CC BY
111
DOI: 10.34220/issn.2222-7962/2019.3/3 УДК 630*1
РАЗРАБОТКА МЕТОДИКИ ДЛЯ ОЦЕНКИ УСПЕШНОСТИ ЛЕСОВОССТАНОВЛЕНИЯ
ДИСТАНЦИОННЫМИ МЕТОДАМИ аспирант А.А. Карпов1 аспирант Н.Р. Пирцхалава-Карпова1
канд. техн. наук, доц. Р.А. Алешко1 с. н. с., канд. с.-х. наук А.П. Богданов2 аспирант А.Г. Гудина1
1 - ФГАОУ ВО «Северный (Арктический) федеральный университет имени М.В. Ломоносова»,
г. Архангельск, Российская Федерация 2 - ФБУ «Северный научно-исследовательский институт лесного хозяйства», г. Архангельск, Российская Федерация
Оценка успешности лесовосстановления на вырубках и гарях является важной задачей для анализа восстановления хвойными и лиственными породами и прогнозирования в будущем лесных запасов. Проведение работ по государственному мониторингу лесовосстановления лесов требует значительных трудовых ресурсов, поэтому использование данных дистанционного зондирования является актуальной задачей. Данное исследование рассматривает восстановление древесной растительности на территории Арктической сухопутной зоны Архангельской области. В ходе выполнения исследовательской работы была разработана предварительная методика для перевода участков, подверженных лесным пожарам, вырубкам, в лесопокрытую площадь. Разработанная методика основывается на снимках сверхвысокого разрешения, сделанных с беспилотных летательных аппаратов (БПЛА) и спутниковых снимков среднего разрешения Sentinel-2 и Landsat 8. Методика включает в себя следующие шаги: выявление уменьшения лесного покрова; сбор полевых данных с помощью беспилотного летательного аппарата для создания обучающей выборки; классификации снимка среднего разрешения по двум классам «восстановилось» и «не восстановилось». Инструментом для выявления уменьшения лесного покрова и анализа лесовосстановления в методике используется метод трансформации многоканального спутникового изображения Tasseled Cap. В качестве методики для классификации спутникового изображения используется метод k-ближайших соседей. Результатами выполненной работы стали пространственные слои, содержащие данные об уменьшении лесного покрова за 2016 год и восстановлении древостоя в границах уменьшения лесопокрытой площади за период с 2001 по 2016 год. Для проведения классификации была создана обучающая выборка с использованием БПЛА в количестве 3037 объектов. Результатом проведения классификации стал слой лесовосстановления с двумя классами «восстановилось» и «не восстановилось». Восстановившиеся объекты составляют 73 %, не восстановившиеся - 27 %. Исследовательская работа показала возможность совместного использования снимков сверхвысокого и среднего разрешения.
Ключевые слова: лесовосстановление, перевод земель, занятых лесными насаждениями, вырубки, динамика лесовосстановления, Landsat, Sentinel, ДЗЗ, БПЛА
DEVELOPMENT OF A METHOD FOR EVALUATING THE SUCCESS OF FOREST RECOVERY
BY REMOTE METHODS
Post-graduate student A.A. Karpov1 Post-graduate student N.R. Pirtskhalava-Karpova1 PhD (Engineering), Associate Professor R.A. Aleshko1 PhD (Agriculture), Senior Researcher A.P. Bogdanov2 Post-graduate student A.G. Gudina1 1 - FSAEI HE "Northern (Arctic) Federal University named after M.V. Lomonosov", Arkhangelsk,
Russian Federation
2 - FBI "NORTHERN RESEARCH INSTITUTE OF FORESTRY" (NRIF), Arkhangelsk,
Russian Federation
Abstract
Assessing the success of reforestation at felling and burning areas is an important task for analyzing the restoration of coniferous and deciduous species, and forecasting future forest reserves. Carrying out state monitoring of reforestation requires significant labor resources, so the use of remote sensing data is an urgent task. This study examines the restoration of woody vegetation in the Arctic land area of the Arkhangelsk region. In the course of the research work, a preliminary methodology has been developed for the transfer of areas susceptible to forest fires, deforestation, in a forested area. The developed methodology is based on ultra-high resolution images taken from Unmanned Aerial Vehicles (UAVs) and medium-resolution satellite images Sentinel-2 and Landsat 8. The methodology includes the following steps: detecting a decrease in forest cover; field data collection using an unmanned aerial vehicle to create a training sample; classification of mid-resolution images in two classes "recovered" and "not recovered". The tool for detecting forest cover reduction and reforestation analysis in the technique uses the Tasseled Cap multi-channel satellite image transformation method. The method of ^-nearest neighbors is used as a technique for classifying satellite images. The results of this work were spatial layers containing data on a decrease in forest cover for 2016 and restoration of a stand within the boundaries of a decrease in forest cover for the period from 2001 to 2016. For the classification, a training sample was created using UAVs in the amount of 3037 objects. The classification resulted in a reforestation layer with two classes of "recovered" and "not recovered". The restored objects make 73 %, not restored - 27 %. Research work has shown the possibility of sharing images of ultra-high and medium resolution.
