Применение метода пороговой сегментации для оценки характеристик лесов по высокодетальным данным спутника «РЕСУРС-П1»

<

© 2025                             С. В. Князева*, А. Д. Никитина, Е. И. Белова

Центр по проблемам экологии и продуктивности лесов им. А. С. Исаева

Российской академии наук

Российская Федерация, 117997, Москва, ул. Профсоюзная, 84/32, стр. 14

*E-mail: knsvetl@gmail.com

Поступила в редакцию: 08.10.2025

После рецензирования: 17.11.2025

Принята к печати: 28.11.2025

 

В статье приведены результаты исследования возможностей применения метода пороговой сегментации межкроновых участков изображения лесного полога на отечественных космических снимках сверхвысокого пространственного разрешения, полученных со спутника «Ресурс-П1» (Геотон-Л) для выявления взаимосвязи параметров сегментации с биометрическими характеристиками сосновых древостоев на примере лесов НП «Куршская коса». Предложенный метод основан на выделении затенённых сегментов межкронового пространства в границах таксационных выделов с учётом заданного диапазона яркости и последующем объединении соседних пикселей по критерию спектральной близости при новом заданном пороге яркости. Для каждого заданного порога определяются площади и средние значения яркости теневых сегментов в границах выделов, стандартные отклонения и медианные значения. На основе этих значений для каждого выдела рассчитывается пороговая сомкнутость полога, учитывающая только затененные межкроновые промежутки. Статистические характеристики средней яркости и пороговой сомкнутости полога служат в качестве переменных для регрессионного моделирования биометрических (высота, диаметр, возраст древостоев) характеристик сосновых лесов.

Регрессионный анализ проведен с использованием ансамблевого метода с построением деревьев решений Random Forest (RF). Коэффициент детерминации R² для характеристик сосновых лесов находится в диапазоне 0.29 – 0.37. Результаты валидационной модели по тестовой выборке практически тождественны моделированию по обучающей выборке, что свидетельствует о надежности модели RF. Регрессионное моделирование алгоритмом RF характеристик сосновых древостоев (на примере чистых сосновых насаждений в НП «Куршская коса»), где в качестве предикторов выступают переменные, полученные методом пороговой сегментации изображения лесного полога на панхроматических изображениях Геотон-Л, позволяет получать стабильные результаты со среднеквадратической ошибкой около 4 м для средней высоты, 6 см – для диаметра и 20 лет – для возраста. Метод пороговой сегментации изображения древесного полога целесообразно применять в целях предварительной оценки характеристик древостоев в случае недостаточной радиометрической коррекции спектральных данных для расчета стандартных текстурных характеристик.

Ключевые слова: биометрические характеристики сосновых лесов, космические снимки сверхвысокого пространственного разрешения, пороговая сегментация изображения, текстурные признаки, регрессионное моделирование

В настоящее время использование текстурных показателей для оценки характеристик лесов является наиболее перспективным методом анализа спутниковых данных сверхвысокого пространственного разрешения (< 1м). Современные подходы к обработке высокодетальных спутниковых данных нами подробно рассмотрены в обзорной статье (Князева и др., 2021).  Многие исследователи успешно используют различные комбинации текстурных признаков второго порядка, рассчитанных по спутниковым изображениям, для оценки надземной биомассы лесной растительности (Wang et al., 2012), биометрических характеристик насаждений (Gomez et al., 2012; Beguet et al., 2014), дефолиации растительности (Lottering et al., 2019), определения породного состава леса (Дмитриев и др., 2022; Sibiya et al., 2022). Однако применение набора текстур изображений требует оптимизации расчета текстурных признаков, поскольку текстурные комбинации в большинстве случаев могут быть избыточны и сложны в расчетах (Beguet et al., 2014; Lottering et al., 2020). Пороговая сегментация изображений крон деревьев и межкронового пространства на снимках также может быть эффективным подходом к оценке зависимости яркостных переменных от характеристик древостоев. Метод создания маски теней при помощи простого порогового алгоритма сегментации с последующим применением морфологических фильтров показал хорошие результаты при выделении крон деревьев на изображении (Терехов и др., 2014). Для выявления выборочных рубок на спутниковых изображениях (снятых в надир) развиваются методы, использующие сравнение матриц смежности перепадов яркости нескольких изображений. Алгоритм позволяет сузить зону поиска потенциально реальных рубок, определив параметры этих зон через пороговую величину изменения перепада яркости (Алексанина, Храмцова, 2024).

