Лесоведение, 2021, № 6, стр. 645-672

1.1. Космические съемочные системы

В настоящее время на околоземных орбитах работают сотни спутников с оптическими приборами пассивного зондирования Земли различного пространственного, спектрального и радиометрического разрешения. Среди космических оптико-электронных систем, ведущих съемку сверхвысокого пространственного разрешения в оптическом диапазоне, можно выделить следующие спутники: OrbView 3 и WorldView-1, 2, 3 (США), Cartosat-2, 2B, 2C (Индия), Kompsat-2, 3, 3A (Республика Корея), Formasat 2, 5 и GeoEye-1 (США), PlanetScope (США), Pleiades-1A и 1B (Франция), Ресурс-П-1, 2, 3 (Россия). Большинство спутников проводит съемку в панхроматическом диапазоне (0.4–0.8 мкм) с пространственным разрешением лучше 1 м, и в спектральных диапазонах (Blue, Green, Red, Nir) с пространственным разрешением 1.2–4 м. Периодичность съемки обычно варьирует от 1 до 3 суток. С начала 2000 годов собраны глобальные многолетние архивы данных сверхвысокого пространственного разрешения, полученных оптико-электронными системами космической съемки. Большой архив снимков накоплен за время эксплуатации спутников IKONOS и QuickBird (США). IKONOS – первый коммерческий спутник, который обеспечивал съемку с разрешением 1 м в панхроматическом режиме с 1999 по 2015 г. Преимуществом данных QuickBird являлась высокая метрическая точность (0.6 м для панхроматических и 2.4 м для спектральных) и широкая полоса охвата территории (16.5 км). Новый спутник WorldView-3, запущенный на орбиту в 2014 г., обладает самым высоким пространственным разрешением (0.31 м) и расширенным спектральным диапазоном съемки, включающим средний инфракрасный диапазон. С 2014 г. компания Planet (США) разворачивает космическую группировку наноспутников дистанционного зондирования Земли PlanetScope. В 2020 г. полная группировка состоит из 150 постоянно действующих спутников и обеспечивает большую оперативность и высокую периодичность съемки. С 2012 г. на орбите находится группировка российских КА, состоящая из группы спутников Канопус-В и Ресурс-П, имеющая в своем составе съемочную аппаратуру высокодетальной съемки. Установленная на отечественных спутниках Ресурс-П 1 и 3 съемочная аппаратура “Геотон-Л1” позволяет получать изображения с пространственным разрешением около 1 м в панхроматическом диапазоне и 2–3 м в мультиспектральном. Основными дистрибьюторами данных дистанционного зондирования Земли (ДЗЗ) сверхвысокого пространственного разрешения в Российской Федерации являются Научный центр оперативного мониторинга Земли АО "Российские космические системы” (данные, получаемые российскими космическими аппаратами ДЗЗ), АО “ТерраТех”, ООО “Иннотер”, ООО ИТЦ “Сканэкс” и др. (данные, получаемые российскими и зарубежными космическими аппаратами ДЗЗ). Основные технические характеристики космических аппаратов, целевой аппаратуры, данных и продуктов их обработки различных уровней (от первичных до тематических) представлены на сайтах компаний в Интернете.

1.2. Подходы к обработке данных космической съемки

Современные технологии обработки дистанционных спутниковых данных сверхвысокого пространственного разрешения предоставляют разнообразный инструментарий для получения информации о лесах. Можно выделить два подхода к анализу космических снимков: пиксельный и объектно-ориентированный. Первый подход более традиционный и использует пиксель изображения в качестве пространственной единицы анализа. Для данных VHR размер пикселя изображения в большинстве случаев значительно меньше среднего размера дешифрируемых объектов, и пиксельный подход становится менее эффективным, так как на спектральные характеристики влияют особенности структуры. Поэтому в настоящее время большое распространение получили методы объектно-ориентированной обработки, учитывающие спектральные, текстурные и пространственные (контекстные) характеристики изображения на уровне объекта (Culvenor, 2002; Immitzer et al., 2012; Evans et al., 2014; Pontius et al., 2017). Основой подобного подхода стала методология GEOgraphic Object-Based Image Analysis (GEOBIA, или OBIA), которая включает в себя два основных этапа: сегментация изображения и классификация объектов (Blaschke et al., 2014). На первом этапе происходит сегментирование изображения. Под сегментацией понимают разделение изображения на некоторые однородные области – сегменты, которые соответствуют объектам местности или однородным областям изображения. Для сегментации используют такие свойства изображения, как спектральная яркость, текстура, форма, размер и их комбинации (Hossain, Chen, 2019). Детализация такого разделения зависит от поставленной задачи (Гонсалес, Вудс, 2012). В случае спутниковой съемки сверхвысокого разрешения лесного покрова объектами являются кроны деревьев или группы крон, а также межкроновое пространство. На втором этапе проводится классификация объектов на основе различных алгоритмов и методов регрессионного моделирования. Поскольку в OBIA используются пространственный контекст (отношение соседства/близости объектов) или свойства объектов, такой подход обеспечивает основу для преодоления ограничений традиционных методов классификации изображений на основе пикселей (Cheng, Han, 2016). Поэтому по мнению многих исследователей оценка точности классификации OBIA должна включать в себя, помимо общепризнанных показателей (матрицы ошибок), специализированные меры точности – матрицы подобия/ошибок на основе объектов, а не числа пикселей (Kim et al., 2008; Radoux et al., 2011; Zhen et al., 2013; Lizarazo, 2014). Например, в работе I. Lizarazo (2014) предлагается использовать для оценки точности классификации городского растительного покрова матрицу ступенчатого сходства, сформированную на основе объектно-ориентированного подхода по 4 показателям: совпадение типа, формы, границ и координат объектов.

1.3. Основные методы сегментации и классификации данных

Существующие методы сегментации можно разделить на следующие виды (Narkhede, 2013; Иванов, 2016; Hossain, Chen, 2019):

• Пороговая сегментация;

• Алгоритмы, выделяющие границы областей;

• Алгоритмы наращивания областей;

• Комбинированные алгоритмы.

