А. В. Тарасов

Детальная_Инф:  Да
Автор1:  А. А. Бурдин
Афиилиация1:  Пермский государственный национальный исследовательский университет, г. Пермь, Российская Федерация
Автор2:  Д. А. Богатырев
Афиилиация2:  Пермский государственный национальный исследовательский университет, г. Пермь, Российская Федерация
Автор3:  А. В. Тарасов
Афиилиация3:  Пермский государственный национальный исследовательский университет, г. Пермь, Российская Федерация
Автор4:  С. В. Пьянков
Афиилиация4:  Пермский государственный национальный исследовательский университет, г. Пермь, Российская Федерация
Название статьи:  Оценка параметров деревьев на основе данных воздушного лазерного сканирования в смешанных лесах Среднего Предуралья
Рубрика:  Дистанционное зондирование земли, фотограмметрия
Начало_Страница:  32
Конец_Страница:  41
УДК:  528.721.221.6
DOI:  10.33764/2411-1759-2025-30-4-32-41
Год:  2025
Номер:  4
Том:  30
Ключевые слова_RU:  лесная таксация, беспилотный летательный аппарат, воздушное лазерное сканирование, сегментация, высота и диаметр деревьев
Ключевые слова_EN:  forest inventory, unmanned aerial vehicle, aerial laser scanning, segmentation, tree height, tree diameter
Библиографический список:  1. Junttila V., Maltamo M., Kauranne T. Sparse Bayesian Estimation of Forest Stand Characteristics from Airborne Laser Scanning // Forest Science. – 2008. – Vol. 54. – P. 543–552. – DOI 10.1093/forestscience/54.5.543.
2. Kauranne T., Pyankov S., Junttila V., Kedrov A., Tarasov A., Kuzmin A., Peuhkurinen J., Villikka M., Vartio V.-M., Sirparanta S. Airborne Laser Scanning Based Forest Inventory: Comparison of Experimental Results for the Perm Region, Russia and Prior Results from Finland // Forests. – 2017. – Vol. 8. – Art. No. 72. – DOI 10.3390/f8030072. – EDN YVKOIR
3. Anandakumar R., Nidamanuri R., Krishnan R. Individual tree detection from airborne laser scanning data based on supervoxels and local convexity // Remote Sensing Applications: Society and Environment. – 2019. – Vol. 15. – Art. No. 100242. – DOI 10.1016/j.rsase.2019.100242.
4. Qian C., Yao C., Ma H., Xu J., Wang J. Tree Species Classification Using Airborne LiDAR Data Based on Individual Tree Segmentation and Shape Fitting // Remote Sensing. – 2023. – Vol. 15. – Art. No. 406. – DOI 10.3390/rs15020406. – EDN JQTPHE.
5. Li Y., Xie D., Wang Y., Jin S., Zhou K., Zhang Z., Li W., Zhang W., Mu X., Yan G. Individual tree segmentation of airborne and UAV LiDAR point clouds based on the watershed and optimized connection center evolution clustering // Ecology and Evolution. – 2023. – Vol. 13. – Art. No. e10297. – DOI 10.1002/ece3.10297. – EDN ONQZAW.
6. Pu Y., Xu D., Wang H., Li X., Xu X. A New Strategy for Individual Tree Detection and Segmentation from Leaf-on and Leaf-off UAV-LiDAR Point Clouds Based on Automatic Detection of Seed Points // Remote Sensing. – 2023. – Vol. 15. – Art. No. 1619. – DOI 10.3390/rs15061619. – EDN IFVZZV.
7. Kim D-H., Ko C-U., Kim D-G., Kang J-T., Park J-M., Cho H-J. Automated Segmentation of Individual Tree Structures Using Deep Learning over LiDAR Point Cloud Data // Forests. –2023. Vol. 14(6). – Art. No. 1159. – DOI 10.3390/f14061159. – EDN NCKHTA.
8. Sparks A. M., Smith A. M. S. Accuracy of a LiDAR-Based Individual Tree Detection and Attribute Measurement Algorithm Developed to Inform Forest Products Supply Chain and Resource Management // Forests. – 2022. –Vol 13. – Art. No. 3. – DOI 10.3390/f13010003. – EDN FURWHO.
9. Chen X., Jiang K., Zhu Y., Wang X., Yun T. Individual tree crown segmentation directly from UAV-borne LiDAR data using the PointNet of deep learning // Forests. – 2021. –Vol. 12. – Art.  No. 131. – DOI 10.3390/f12020131. – EDN BMKOAP.
10. Ковязин В. Ф., Виноградов К. П., Киценко А. А., Васильева Е. А. Воздушное лазерное сканирование для уточнения таксационных характеристик древостоев // Изв. вузов. Лесн. журн. – 2020. – № 6. – С. 42–54. – DOI 10.37482/0536-1036-2020-6-42-54. – EDN WGSYHB.
11. Ковязин В. Ф., Пасько О. А., Лепихина О. Ю., Трушников В. Е. Оценка точности инвентаризации лесных земель с применением воздушного лазерного сканирования // Геодезия и картография. – 2022. – № 6. – С. 54–63. – DOI 10.22389/0016-7126-2022-984-6-5463.12. – EDN RPJLAJ.
12. Катаев М. Ю., Карташов Е. Ю., Рябухин В. В., Макаров Е. В., Пасько О. А. Методика сегментации изображений беспилотных летательных аппаратов с помощью нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. – 2023. – Т. 20. № 1. – С. 55–66. – DOI 10.21046/2070-7401-2023-20-1-55-66. – EDN ANGNDZ.