Проведенные нами эксперименты с применением метода пороговой сегментации изображения показали достаточно высокую степень корреляции (0.78 < R < 0.94) основных характеристик  смешанных лесов национального парка (НП) «Лосиный остров» (относительной полноты, средних значений возраста, высоты и диаметра) с пороговыми параметрами изображения межкроновых участков лесного полога на снимке Ikonos-2, что позволяет сделать выводы о перспективности подобных исследований (Жирин и др., 2018). Поскольку в результате эксперимента установлено, что информативность затенённых межкроновых промежутков в сомкнутом древесном пологе при сегментации изображения выше (больше значимых комбинаций пороговых значений яркости и сомкнутости полога), чем для освещённых участков, признано целесообразным более детально оценить возможности сегментации только затененных участков межкронового пространства. Этот подход был применен для регрессионного моделирования биометрических характеристик сосновых древостоев с применением метода пороговой сегментации изображения затененных межкроновых промежутков лесного полога на высокодетальных отечественных космических снимках с «Ресурс-П1» (Никитина и др., 2019). Однако реализация кусочно-линейной регрессии в пакете STATISTICA, использованная для построения модели в приведенной выше работе, имеет принципиальные ограничения, которые приводят к завышенным коэффициентам детерминации и лишают её прогностической ценности. Новый эксперимент с использованием метода пороговой сегментации изображения, полученного с российского спутника «Ресурс-П1» (Геотон-Л), дополняет проведенные ранее исследования и апробирует предложенный метод с валидацией результатов.

Исследований с использованием данных, полученных аппаратурой сверхвысокого пространственного разрешения Геотон-Л, не так уж много, можно отметить применение высокодетальных снимков для создания трехмерных моделей местности (Пешкун, 2016), формирования «бесшовных» мозаик для регионального уровня (Марков и др., 2020), поиска и прогноза месторождений  различных полезных ископаемых (Миловский и др., 2021), изучения поверхностного волнения и батиметрии (Юровская и др., 2019). В области лесоведения представлены работы по оценке динамики вспышек массового размножения сибирского шелкопряда в темнохвойных лесах (Федотова, Заречнева, 2017; Князева и др., 2019), оценке ареалов типов растительных сообществ (Варламова и др., 2018), состояния лесозащитных полос (Кавеленова и др., 2018), зарастания пахотных земель древесно-кустарниковой растительностью (Денисова и др., 2019), возможности определения рубок (Алексанин, Ким, 2019; Алексанина, Храмцова, 2024), изучению оконной структуры в древесном пологе (Комаров и др., 2021). Снимки сверхвысокого пространственного разрешения со спутников «Ресурс-П» являются в настоящее время   единственным российским доступным источником высокодетальных дистанционных данных, поэтому существует настоятельная необходимость в совершенствование, как способов радиометрической коррекции данных, так и способов их тематической обработки.

МАТЕРИАЛЫ И МЕТОДЫ

Космические снимки с отечественного спутника «Ресурс-П1», полученные аппаратом сверхвысокого пространственного разрешения Геотон–Л, были предоставлены ЦЭПЛ РАН Научным центром оперативного мониторинга Земли (НЦ ОМЗ – подразделение АО «Российские космические системы») в рамках Постановления Правительства РФ от 10 июня 2005 г. N 370.

Спутники серии «Ресурс-П» предназначены для проведения регионального и локального мониторинга состояния окружающей среды, инвентаризации и контроля использования  природных ресурсов России. Первый спутник «Ресурс-П1» был запущен на солнечно-синхронную орбиту в июне 2013 г. и проработал более 8 лет до декабря 2021 г. Спутники  «Ресурс-П2» и «Ресурс-П3» были выведены из эксплуатации раньше, не отработав полностью заложенный ресурс в 5 лет. В 2024 году были проведены успешные запуски спутников «Ресурс-П4» и  «Ресурс-П5». С 19 марта 2025 года для потребителей доступна возможность заказа съемки со спутника «Ресурс-П» № 4 и № 5. На всех этих спутниках была установлена многозональная оптико-электронная высокодетальная аппаратура Геотон-Л со следующими характеристиками (https://ntsomz.ru/ka_resurs_p_4_5):

