с разных деревьев и с разных веток одного дерева. Если на листьях деревьев появились участки жёлтого цвета или листва начала желтеть, то спектры отражения существенно меняются: расширяется диапазон разброса характеристик спектров для разных образцов одной породы и уменьшается ступенька в спектральной зависимости коэффициента яркости, возникающая в спектральной области перехода от видимого к ближнему ИК диапазону. Для оценки вероятности правильной и неправильной классификации пород деревьев использовались спектры отражения, измеренные в период с 6 сентября по 3 октября. Показано, что, несмотря на увеличение разброса характеристик спектров образцов листьев некоторых пород, использование нейронной сети позволяет получать хорошие результаты классификации пород деревьев (хотя и немного худшие, чем в летний период). Использование измерений в спектральном диапазоне 0,4–1 мкм с разрешением 2 нм при относительном среднеквадратическом значении шума 1 % позволяет в осенний период потенциально обеспечить вероятность правильной классификации пород деревьев выше 74 % при вероятности неправильной классификации ниже 5,4 %.
1. Boreal Forests in the Face of Climate Change / Ed. Girona M.M.,·Morin H.,·Gauthier S., Bergeron Y. – Geneva, Switzerland: Springer, 2023. – 859 p.
2. Combating climate change – a role for UK forests. An assessment of the potential of the UK’s trees and woodlands to mitigate and adapt to climate change / Ed. Read D.J., Freer-Smith P.H., Morison J.I.L., Hanley N., West C.C., Snowdon P. – Edinburgh: The Stationery Office, 2009. – 222 p.
3. Ponomarenko M.R., Zelentsov V.A. Forest monitoring and analysis based on Earth observation data services // IOP Conf. Series: Earth and Environmental Science. – 2021. – Vol. 806. – 012003. – P. 1–7. DOI:10.1088/1755‑1315/806/1/012003.
4. 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.
5. 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.
6. 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 Sens. – 2020. – Vol. 12. – 3570. – P. 1–43.
7. John E., Bunting P., Hardy A., Silayo D.S., Masunga E.A. Forest Monitoring System for Tanzania. // Remote Sens. – 2021. – Vol. 13. – 3081. – P. 1–29.
8. Zhang Y., Chen J.M., Miller J.R., Noland T.L. Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery // Remote Sensing of Environment. – 2008. – No. 112. – P. 3234–3247.
9. White J.C., Coops N.C., Wulder M.A., Vastaranta M., Hilker T., Tompalski P. Remote Sensing Technologies for Enhancing Forest Inventories: A Review // Can. J. Remote Sens. – 2016. – Vol. 42. – P. 619–640.
10. 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. – 166. – P. 1–27.
11. Lister A.J., Andersen H., Frescino T., Gatziolis D., Healey S., Heath L.S., Liknes G.C., McRoberts R., Moisen G.G., Nelson M., Riemann R., Schleeweis K., Schroeder T.A., Westfall J., Wilson B.T. 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. – P. 1–41.
12. Yel S.G., Gormus E.T. Exploiting hyperspectral and multispectral images in the detection of tree species: A review // Front. Remote Sens. – 2023. – Vol. 4. – P. 1–13.
13. Dabiri Z., Lang S. Comparison of Independent Component Analysis, Principal Component Analysis, and Minimum Noise Fraction Transformation for Tree Species Classification Using APEX Hyperspectral Imagery // ISPRS Int. J. Geo-Inf. – 2018. – Vol. 7 (488). – P. 1–26.
14. Dadon A., Mandelmilch M., Ben-Dor E., Sheffer E. Sequential PCA-based classification of mediterranean forest plants using airborne hyperspectral remote sensing // Remote Sens. – 2019. – Vol. 11. – 2800. – P. 1–19.
15. Ferreira M.P., Zortea M., Zanotta D.C., Shimabukuro Y.E., de Souza Filho C.R. Mapping tree species in tropical seasonal semi-deciduous forests with hyperspectral and multispectral data // Remote Sensing of Environment. – 2016. – Vol. 179. – P. 66–78.
16. 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 Sens. – 2018. – Vol. 10. – 1419. – P. 1–21.
17. Axelsson A., Lindberg E., Reese H., Olsson H. Tree species classification using Sentinel‑2 imagery and Bayesian inference // International Journal of Applied Earth Observations and Geoinformation. – 2021. – Vol. 100. – 102318. – P. 1–7.
18. Joongbin Lim, Kyoung-Min Kim, Eun-Hee Kim, Ri Jin. Machine Learning for Tree Species Classification using Sentinel‑2 Spectral Information, Crown Texture, and Environmental Variables // Remote Sens. – 2020. – Vol. 12. – 2049. – P. 1–21.
