Русский Английский Немецкий Итальянский Финский Испанский Французский Польский Японский Китайский (упрощенный)

Партнеры журнала:

Отрасль

Применение современных цифровых решений в лесном комплексе

Мониторинг и анализ лесного фонда с применением AI-технологий

Компания «ИнноГеоТех» из Иннополиса занимается созданием интеллектуальных геоинформационных решений с применением технологий искусственного интеллекта (AI) и машинного зрения. С 2017 года реализуется проект для лесного комплекса, в рамках которого разрабатываются сервисы для мониторинга и оценки породно-качественных характеристик лесов.

Решения компании отмечены премиями, в том числе конкурса FSC «Зеленый проект года» в 2020 и 2021 годах, а также первого национального конкурса «ПРОФ-IT.Инновация» в номинации «Искусственный интеллект».

К ноябрю 2021 года лесные сервисы компании апробированы и используются на территории 15 субъектов России общей площадью 84 млн га, в регионах с разными лесорастительными условиями – Северо-Западном федеральном округе, Поволжье, на Урале, в Сибири и на Дальнем Востоке. В Республике Татарстан и Пермском крае разработки OOO «ИнноГеоТех» интегрированы в деятельность органов исполнительной власти для осуществления контрольно-надзорной деятельности.

Цифровые решения для лесного хозяйства

Цифровая модель древостоя
Цифровая модель древостоя

Сегодня по всему миру применяется большое количество интеллектуальных геоинформационных разработок, многие из которых могут быть использованы для решения как актуальных проблем лесного комплекса, так и конкретных задач лесопользователей.

Среди основных технологий следует отметить анализ геоданных и данных дистанционного зондирования Земли (ДЗЗ) при помощи алгоритмов искусственных нейронных сетей. Как правило, для такого анализа используются космические снимки среднего и высокого разрешения, а также материалы, получаемые с воздушных и наземных систем. Автоматизированный анализ материалов съемок позволяет верифицировать, актуализировать и дополнять данные лесоустройства. Возможно получение ряда таксационных характеристик и оценка инвестиционной привлекательности лесов, для которых отсутствуют данные лесоустройства.

Полученная информация может использоваться при изучении пространственной и высотной структуры лесных экосистем, динамики лесного покрова, оценки породно-качественных характеристик насаждений и отдельных деревьев, планирования освоения лесов, решения задач по транспортировке древесины и других прикладных задач.

Оценка породно-качественных характеристик

Подложка Google с контурами вырубок
Подложка Google с контурами вырубок

При оценке породно-качественных характеристик применяется многоуровневый подход: анализ проводится поэтапно, начиная с наиболее масштабных данных космической съемки с относительно невысокой детальностью и заканчивая данными локальных съемок с максимально возможной детализацией. При этом каждый следующий уровень анализа позволяет существенно повысить точность предыдущего при соблюдении необходимых условий и следовании методическим рекомендациям проведения съемок, разработанных в компании.

Первый этап оценки представляет собой анализ данных космической съемки: радиометрии, альтиметрии и радиолокации. Он позволяет установить основные таксационные характеристики насаждений – преобладающую породу, ярусность, густоту, а также определить зоны зимнего и летнего освоения, зоны межсезонья, проанализировать динамику лесопользования в ретроспективе. Полученные данные могут использоваться для мониторинга лесоизменений и определения инвестиционной привлекательности в масштабе, сопоставимом с традиционными методами лесоустройства.

На втором этапе оценки анализируются данные, полученные при аэрофотосъемке и воздушном лазерном сканировании. С помощью материалов аэросъемки выполняется сегментирование отдельных деревьев насаждения и определение породы, санитарного состояния, запаса и товарной структуры. Использование полученных данных позволяет внедрить в практику лесозаготовителей методы точного лесоводства и значительно повысить точность анализа материалов космической съемки.

На третьем этапе оценки используются данные мобильного лазерного сканирования и детальной полевой съемки. Наличие подобных данных в проекте не только способствует повышению точности анализа на предыдущих этапах, но и дает возможность оценить биологические особенности насаждения, прирост отдельных деревьев и детально изучить подлесок и живой напочвенный покров.

По итогам такого многоуровневого анализа формируется интерактивная 4D-модель древостоя, которая отображается в картографическом веб-обозревателе. Данные помогают оценить инвестиционную привлекательность лесного участка, его транспортную доступность и составить проект освоения.

В практике дистанционной таксации иногда выделяют дополнительный этап анализа, в который выносят съемку с пилотируемых летательных аппаратов. Однако при текущем уровне развития съемочных систем подходы к анализу и детальность получаемых данных мало отличаются от таковых в случае обработки материалов с БПЛА. По мнению разработчиков, гораздо важнее не упускать из вида материалы космических съемок и при этом не ограничиваться привычными радиометрическими данными, а использовать и данные спутниковой альтиметрии. Эти данные позволяют проанализировать в большом масштабе высоту и ярусность насаждений, наличие и структуру подлеска.

Мониторинг лесного фонда

Актуальная задача мониторинга сегодня реализуется в дистанционном формате. Механика довольно простая: AI отслеживает антропогенные и естественные лесоизменения за исключением разве что натурной проверки.

Автоматизированный сервис мониторинга анализирует подходящие для заданного лесного участка космические снимки, полученные со спутников Земли. Как правило, используются снимки со спутников Landsat-8 и Sentinel-2, а также спутники российской космической группировки. Далее проводится предварительная и тематическая обработка космоснимков, после чего нейронные сети приступают к анализу лесного участка. На сегодня скорость анализа составляет примерно 100 км2 в минуту (или 10 тыс. га/ мин). За заданный период времени на лесном участке фиксируются объекты лесоизменений пяти классов: вырубки, гари, ветровалы, карьеры, а также погибшие и поврежденные насаждения (лесопатологии).

Для иллюстрации точности нейросетевого сервиса наиболее правильно использовать метрику F-Score. На данный момент она составляет 0,91 и постоянно улучшается за счет дообучения алгоритмов. Как любой нейросетевой сервис, сервис мониторинга постоянно обучается, используя данные из собственного датасета (обработанного набора данных, пригодного для использования в алгоритмах машинного обучения). За два года внедрения сервиса в деятельность органов исполнительной власти Татарстана и Пермского края датасет компании вырос уже до 180 тыс. эталонных объектов – реальных примеров вырубок, ветровалов и прочих лесоизменений, которые нейронная сеть использует для самообучения в процессе мониторинга.

Детектируются вырубки площадью от 0,1 га, что позволяет распознавать даже относительно небольшие по размеру лесоизменения. При этом компания постоянно улучшает работу алгоритмов, добавляя в обучающую выборку наиболее сложные примеры лесоизменений, а также новые объекты. К примеру, недавно сервис научили фильтровать спутниковые снимки с облачностью, причем нейросеть сама научилась отличать облака от снега даже на зимних снимках. Все это помогает непрерывно повышать точность распознавания, а растущий объем данных заставляет увеличивать скорость работы нейросетей путем оптимизации их архитектуры. 

Текст:
Дмитрий Шевелев, руководитель направления разработки и развития продуктов
Валерий Авраменко, главный инженер проекта
Кирилл Измайлов, менеджер по маркетингу и развитию ООО «ИнноГеоТех»