При пороговой сегментации используют значения яркостей пикселов. Пикселы, входящие в заданный яркостной диапазон, относят к сегменту, если нет – исключают. Пороговые значения подбирают или вычисляют эмпирически. Алгоритмы, выделяющие границы областей, направлены на поиск границ (частей границ) сегментов с последующим заполнением внутренней части сегмента однородными пикселами. Зачастую такие алгоритмы используют оператор градиента, где граничные пикселы объединяют в границы сегментов. Примером такого алгоритма является метод водораздела (Huang et al., 2018). Алгоритмы наращивания областей, наоборот, выбирают центр – ядро сегмента, с характеристиками которого сравнивают соседние пикселы. Проводя анализ однородности, принимают решение о включении пиксела в сегмент. К таким алгоритмам относятся алгоритмы кластеризации, например, K-means, FLS (Full Lambda Schedule) (Scherzer, 2011), MeanShift (Comaniciu, Meer, 1999). Комбинированные алгоритмы подразумевают последовательное использование нескольких алгоритмов сегментации для получения желаемого результата.

Структуру изображения лесной растительности на снимках VHR формирует сочетание освещенных и затененных участков кроновых и межкроновых пространств в древесном пологе леса. Теневые участки кронового и межкронового пространств древесного полога являются достаточно информативными и часто используются в качестве дополнительных признаков при классификации лесов (Ozdemir, 2008; Жирин и др., 2018). С ростом деревьев происходит увеличение собственных и падающих теней деревьев и затененных промежутков между кронами, поэтому для молодых густорастущих деревьев характерны минимальные теневые промежутки на изображении древесного полога по сравнению со зрелыми древостоями. В целях выделения теневых участков часто используют методы создания инвариантного цветового пространства в комбинации с пороговой сегментацией на основе гистограммы изображения, применение фильтров на основе различных функций (выделение краевых областей и границ, сглаживание, анализ градиентов и текстуры и др.) (Sarabandi et al., 2004; Tsai, 2006; Chung et al., 2008; Zhou et al., 2009; Susaki, 2012; Das et al., 2013; Vincent, Mathew, 2014). Метод создания маски теней при помощи простого порогового алгоритма сегментации с последующим применением морфологических фильтров показал хорошие результаты при автоматизированном выделении крон деревьев на изображении VHR (Терехов и др., 2014). Индекс тени (SI), рассчитанный на соотношении Blue, Green и интенсивности полного спектра видимого диапазона, позволяет учесть влияние тени на спектральные характеристики кроны дерева (Rikimaru et al., 2002). Одной из основных причин ограничений использования анализа теневых участков изображения при оценке характеристик лесов является большая изменчивость связи между структурой изображения и характеристиками леса в зависимости от параметров съемочной системы (тип датчика, угол обзора) и времени съемки (высота Солнца над горизонтом, фенологическая фаза развития дерева и погодные условия). Таким образом, только при соблюдении одинаковых условий съемки можно считать, что яркостная структура изображения будет зависеть, главным образом, от особенностей кронового и межкронового пространства полога древостоев (Cheng, Han, 2016; Li et al., 2019).

Спектральные характеристики изображения древесного полога являются основой для расчета текстурных показателей в границах выделенных сегментов. Наряду с исходными мультиспектральными изображениями VHR применяются разнообразные индексы, построенные на соотношениях спектральных данных. С помощью индексов оценивается чувствительность спектральных показателей к биофизическим параметрам растительности, а также к внешним факторам, влияющим на ее отражательную способность. Чаще всего используют следующие индексы – нормализованный вегетационный NDVI, нормированной разности влажности NDMI, отношение спектральных диапазонов SWIR/NIR, R/G, гарей NBR, нарушений DI, стресса влажности (MSI, EWDI), листовой поверхности LAI (White et al., 2005; Senf et al., 2017).

Для расчета текстурных показателей в большинстве случаев используют статистический подход, учитывающий распределение яркостных значений изображения в 2-х вариантах: 1) по одномерной гистограмме (характеристики 1-го порядка), характеризующей групповые свойства пикселей, составляющих изображение объекта/сегмента; 2) по двумерным гистограммам (характеристики 2-го порядка), характеризующим взаимное расположение соседних пикселей внутри скользящего окна. При втором подходе на основе матрицы смежности уровня серого Харалика (или матрица яркостной зависимости, Gray-Level Co-occurrence Matrix, GLCM) для фиксированных расстояния и угла рассчитываются 14 текстурных признаков второго порядка: второй угловой момент, контрастность, энтропия, корреляция, энергия, вариации, однородность, стандартное отклонение и др. (Ozdemir, Karnieli, 2011; Фраленко, 2014).

Характеристики лесов моделируются как функция спектрально-текстурных показателей при помощи методов классификации и регрессионного анализа. Для оценки точности моделей используются стандартные критерии – коэффициент детерминации (R²), а также среднеквадратическая ошибка (RMSE) или среднеквадратическое отклонение (RMSD). Стандартными показателями точности классификации являются оценки статистик каппа и общее значение точности. Множественная линейная регрессия (MLR) является самым распространенным способом моделирования для оценки вклада нескольких признаков в прогнозирование структурных переменных леса (Murtaugh, 2009). В зависимости от сложности поставленной задачи и качества обучающих эталонов могут быть выбраны различные алгоритмы классификации – максимального правдоподобия (MLC), байесовский классификатор (NB), машина опорных векторов (SVM), “деревья” решений (DT), ансамбль решающих “деревьев” (Random Forest, или RF), метод К-ближайших соседей (К-NN), модель гауссовой смеси (GMM), искусственная нейронная сеть (NN) и др. Широко используемыми типами параметрических алгоритмов являются MLC и NB, а непараметрическими – К-NN, RF и SVM. Алгоритм SVM относится к классу линейных классификаторов с обучением для задач классификации и регрессионного анализа, который позволяет строить нелинейные разделители на основе замены линейной функции ядра более сложными. Помимо линейной, чаще всего используются полиномиальная, радиальная базисная функция (RBF) и сигмоида (Qian et al., 2014). Большую популярность для решения различных задач приобрел в настоящее время метод ансамблевого обучения для классификации и регрессии RF (Immitzer et al., 2012). Метод основан на построении большого числа (ансамбля) “деревьев” решений, каждое из которых строится по обучающей выборке с помощью бутстрепа (т.е. выборки с возвращением). В отличие от классических алгоритмов DT, в методе RF при построении каждого “дерева” на стадиях “расщепления вершин” используется только фиксированное число случайно отобранных признаков обучающей выборки и строится полное “дерево” без усечения. Классификация осуществляется с помощью голосования классификаторов, определяемых отдельными “деревьями”, а оценка регрессии – усреднением оценок регрессии всех “деревьев”. Одним из главных преимуществ RF, помимо высокой эффективности для задач классификации, является малое число входных параметров от которых зависит результат работы алгоритма и отсутствие необходимости в сложной настройке (Breiman, 1996; Чистяков, 2013). При выборе алгоритма нужно учитывать несколько ключевых факторов, от которых, главным образом, зависит точность распознавания: качество обучающей выборки, набор признаков и настройка параметров. Например, преимущество нейронных сетей по сравнению с другими алгоритмами классификации наиболее выражено для неравномерных выборок, когда число обучаемых эталонов существенно ниже среднего и выборки не соответствуют нормальному распределению (Рагимов и др., 2007). Достаточно подробно сравнение различных методов машинного обучения и регрессионного анализа рассмотрены в обзорах (Falkowski et al., 2009; Brosofske et al., 2014; Qian et al., 2014; Cheng, Han, 2016).

