Идентификация подлеска: новый метод на основе лидарных данных

Ключевая проблема: Традиционная 2D-дистанционная съемка не может точно оценить сложную динамику возобновления подроста (молодых деревьев) в лесу, что критически важно для биоразнообразия и продуктивности экосистем.

Решение: Исследователи (Plant Phenomics) разработали методику для извлечения фенотипических параметров подроста с помощью высокоплотных данных воздушного лазерного сканирования (Airborne LiDAR, ALS).

Методология

1. Создание облака точек: Данные нескольких полетов были объединены для генерации плотного облака лазерных точек.
2. Сегментация верхнего яруса: Для сегментации зрелых деревьев использовался алгоритм спектральной кластеризации на основе Нюстрёма (Nyström-based spectral clustering).
3. Постобработка: Новый метод постобработки значительно повысил позиционную точность определения стволов зрелых деревьев, решая проблемы избыточной и недостаточной сегментации.
4. Обнаружение подроста: Подрост под пологом леса был обнаружен с помощью локального адаптивного алгоритма mean shift.

Результаты

• Сегментация деревьев: После постобработки метод NSCP показал 110.21% полноты обнаружения и 96.69% точности соответствия.
• Обнаружение подроста: При оптимальных настройках достигнута точность соответствия ~83% с полнотой извлечения между 102% и 105%.
• Высота подроста: Сравнение высот подроста, полученных по ALS и наземному лазерному сканированию (TLS), показало сильную корреляцию (R² = 0.79). После поправки на неспособность ALS детектировать верхушечные побеги, сравнение с полевыми измерениями дало R² = 0.71 и RMSE = 0.26 м.
• Ширина кроны подроста: Оценки по ALS против измерений TLS дали R² = 0.64 и RMSE = 0.24 м.

Вывод

Метод успешно применяет высокоплотные данные ALS для характеристики подроста, предлагая значительный шаг вперед в использовании дистанционного зондирования для детального лесного inventory и анализа, что может улучшить управление лесами и изучение роста молодых деревьев.