Подеревная таксация смешанных лесов по данным воздушного лазерного сканирования и мультиспектральной съемки с применением машинного обучения

В работе представлена методика автоматизированной оценки таксационных характеристик отдельных деревьев по данным воздушного лазерного сканирования и мультиспектральной съемки с беспилотного воздушного судна. Исследование выполнено на четырех участках смешанных лесов Добрянского лесничества Пермского края общей площадью 12,8 гектара. Выборка включала сведения о 4874 деревьях, измеренных наземными методами.
На основе нормализованных облаков точек выполнялись обнаружение вершин деревьев и сегментация крон (метод Dalponte). Для каждого дерева рассчитывался набор из 150 признаков, включающих метрики высоты, интенсивности отраженного сигнала, структуры возвратов лазерных импульсов, вексельные, комплексные и спектральные, а также геометрические и морфометрические метрики крон. Для прогнозирования высоты, диаметра ствола и объема древесины, а также классификации пород были использованы методы линейной и логистической регрессии, случайного леса, градиентного бустинга и полносвязной нейронной сети (полносвязный перцептрон).
Наиболее высокая точность получена при моделировании высоты деревьев. Лучший результат показал алгоритм случайного леса, для которого коэффициент детерминации составил 0,94, а средняя ошибка 0, 98 метра. При прогнозировании диаметра (R2 = 0,7413; RMSE = 3,07 см) и объема ствола (R2 = 0,5432; RMSE = 0,128 м³) лучшие результаты получены с помощью нейронной сети. Точность определения пород ограничивалась выраженным дисбалансом обучающей выборки в пользу лиственных деревьев. При решении задачи бинарной классификации (лиственные и хвойные) максимальная сбалансированная точность классификации составила 0,87.
Наибольшую важность для моделирования характеристик деревьев демонстрируют метрики, связанные с максимальной высотой, перцентили распределения высот, а также воксельные слои в средней части крон.
Практическим результатом исследования стало создание специализированного модуля для QGIS, обеспечивающего автоматизированную обработку исходных данных, применение моделей машинного обучения и формирование векторных слоев отдельных деревьев с таксационными характеристиками. Разработанный подход является прототипом и в будущем может использоваться для инвентаризации лесов и оперативной оценки характеристик древостоев.