КАПИТАЛИНИН Дмитрий Юрьевич – и.о. директора
109316, Волгоградский пр., д. 45, стр. 1, г. Москва
KAPITALININ Dmitry Yu. – Acting Director
109316. Volgogradsky av. 45, build. 1
ТИЩЕНКО Павел Александрович – начальник сектора НЦ ОМЗ
27490, ул. Декабристов, вл. 51, стр. 25, г. Москва
TISHCHENKO Pavel A. – Head of department, NC OMZ
27490. Dekabristov str. 51, build. 25. Moscow
СИДОРЕНКОВ Виктор Михайлович – и. о. директора, кандидат сельскохозяйственных наук
141202, Институтская ул., д. 15, г. Пушкино, Московская обл.
SIDORENKOV Viktor M. – PhD (Agriculture), Acting Director
141202. Institutskaya str. 15. Pushkino. Moscow region
АЧИКОЛОВА Юлия Cергеевна – заведующая лабораторией динамики леса, кандидат сельскохозяйственных наук
141202, Институтская ул., д. 15, г. Пушкино, Московская обл.
ACHIKOLOVA Iuliia S. – Head of Forest Dynamics Laboratory
141202. Institutskaya str. 15. Pushkino. Moscow region
АСТАПОВ Даниил Олегович – заведующий лабораторией лесоустройства и лесной таксации
141202, Институтская ул., д. 15, г. Пушкино, Московская обл.
ASTAPOV Daniil O. – Head of the Laboratory of forest management and forest taxation
141202. Institutskaya str. 15. Pushkino. Moscow region
РЯБЦЕВ Олег Викторович – заведующий отделом инновационных технологий, внедрения и лесного проектирования, кандидат сельскохозяйственных наук
141202, Институтская ул., д. 15, г. Пушкино, Московская обл.
RYABTSEV Oleg V. – PhD (Agriculture), Head of Department of innovative technologies, implementation and forest design
141202. Institutskaya str. 15. Pushkino. Moscow region
ЩЕКАЛЕВ Роман Викторович – профессор кафедры почвоведения, доктор сельскохозяйственных наук
194021, Институтский пер., д. 5, Санкт-Петербург
SHCHEKALEV Roman V. – DSc (Agriculture), Professor of Soil Science Department
194021. Institute per. 5. St. Petersburg
В статье рассматривается применение нейросетей глубокого обучения для проверки таксационных показателей лесов, полученных при проведении лесоустройства. Авторами разработана технология верификации данных лесоустройства, основанная на использовании оптических спутниковых снимков высокого разрешения, обработка которых происходит посредством нейросетей. В качестве исходных данных взяты снимки территории Меленковского участкового лесничества Владимирской области с аппаратов Sentinel-2, проведена атмосферная коррекция с помощью алгоритма Sen2Cor. Автоматизация процесса лесотаксационного дешифрирования снимков выполнена в программном обеспечении «Геотрон. Лес-валидация» – специализированном геоинформационном ресурсе, разработанном сотрудниками НЦ ОМЗ, ФБУ ВНИИЛМ и ФГБУ
«Рослесинфорг». Для обучения нейросетевых моделей использовались библиотеки TensorFlow и Keras, обучающая выборка основана на средних значениях пикселей в границах каждого выдела для каждого канала. После обучения нейросеть определяет таксационные показатели для каждого выдела, а также выдает разницу между данными из лесоустроительной документации и рассчитанными с помощью нейросети, что позволяет выявить отклонения по запасу, полноте, возрасту насаждений. Работа модели продемонстрировала, что значительная часть неточных данных по лесоустройству характерна для сложных насаждений с несколькими породами в составе, а также для редкостойных приспевающих и спелых древостоев с различным породным составом первого яруса. Результат проведенного эксперимента показал, что точность обучения и работы нейросети напрямую зависит от объема данных, в частности, количества выделов, по которым происходит обучение. Приемлемые результаты получаются при количестве выделов, превышающем 5000 штук. Исходя из этого, разработанная технология позволяет получить хорошие результаты по валидации результатов лесоустройства на территории, превышающей площадь 10 тысяч гектаров, что сравнимо со средней площадью одного участкового лесничества в центральной части России.
The article discusses the use of deep learning neural networks to verify forest taxation indicators obtained during forest management. The authors have designed a technology for verifying forest management data based on the high-resolution optical satellite images processed applying neural networks. The initial data were images of the Melenkovskoye forestry district in the Vladimir region taken from Sentinel-2 satellites; atmospheric correction was performed with the Sen2Cor algorithm. The process of forest taxation interpretation of images was automated with the «Geotron. Forest Validation» software, a specialized geoinformation resource developed by the NC OMZ, FBU VNIILM and FGBU “Roslesinforg”. The TensorFlow and Keras libraries were used to train the neural network models; the training sample was based on the average pixel values within the boundaries of each plot for every channel. After training, the neural network determined forest characteristics for each section, and also gave the difference between the forest management documentation data and those calculated by the neural network; this allowed identifying deviations in the stock volume, forest density, and stands age. The model's operation demonstrated that a significant portion of inaccurate forest management data is typical for complex stands with several species in the composition, as well as for sparse maturing and mature stands with different species composition of the first tier. The study result showed that the accuracy of neural network training and operating directly depends on the of data amount, in particular, the number of sections for which training occurs. Acceptable results are obtained with a sections number exceeding 5,000 pieces. Considering this, the developed technology allows obtaining good results in validating forest management data on an area exceeding 10 thousand hectares, which is comparable to the average area of one forestry district in the central part of Russia.
The authors declare that there are no conflicts of interest present.