Часто для описания статистических зависимостей между легко измеряемыми размерами деревьев (высота, окружность/диаметр ствола на высоте груди) и сложными биометрическими параметрами (объем ствола, запас древесины) применяется способ аллометрических уравнений. Как известно, это один из наиболее распространенных методов оценки биомассы (Wang, 2006; Navar, 2009; Yoon et al., 2013). Использование данных VHR для расчета площади горизонтальной проекции крон отдельных деревьев может позволить с помощью аллометрии смоделировать другие параметры, такие как объем кроны, биомасса древесной растительности и др. (Palace et al., 2008; Ku, Popescu, 2019). Необходимо учитывать, что аллометрические уравнения не являются универсальными, так как на выявленные взаимосвязи между параметрами деревьев большое влияние оказывают состав древостоя и условия произрастания.

2.1. Выделение отдельных крон деревьев

Процесс выделения ОКД включает две задачи: первую – определение местоположения кроны (вершины кроны); вторую – разграничение с другими элементами изображения, т.е. оконтуривание кроны дерева. Множество алгоритмов ОКД, по мнению ряда исследователей, можно разделить на 4 группы: алгоритмы локального максимума, выделения границ, ближайшего соседа и сопоставления с шаблоном (Braga et al., 2020). Перекрытие отдельных крон деревьев, большие различия в формах и размерах крон влияют на точность автоматизированных алгоритмов обнаружения деревьев (Culvenor, 2002; Wang et al., 2006; Falkowski et al., 2009). Поэтому оптимальные параметры и точность сегментации в большой степени зависят не столько от выбора алгоритма, сколько от структурной сложности и густоты древостоев: значительная точность разграничения крон достигается в разреженных одноярусных насаждениях по сравнению с многоярусными лесами с сомкнутым пологом. Также можно отметить, что размеры и формы крон хвойных и лиственных пород деревьев существенно различаются между собой, что усложняет процедуру выделения ОКД для смешанных и сложных по составу лесов.

Одним из подходов для дешифрирования отдельного дерева на снимках является фильтр локального максимума (LM), который позволяет выделять освещенные вершины крон деревьев. Точность фильтрации LM зависит от размера деревьев по отношению к пространственному разрешению изображения. LM с размером скользящего окна 3 × 3 пикселя обеспечивает выявление максимального числа деревьев, которые могут быть найдены на снимках, но может приводить к большим ошибкам ложной идентификации. При пространственном разрешении изображения 1 м диаметр кроны дерева 3 м представляется минимальным размером для идентификации с помощью LM отдельно стоящих деревьев, 6 м и более – в хвойных лесах и 8 м и более – в смешанных и лиственных лесах (Wulder et al., 2000, Katoh, 2004). Используя фильтр локального максимума (с окном 3 × 3), отдельные кроны хвойных деревьев (Канада) были выделены на изображении IKONOS. При помощи LM точно определено 44% деревьев из выборки в 200 деревьев, из них молодые – 37%, зрелые – 70% (Nelson et al., 2002).

Метод Arbor Crown Enumerator (ACE) был разработан и успешно применен для обнаружения оливковых (Olea europae) и апельсиновых деревьев (Citrus sinensis) на о. Крит по изображению QuickBird. ACE основан на пороговой бинаризации данных красного канала съемки в комбинации с лапласианом гауссовой фильтрации (blob detection) и пороговым значением индекса NDVI (Daliakopoulos et al., 2009; Karantzalos et al., 2010). Сочетание в ACE трех способов преобразования изображения минимизирует недостатки каждого и обеспечивает более точную оценку числа деревьев. В зависимости от характеристик древостоя использовались разные пороговые значения яркости, ошибка выделения ОКД не превышала 17% при R² = 0.921 (Daliakopoulos et al., 2009).

Методология OBIA, реализованная для снимков QuickBird, позволила корректно идентифицировать от 70 до 82% ОКД в насаждениях на территориях небольших городов в Нидерландах. Выделение крон проведено на основе спектральных, пространственных и контекстных характеристик деревьев в городском пространстве с использованием особенностей изображения объектов (изменением размера и формы) в нескольких масштабах сегментации. Большинство ошибок наблюдалось для небольших деревьев и деревьев в частных садах – ошибка ложного определения была равна 26% (в основном для деревьев с площадью кроны <15 м²), ошибка пропуска составляла от 18 до 39% (Ardila et al., 2012).

Более сложной задачей является выделение ОКД в сомкнутом пологе леса. Возможности применения снимков WorldView-2 в целях выделения отдельных крон для нескольких видов деревьев в плотном пологе экваториального леса (Бразилия) показано в исследовании F. Wagner с соавт. (2018). Метод включает предварительную обработку, обнаружение пикселей в границах кроны, контрастирование границ, коррекцию тени в кронах больших деревьев и сегментацию крон. Для анализа изображения полога, преобразованного из мультиспектрального (RGB) в изображение яркости, оттенка и насыщенности (IHS), используется статистический метод оценки бимодального распределения освещенных пикселей крон и затененных пикселей межкроновых промежутков. Алгоритм “rolling ball” и операция математической морфологии применяются для контрастирования изображений с целью усиления тени границы кроны и удаления мелких объектов. Метод позволяет обнаруживать до 80% ОКД выбранных видов деревьев при сравнении с визуально очерченными эталонами.

