Автоматическая оценка проективного покрытия болотной растительности по фотографиям (на примере полевого стационара Мухрино)

Одним из основных фитоценотических показателей, используемых при геоботаническом описании, оценке продуктивности и мониторинге динамики растительных сообществ, является проективное покрытие (ПП), то есть доля площади, занятой проекцией надземных частей растений. Традиционная визуальная оценка ПП отличается субъективностью, зависит от опыта исследователя и малопроизводительна при больших объёмах данных, что ограничивает сопоставимость результатов разных исполнителей и затрудняет долгосрочный мониторинг.
Анализ литературы показывает, что автоматизированные методы оценки ПП по фотографиям разработаны недостаточно. Известны подходы с использованием графических редакторов (Адамович и др., 2023) и сочетания программ ImageJ и MATLAB при работе с фототочками (Бузук, 2013), однако методики обработки изображений описаны недостаточно подробно, что затрудняет их воспроизведение, а применимость этих подходов к болотной растительности, для которой характерны мозаичность, обилие мхов и неоднородное освещение, остаётся дискуссионной.
Цель работы – разработка и апробация программного обеспечения для автоматической оценки ПП растительности болотных экосистем по обычным RGB-фотографиям пробных площадок. Ключевым этапом апробации является сопоставление результатов программы с независимыми экспертными оценками двух геоботаников: без него автоматические значения ПП оставались бы непроверенными.
Алгоритм реализован на языке Python. Для исключения влияния фона (самой рамки и пространства за её пределами) реализовано интерактивное выделение области анализа (внутренняя часть учётной рамки). Растительность в ней выделяется по цвету в пространстве HSV (оттенок 0,15–0,40, насыщенность 0,3–1,0, яркость 0,2–0,9; шкала 0–1) с последующей морфологической фильтрацией шума. Пороги подобраны эмпирически по визуальному контролю качества маски и зафиксированы для всей выборки; несмотря на то, что это ограничивает адаптивность метода к различиям в освещённости и типах растительности, такой подход обеспечивает единообразие обработки и приемлем на данном этапе. По полученной маске растений ПП рассчитывается двумя способами: попиксельно и по Раменскому (Раменский, 1938). В первом случае ПП равно доле пикселей растительности в области анализа, а во втором область делится на сетку 10 на 10, и ПП определяется по доле клеток, в которых растительность занимает не менее половины площади (порог 0,5). Оба метода включены в единый программный комплекс, позволяющий получать две оценки ПП для одного и того же изображения. Например, для снимка учётной рамки (анализируемая область 527 на 555 пикселей) пиксельный метод дал ПП 44,8 %, метод Раменского – 47,0 %.
Для апробации использованы 15 фотографий учётных рамок (размер рамки по внутренним границам 40 на 40 см), выполненных в летний полевой сезон 2025 г. на полевом стационаре «Мухрино» (ХМАО–Югра) (Kupriianova et al., 2022) цифровой RGB-камерой с высоты около 0,5 м так, чтобы рамка попадала в кадр целиком. Снимки сделаны в разных болотных фациях – от рямов (сосново-кустарничково-сфагновое болото) до грядово-мочажинных комплексов (ГМК), что позволило сравнить работу программы и оценку экспертов в растительных сообществах с различной структурой. Сопоставление автоматических и экспертных оценок выполнено на основе коэффициентов корреляции Пирсона и Спирмена.
Между оценками двух автоматических методов выявлена очень высокая корреляция (r = 0,985), что ожидаемо, так как оба метода рассчитываются фактически по одной и той же маске растений. С экспертными оценками связь заметная и статистически значимая: для пиксельного метода r = 0,751–0,776, для метода Раменского r = 0,692–0,726 (p < 0,01), тогда как эксперты между собой согласуются лучше (r = 0,907). По коэффициенту Пирсона пиксельный метод лучше согласуется с экспертами, чем метод Раменского, однако ранговая корреляция Спирмена высока для обоих методов (r = 0,875–0,886, p < 0,001): программа в целом верно ранжирует площадки по ПП. Вместе с тем корреляция не означает совпадения абсолютных значений: в среднем автоматические методы давали систематически более низкую оценку ПП (27,6 % и 25,5 %), чем эксперты (33,3 % и 44,5 %), а на отдельных снимках значения отличались более чем на 50 % ПП (снимок № 7: 27,1 % и 20 % против 85 % и 80 %). Вероятной причиной занижения является то, что принятые цветовые пороги не включают в маску сухую, буроватую и бледную растительность, которую эксперты учитывают при оценке проективного покрытия. Значительны и расхождения между экспертами (снимок № 1: 35 % и 80 %), что иллюстрирует высокую субъективность визуальной оценки ПП.
Таким образом, на выборке из 15 снимков показана принципиальная возможность автоматической оценки ПП болотной растительности по обычным фотографиям. Разработанный подход позволяет получать стандартизированные оценки ПП и в целом корректно отражает относительные различия между площадками, однако абсолютные значения в среднем занижаются относительно экспертных и требуют дополнительной калибровки. Использование такого подхода потенциально позволяет увеличить объём обрабатываемых данных и снизить зависимость результатов от субъективности исполнителя. Дальнейшее развитие работы предполагает выявление причин расхождений между автоматическими и экспертными оценками (тип растительности, освещённость, фон), калибровку по экспертным оценкам и объективный подбор цветовых порогов, расширение выборки и применение методов машинного обучения для сегментации растительности на изображениях.
Работа выполнена при поддержке Российского научного фонда, проект № 25-17-20042 «Разработка системы комплексной оценки состояния природных сред с учетом целей низкоуглеродного развития ХМАО-Югры: БПЛА, ГИС, нейронные сети и наземная верификация».