Keywords: reforestation, transfer of land occupied by forest stands, deforestation, dynamics of reforestation, Landsat, Sentinel, remote sensing, UAV
Введение
Мониторинг лесовосстановления бореаль-ных лесов в условиях интенсивной заготовки древесины является актуальной задачей. В условиях глобального изменения климата оценка лесовосстановления под влиянием изменяющихся климатических факторов является важной частью устойчивого лесоуправления. Для Арктической зоны характерна низкая транспортная доступность, что ведет к лимитированию регулярного и полноценного наблюдения за лесовосстановлением в Арктической зоне. Так, для Онежского и Мезенского лесничеств протяженность всех видов дорог на 1000 га общей площади составляет 1,5 и 2,3 км соответст-
венно. По степени развития дорожной сети в лесном фонде эти лесничества относятся к категории с крайне слабым развитием дорожной сети.
Внедрение дистанционного мониторинга воспроизводства лесов позволит вести наблюдение на труднодоступной территории, а также получать своевременную и актуальную информацию.
Вопрос оценки успешности лесовосстанов-ления дистанционными методами малоизучен. В литературе встречаются примеры использования разновременных снимков, полученных со спутниковых аппаратов Landsat для мониторинга восстановления лесных территорий (Ghuffar, 2016; Воробьев, 2016; Богданов, 2018). Применение данных снимков с использованием спектральных яркостей
или производных от них индексных характеристик говорит о возможности получения информации о процессах лесовосстановления на нарушенных территориях (Maltese, 2005; Богданов, 2018). Применение спектральных индексов на основе красного и ближнего инфракрасного диапазона (например, нормализованный относительный индекс растительности) имеет свойства высокой чувствительности к содержанию хлорофилла в листьях, что обуславливает короткий период мониторинга с использованием данного индекса из-за быстрого «пресыщения» индекса (Franks, 2013). С высокой точностью оценить успешность восстановления древесных растений при помощи спектральных характеристик возможно ближе к 15-летнему возрасту насаждений, такой вывод был сделан при изучении процессов восстановления насаждений псевдотсуги на территории западных гор в штате Орегон на территории США (Fiorella, 2009).
Лесовосстановление на землях, не занятых лесной растительностью, также можно оценить, используя метод Tasseled Cap. Оценка лесовосстановления территории после пожара на севере Канады показала положительный пример использования данного метода (Frazier, 2015). В этом исследовании было установлено, что преобразованные каналы спутниковых снимков в показатели brightness (яркость), greenness (зеленость), wetness (влажность) при успешном лесовосстановлении имеют тенденцию роста показателей влажности и зелено-сти и снижения показателя яркости. Период анализа лесовосстановления был равен 29 годам, в дальнейшем значения каналов соответствовали значениям спелого леса.
Перспективным направлением в лесном хозяйстве на сегодняшний день является использование беспилотных летательных аппаратов (БПЛА). Высокодетальная съемка БПЛА имеет множество преимуществ в сравнении с традиционной спутниковой съемкой:
- снимки, полученные с БПЛА, могут обладать разрешением до 1 см и более, такое разрешение недоступно для спутниковой съемки;
- возможность проводить съемку в условиях облачности, так как БПЛА могут снимать с высоты 50 метров;
- возможность получения трехмерной модели леса при выполнении съемки участка леса под несколькими углами;
- мобильность и оперативность в использовании БПЛА.
