Эта статья предоставляет обширный обзор применения нейронных сетей в оценке лесных ресурсов с примерами и ссылками на актуальные исследования Нейронные сети (НС) становятся все более популярными в лесоводстве для определения различных параметров лесных ресурсов, таких как высота, диаметр кроны и вид дерева. НС представляют собой вычислительные модели, вдохновленные работой человеческого мозга, которые могут обучаться на данных и делать прогнозы.
Ключевые слова: нейронная сеть, параметры лесных ресурсов, классификация, LiDAR, дистанционное зондирование.
This article provides a comprehensive overview of the application of neural networks in the assessment of forest resources, along with examples and references to current research. Neural networks (NN) are becoming increasingly popular in forestry for determining various parameters of forest resources, such as height, crown diameter, and tree species. NNs are computational models inspired by the functioning of the human brain that can learn from data and make predictions.
Keywords: neural network, forest resource parameters, classification, LiDAR, remote sensing.
Лесные ресурсы являются ценным активом, играющим важную роль в экосистеме и экономике. Для эффективного управления этими ресурсами необходима точная и своевременная информация об их параметрах, таких как классификация, высота дерева и диаметр кроны. Традиционные методы сбора этих данных, такие как полевые инвентаризации и дистанционное зондирование, могут быть трудоемкими и дорогостоящими.
В последние годы нейронные сети (НС) стали популярным инструментом для анализа данных, в том числе для оценки параметров лесных ресурсов. НС — это вычислительные модели, вдохновленные работой человеческого мозга, которые могут обучаться на данных и делать прогнозы.
Применение нейронных сетей в оценке лесных ресурсов.
- Определение параметров дерева (высота, диаметр кроны).
НС могут использовать данные дистанционного зондирования, такие как изображения со спутников или лазерное сканирование, для оценки высоты деревьев с высокой точностью. НС могут анализировать изображения с воздуха или данные наземных измерений, чтобы определить площадь и диаметр крон деревьев.
Учёные из «Сколтеха» научили нейросеть определять высоту деревьев на спутниковых снимках . Для этого они использовали данные по Архангельской области. Нейросеть предсказывает высоту лесного покрова на основе оптических данных со спутника, учитывая связь между формой и размером кроны дерева и его высотой. Наряду с оптической съёмкой искусственный интеллект получает и вспомогательные сведения — цифровую модель таёжного рельефа без учёта растительности с разрешением 2 м.
Учёные из швейцарской высшей технической школы Цюриха (ETHZ) представили нейросетевую модель, определяющую высоту деревьев по спутниковым фотографиям . Специалисты обучали модель по снимкам двух спутников дистанционного зондирования Земли Sentinel-2. Чтобы научиться сопоставлять визуальные характеристики этих снимков с высотой присутствующих на них деревьев, модель получала информацию от миссии NASA GEDI. В итоге обученный ансамбль из пяти нейросетей способен определять высоту растительности на более чем 250 000 снимков [1].
В работе Braga et al. (2020) применение свёрточной нейронной сети (CNN) позволило выделить кроны деревьев по изображению на снимке WorldView-2 древесного полога лесов Бразилии. Для обучения алгоритма потребовалось 19 656 синтетических изображений, включающих до 150 оконтуренных крон. Валидация по контрольной выборке (вручную очерченных крон) показала, что алгоритм корректно определил 92,3 % крон, теневые участки были выделены с точностью 98,9 % [2].
Также в исследовании группы европейских и бразильских учёных (Wagner et al., 2019) для сегментации изображения экваториальных лесов на атлантическом побережье Бразилии по данным WorldView-3 использовался алгоритм U-Net. Архитектура сети была модифицирована и расширена для работы с меньшим количеством обучающих изображений и получения более точных сегментов.
- Классификация типов растительности.
НС могут быть обучены на наборах данных изображений листьев или стволов для классификации видов деревьев. НС используются для классификации лесов на основе данных дистанционного зондирования. НС, такие как сверточные НС (CNN), успешно используются для классификации различных типов растительности. CNN — это тип НС, который особенно хорошо подходит для обработки пространственных данных, таких как изображения.
Например, одно из исследований продемонстрировало, что CNN могут точно с точностью 95 % классифицировать типы деревьев на основе изображений, полученных с помощью ДЗЗ [3].
- Оценка биомассы.
Нейронные сети позволяют предсказывать биомассу лесов на основании различных геопространственных данных. GPS-данные, данные о растительности и климате являются входными данными для НС, которая может рассчитывать параметры биомассы. В одном из исследований, выполненном Liu и др. (2020), авторы разработали модель, которая продемонстрировала высокую точность в оценке биомассы, используя DNN (глубокие нейронные сети).
- Мониторинг здоровья лесов.