Применение сверточной нейронной сети (CNN) для выделения ОКД по изображению на снимке WorldView-2 древесного полога лесов Бразилии позволило получить более точные результаты (Braga et al., 2020), чем использование подхода с выделением границ кроны дерева в работе (Wagner et al., 2018). Для построения обучающего набора был реализован метод получения синтетических изображений на основе быстрой нейронной сети (архитектура Mask R-CNN), который позволил значительно сократить объем визуального дешифрирования ОКД и оценить качество эталонов. Формирование набора эталонов для обучения CNN, позволяющих алгоритму решать задачи обнаружения объектов или сегментации, является весьма трудоемким процессом – для обучения алгоритма потребовалось 19 656 синтетических изображений, включающих до 150 оконтуренных ОКД. Связь между площадью кроны дерева (в пикселях) из контрольного набора и нейронной сети характеризуется R² равным 0.93. Валидация по контрольной выборке (вручную очерченных крон) показала, что алгоритм корректно определил 92.3% ОКД, теневые участки были выделены с точностью 98.9%. Общая точность классификации составила 96%, а коэффициент каппа – 0.92.

2.2. Биометрические параметры древостоев

Результаты сегментации изображений, включающие выделение ОКД или кронового/межкронового пространства лесного полога, теневых участков, используются для моделирования на основе различных алгоритмов биометрических и морфоструктурных параметров древостоев.

Для определения параметров разреженных лесов аридных или лесотундровых зон, садов и плантаций, городских зеленых насаждений хороший результат получают с использованием алгоритмов расчета высоты дерева по длине его тени и сомкнутости крон по соотношению площади теней деревьев, дешифрируемых на снимке (Wulder et al., 2000; Новичихин, Тутубалина, 2009; Cartus et al., 2012; Тюкавина, 2012). В отечественной лесной науке еще в конце 80-х годов прошлого века проводились успешные экспериментальные работы по автоматитизированному дешифрированию таксационных характеристик пустынной растительности на основе длины и площади теней отдельных кустарников и метода LM по аэрофотоснимкам (Барталев, Брейдо, 1989). I. Ozdemir (2008) исследовал связь между измеренным в полевых условиях объемом ствола и площадью кроны, и размером тени дерева, измеренных по изображениям Quickbird для разреженных насаждений крымского можжевельника (Juniperus excelsa) в Турции. Были протестированы как визуальное разграничение, так и автоматизированные методы классификации. Статистический анализ показал, что объем ствола коррелировал как с площадью тени (R² = 0.67, RMSE = 12.5%), так и с площадью кроны (R² = 0.51, RMSE = 15.2%). Перспективные методы автоматизированной обработки VHR предложены специалистами из МГУ им. М.В. Ломоносова на примере картографирования по данным QuickBird крон деревьев и кустарников в лесотундре горного массива Хибин (Новичихин, Тутубалина, 2009). В основе метода – классификация изображения на основе пороговых значений яркостных характеристик, включающих NDVI и результаты кластеризации снимка (в варианте IHS) и текстурных характеристик (дисперсии значений яркости в пределах “скользящего окна”). Результаты классификации (растительность, тени растительности, прочие объекты) используют для выделения отдельных деревьев и кустарников с кронами заданных размеров, и расчета высоты деревьев по длинам их теней.

Метод LM может быть использован для оценки возрастных градаций древостоев. Выделенные ОКД при помощи LM представляют в виде точек, которые преобразуются в полигоны Вороного (Nelson et al., 2004). Этот метод позволяет образовать вокруг точечного объекта (дерева) полигон таким образом, что каждому объекту соответствует область пространства, образованная точками, находящимися ближе к этому объекту, чем к любому другому. Площадь и периметр созданных полигонов, зависящие от плотности размещения деревьев, были использованы при моделировании возраста древостоя. Для выявления зависимостей использовались эталоны для девяти классов возраста, выбранные по данным инвентаризации лесов. Таким образом, отдельные деревья были агрегированы в древостои по выбранным возрастным градациям. Точность модели определения классов возраста для пихтовых лесов на тихоокеанском побережье Канады варьирует примерно от 68% для молодых древостоев до 78% для зрелого леса.

Для определения параметров древостоев (сомкнутости, средних высот, возраста и диаметров стволов древостоев) в сомкнутом пологе применяются методы OBIA, сочетающие различные алгоритмы сегментации и классификации изображений с использованием яркостных и текстурных характеристик (Karantzalos et al., 2004; Palace et al., 2008; Pu, Liu 2011; Wu, Bauer, 2013). На разных этапах обработки снимков VHR используют линейное преобразования Tasseled Cap, анализ главных компонент, расчет вегетационных индексов и текстурных показателей GLCM, алгоритмы классификации на основе статистических методов и нейронных сетей, методы регрессионного моделирования (Kayitakire et al., 2006; Гормаш и др., 2010; Алтынцев, 2011; Evans et al., 2014).

Метод пороговой сегментации, несмотря на простоту алгоритма, позволяет получить достаточно надежные результаты при выявлении и анализе характеристик кронового и межкронового пространства древесного полога с характеристиками лесных фитоценозов. Основной задачей метода пороговой сегментации, предложенного в статье В. М. Жиринa с соавт. (2018), является оптимизация определения начального уровня локальных минимумов и максимумов яркости, а также рациональное число порогов, необходимое для сегментации изображения. На основе комбинаций пороговых значений яркости изображения затененных и освещенных межкроновых промежутков и сомкнутости полога были получены статистически достоверные результаты (r = 0.76–0.94) при определении основных параметров древостоев, включающих среднюю высоту, возраст и относительную полноту. Избыточность переменных, используемых в регрессионных уравнениях для моделирования биометрических показателей, позволяет значительно уменьшить субъективность выбора значимых пороговых критериев сегментации.