Опыт зарубежных стран показывает хорошие результаты в использовании БПЛА для различных целей, например, для картографирования древесной растительности и классификации растительности по породам (Gu, 2017). Таксационные характеристики могут быть определены при помощи высокодетальных снимков, сделанных с БПЛА, что делает данный инструмент крайне ценным и эффективным в лесной сфере [Prandi, 2016; Salim, 2018; White, 2016; Sperlich, 2014]. Сегодня БПЛА имеют легкую настройку и просты в эксплуатации, что делает их доступными для использования. На данный момент существуют различные модели БПЛА: от любительских до профессиональных, которые способны осуществлять съемку, необходимую для решения лесных задач, в том числе задач мониторинга лесных земель для оценки успешности лесовозобновления (Денисов, 2016).
Оценка успешности лесовозобновления на вырубках и гарях традиционным способом является затратной по времени, трудовым и финансовым ресурсам, поэтому поиск новых методов для оптимизации данной работы является актуальной задачей. Использование спутниковых снимков для оптимизации работ имеет определённые ограничения, так как снимки среднего разрешения для мониторинга воспроизводства лесов часто не обеспечивают достаточного пространственного разрешения, а снимки высокого разрешения не всегда доступны для Арктической территории из-за высокой облачности в северных широтах. Основная задача данной научно-исследовательской работы заключается в определении возможности использования спутниковых снимков среднего разрешения вместе с высокодетальными снимками, сделанными при помощи БПЛА.
Целью исследования является создание методики оценки лесовосстановления дистанционными методами в соответствии с установленными федеральным агентством лесного хозяйства России правилами перевода земель, занятых лесными насаждениями.
Материалы и методы
Все работы по определению возможности дистанционного мониторинга за воспроизводством лесов были разделены на следующие этапы:
- создание пространственного слоя уменьшения лесного покрова;
- полевые работы для закладки пробных площадей;
- съемка территории с использованием
БПЛА;
- анализ собранного полевого материала;
- создание обучающей выборки для классификации вырубок и гарей по критерию успешности восстановления;
- создание пространственного слоя земель, переведенных в лесопокрытую площадь.
Создание пространственного слоя уменьшения лесного покрова Северодвинского и Онежского лесничества осуществлено с помощью данных с космических аппаратов Sentinel-2MSI и Landsat 8OLI за период 2015 и 2016 годов. Данные об уменьшении лесопокрытой площади в период с 2001 по 2015 год были взяты из пространственного растрового слоя Global Forest Change, созданного университетом Мэриленд (США).
М I
-0.15 -0.1 -0,05 0 0,05 0,1
Рис. 1. Ось x - значения канала wetness, ось y - значения канала greenness Далее следовало использование трансформации Tasseled Cap для объединения оптических и инфракрасных каналов в 3 компоненты. Данный метод был разработан в 1976 году исследователями R.J. Kauth и G.S. Thomas. Преобразование Tasseled Cap является частным случаем метода главных компонент.
Цель выполняемого преобразования заключается в уменьшении размерности данных (Kauth,
1976). Компонент brightness (яркость) связан с открытыми или частично открытыми почвенными покровами, искусственными и естественными объектами, такими как бетон и асфальт. Greenness (зе-леность) - уровень зеленого - связан напрямую с зеленой растительностью. Wetness (влажность) расположена под прямым углом к первым двум компонентам и отражает значения увлажнённости почвенного покрова (Zhang, 2019).
Для анализа изменений в лесном покрове были собраны значения из каналов композита Tasseled Cap для следующих категорий земель: вырубки, болота и лесные насаждения. На графике значений этих объектов в координатах wetness и greenness (рис. 1) можно легко определить пороговые значения для вырубки, болота и леса. Пороговые значения вырубки в канале wetness равны от -0,15 до 0, в канале greenness - от 0 до 0,1.
Создание пространственного слоя уменьшения лесного покрова является первоочередной задачей для оценки успешности лесовозобновления. Для выявления сплошных вырубок была разработана простая методика на основе пороговых значений.
Алгоритм для создания пространственного слоя вырубок состоит из следующих шагов:
1) создание слоя вырубок на определенный год. Слой вырубки выбранного года создается по композиту Tasseled Cap с использованием метода пороговых значений. Статистика о спектральных характеристиках вырубки собирается в границах свежей вырубки, после чего отбрасываются 3 % выбивающихся значений, далее определяются максимумы и минимумы значений в каждом канале по отдельности;
2) по прошлогоднему снимку создается слой леса. Аналогичный алгоритм используется для создания этого слоя. Статистика собирается по границам нетронутого участка леса. Данный шаг необходим для исключения из слоя вырубок прошлых лет (пункт 1) и объектов, которые не относятся к вырубкам. График на рис. 1 показывает значения болота, пересекающиеся со значением свежей вырубки. Это делает затруднительным создание достоверного слоя по одному снимку;
3) наличие облачности на снимках требует построения слоя с облаками для исключения об-
лачных пикселей из обработки спутниковых изображений. Облака краев облачности имеют одинаковые спектральные характеристики со значениями свежей вырубки.