• полоса захвата (в надире) — 38 км;
• разрешение на местности:
• — не хуже 1 м (панхроматический режим);
• — 3-4 м (мультиспектральный режим);
• спектральные диапазоны съемки (мкм):
• — панхроматический PAN (0.60÷0.79);
• — синий B(0.48÷0.52);
• — зеленый G (0.54÷0.6);
• — красный R + крайний красный (0.62÷0.68; 0.66÷0.69; 0.7÷0.74);
• — ближний инфракрасный NIR (0.72÷0.8; 0.8÷0.9).

Материалы съемки соответствуют уровню обработки 1А с предварительной радиометрической и геометрической коррекцией и представлены в проекции UTM (WGS 84). Однако недостаточность радиометрической коррекции спектральных данных не позволяет провести дальнейшую радиометрическую калибровку по расчету стандартных коэффициентов отражения (reflectance) на основе нормализованных значений Digital Number (DN), регистрируемых сенсорами аппаратуры Геотон-Л. Поэтому выполнение стандартных расчётов текстурных характеристик первого и второго порядков (как, например, для данных сверхвысокого разрешения WorldView-3) в данном случае нецелесообразно. Для реализации метода пороговой сегментации было решено использовать панхроматическое изображение.

Метод пороговой сегментации затенённых участков лесного полога в исследовании рассматривается как альтернативный по отношению к классическим статистическим расчётам текстур, поскольку он опирается на физические свойства объекта. Его основные принципы были изложены ранее в статье В. М. Жирина с соавторами (2018). Площадь насаждения таксационного выдела на снимке равна площади древесного полога и межкронового пространства, т.е. общее число пикселей выдела N = N_С + N_L+N_D, где N_С – число пикселей изображения древесного полога, N_L – число пикселей освещённых участков межкроновых промежутков, а N_D – затенённых. Пороговая сомкнутость полога (С) будет равна соотношению порогового числа пикселей изображения древесного полога (N_С) и общего числа пикселей насаждения (N): С = N_С/N= [N−(N_L+N_D)]/N (Жирин и др., 2018). Если рассматривать только затененные межкроновые промежутки (N_D), тогда  вместо пороговой сомкнутости полога (С) целесообразно использовать отношение числа пикселей затененных участков межкроновых промежутков (N_D) к общему числу пикселей выдела (N) Cd = N_D/N= [N −(N_C+N_L)]/N (Никитина и др., 2019).

В процессе пороговой сегментации изображения выделяются затененные межкроновые сегменты, различающиеся друг от друга, как средней яркостью (D_i), так и числом пикселей (N_Di), но для которых соблюдается определенный заданный критерий однородности (диапазон яркости). Первоначальный этап включает выделение локальных минимумов затененных участков межкронового пространства. На каждом последующем этапе происходит увеличение размера выделяемых сегментов в результате объединения соседних пикселей с учетом спектральной близости их значений при заданном пороге яркости. Значимые величины пороговой яркости и сомкнутости полога определяются на основе матриц парной корреляции каждого из пороговых значений с биометрическими параметрами древостоев (Жирин и др., 2018).

Для нашего эксперимента  выбрана сцена  с пространственным разрешением около 1 м, полученная в панхроматическом диапазоне (0.58 – 0.8 мкм) съемочной аппаратурой Геотон-Л на спутнике «Ресурс-П1» 10 июля 2017 года для НП «Куршская коса», которая покрывает около 60 % территории парка, включая центральную и северную части (рис. 1).

На начальном этапе исследования проведена предварительная обработка изображения. Ввиду больших размеров растрового файла (около 10 Гб) и ограниченных технических ресурсов для обработки столь больших объемов информации исходное изображение разделено на 4 фрагмента с небольшим перекрытием. Каждый фрагмент трансформирован аффинными преобразованиями для более точного совмещения с векторными границами таксационных выделов. Средняя ошибка трансформирования не превышала 1 – 3 пикселя (около 3 м).