Результаты оценки параметров хвойных насаждений в Канаде на участке площадью около 16 тыс. га, полученные при помощи OBIA при совместной обработке изображений QuickBird и данных воздушного лазерного зондирования (Chen et al., 2012), демонстрируют высокую тесноту связи при определении высоты древесного полога (r = 0.85; RMSE = = 3.37 м) и запаса стволовой древесины (r = 0.85; RMSE = 52.59 м³/га).

Текстурные параметры GLCM (дисперсия, контраст и корреляция) признаны наиболее перспективными для оценки параметров хвойных лесов в исследовании Kayitakire с соавт. (2006). Анализ параметров GLCM, рассчитанных по снимкам IKONOS-2, показал, что существенное влияние на результат моделирования оказывает не только функция текстуры, но и размер, направление и порог смещения скользящего окна. Размер 15 × 15 пикселей оказался оптимальным для крон ели (Picea abies) – R² для линейных моделей высоты диаметра ствола и возраста варьировали от 0.76 до 0.82. Высота являлась наиболее точно определяемой переменной, относительные ошибки составили: для высоты – 10%, диаметра ствола – 15%, возраста – 18%. В работе (Ozdemir, Karnieli, 2011) были смоделированы основные параметры леса как функции измерений текстуры, полученных из спутникового изображения WorldView-2 с использованием множественной линейной регрессии. Коэффициент детерминации (R²) и значения средней квадратической ошибки (RMSE) составили, соответственно: 0.38 и 109.56 га^–1 для количества деревьев; 0.42 и 27.18 м³ га^–1 для запаса стволовой древесины; 0.67 и 0.70 для стандартного отклонения диаметров стволов. В дополнение к традиционным лесным параметрам авторы предложили использовать для оценки структуры леса пять индексов разнообразия, которые оценивают регулярность распределения деревьев и разнообразие размеров. Дополнительные новые узкие спектральные каналы съемки WorldView-2 в желтой, красной и ближней инфракрасной областях электромагнитного спектра показали большую информативность при моделировании запаса стволовой древесины и индекса вариабельности диаметров стволов деревьев.

В исследовании турецких ученых по оценке числа деревьев и биометрических параметров крымской сосны (Pinus nigra subsp. pallasiana) с использованием данных WorldView-2 продемонстрированы преимущества нейронных сетей по сравнению с регрессионным моделированием (Günlü et al., 2019). Восемь основных текстурных показателей GLCM, рассчитанных в переменном скользящем окне, размером от 3 × 3 до 25 × 25 были использованы для определения запаса (SV), числа деревьев (NT) и надземной биомассы (AGB). В отличие от параметрических методов, нейронные сети Perceptron (MLP) и Radial Basis Function (RBF) обеспечивают лучшие решения сложных проблем моделирования, когда данные не имеют нормального распределения и линейных отношений между параметрами насаждений и независимыми переменными. Модели на основе RBF показали более высокие значения корреляции, чем регрессионные модели – для SV (R² = = 0.56 и 0.32), для NT (R² = 0.37 и 0.33) и для AGB (R² = 0.57 и 0.34).

Сравнительная оценка различных методов классификации (максимальное правдоподобие (MLC), метод опорных векторов (SVM) и нейронная сеть (NN) для определения групп возраста (SDS) и сомкнутости полога (SCC) смешанных насаждений по изображениям IKONOS представлена в работе (Bulut et al., 2019). Лучший результат получен для параметров SDS и SCC с использованием классификатора SVM на основе полиномиальных функций: коэффициенты каппа равны 0.94 и 0.88, соответственно; общая точность классификации более 90%. Классификаторы MLC и ANN показали одинаковые результаты, которые немного хуже, чем у SVM – оценка каппа составляет 0.90 для групп диаметров и 0.85 – для сомкнутости полога.

2.3. Определение породного и видового состава древостоев

Алгоритмы классификации, такие как MLE и К-NN, успешно применяются к мультиспектральным изображениям для определения доминирующих видов (Franco-Lopez et al., 2001; Rogan, Yool, 2001; Finley, McRoberts, 2008). Классификация пород деревьев в смешанных лесах на о. Хоккайдо по спутниковым данным IKONOS с использованием MLE продемонстрировала достаточно хорошие результаты, особенно для хвойных древостоев. Для каждой породы (2 хвойных породы и 19 лиственных) была создана репрезентативная выборка пикселей из центральной части кроны и рассчитаны стандартные статистики (среднее, стандартное отклонение, минимум и максимум). Для выявления статистически значимых различий в спектральных диапазонах использовались дисперсионный анализ, тест множественного сравнения Тьюки и др. С наибольшей точностью были определены пихта (Abies sachalinensis) (74%), лиственница (Larix kaempferi) (70%), вяз (Ulmus davidiana, Ulmus laciniata) (63%) и дуб (Quercus mongolica) (62%). Общая точность классификации составила 62%. Точность классификации лиственных деревьев была немного ниже (40–63%), в то время как хвойных пород выше – 70% (Katoh, 2004).

Наиболее детально сравнение двух подходов (пиксельного и объектно-ориентированного) к определению породного состав деревьев по спутниковым данным сверхвысокого разрешения показано в работе M. Immitzer с соавт. (2012). На примере снимков WorldView-2 изучены возможности картографирования древесных пород на участке хвойно-широколиственного леса на востоке Австрии. Для 10 видов древесных пород были созданы обучающие эталоны в 8 съемочных каналах при помощи визуального оконтуривания освещенных участков крон выбранных деревьев на изображении. Для OBIA были рассчитаны средние значения спектральных характеристик внутри полученных полигонов, а для пиксельного – спектральные значения яркости каждого пиксела внутри полигона. Для классификации выбраны алгоритмы RF и LDA. Использование пиксельного подхода вместо объектно-ориентированного привело к уменьшению точности классификации на 0.1–0.15, как алгоритмом RF, так и LDA. В целом классификаторы продемонстрировали похожие результаты, но оценки точности RF (каппа = 0.94) немного выше LDA (каппа = 0.92) для 4-х основных пород – ель (Picea abies), сосна (Pinus sylvestris), бук (Fagus sylvatica) и дуб (Quercus robur). Если учитывать классификацию всех 10 видов деревьев, то показатель каппа снижается – 0.8 (RF) и 0.81(LDA). Общая точность распознавания хвойных пород составила 81.2%, широколиственных деревьев – 83.8%. Лиственница (Larix decidua) показала самую низкую точность распознавания (66.4%) среди хвойных пород, а граб (Carpinus betulus) (33.3%) – среди широколиственных. Наиболее хорошо распознаются сосна (89.8%), бук (94.3%) и береза (Betula pendula) (90.7%).