4) создание точного слоя вырубки требует вычесть из слоя вырубки пиксели, не занятые лесом, используя слой леса, и вычесть слой, содержащий облака. Одиночные пиксели были удалены из конечного слоя с целью уменьшения шумов (Olsson, 2009).
На рис. 2 под буквой «А» представлен пример композита Tasseled Cap, полученный из значений спутникового снимка Landsat 8OLI. Композит содержит вырубки леса как за период 2015-2016 годов, так и более ранние вырубки. На рисунке под буквой «Б» черным цветом выделены вырубки за период 2015-2016 годов. Данный слой вырубок был получен с помощью алгоритма, описанного выше.
Рис. 2. Композит изображения в каналах brightness, greenness, wetness находится слева, справа расположен слой изменений в лесном покрове, выявленных по снимку Landsat 8OLI поверх композита
Съемка с БПЛА была проведена на 2 участках в Северодвинском лесничестве Унского участкового лесничества на площадях 32 га и 19 га. Съемка производилась с высоты 50-70 м. Для съемки с БПЛА данных участков был заранее подготовлен маршрут. Совместно со съемкой беспилотным аппаратом проводились наземные обследования площадей с перечетом подроста и определением средней высоты. Закладка пробных площадей осуществлялась по правилам государственного мониторинга воспроизводства лесов, а именно по правилам временной методики, утвержденной в 2016 году. Целью проведенных полевых работ было получение характеристик, необходимых для перевода земель в земли, занятые лесными насаждениями: количество деревьев главной породы, средняя высота по группам пород и общий породный состав на объекте лесовозобновления.
После проведения полевых работ и получения высокодетальной съемки на объекты исследования был проведен анализ полученных данных. Для дальнейшей обработки использовался программный комплекс, разработанный компанией «Форгис». Данный программный комплекс предназначен для автоматизированной обработки снимков БПЛА и полевых данных для получения информации о количестве деревьев, средней высоте, породном составе обследуемых участков. Полученные высокодетальные снимки были классифицированы на два класса по критерию успешности леовозоб-новления: «восстановились», «не восстановились». Главными критериями успешного лесовосстанов-ления были критерии, изложенные во временной методике перевода земель в лесопокрытую площадь от 2016 года, а именно количество и средняя высота деревьев главных пород.
Результатами обработки снимков БПЛА на участках исследования стал пространственный слой, классифицированный на два класса «восстановилось» и «не восстановилось». Используя описанные выше критерии успешности лесовозобновления, к классу «восстановилось» отнесли 65% вырубки, а 35% площади не достигло необходимых критериев и относится к классу «не восстановилось».
Основной задачей обработки высокодетальной съемки БПЛА стало создание обучающей выборки для классификации снимков среднего разрешения Landsat 8OLI и Sentinel-2MSI. Результаты классификации съемки БПЛА были пересчитаны под размер пикселя среднего разрешения одного из спутниковых изображений.
Классификация спутниковых снимков среднего разрешения была произведена по полученной обучающей выборке на значительно большую территорию в рамках лесных земель, выбывших из лесопокрытой площади. Перевод земель, имеющих достаточные критерии успешности лесовозобновления, в лесопокрытую площадь является непростой задачей и намного более сложной - создание слоя уменьшения лесного покрова.
Начальным этапом стал анализ значений разновременных вырубок в значениях композитов wetness, greenness, brightness преобразования Tasseled Cap.
В данной исследовательской работе для анализа лесовосстановления использовался один снимок Landsat 8OLI от 2016 года. Анализ разновременных снимков для определения успешности лесовозобновления крайне затруднителен из-за фенологических различий между снимками различных лет. Один и тот же участок леса на разновременных снимках будет иметь различные значения композита преобразования Tasseled Cap, что обусловлено фенологическими различиями между снимками на разные даты даже одного сезона.
На графике (рис. 3) собраны значения с вырубок различных лет за период 1986-1989 гг. и 2001-2015 гг. Каналы greenness и wetness являются наиболее важными при оценке лесовозобновления. Значения wetness увеличиваются в течение 15 лет и далее достигают значения участка леса, не подверженного изменениям (рис. 3). Значения greenness растут через год после проведения вырубки и далее продолжают увеличиваться.