Основными лесообразующими породами на территории парка являются сосна, ель, береза, ольха черная. Более половины лесопокрытой площади занимают сосняки, среди которых преобладает сосна обыкновенная (Pinus sylvestris), но встречаются также другие виды сосен (горная, Банкса, крымская, Муррея). Сосняки формируют как простые, так и сложные по породному составу древостои. Наиболее распространены средневозрастные и молодые насаждения, приуроченные к возвышенным формам рельефа. В молодых и  средневозрастных сосняках доминирует ксерофитно-зеленомошный тип леса, а в старовозрастных  к нему добавляется  мелкотравно-зеленомошный.

Из базы таксационных данных лесоустройства 2016 г. отобраны выделы, соответствующие следующим критериям:

• категория земель – лесные культуры и естественные насаждения,
• доля преобладающей породы сосна обыкновенная – более 6 единиц,
• полнота не менее 0.6;
• средний диаметр стволов более 3 см;
• средняя высота более 5 метров.

Всего было отобрано 602 выдела с преобладанием сосны обыкновенной. Анализ распределения средних возрастов (рис. 2А) показал, что наиболее многочисленны средневозрастные насаждения, однако в выборке присутствуют все группы возраста – от молодняков 10 лет до древостоев 140 лет.

А)

Б)

В) Рисунок 2. Гистограмма распределения биометрических параметров насаждений для выборки (602 выдела) из лесотаксационных данных (2016 г.) НП «Куршская коса»: А) средний возраст; Б) средняя высота; В) средний диаметр

Важным этапом сегментирования изображений является выбор начальных минимальных яркостных значений затененных участков (D₀). Определение локальных минимумов проведено на основе расчета статистических характеристик в границах выделов и визуального анализа снимка. По векторному слою лесоустройства из каждого фрагмента изображения Геотон-Л извлечены минимальные значения спектральной яркости, на основе которых определен минимальный порог для выделения самого темного участка выдела (D₀). Для сосны D₀ на изображении составило 101 DN, таким образом, начальный яркостной порог D₀ для выделения теневого участка выбран равным 100. В качестве максимального яркостного порога выбрано значение 200 DN, которое заведомо избыточно и, по результатам визуальной идентификации, соответствует затененным участкам крон деревьев. Всего выбрано 10 пороговых яркостных значений (D₀…D₁₀) затененных межкроновых промежутков с постепенным расширением верхней границы диапазона на 10 единиц яркости: для D₀ диапазон составил 100-110; а для D₁₀ – 100-200.

На основе пороговых значений яркости проведено сегментирование изображений и созданы маски для каждого диапазона яркости теневых межкроновых промежутков древесного полога. На рис. 3 приведены фрагменты сегментированного изображения с наложенным векторным слоем таксационных выделов.

А)

Б) Рисунок 3. Фрагмент изображения Геотон-Л (10.07.2017г.) с наложенным векторным слоем таксационных выделов и маской теневых межкроновых промежутков, выделенных желтым цветом: А) диапазон D4 – 100-140; б) диапазон D8 – 100-180

По полученным маскам были рассчитаны площади сегментов (N_D0…N_Dn) теневых участков в границах выделов, средние значения яркости этих сегментов (D₀…D_n), а также стандартные отклонения и медианы. Для каждого выдела на основе этих показателей вычислена пороговая сомкнутость полога, учитывающая только затененные межкроновые промежутки (Сd). Распределение значений  D_n и Cd_n для диапазонов D₄ – 100-140 и D₈ – 100-180 приведено на рис. 4.  

А)

   

Б) Рисунок 4. Распределение характеристик средней яркости полога Dn и пороговой сомкнутости полога Cdn для яркостных диапазонов изображения Геотон-Л (10.07.2017г.): А) D4 – 100-140; Б) D8 – 100-180

Статистические характеристики (D₀…D_n) и (Cd₀…Cd_n) использовались в качестве предикторов при регрессионном анализе между биометрическими характеристиками сосновых лесов (высота, диаметр, возраст) и особенностями изображения древесного полога на космических снимках Геотон-Л.

Для регрессионного анализа применялись два подхода: кусочно-линейная регрессия в пакете STATISTICA и ансамблевый метод Random Forest (RF), реализованный в библиотеке scikit-learn языка Python. Для оценки точности моделей использовали коэффициент детерминации R² и среднеквадратическую ошибку RMSE.