Сравнительный анализ работы нескольких алгоритмов параметрической (MLE) и непараметрической классификации (SVM, спектрального угла (SAM), NN, расстояние Махаланобиса) в целях определения видовой структуры верхнего яруса субтропических лесов был проведен с использованием снимков сверхвысокого разрешения QuickBird (Lin et al., 2015). Дополнение исходных зональных изображений производными (изображения различных вегетационных индексов, текстурных показателей) позволило значительно увеличить вероятность распознавания пород деревьев. Статистический анализ эффективности классификаций показал, что использование всех исходных и производных изображений QuickBird в сочетании с методом MLE или SVM дает самую высокую вероятность распознавания видов деревьев субтропического леса (каппа = 0.98). В работе гонконгских ученых изучены возможности классификации видового состава мангровых зарослей при помощи методов случайных лесов и опорных векторов по данным WorldView-3. Общая точность распознавания при использовании разных алгоритмов была примерно одинакова и составила 0.70–0.72, при комбинировании мультиспектральных снимков с данными лидаров точность распознавания увеличивалась до 0.87–0.88 (Li et al., 2019). Хорошие результаты для определения пород деревьев и степени повреждения ясеня (Fraxinus excelsior) в смешанных лесах на балтийском побережье Германии по летним снимкам WorldView-2 показало применение OBIA в сочетании с LDA (Waser et al., 2014). Предварительная сегментация изображения позволила разделить освещенные и затененные участки полога на основе эмпирически подобранного порога. Далее сегменты были оптимизированы с использованием нескольких уровней детализации и адаптированы к параметрам формы и компактности освещенных крон деревьев эталонных данных, отобранных по аэрофотоснимкам. Классификация проведена на основе полиномиальной логистической регрессии, использующей методы максимального правдоподобия для оценки вероятности категориальной принадлежности. Для отбора переменных использовались три метода: LDA, PCA и метод ступенчатого отбора. С применением LDA были получены лучшие показатели точности: от 69% для бука до 92–95% для тополя (Populus sp.) и ели. Общая точность классификации составила 83%.

Хотя в большинстве случаев дешифрирование породного состава древостоев проводят по мультиспектральным изображениям, хорошие результаты можно получить, используя в качестве источника данных панхроматический снимок. В работе канадских исследователей была использована сегментация панхроматического снимка QuickBird для выделения лесных насаждений с преобладанием ели (Picea glauca, P. mariana), сосны (Pinus contorta) или осины (Populus tremuloides), после чего проведено выделение крон деревьев и межкроновых промежутков в каждом насаждении с применением порогового алгоритма. Классификация с использованием метрик крон деревьев (площадь, диаметр, форма) позволила определить доминирующий вид в 72.5% насаждений с точностью для индивидуальных деревьев, варьирующей от 43.9 до 100.0% (Mora et al., 2010).

Высокая точность классификации экваториальных лесов на атлантическом побережье Бразилии по данным WorldView-3 с использованием нейронной сети представлена в исследовании группы европейских и бразильских ученых (Wagner et al., 2019). Спутниковые данные использованы в виде композита RGB с предварительным паншарпенингом данных. Сегментация изображения проведена при помощи алгоритма U-Net. Алгоритм основан на полностью сверточной сети, что значительно увеличивает скорость его работы, архитектура сети модифицирована и расширена для работы с меньшим количеством обучающих изображений и получения более точных сегментов. Для обучения сети были использованы около 9000 фрагментов изображений. В результате классификации удалось достаточно хорошо дешифрировать естественные леса и плантации эвкалиптовых деревьев (Eucalyptus sp.) – общая точность составила 95.4 и 97.0%, соответственно. Предыдущий эксперимент (Wagner et al., 2018) по идентификации 7 видов деревьев в пологе бразильских лесов на основе сегментации ОКД методом выделения границ кроны также показал высокие значения точности – общая точность классификации видов составила 65.9 и 62.9% для ручного и автоматического выделения крон. Классификация видов проводилась с помощью алгоритма SVM по спектральным и текстурным признакам, рассчитанным в границах выделенных крон.

2.4. Оценка нарушений лесного полога (рубки, ветровалы, пожары)

Для анализа нарушений древесного полога и состояния лесов на локальном уровне применяют методы сегментации изображения и классификации на основе комбинации текстурных показателей и различных индексов (NDVI, NDMI, R/G, NBR, LAI) (White et al., 2005; Senf et al., 2017). Индексы, основанные на соотношениях спектральных диапазонов Green, Red, RedEdge, NIR1 и NIR2, наиболее чувствительны к усыханию древостоев (Waser et al., 2014). Например, классификация Random Forest с использованием индекса NDVI, рассчитанного по данным SPOT7 (разрешение 1.5 м), позволила обнаружить разрывы (окна) в пологе леса с общей точностью около 78%. Дополнительный анализ текстур изображения древесного полога повысил точность классификации до 86.11% (Bhugeloo et al., 2018). В исследовании (Dalagnol et al., 2019) приведены оценки потенциала использования временной серии снимков VHR WorldView-2 и GeoEye-1 с бортовым лидаром для обнаружения нарушений лесного полога, связанных с лесозаготовками, в тропических лесах Бразилии. Средняя точность обнаружения рубок по спутниковым снимкам WorldView-2 при использовании метода RF составила 64%. Несмотря на то, что точность не является оптимальной, обнаруженные нарушения показывают сильную пространственную корреляцию с данными лидарной съемки и наземными обследованиями.