На графике, отображенном на рис. 3, представлены усредненные значения вырубок, проведенных в разные годы на территории Северодвинского лесничества. Для исключения участков, на которых отсутствует лесовосстановление, была произведена неуправляемая классификация методом ISODATA. Данный шаг требовался для удаления из границ вырубок участков лесовозных дорог и территорий, подверженных заболачиванию. После исключения этих участков из анализа были рассчитаны средние значения greenness и wetness для вырубок, на которых происходит восстановление древостоя.
Линия тренда, отображаемая на графике компонентов Tasseled Cap на рис. 3, может быть пороговым значением успешности лесовосстанов-ления. Значения выше линии тренда соответствуют значениям успешного лесовозобновления, ниже линии - неудовлетворительным значениям лесо-восстановления.
Сбор полевых данных является важной составляющей создания обучающей выборки, которая позволяет связать абстрактные значения спектральных индексов, рассчитанных по спутниковым снимкам, с реальными характеристиками восстановления древостоя.
-од
-0,15------------L
линейная регрессия
Рис. 3. Значения K0Mn03OT0BTasseled Cap для вырубок различных лет
Методом классификации для спутникового снимка был выбран метод k-NN (k-nearest neighbors algorithm).
В данной работе в качестве обучающей выборки рассматривались 3037 пробных площадей размером 10 на 10 метров. Такое значительное количество закладки пробных площадей было получено благодаря использованию БПЛА. Обучающая выборка имеет два класса пикселей с успешным лесовозобновлением и пиксели, не соответствующие критериям успешного лесовосстановления.
Результаты
Результатами проделанный работы стали два пространственных слоя: слой уменьшения площади лесов за период с 2001 по 2016 годы и слой с результатами успешного лесовозобновления по состоянию на 2016 год по спутниковым снимкам среднего разрешения. Данные слои покрывают территорию Онежского и Северодвинского лесничества Архангельской области. На основе двух полученных пространственных слоев была подготовлена карта-схема перевода земель в лесопокрытую площадь на местах уменьшения лесопокрытой площади за период 2001-2016 гг., которая представлена на рис. 4.
Значительное количество пробных площадей для создания обучающей выборки было получено благодаря использованию БПЛА. Общее количество полученных пробных площадей составляет 3037.
Результатом разработанной в данной научной работе методики автоматической дешифровки спутниковых снимков стала доля площадей, имеющих успешное восстановление, равная 73 %, и доля не восстановившихся площадей, равная 27% от общей площади уменьшения лесного покрова за
16 лет на территории двух лесничеств, входящих в Арктическую зону.
.у/л -Л
Не восстановилось
Восстановилось
Границы лесничеств
1:500 ООО
Рис.4. Часть карты успешности лесовосстановления в Северодвинском и Онежском лесничествах
Было произведено сравнение данных об уменьшении лесопокрытой площади за период 2011-2016 гг., полученных дистанционными методами, с данными Государственного лесного реестра (ГЛР) на территории лесничеств. Собранная информация представлена в табл. 1.
Методика может быть применена к снимкам Landsat 8OLI, Sentinel-2MSI и прочих спутников, работающих в оптическом диапазоне, имеющих мультиспектральные каналы в видимом и инфракрасном диапазоне длин волн, а также имеющих среднее пространственное разрешение.
Обсуждение
Оценка успешности лесовосстановления, основанная на существующем подходе, требует закладки значительного количества пробных площадей. Число пробных площадей растёт пропорционально требованиям к точности данных и при увеличении исследуемой территории.
Перевод молодняков в земли, занятые лесными насаждениями, основан на нескольких критериях: количество деревьев главной породы на гектар и средняя высота подроста.
Закладка пробных площадей требует значительных временных затрат на проведение ручного перечета подроста в границах пробной площади и времени, затрачиваемого на дорогу к объектам, на которых будут заложены пробные площади. Такой подход требует значительных материальных затрат,
поэтому применение методов ДЗЗ позволит оптимизировать данную работу и значительно снизить затраты.