Для регрессионного анализа на основе кусочно-линейной функции значимые величины (D₀…D_n) и (Cd₀…Cd_n) определялись на основе матриц парной корреляции каждого из пороговых значений с биометрическими и морфоструктурными показателями. При значениях коэффициента корреляции Пирсона более 0.7 один из мультиколлинеарных факторов удалялся. Переменные с низким уровнем значимости (p > 0.05) также отсеивались. После прохождения всех итераций поиска мультиколлинеарных факторов был сформирован набор факторов, который и использовался в регрессионных моделях. Следует отметить, что кусочно-линейная регрессия в используемой реализации не формирует устойчивой модели зависимости X → Y. Алгоритм строит несколько линейных функций и автоматически выбирает для каждой точки ту, которая ближе к фактическому значению Y, что приводит к завышенной оценке коэффициента детерминации R². Поэтому этот метод в нашем исследовании рассматривался исключительно как вспомогательный инструмент. Основной анализ был выполнен с использованием алгоритма Random Forest, который позволяет избежать проблемы мультиколлинеарности, провести кросс-валидацию и получить более надёжные оценки качества модели.

 При использовании метода RF для каждой целевой переменной строилась отдельная регрессионная модель. Исходные данные случайным образом делились на обучающую (70%) и валидационную (30%) выборки. Построение моделей включало следующие этапы:

— подбор оптимальных гиперпараметров (количество деревьев и глубина ветвей) путём последовательного перебора с оценкой R² и RMSE. Из множества пар параметров (количество деревьев и ветвей) выбиралась пара с наилучшими показателями точности;

— построение модели и её проверка с использованием кросс-валидации на обучающей выборке;

— вычисление важности признаков (пермутационной и на основе критерия Джини);

— ранжирование признаков по значимости и пошаговое добавление их в модель до момента стабилизации точности (пока оценка качества модели не переставала улучшаться);

— тестирование окончательной модели на валидационной выборке.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

При использовании кусочно-линейной регрессии статистически значимыми оказывались в основном переменные D_n из нижних и средних пороговых диапазонов (100-110, 100-120, …., 100-160), а  переменные C_dn   — из крайних диапазонов (100-110,100-190, 100-200). Результаты использования кусочно-линейной регрессии представлены в таблице 1.

Таблица 1. Результаты применения кусочно-линейной регрессии для оценки взаимосвязи биометрических параметров сосновых лесов и характеристик изображения Геотон-Л (10.07.2017 г.)

Коэффициент детерминации для параметров сосновых лесов варьирует в пределах от 0.75 до 0.98, что характеризует достаточно высокую тесноту связи пороговых значений и параметров древостоев. При сопоставлении с результатами аналогичных расчётов по изображению Геотон-Л от 09.06.2018 (Никитина и др., 2019) значения R² и RMSE также оказались близкими. Так, для значения «средний диаметр» коэффициент регрессии составлял 0.79, а RMSE – 3.86 см, для среднего возраста – 0.77 и 13.83 лет, соответственно. Таким образом, применение метода пороговой сегментации позволяет получать стабильные результаты даже при выборке на четверть меньше исходной (602 выдела вместо 823), главным условием остается пропорциональное представительство биометрических параметров в обучающей выборке. Также, полученные результаты подтверждают, что сами показатели пороговой сегментации являются воспроизводимыми и отражают особенности древостоев. Однако важно подчеркнуть, что их нельзя валидировать через кусочно-линейную регрессию, поскольку используемая реализация кусочно-линейной регрессии фактически выбирает для каждой точки ту линейную функцию, которая ближе к наблюдаемому значению Y, что приводит к завышенной оценке качества аппроксимации.

Для корректной оценки характеристик сосновых древостоев в настоящей работе основное внимание уделено моделям, построенным с использованием ансамблевого метода Random Forest. Наибольшую значимость среди переменных средней яркости и сомкнутости полога в алгоритме Random Forest показали максимальные пороговые диапазоны (170-200 DN) (табл. 2).

Таблица 2. Результаты применения метода Random Forest (RF) для оценки взаимосвязи биометрических параметров сосновых лесов и характеристик изображения Геотон-Л (10.07.2017 г.)