Снимки сверхвысокого разрешения успешно используются при оценке ущерба от лесных пожаров и моделировании постпирогенного лесовосстановления. Например, в результате классификации снимков Quickbird созданы карты сохранившихся после пожара древостоев ели (Picea obovata) и пихты (Abies sibirica) на территорию двух гарей в Центральной Сибири (Jung et al., 2013). Для определения суммы площадей сечений стволов (базальной площади) использован алгоритм RF, а для выбора признаков – Guided Hybrid Genetic Algorithm (GHGA). Точность классификации для ели составила 74%, пихты – 77%, суммарная – 80%. Для оценки степени повреждения пожаром растительности в каньоне Уолдо (США) проанализирован временной ряд снимков Worldview-2, 3 и QuickBird-2 с 2011 по 2016 г. (Vanderhoof et al., 2018). На основе OBIA авторы составили карты степени повреждения (высокая, средняя, низкая) и темпов восстановления травянистой, кустарниковой, хвойной и лиственной древесной растительности.

Объектно-ориентированный подход с привлечением индексов NDVI и модифицированного mSAVI2 позволил оценить площадь гари и степень повреждения хвойных лесов (Греция) по спутниковым данным IKONOS (Papaiordanidis et al., 2017). Общая точность определения степени повреждения растительности составила 79% при использовании NDVI и 82% при использовании mSAVI2. Возможность создания модели постпожарного восстановления сосновых лесов на примере трех крупных гарей, находящихся в разных провинциях Испании, с использованием снимков WorldView-2 продемонстрирована в исследовании J.M. Fernández-Guisuraga с соавт. (2019). В качестве предикторов восстановления растительности в обобщенных линейных моделях рассматривались спектральные индексы (NDVI, Anthocyanin Reflectance Index (ARI), Burnt Area Index (BAI), Transformed Chlorophyll Absorption Reflectance Index (TCARI)) и текстурные признаки GLCM. Экстраполяция модели, созданной для одной гари, на остальные две с учетом климатического градиента показала хорошие результаты – r > 0.7. Изучению динамики лесов и ее влияния на глобальный углеродный цикл посвящено исследование (Meng et al., 2018). Проанализирована скорость восстановления сосновых и дубовых лесов после пожара 2012 г. на о. Лонг-Айленд, штат Нью-Йорк, США. Была исследована возможность комбинированного использования методов мультисенсорного дистанционного зондирования, включая классификацию гари по снимку WorldView-2 с общей точностью 88% при использовании метода RF. Авторы показали зависимость темпов восстановления лесов от степени повреждения огнем при пожаре. В результате исследования сосновые леса оказались более устойчивы к сильному воздействию огня, чем дубовые.

2.5. Оценка динамики и состояния лесов

Объектно-ориентированный многоиндексный интегральный анализ MIICA для обнаружения изменений лесной растительности за 10-летний период по данным QuickBird, IKONOS и WorldView2 предложен китайскими исследователями (Zhu et al., 2020). В качестве единиц анализа изменений вместо отдельных пикселей используются однородные объекты, выделенные посредством сегментации. Сравнение результатов MIICA с алгоритмами попиксельного обнаружения изменений (включая метод разности NDVI, анализ главных компонент и спектральный градиентный разностный анализ) показали небольшое преимущество объектно-ориентированного подхода в точности классификации – каппа 0.85 и общая точность 0.91 для MIICA и 0.8 и 0.88, соответственно, для пиксельного подхода. Однако, в случае, когда объект исследования на изображении имеет неоднородное пространственное распределение без выраженных границ, объектные классификаторы использовать нецелесообразно. Этот случай продемонстрирован на примере картографирования интенсивности поражения (5 классов) подлеска самшита (Buxus sempervirens subsp. hyrcana) в смешанных лиственных лесах на севере Ирана (Esmaili et al., 2020). Классификация проведена по снимкам Pleiades при помощи методов попиксельного анализа (MLE и SVM с разными функциями ядер) и объектно-ориентированной классификации (на основе алгоритмов SVM и классификатора Байеса) с использованием исходных спектральных изображений VNIR и вегетационных индексов GDVI и DVI. Лучший результат получен классификатором MLE на исходных полосах VNIR с общей точностью, равной 55%, и значением каппа 54. Следует отметить, что низкая спектральная разделимость между здоровыми самшитовыми деревьями и ослабленными не дает возможности надежного выделения этого класса повреждений (точность около 40%). Хорошие результаты получены только для классов здоровых (точность 94%) и сухостойных деревьев (70%). В эксперименте немецких ученых при оценке пород деревьев и степени повреждения ясеня (Fraxinus excelsior) в лесах Германии по данным WorldView-2 (Waser et al., 2014) применение разнообразных вегетационных индексов дополнительно к исходным изображениям позволило значительно (на 20%) повысить точность классификации степени повреждения ясеня, но лишь незначительно улучшило классификацию древесных пород (менее 5%). На основе методов OBIA в сочетании с LDA была достигнута общая точность, равная 77% для четырех классов повреждения деревьев ясеня.

Интересные результаты по изучению сезонной динамики индекса листовой поверхности (LAI) для пойменных лесов юга Флориды, полученного по мультисезонной серии спутниковых сцен Pléiades, описаны в работе исследователей из США (Pu, Landry, 2019). В исследовании использовались 4 сезонных мультиспектральных изображения для расчета LAI и соответствующие им сезонные измерения индекса в полевых условиях. Подмножество спектральных и текстурных (1-го и 2-го порядков) признаков, извлеченных из изображений Pléiades, были использованы для разработки модели сезонной регрессии LAI с помощью метода корреляционного анализа (CCA) и для картографирования индекса. Относительная точность расчета LAI была наиболее высокой у майских изображений – 86.5% (R² = 0.8, RMSE = 0.45). Текстурные признаки, рассчитанные в окне размером 5 × 5, оказались более информативны для расчета LAI, чем спектральные, а среди спектральных признаков – данные красного канала съемки.

Совместное использование данных WorldView-3 и многоспектральных беспилотных летательных аппаратов протестировано на примере оценки состояния деревьев макадамии разных сортов (Macadamia integrifolia, M. tetraphylla), произрастающих на восточном побережье Австралии (Johansen et al., 2020). При помощи методов RF на основе исходных спектральных изображений и вегетационных индексов смоделированы 5 классов состояния деревьев, от отличного до плохого. Результаты показали, что на основе всех дистанционных данных возможно достоверное определение одной из 2-х близких категорий состояния для примерно 98% деревьев. В многовременном масштабе снимки WorldView-3 показали лучшие результаты, чем данные аэрофотосъемки для прогнозирования состояния макадамии в пределах одной категории состояния. Важно отметить, что модели, обученные на основе одного сорта макадамии, не могли быть успешно применены на участке с другой разновидностью деревьев – ошибки классификации достигали 31–43%.