Таблица 1
Данные ГЛР и ДЗЗ об уменьшении лесопокрытой площади по лесничествам
Год Северодвинское ^ Онежское лесничество лесничество
Данные ГЛР, га Данные ДЗЗ, га Данные ГЛР, га Данные ДЗЗ, га
2011 2458 2295 5596 4922
2012 4927 5403 4281 11749
2013 2192 1566 3008 4168
2014 1790 1783 2694 2528
2015 - 1835 - 2764
2016 - 2237 - 3401
Оценка вероятности получения снимков высокого разрешения с российских спутников Ресурс П Сангур-1У и Канопус В МСС показала, что невозможно построить мозаику из снимков на исследуемую территорию по причине высокой облачности в Арктической зоне Европейского Севера, а немногочисленные безоблачные снимки относятся к различным сезонам, что еще более уменьшает количество доступных снимков для создания спутникового покрытия. Для оценки трансформаций лесного покрова, а именно для выявления сплошных вырубок и их зарастания древесной растительностью, могут быть использованы спутниковые снимки среднего разрешения Sentinel-2MSI и Landsat 8OLI.
Для анализа процесса лесовосстановления был выбран композит Tasseled Cap, так как данный метод содержит в себе следующие положительные моменты:
1) использование данного метода позволяет снизить атмосферное влияние и помехи на спутниковых изображениях, что повышает качество анализа;
2) возможность прямого сравнения значений различных спутниковых снимков. Например, сравнения компонентов Tasseled Cap, полученных по снимкам Landsat 8OLI и Sentinel-2MSI;
3) обеспечивает хорошее отличие лесной растительности по группам пород: хвойные, лиственные, смешанные, а также обеспечивает четкое различие между лесными насаждениями, вырубками, пожарами, болотами. Используемый метод показывает высокую чувствительность при определении сомкнутости полога древесной растительности.
Данная методика требует предварительного сбора информации об объектах лесовосстановле-ния. Сбор полевых данных для создания обучающей выборки, которая используется для классификации спутникового снимка, требует большого количества пробных площадей. Целесообразно использовать БПЛА для уменьшения времени проведения работ и трудозатрат.
Заключение
Исследовательская работа показала возможность создания методики оценки успешности лесо-восстановления на основе спутниковых снимков среднего разрешения и снимков БПЛА сверхвысокого разрешения. Использование отечественных спутниковых снимков для сухопутной Арктической зоны Архангельской области затруднительно в связи с высокой облачностью в данном регионе и большим временным интервалом между спутниковой съемкой.
Снимки сверхвысокого разрешения БПЛА позволяют создать обучающую выборку, достаточную для точной классификации снимков по критериям успешного лесовозобновления среднего разрешения, полученных со спутников Sentinel-2 и Landsat 8. Использование БПЛА не исключает закладки пробных площадей, так как пробные площади обеспечивают первичную информацию о количественных характеристиках лесовосстановления на вырубках, но значительно сокращает временные затраты на получение качественной обучающей выборки для проведения классификации.
Исследование выполнено при финансовой поддержке Российского Фонда Фундаментальных Исследований в рамках научного проекта № 18-37-00120.
Библиографический список
1. Fiorella, M. Ripple Analysis of Conifer Forest Regeneration Using Landsat Thematic Mapper Data / M. Fiorella, J. William // Photogranunetric Engineering & Remote Sensing. - 1993. - Vol. 59. - № 9. - P. 1383-1388.
2. Franks, S. Monitoring forest regrowth following large scale fire using satellite data - A case study of Yellowstone National Park, USA / S. Franks, J. G. Masek, M. G. Turner // European Journal of Remote Sensing. -2013. - № 46. - P. 561-569.
3. Frazier, R. J. Boreal Shield forest disturbance and recovery trends using Landsat time series / R. J. Frazier, N. C. Coops, M. A. Wulder // Remote Sens. Environ. - 2015. - № 170. - P. 317-327.
4. Ghuffar, S. Satellite stereo based digital surface model generation using semi global matching in object and image space / S. Ghuffar // ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, III-1, 2016. - P. 63-68.
5. An Object-Based Semantic Classification Method for High Resolution Remote Sensing Imagery Using Ontology / H. Gu, H. Li, L. Yan [et al.] // RemoteSensing. 2017. - No. 9(4). - 329 p.
6. Kauth, R. J. The tasseled Cap - A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT / R. J. Kauth, G. S. Thomas // Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, Purdue University of West Lafayette, Indiana, 1976. - P. 4B-41-4B-51.
7. Olsson, H. A method for using Landsat time series for monitoring young plantations in boreal forests / H. Olson // International Journal of Remote Sensing. - 2009. - No. 30(19). - P. 5117-5131.
8. New Approach for forest inventory estimation and timber harvesting planning in mountain areas: the SLOPE project / F. Prandi, D. Magliocchetti, A. Poveda [et al.] // ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B3, 2016. - P. 775-782.