Коэффициенты детерминации R² для всех трёх характеристик сосновых лесов находятся в диапазоне 0.29 – 0.37, а среднеквадратические ошибки составляют 4.2 м для высоты, 5.8 – 6.1 см для диаметра и 20 – 22 лет для возраста.  Несмотря на умеренные значения R², результаты на тестовой выборке практически идентичны обучающим, что свидетельствует о стабильности и надёжности моделей RF. Сравнение с результатами моделирования по текстурным характеристикам первого порядка, рассчитанным по мультиспектральным данным WorldView-3 (Князева и др., 2021), показало, что точность моделей RF на данных Геотон-Л сопоставима, но немного ниже, хотя выборка, используемая для обучения и проверки модели значительно больше, чем для данных WorldView-3 (табл. 3).

Таблица 3. Сводная статистика оценок характеристик лесов для регрессионных моделей методом RF по данным Ресурс–П1 (Геотон-Л) и WorldView-3

*Князева С. В., Никитина А. Д., Гаврилюк Е. А., Тихонова Е. В., Королева Н. В. Оценка биометрических параметров сосновых древостоев по спутниковым данным WorldView-3 и материалам беспилотной аэросъемки // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 93–107

Коэффициенты детерминации примерно в 1.5 раза меньше, но и для данных WorldView-3 они небольшие и находятся в диапазоне 0.47 – 0.53. Возможно, на довольно умеренные значения коэффициентов детерминации влияет неоднородность таксационных выделов. Средняя площадь выдела составляет 2 га, а среднеквадратическое отклонение чуть больше – 2.3 га (при этом минимальное значение площади выдела 0.2 га, а максимальное – около 20 га). Такой значительный разброс увеличивает неоднородность спектральных характеристик изображения древесного полога выделов на снимке. Свой вклад вносят  и особенности условий объединения насаждений в один таксационный выдел, которые зависят, главным образом, от стволового запаса древесины, что не всегда находит отражение в строении верхнего полога древостоя.  Наиболее высокие коэффициенты R² отмечены в обоих случаях для значений «средний диаметр». При этом, в случае с WorldView-3, хотя моделирование происходило на основе переменных, полученных из мультиспектральных данных, наибольшую информативность показал панхроматический канал.  Из работы испанских ученых (Gomez et al., 2012), можно отметить, что в результате использования мультиспектральных данных со спутника QuickBird-2 для моделирования ряда биометрических характеристик средиземноморских сосновых лесов на основе текстурных метрик GLCM (метод CART – Classification and Regression Tree Analysis) лучшие результаты также были получены при оценке среднеквадратического диаметра деревьев: R² = 0.8 и RMSE = 0.13 м.

Достаточно интересно сравнить полученные нами оценки с результатами французских исследователей, которые проводили эксперимент для насаждений приморской сосны (Pinus pinaster Ait.) в лесном массиве на юго-западном побережье Франции (Beguet et al., 2014). В их работе анализировался потенциал текстурных характеристик, извлечённых из спутниковых снимков сверхвысокого пространственного разрешения QuickBird и Pléiades, с использованием признаков второго порядка GLCM. Особое внимание уделялось автоматической настройке параметров, что является одной из ключевых проблем анализа текстуры. Для оптимизации тестировались различные комбинации панхроматических и мультиспектральных признаков с применением многомерной линейной регрессии. Итогом стало предложение алгоритма PRiF (автоматизированный выбор и параметризация признаков GLCM), основанного на глобальной оптимизации методом случайной выборки. В условиях однородных сосновых культур авторы получили очень низкие ошибки моделирования (LOO RMSE 0.5 м для высоты и 1 см для диаметра), но при переходе к более сложным разновозрастным насаждениям точность существенно снижалась: RMSE составила 3.1 м и 6.6 см, соответственно. Эти результаты сопоставимы с нашими моделями для разновозрастных сосняков на Куршской косе (табл. 3).  При этом R² достаточно высокий и варьирует от 0.99 для первого участка до 0.81 для второго.  

Несмотря на более низкие значения R² в наших моделях, величины ошибок RMSE оказались близкими к тем, что получены с использованием текстурных признаков первого и второго порядков. Это указывает на то, что метод пороговой сегментации, будучи значительно проще по реализации, обеспечивает сопоставимый уровень точности при оценке средних характеристик сосновых лесов.