2.6. Оценка фитомассы древостоя и запаса углерода

Успешное применение данных WorldView-2 в целях оценки запаса углерода на уровне отдельных деревьев в тропических лесах Индии продемонстрировано в работе (Pandey et al., 2020). Многоуровневая сегментация изображений методом OBIA проведена на основе критерия локальной однородности спектральных значений и формы сегментов. Точность автоматизированного выделения крон деревьев на основе сравнения с визуально выделенными эталонами составила 74%. Классификация деревьев проведена с использованием функций принадлежности на основе пороговых значений индекса NDVI и яркости для теневых участков. Точность определения двух видов деревьев – тектона великая (Tectona grandis) и шорея исполинская (Shorea robusta) – составила 83%. Используя соотношение между площадью горизонтальной проекции выделенной кроны (CPA) и углеродом, классифицированная карта была преобразована в углеродный запас отдельных деревьев. Для оценки взаимосвязи между CPA и запасом углерода для отдельных деревьев была разработана нелинейная регрессионная модель. Коэффициент корреляции для деревьев шореи составил 0.53, для тиковых деревьев – 0.78. Таким образом, исследование показало новые возможности применения данных VHR для совершенствования оценки и картографирования запасов биомассы и углерода путем определения и классификации CPA отдельных деревьев. Подобный эксперимент, по дистанционной оценке, фитомассы деревьев на основе данных WorldView-2 показал более высокие результаты (Gonçalves et al., 2017). В исследовании рассматривается вычисление с использованием аллометрических уравнений надземной фитомассы сосны итальянской (Pinus pinea) и пробкового дуба (Quercus suber) в хвойно-широколиственных лесах на юге Португалии. Точность выделения горизонтальной проекции крон отдельных деревьев по данным WorldView-2 на основе подхода OBIA методом ближайшего соседа составила 90%. Коэффициент регрессии при определении взаимосвязи фитомассы сосны итальянской на основе CPA достаточно высокий (R² = 0.890).

Заключение. Определение характеристик древостоев по спутниковым данным сверхвысокого пространственного разрешения ставит сложную методологическую задачу анализа и обработки изображений, поскольку на спектральную яркость деревьев влияют вариации освещенности кроны и межкроновых промежутков в лесном пологе. Объектно-ориентированный подход OBIA, основанный на анализе пространственных отношений объекта дешифрирования и соседних элементов изображения, является оптимальным выбором для классификации лесов по снимкам VHR. OBIA позволяет убрать ограничения традиционных методов попиксельной классификации лесов по спектральным признакам, придав именно параметрам структуры изображения лесного полога наибольшую информативность для автоматизированного дешифрирования древостоев. Из приведенных в обзоре исследований этот подход применяется в большинстве случаев и дает возможность получить наиболее высокие значения точности определяемых параметров по сравнению с другими методами анализа изображений.

Основным показателем, обеспечивающим эффективность классификации при OBIA, является точность сегментации изображения по элементам полога. И если выделение теневых участков, крон отдельно растущих деревьев может быть обеспечено сравнительно простыми алгоритмами на основе пороговой сегментации, выделение ОКД в сомкнутом пологе представляет собой более сложный процесс, требующий предварительной обработки изображения и комбинирования алгоритмов. Наиболее трудную задачу выделение крон деревьев представляет для сложных по составу экваториальных лесов. Однако именно применение снимков VHR для исследования этих труднодоступных лесных территорий наиболее актуально, ввиду сложностей проведения аэросъемок БПЛА и ALS. Теневые участки изображения лесного полога содержат значительную часть информации о параметрах деревьев, особенно для разреженных насаждений – по прямым дешифровочным признакам (длине и площади тени дерева) можно с высокой степенью вероятности определить высоту, а также оценить возраст, диаметр ствола. В сомкнутых древостоях структуру изображения полога в значительной степени определяют межкроновые промежутки (в основном, затененные), пространственные характеристики которых хорошо коррелируют с биометрическими параметрами насаждений.

Рассмотренные в обзоре исследования по применению данных VHR включают разнообразные алгоритмы обработки. Рекомендовать какой-либо метод обработки изображений как универсальный для дистанционной оценки характеристик и состояния лесов затруднительно, так как выбор оптимального алгоритма зависит от многих факторов: целей дешифрирования, характеристик спутниковых данных, доступных обучающих выборок, сложности структуры древесного полога леса, дополнительной информации о лесной территории и др. OBIA в сочетании с линейным дискриминантным анализом (LDA) для отбора признаков и обобщенными линейными моделями (GLM) оказались особенно полезными для определения пород деревьев в бореальных лесах. Также высокие оценки качества классификации продемонстрированы алгоритмами ансамбля деревьев решений RF и опорных векторов SVM. Для дешифрирования пород деревьев в тропических и экваториальных лесах лучшие результаты показало применение нейронных сетей, но это наиболее трудоемкая задача, связанная с необходимостью набора большого количества фрагментов изображений для обучения алгоритма. Среди спектральных каналов съемки наиболее полезны при дешифрировании пород деревьев красный и ближний инфракрасный диапазоны. Дополнительные каналы, например, в данных WorldView-3, могут повысить точность распознавания пород, но незначительно (на несколько процентов). Применение производных индексных изображений является наиболее оптимальным вариантом для оценки состояния лесной растительности (например, степени усыхания или лесовозобновления), однако для распознавания пород деревьев более информативны исходные мультиспектральные изображения VHR.

В настоящее время значительная часть исследований лесных экосистем дистанционными методами на локальном уровне проводится с использованием аэрофотосъемки с БПЛА и лидарной аэросъемки ALS. Поэтому перспективу совершенствования методических подходов к дистанционной оценке характеристик лесов большинство исследователей видят в совместном использовании различных видов высокодетальных съемок (VHR, БПЛА, ALS и TLS) и разработке способов создания производных продуктов, что позволит сочетать преимущества каждого вида дистанционного зондирования для повышения достоверности и точности автоматизированного дешифрирования.