Проведён анализ потенциальных возможностей многоспектрального оптического рефлектометрического метода с использованием оптического локатора для задач дистанционного мониторинга лесных массивов. Математическое моделирование и использование спектральных библиотек коэффициентов отражения растительности позволяют обосновывать выбор информационных параметров и числа длин волн зондирования для решения различных задач мониторинга лесов. Приведены примеры использования многоспектрального оптического метода для умеренной климатической зоны. Показано, что в большинстве случаев он позволяет с вероятностью правильного обнаружения Pd→ 1 и вероятностью ложных тревог Pa < 0,1 решать в летнее время задачи выделения участков леса с преобладанием сухих, зелёных лиственных или зелёных хвойных деревьев, болот или пастбищ.
1. Hansen E.H., Ene L.T., Mauya E.W., Patočka Z., Mikita T., Gobakken T., Nasset E. Comparing Empirical and Semi-Empirical Approaches to Forest Biomass Modelling in Different Biomes Using Airborne Laser Scanner Data // Forests. –2017. –Vol.8, No. 170. – P. 1–17.
2. Hyperspectral images: review of sensor for pilotless aerial vehicle, data processing systems and software applications for agriculture and forestry. URL: http://geomatica.ru/clauses/giperspektralnye-snimki-obzor-sensorov-dlya-bpla-sistem-obrabotka-dannyh-i-prilozhenij-dlya-selskogo-i-lesnogo-hozyajstva (дата обращения: 08.08.2021).
3. Forest monitoring by using package of the satellites Rapid eye. URL: http://geomatica.ru/clauses/303 (дата обращения: 08.08.2021).
4. Remote estimate technology of Russia forest resource: advanced capability and potential. URL: https://docplayer.ru/58588071-Tehnologii-distancionnoy-ocenki-lesnyh-resursov-rossii-sovremennye-vozmozhnosti-i-potencial-primeneniya.html (дата обращения: 08.08.2021).
5. Getzin S., Nuske R.S., Wiegand K. Using Unmanned Aerial Vehicles (UAV) to QuantifySpatial Gap Patterns in Forests // Remote Sensing. – 2014. – Vol. 6 (8). – P. 6988–7004.
6. Gini R., Passoni D., Pinto L., Sona G. Use of Unmanned Aerial Systems for Multispectral Survey and Tree Classification: A Test in A Park Area of Northern Italy // European Journal of Remote Sensing. – 2014. – Vol. 47. – P. 251–269.
7. Puliti S., Ørka H.O., Gobakken T., Næsset E. Inventory of Small Forest Areas Using an Unmanned Aerial System // Remote Sensing. – 2015. –Vol.7. – P. 9632–9654.
8. Torresan C., Berton A., Carotenuto F., Di Gennaro S.F., Gioli B., Matese A., Miglietta F., Vagnoli C., Zaldei A., Wallace L. Forestry applications of UAVs in Europe: a review // International Journal of Remote Sensing. –2016, – No. 8. – P. 1–21.
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 Sensing. – 2016. – Vol. 8. – P. 1–27.
11. Laurin G.V., Puletti N., Hawthorne W., Liesenberg V., Corona P., Papale D., Chen Q., Valentini R. Discrimination of tropical forest types, dominant species, and mapping of functional guilds by hyperspectral and simulated multispectral Sentinel‑2 data // Remote Sensing of Environment – 2016. – Vol. 176. – P. 163–176.
12. 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.
13. Colgan M.S., Baldeck C.A., Féret J.-B., Asner G.P. Mapping Savanna Tree Species at Ecosystem Scales Using Support Vector Machine Classification and BRDF Correction on Airborne Hyperspectral and LiDAR Data // Remote Sens. – 2012. – Vol. 4. – P. 3462–3480.
14. 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.
15. Катаев М.Ю., Дадонова М.М. Ефременко Д.C. Коррекция освещённости многовременных RGB-изображений, получаемых с помощью беспилотного летательного аппарата // Светотехника. – 2020. – № 1. – C. 19–25.
16. 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. – P. 1–43.
17. 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, No. 12. – P. 1–41.
18. John E., Bunting P., Hardy A., Silayo D.S., Masunga E. A Forest Monitoring System for Tanzania // Remote Sens. – 2021. – Vol. 13. – P. 1–29.
19. Gadallah N.A.H., Hano A., Yagoub Y. Characterizing Forest Cover Changes Based on Satellite Images cum Forest Dependents’ Data // Agriculture and Forestry Journal. – 2020. – Vol. 4, No. 2, – P. 63–70.