ВЫВОДЫ

Регрессионное моделирование с использованием алгоритма Random Forest показало, что переменные, рассчитанные методом пороговой сегментации затенённых межкроновых промежутков сомкнутого лесного полога по высокодетальным панхроматическим изображениям, полученным со спутника «Ресурс-П1», обеспечивают воспроизводимые оценки характеристик сосновых древостоев (на примере НП «Куршская коса») со среднеквадратической ошибкой порядка 4 м для средней высоты, 6 см для диаметра и 20 лет для возраста. Несмотря на умеренные значения коэффициента детерминации, совпадение результатов на обучающей и валидационной выборках подтверждает надёжность моделей.

Метод пороговой сегментации может применяться для предварительной оценки характеристик древостоев, особенно в условиях, когда недостаточная радиометрическая коррекция данных ограничивает возможность расчёта стандартных текстурных признаков. Использование мультиспектральных и разносезонных изображений способно повысить точность прогнозирования, однако сопряжено с усложнением модели. Вероятно, также может повысить точность моделирования применение в качестве обучающей выборки более однородных сегментов изображения древесного полога, чем таксационные выделы. В целом, полученные результаты подтверждают применимость пороговой сегментации для высокодетальных изображений как инструмента экспресс-оценки сосновых лесов на уровне выделения возрастных групп и их основных биометрических характеристик.

 

ФИНАНСИРОВАНИЕ

Работа выполнена за счет средств государственного задания по теме «Биоразнообразие и экосистемные функции лесов» (Регистрационный номер НИОКТР 124013000750-1).

 

СПИСОК ЛИТЕРАТУРЫ

Алексанин А. И., Ким В. Обнаружение рубок по теням // VI Международная научная конференция «Региональные проблемы дистанционного зондирования Земли», Сибирский федеральный университет, Институт космических и информационных технологий. 2019. С. 66–68.

Алексанина М. Г., Храмцова А. В. Обнаружение мелкомасштабной изменчивости лесного полога на спутниковых панхроматических изображениях на основе матрицы смежности перепадов яркости // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 4. С. 47–59.

Варламова А. А., Денисова А. Ю., Сергеев В. В. Информационная технология обработки данных ДЗЗ для оценки ареалов растений // Компьютерная оптика. 2018. Т. 42. № 5. С. 864–876.

Денисова А. Ю., Егорова А. А., Сергеев В. В., Кавеленова Л. М. Выработка требований к мультиспектральным данным дистанционного зондирования Земли в задаче экспертизы зарастания пахотных земель древесно-кустарниковой растительностью // Компьютерная оптика. 2019. Т. 43. № 5. С. 846–856.

Дмитриев Е. В., Кондранин Т. В., Зотов С. А. Сегментация природных и антропогенных объектов по панхроматическим спутниковым изображениям с использованием статистических текстурных признаков // Автометрия. 2022. Т.58. № 2. С. 69–84.

Жирин В. М., Князева С. В., Эйдлина С. П. Оценка биометрических параметров насаждений по изображениям межкронового пространства на космических снимках сверхвысокого разрешения // Лесоведение. 2018. № 3. С. 163–177.

Кавеленова Л. М., Корчиков Е. С., Прохорова Н. В., Терентьева Д. А., Федосеев В. А. К возможностям обнаружения и оценки состояния лесополос на основе комплексного использования данных ДЗЗ и наземного обследования // IV международная конференция и молодежная школа «Информационные технологии и нанотехнологии» (ИТНТ-2018), Самара: Новая техника, 2018. С. 882–891.

Князева С. В., Королева Н. В., Эйдлина С. П., Сочилова Е. Н. Оценка состояния растительности в очаге массового размножения сибирского шелкопряда по спутниковым данным // Лесоведение. 2019. № 5. С. 385–398.

Князева С. В., Никитина А. Д., Белова Е. И., Плотникова А. С., Подольская Е. С., Ковганко К. А. Методические подходы к оценке характеристик лесов по данным спутниковой съемки сверхвысокого пространственного разрешения в оптическом диапазоне // Лесоведение. 2021. № 6. С. 1–28.

Князева С. В., Никитина А. Д., Гаврилюк Е. А., Тихонова Е. В., Королева Н. В. Оценка биометрических параметров сосновых древостоев по спутниковым данным WorldView-3 и материалам беспилотной аэросъемки // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 93–107.