19. Miranda E., Mutiara A.B., Ernastuti, Wibowo W.C. Forest Classification Method Based on Convolutional Neural Networks and Sentinel‑2 Satellite Imagery // International Journal of Fuzzy Logic and Intelligent Systems. – 2019. – Vol. 19, No. 4. – P. 272–282.
20. 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.
21. Shang X., Chisholm L.A. Classification of australian native forest species using hyperspectral remote sensing and machine-learning classification algorithms // IEEE Journal of selected topics in applied earth observations and remote sensing. – 2014. – Vol. 7 (6). – P. 2481–2488.
22. Sankey T., Donager J., McVay J., Sankey J.B. UAV lidar and hyperspectral fusion for forest monitoring in the southwestern USA // Remote Sensing of Environment. – 2017. – Vol. 195. – P. 30–43.
23. Zmarz A. UAV – a useful tool for monitoring woodlands // Miscellanea geographica – regional studies on development. – 2014. – Vol. 18, No. 2. – P. 46–52.
24. Dainelli R.; Toscano P.; Di Gennaro S.F.; Matese A. Recent Advances in Unmanned Aerial Vehicle Forest Remote Sensing – A Systematic Review. Part I: A General Framework // Forests. – 2021. – Vol. 12. – 327. – P. 1–27. 25. Torres F.M., Tommaselli A.M.G. A lightweight UAV-based laser scanning system for forest application // Bulletin of Geodetic Sciences. – 2018. – Vol. 24 (3). – P. 318–334.
26. Ecke S.; Dempewolf J.; Frey J.; Schwaller A.; Endres E.; Klemmt H.-J.; Tiede D.; Seifert T. UAV-Based Forest Health Monitoring: A Systematic Review // Remote Sens. – 2022. – Vol. 14. – 3205. – P. 1–45.
27. 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.
28. Kazak A., Grishin I., Makoveichuk K., Dorofeeva A., Mayorova A. The use of UAVS and helicopters in forest fires monitoring and extinguishing in hard-to-reach areas // E3S Web of Conferences. – 2023. – Vol. 402. – 02008. – P. 1–7.
29. Michez A., Piégay H., Lisein J., Claessens H., Lejeune P. Classification of Riparian Forest Species and Health Condition Using Multi-Temporal and Hyperspatial Imagery from Unmanned Aerial System // Environmental Monitoring and Assessment. – 2016. – Vol. 188 (3). – P. 1–19.
30. Федотов Ю.В., Иванов С.Е., Белов М.Л., Белов А.М., Городничев В.А., Чумаченко С.И., Шкарупило А.А. Исследование возможностей классификации пород деревьев в спектральном диапазоне 0,4–1 мкм // Светотехника. – 2024 – № 2. – Р. 62–67.
31. Popular UV – Vis vs USB2000+. URL: https://www.optosky.net/atp2000 p.html (дата обращения: 10.10.2024).
32. USGS Digital Spectral Library 06 [Electronic resource]. URL: http://speclab. cr.usgs.gov/spectral.lib06 (дата обращения: 10.10.2024).
33. Johns Hopkins University Spectral Library [Electronic resource]. URL: https://speclib.jpl.nasa.gov/documents/jhu_desc (дата обращения: 10.10.2024).
34. Merzlyak M.N., Gitelson A.A., Pogosyan S.I., Chivkunova O.B., Lehimena L., Garson M., Buzulukova N.P., Shevyreva V.V., Rumyantseva V.B. Reflectance spectra of leaves and fruits during their development and senescence and under stress // Russian Journal of Plant Physiology. 1997. 44(5). P. 614–622.
35. Fedotov Yu.V., Ivanov S.E., Belov M.L., Gorodnichev V.A. Experimental study of variations in the reflection spectra of leaves and needles depending on the conditions for obtaining samples // E3S Web of Conferences. – 2024. – Vol. 486. – 07016. – P. 1–6.
36. 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.
37. Басс Л.П., Кузьмина М.Г., Николаева О.В. Cверточные нейронные сети с глубоким обучением в задачах обработки гиперспектральных спутниковых данных // Препринты ИПМ им. М.В. Келдыша. – 2018. – № 282. – 32 с. DOI:10.20948/prepr‑2018‑282.
38. Lim J., Kim K.M., Kim E.H., Jin R. Machine Learning for Tree Species Classification using Sentinel‑2 Spectral Information, Crown Texture, and Environmental Variables // Remote Sens. – 2020. – Vol. 12. – 2049. – P. 1–22.

• Предыдущая статья
• Следующая статья

• спектры отражения
• видимый и ближний ИК спектральные диапазоны
• осенний период
• классификация пород деревьев
• нейронная сеть