9. Comparison of Segmentation Algorithm for Urban Tree Delineation using Aerial Imagery / P. M. Salim, A. M. Samad, N. A. A. Aziz [et al.] // 2018 IEEE 8th International Conference on System Engineering and Technology (ICSET). - IEEE, 2018.
10. Potential of Unmanned Aerial Vehicle Based Photogrammetric Point Clouds for Automatic Single Tree Detection / M. Sperlich, T. Kattenborn, B. Koch, G. Kattenborn // DGPF Proceedings; GemeinsameTagung 2014 der DGfK, der DGPF, der GfGI und des GiN (DGPF Tagungsband 23 / 2014).
11. Remote Sensing Technologies for Enhancing Forest Inventories: A Review / J. C. White, N. C. Coops, M. A. Wulder [et al.] // Canadian Journal of Remote Sensing. - 2016. - No. 42(5). - P. 619-641.
12. Monitoring vegetation dynamics using the universal normalized vegetation index (UNVI): An optimized vegetation index-VIUPD / L. Zhang, N. Qiao, M. H. A. Baig [et al.] // Remote Sensing Letters. 2019. - No. 10 (7). -P. 629-638.
13. Совершенствование мониторинга лесов путем использования облачных технологий как элемента устойчивого лесоуправления / А. П. Богданов, А. А. Карпов, Н. А. Демина, Р. А. Алешко // Современные проблемы дистанционного зондирования Земли из космоса. - 2018. - Т. 15. - № 1. - С. 89-100.
14. Оценка динамики и нарушенности лесного покрова в Среднем Поволжье по снимкам Landsat / О. Н. Воробьев, Э. А. Курбанов, Ю. А. Полевщикова, С. А. Лежнин // Современные проблемы дистанционного зондирования Земли из космоса. - 2016. - Т. 13. - № 4. - С. 124-134.
15. Денисов, С. А. Опыт применения квадракоптера для мониторинга возобновления леса / С. А. Денисов, А. А. Домрачев, А. С. Елсуков // Вестник ПГТУ. - 2016. - № 4 (32). - С. 34-46.
References
1. Fiorella M., William J. Ripple Analysis of Conifer Forest Regeneration Using Landsat Thematic Mapper Data. Photogranunetric Engineering & Remote Sensing. Vol. 59. № 9, 1993, p. 1383-1388.
2. Franks S., Masek J. G., Turner M. G. Monitoring forest regrowth following large scale fire using satellite data - A case study of Yellowstone National Park, USA. European Journal of Remote Sensing, № 46, 2013, p. 561-569.
3. Frazier R. J., Coops N. C., Wulder M. A. Boreal Shield forest disturbance and recovery trends using Landsat time series. Remote Sens. Environ, № 170, 2015, p. 317-327.
4. Ghuffar S. Satellite stereo based digital surface model generation using semi global matching in object and image space. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, III-1, 2016, p. 63-68.
5. Gu H., Li H., Yan L. et al. An Object-Based Semantic Classification Method for High Resolution Remote Sensing Imagery Using Ontology. Remote Sensing, 9(4), 2017, 329 p.
6. Kauth R. J., Thomas G. S. The tasseled Cap - A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT. Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, Purdue University of West Lafayette, Indiana, 1976, 4B-41 to 4B-51 p.
7. Olsson H. A method for using Landsat time series for monitoring young plantations in boreal forests. International Journal of Remote Sensing, 30(19), 2009, p. 5117-5131.
8. Prandi F., Magliocchetti D., Poveda A. et al. New Approach for forest inventory estimation and timber harvesting planning in mountain areas: the SLOPE project. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B3, 2016, p. 775-782.
9. Salim P. M., Samad A. M., Aziz N. A. A. et al. Comparison of Segmentation Algorithm for Urban Tree Delineation using Aerial Imagery. 2018 IEEE 8th International Conference on System Engineering and Technology (ICSET). IEEE, 2018.
10. Sperlich M., Kattenborn T., Koch B., Kattenborn G. Potential of Unmanned Aerial Vehicle Based Photogrammetric Point Clouds for Automatic Single Tree Detection. DGPF Proceedings; GemeinsameTagung 2014 der DGfK, der DGPF, der GfGI und des GiN (DGPF Tagungsband 23 / 2014).