Нейронные сети могут поддерживать мониторинг состояния лесных ресурсов, используя изображения из спутников и дронов. Например, исследование, проведенное Ghosh и др. (2021), показало, что НС могут определять уровни стресса лесного покрова на основе спектров зеленой растительности, выявляя изменения в состоянии лесов.
Российские учёные из Ботанического сада-института ДВО РАН научили свёрточную нейросеть распознавать ветровалы и усохшие деревья, атакованные жуками-короедами. Метод работает с точностью 94 %, а в качестве источника информации используются общедоступные спутниковые снимки сверхвысокого разрешения [4].
- Определение перспективности использования клонов гибридных пород древесины.
Для этого были взяты биометрические данные клонов гибридной осины 2018 года. Внедрение искусственных НС в отрасль лесного хозяйства упрощает оценку результатов биометрических показателей древесины, особенно для начинающих специалистов [5].
- Прогнозирование индекса площади листьев (LAI).
В исследовании на сайте forestecosyst.springeropen.com различные модели искусственных НС были обучены и использованы для прогнозирования LAI лесных насаждений [6].
Использование НС в лесоводстве предлагает ряд преимуществ.
Автоматизация: НС могут автоматизировать задачи, такие как определение высоты деревьев и идентификация видов, что экономит время и ресурсы.
Точность: НС могут достигать высокой точности при выполнении задач определения параметров лесных ресурсов.
Неразрушающий характер: НС могут выполнять измерения с использованием данных дистанционного зондирования или изображений, не повреждая деревья.
Масштабируемость: НС могут быть легко масштабированы для обработки больших наборов данных, охватывающих обширные лесные площади.
Нейронные сети доказали свою эффективность. По мере дальнейшего развития НС и увеличения доступности данных они, вероятно, будут играть все более важную роль в управлении лесными ресурсами.
Однако есть и некоторые недостатки.
Требование к данным: НС требуют больших объемов данных для обучения.
Сложность: НС могут быть сложными в разработке и внедрении.
Объяснимость: может возникнуть сложность в понимании результатов и процесса выдачи прогнозов, сделанных НС.
Современные технологии, такие как НС, становятся неотъемлемой частью методов управления и оценки лесных ресурсов. Искусственный интеллект (ИИ) позволяет обрабатывать большие объемы данных и извлекать ценные инсайты, что положительно сказывается на управлении лесами и их охране.
НС являются перспективным инструментом для определения параметров лесных ресурсов. Они могут достигать высокой точности, эффективности и автоматизации, что делает их ценным инструментом для управления лесными ресурсами. По мере развития технологий НС их возможности для оценки параметров лесных ресурсов будут только расширяться. Все это, способствует устойчивому лесопользованию и сохранению биоразнообразия.
Литература:
- S. Illarionova, D. Shadrin, V. Ignatiev, S. Shayakhmetov, A. Trekin and I. Oseledets, «Estimation of the Canopy Height Model From Multispectral Satellite Imagery With Convolutional Neural Networks», in IEEE Access, vol. 10, pp. 34116–34132, 2022, doi: 10.1109/ACCESS.2022.3161568.
- Brandt M., Brandt M., Fensholt R., Kariryaa A., Igel C., Gieseke F., Nord-Larsen T., Oehmcke S., Carlsen A. H., Junttila S., Tong X., d’Aspremont A., Ciais P. Deep learning enables image-based tree counting, crown segmentation and height prediction at national scale // PNAS Nexus. 2023. Vol. 2. No. 4.
- Ravindran, P., Costa, A., Soares, R. et al.Classification of CITES-listed and other neotropical Meliaceae wood images using convolutional neural networks. Plant Methods 14 , 25 (2018). https://doi.org/10.1186/s13007–018–0292–9
- Abdullah, H., Skidmore, A.K.,Darvishzadeh, R.&Heurich, M.(2019)Sentinel-2 accurately maps green-attack stage of European spruce bark beetle (Ips typographus, L.) compared with Landsat-8. Remote Sensing in Ecology and Conservation, 5, 87–106. https://doi.org/10.1002/rse2.93
- Бойцов А. К., Логачев А. А., Мусин Х. Г. Использование искусственных нейронных сетей для определения перспективности использования клонов гибридных пород древесины для плантационного лесовыращивания. Известия Санкт-Петербургской лесотехнической академии. 2021;(237):288–298.
- Ercanlı, İ., Günlü, A., Şenyurt, M.et al.Модели искусственных нейронных сетей, предсказывающие индекс площади листьев: тематическое исследование в чистых ровновозрастных крымских сосновых лесах из Турции. Для. Ecosyst.5, 29 (2018). https://doi.org/10.1186/s40663–018–0149–8