20. Biswas S., Huang Q., Anand A., Mon M.S., Arnold F.E., Leimgruber P. A Multi Sensor Approach to Forest Type Mapping for Advancing Monitoring of Sustainable Development Goals (SDG) in Myanmar // Remote Sens. – 2020. – Vol. 12 (19). – P. 1–21.
21. 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.
22. Давыдов В.Ф., Батырев Ю.П. Способ определения состава насаждений // Лесной вестник. – 2010. – № 7. – С. 48–52.
23. Егоров В.Д., Козодеров В.В. Распознавание лесной растительности по самолётным гиперспектральным данным // Исследование Земли из космоса. – 2016. – № 3. – С. 47–58.
24. Козодеров В.В., Егоров В.Д. Распознавание типов лесной растительности по гиперспектральным самолётным и многоканальным спутниковым данным высокого пространственного разрешения. Сравнение результатов и оценка их точности // Исследование Земли из космоса. – 2019. – № 6. – С. 89–102.
25. Михайлов Д.М. и др. Система мониторинга лесопользования и лесопатологических изменений / Патент России № 2716477. 2020. Бюл. № 8.
26. Космические системы дистанционного зондирования в тепловом инфракрасном диапазоне. URL: http://www.geogr.msu. ru/cafedra/karta/materials/heat_img/files/1/ semochnye_sistemy_teplovogo_ik.htm (дата обращения: 08.08.2021).
27. Hyperion. URL: https://www.usna.edu/Users/oceano/pguth/md_help/html/ hyperion. htm (дата обращения: 08.08.2021).
28. Ресурс-П. URL: http://russianspacesystems. ru/bussines/dzz/resurs-p (дата обращения: 08.08.2021).
29. Wu W., Zhang Z., Zheng L., Han C., Wang X., Xu J., Xinrong Wang X. Research Progress on the Early Monitoring of Pine Wilt Disease Using Hyperspectral Techniques // Sensors. – 2020. – Vol. 20. – P. 1–16.
30. M’ayr’a J., Keski-Saari S., Kivinen S., Tanhuanp’a’a T., Hurskainen P., Kullberg P., Poikolainen L., Viinikka A., Tuominen S., Kumpula T., Vihervaara P. Tree species classification from airborne hyperspectral and LiDAR data using 3D convolutional neural networks // Remote Sensing of Environment. – 2021. – Vol. 256. – P. 1–17.
31. Hu Y., Wu F., Sun Z., Lister A., Gao X., Li W., Peng D. The Laser Vegetation Detecting Sensor: A Full Waveform, Large-Footprint, Airborne Laser Altimeter for Monitoring Forest Resources // Sensors. – 2019. – Vol. 19. – P. 1–20.
32. Tamiminia H., Salehi B., Mahdianpari M., Beier C.M., Johnson L., Phoenix D.B. A comparison of decision tree-based models for forest above-ground biomass estimation using a combination of airborne lidar and landsat data / ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume V‑3–2021 XXIV ISPRS Congress (2021 edition). – P. 235–241.
33. d’Oliveira M.V.N. 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. – P. 1–19.
34. Suomalainen J., Oliveira R.A., Hakala T., Koivum’aki N., Markelin L., N’asi R., Honkavaara E. Direct reflectance transformation methodology for drone-based hyperspectral imaging // Remote Sensing of Environment. – 2021. – Vol. 266. – P. 1–19.
35. Meerdink S.K., Hook S.J., Abbott E.A., Roberts D.A. ECOSTRESS Spectral Library – Version 1.0. URL: https://speclib.jpl.nasa.gov (2018) (дата обращения: 08.08.2021).
36. Clark R.N., Swayze G.A., Wise R., Livo K.E., Hoefen T.M., Kokaly R.F., Sutley, S. J., «USGS Digital Spectral Library splib06a,» U.S. Geological Survey, Data Series 231, 2007. URL: http://speclab.cr.usgs.gov/spectral.lib06 (2007) (дата обращения: 08.08.221).
37. Nanosecond-lasers. URL: https:// ekspla.com/products/nanosecond-lasers (дата обращения: 08.08.2021).
38. Brunton S.L., Kutz J.N. Neural Networks and Deep Learning. – Cambridge University Press, 2019. – 291 p.
39. Haykin S.S. Neural Networks and Learning Machines, 3rd edition. – Pearson Education, Inc., Upper Saddle River, New Jersey, 2009. – 938 p.

• Предыдущая статья
• Следующая статья

• многоспектральный оптический метод
• дистанционный мониторинг лесных массивов
• умеренная климатическая зона