11. White J. C., Coops N. C., Wulder M. A. et al. Remote Sensing Technologies for Enhancing Forest Inventories: A Review. Canadian Journal of Remote Sensing, 42(5), 2016, 641-619 p.
12. Zhang L., Qiao N., Baig M. H. A. et al. Monitoring vegetation dynamics using the universal normalized vegetation index (UNVI): An optimized vegetation index-VIUPD. Remote Sensing Letters, 10(7), 2019, p. 629-638.
13. Bogdanov A. P., Karpov A. A., Demina N. A., Aleshko R. A. Improving forest monitoring by using cloud technologies as an element of sustainable forest management. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa [Contemporary Issues of Remote Sensing of the Earth from Space], 2017, Vol. 15, Iss. 1, pp. 89-100.
14. Vorobev O. N, Kurbanov E. A., Polevshchikova Yu. A, Lezhnin S. A. Otsenka dinamiki i narushennosti lesnogo pokrova v Srednem Povolzh'e po snimkam Landsat [Assessment of the dynamics and disturbance of forest cover in the Middle Volga region using Landsat images]. Sovremennyeproblem distantsionnogo zondirovaniya Zemli iz kosmosa [Contemporary Issues of Remote Sensing of the Earth from Space]. 2016, 13(4): p. 124-134 (In Russian).
15. Denisov S. A., Domrachev A. A., Elsukov A. S. Opyt primeneniya kvadrakoptera dlya monitoring vozobnovleniya lesa [Experience of using quadcopter for monitoring forest renewal]. Vestnik PGTU [Bulletin of Perm State Technical University]. 2016, 4(32): p. 34-46 (In Russian).
Сведения об авторах
Карпов Александр Анатольевич - аспирант очной формы обучения, кафедра лесоводства и лесоустройства, высшая школа естественных наук и технологий ФГАОУ ВО «Северный (Арктический) Федеральный университет имени М.В. Ломоносова», г. Архангельск, Российская Федерация; e-mail: lesnoy.monitoring@gmail.com.
Пирцхалава-Карпова Нана Роландиевна - аспирант очной формы обучения, высшая инженерная школа ФГАОУ ВО «Северный (Арктический) Федеральный университет имени М.В. Ломоносова», г. Архангельск, Российская Федерация; e-mail:nanahoroshaya@gmail.com.
Гудина Александра Геннадьевна - аспирант очной формы обучения, кафедра лесоводства и лесоустройства, высшая школа естественных наук и технологий ФГАОУ ВО «Северный (Арктический) Федеральный университет имени М.В. Ломоносова», г. Архангельск, Российская Федерация; e-mail: aleksandra-oblova@yandex.ru.
Алешко Роман Александрович - кандидат технических наук, доцент, и.о. заведующего кафедрой информационных систем и технологий, высшая школа информационных технологий и автоматизированных систем ФГАОУ ВО «Северный (Арктический) Федеральный университет имени М.В. Ломоносова», г. Архангельск, Российская Федерация; e-mail: r.aleshko@narfu.ru.
Богданов Александр Петрович - кандидат сельскохозяйственных наук, старший научный сотрудник ФБУ «Северный научно-исследовательский институт лесного хозяйства», г. Архангельск, Российская Федерация; e-mail: aleksandr_bogd@mail.ru.
Information about authors
Karpov Aleksandr Anatolyevich - PhD student, higher school of natural science and technology, FSAEI HE Northern (Arctic) Federal University, Arkhangelsk, Russian Federation; e-mail: lesnoy.monitoring@gmail.com.
Pirtskhalava-Karpova Nana Rolandievna - PhD student, higher engineering school, FSAEI HE Northern (Arctic) Federal University, Arkhangelsk, Russian Federation; e-mail: nanahoroshaya@gmail.com.
Gudina Aleksandra Gennadievna - PhD student, higher school of natural science and technology, FSAEI HE Northern (Arctic) Federal University, Arkhangelsk, Russian Federation; e-mail: aleksandra-oblova@yandex.ru.
Aleshko Roman Aleksandrovich - PhD (Computer Science), Head of Information Systems and Technologies Department, Higher School of Information Technologies and Automated Systems, FSAEI HE Northern (Arctic) Federal University, Arkhangelsk, Russian Federation; e-mail: r.aleshko@narfu.ru.
Bogdanov Alexander Petrovich - PhD (Agriculture), Senior Researcher, FBI Northern Scientific and Research Forestry institute, Arkhangelsk, Russian Federation; e-mail: aleksandr_bogd@mail.ru.
