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](https://lesprominform.ru/media/jarticles/tmb/00029534--w400--h400.png)
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](https://lesprominform.ru/media/jarticles/tmb/00029535--w400--h400.png)
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»