Комаров А. В., Ершов Д. В., Тихонова Е. В. Информативность спектральных и морфометрических признаков оконной структуры полога древостоя на основе спутниковых данных // Лесоведение. 2021. № 3. С. 227–239.

Марков А. Н., Васильев А. И., Крылов А. В., Евлашкин М. А., Пестряков А. А., Михеев А. А., Алексеевский А. С. Особенности обработки данных сенсора «Геотон-Л1» ксмического аппарата Ресурс-П при формировании бесшовных сплошных покрытий регионов РФ // Ракетно-космическое приборостроение и информационные системы. 2020. Т. 7. № 1. С. 72–83.

Миловский Г. А., Ишмухаметова В. Т., Апарин А. Д. Применение космической съемки высокого разрешения при поисках прибрежных россыпей и месторождений углеводородов в северных морях России // Исследование Земли из космоса. 2021. № 6. С. 74–82.

Научный центр оперативного мониторинга Земли АО «Российские космические системы» (НЦ ОМЗ). URL: https://ntsomz.ru/ka_resurs_p_4_5/ (дата обращения 07.10.2025)

Никитина А. Д., Князева С. В., Королева Н. В., Гаврилюк Е. А., Эйдлина С. П. Применение метода пороговой сегментации изображений для определения параметров древесной растительности по спутниковым данным сверхвысокого пространственного разрешения // Международная научно-практическая конференция «Геоматика: образование, теория и практика», посвященная 50-летию кафедры геодезии и космоаэрокартографии и 85-летию факультета географии и геоинформатики БГУ. Сб. статей. РБ, Минск, 2019. С. 114–118.

Пешкун А. А. Создание трехмерных моделей местности с использованием материалов съемки космического аппарата типа «Ресурс-П» // Ракетно-космическое приборостроение и информационные системы.  2016. Т. 3. Выпуск 1. С. 28–33.

Терехов А. Г., Макаренко Н. Г., Пак И. Т. Автоматический алгоритм классификации снимков QuickBird в задаче оценки полноты леса // Компьютерная оптика. 2014. Т. 38. № 3. С. 580–583.

Федотова Е. В., Заречнева А. И. Пространственно-временная динамика вспышки массового размножения сибирского шелкопряда в темнохвойных древостоях Горного Алтая//Журнал Сибирского федерального университета. Серия: Техника и технологии. 2017. Т. 10. № 6. С. 747–757.

Юровская М. В., Кудрявцев В. Н., Станичный С. В. Восстановление кинематических характеристик поверхностного волнения и батиметрии по многоканальным оптическим снимкам комплекса «Геотон-Л1» на спутнике «Ресурс-П» // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 2. С. 218–226.

Beguet B., Guyon D., Boukir S., Chehata N. Automated retrieval of forest structure variables based on multi-scale texture analysis of VHR satellite imagery // ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 96. P. 164–178.

Gomez C., Wulder M., Montes F., Delgado J. Modeling Forest Structural Parameters in the Mediterranean Pines of Central Spain using QuickBird-2 Imagery and Classification and Regression Tree Analysis (CART) // Remote Sensing. 2012. Vol. 4. P. 135–159. DOI: 10.3390/rs4010135

Lottering R., Mutanga O., Peerbhay K., Ismail R. Detecting and mapping Gonipterus scutellatus induced vegetation defoliation using WorldView-2 pan-sharpened image texture combinations and an artificial neural network // Journal of Applied Remote Sensing. 2019. Vol. 13(1). DOI: 10.1117/1.JRS.13.014513

Sibiya B., Lottering R., Odindi J. Utility of texture combinations computed from fused WorldView-2 imagery in discriminating commercial forest species // Geocarto international. 2022. Vol. 37. Issue 23. P. 6915–6931. DOI: 10.1080/10106049.2021.1952316

Wang W., Yao X., Yao X., Tian Y., Liu X., Ni J., Cao W., Zhu Y.  Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat // Field Crops Research. 2012. Vol. 129. P. 90–98. DOI: 10.1016/j.fcr.2012.01.014

 

Рецензент: к. с.-х. н., с. н. с. Шинкаренко С. С.