13. DJI Enterprise. Matrice 350 RTK // Specs [Электронный ресурс] – URL: https://enterprise.dji.com/matrice-350-rtk/specs.
14. DJI Enterprise. DJI Terra // [Электронный ресурс] – URL: https://enterprise.dji.com/djiterra.
15. Roussel J. R., Auty D., Coops N. C., Tompalski P., Goodbody T. R. H., Sánchez Meador A., Bourdon J. F., De Boissieu F., Achim A. LidR: An R package for analysis of Airborne Laser Scanning (ALS) data // Remote Sensing of Environment. – 2021. – Vol 251. – Art. No. 112061. – DOI 10.1016/j.rse.2020.112061 EDN: FFSEVG.
16. Dalponte M., Coomes D.A., Tree-centric mapping of forest carbon density from airborne laser scanning and hyperspectral data // Methods in Ecology and Evolution. – 2016. – Vol. 7. – P. 12361245. – DOI 10.1111/2041-210X.12575.
Образец цитирования:  Бурдин А. А., Богатырев Д. А., Тарасов А. В., Пьянков С. В. Оценка параметров деревьев на основе данных воздушного лазерного сканирования в смешанных лесах Среднего Предуралья // Вестник СГУГиТ. – 2025. – Т. 30, № 4. – С. 32–41. – DOI 10.33764/2411-1759-2025-30-4-32-41
Ссылка:  /upload/vestnik/sborniki/2025/30_4/32-41.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. В. Тарасов
Афиилиация1:  Пермский государственный национально-исследовательский университет, 614990, Россия, г. Пермь
Название статьи:  Современные методы оперативного картографирования нарушений лесного покрова
Рубрика:  Картография и геоинформатика
Начало_Страница:  201
Конец_Страница:  213
УДК:  528.91:630
DOI:  10.33764/2411-1759-2020-25-3-201-213
Год:  2020
Номер:  3
Том:  25
Ключевые слова_RU:  оперативное картографирование, методы обработки данных дистанционного зондирования земли, PlanetScope, Sentinel-2, машинное обучение
Ключевые слова_EN:  real-time mapping, processing methods of remote sensing data, Planet Scope, Sentinel-2, machine learning
Библиографический список:  1. Берлянт А. М. Теория геоизображений. – М. : ГЕОС, 2006.
2. Салищев К. А. Картоведение. – М. : МГУ, 1990.
3. Remote sensing estimates of standreplacement fires in Russia 2002–2011 / A. Krylov, J. L. McCarty, P. Potapov, T. Loboda, A. Tyukavina, S. Turubanova, M. C. Hansen // Environmental Research Letters. − 2014. – Vol. 9 (10). – Art. No. 105007.
4. Лесные пожары на территории России: особенности пожароопасного сезона 2019 г. / Е. А. Лупян, И. В. Балашов, С. А. Барталев, М. А. Бурцев, В. В. Дмитриев, К. С. Сенько, Ю. С. Крашенинникова // Современные проблемы дистанционного зондирования Земли из космоса. – 2019. – Т. 16, № 5. – С. 356–363.
5. Modelling natural disturbances in forest ecosystems: A review / R. Seidl, P. M. Fernandes, T. F. Fonseca, F. Gillet, A. M. Jönsson, K. Merganičová, S. Netherer, A. Arpaci, J.-D. Bontemps, H. Bugmann, J. R. González-Olabarria, P. Lasch, C. Meredieu, F. Moreira, M.-J. Schelhaas, F. Mohren // Ecological Modelling. – 2011. – Vol. 222 (4). – P. 903–924.
6. Крылов А. М., Соболев А. А., Владимирова Н. А. Выявление очагов короеда-типографа в Московской области с использованием снимков Landsat // Лесной вестник. – 2011. − № 4. − C. 54–60.
7. Eastern Europe's forest cover dynamics from 1985 to 2012 quantified from the full Landsat archive / P. V. Potapov, S. A. Turubanova, A. Tyukavina, A. M. Krylov, J. L. McCarty, V. C. Radeloff, M. C. Hansen // Remote Sensing of Environment. – 2015. – Vol. 159. – P. 28–43.
8. Williams D. L., Stauffer M. L. Monitoring gypsy moth defoliation by applying change detection techniques to Landsat imagery // Proceedings of symposium on Remote Sensing for Vegetation Damage Assessment. – Seattle, United States, 1978. – P. 221–229.
9. Sayn-Wittgenstein L., Wightman J. M. Landsat application in Canadian forestry // Proceeding of the 10th International Symposium on Remote Sensing of Environment. – Michigan, United States, 1975. – Vol. 2. – P. 1209–1218.
10. Hardisky M. A., Klemas V., Smart R. M. The influence of soil salinity, growth form and leaf moisture on the spectral radiance of Spartina alterniflora canopies // Photogrammetric engineering and remote sensing. − 1983. − Vol. 49, № 1. − P. 77–83.
11. Крылов А. М., Владимирова Н. А. Дистанционный мониторинг состояния лесов по данным космической съемки [Электронный ресурс] // Геоматика. − 2011. − № 3. − С. 53–58. – Режим доступа: http://geomatica.ru/clauses/282/.
12. Post-hurricane forest damage assessment using satellite remote sensing / W. Wang, J. J. Qu, X. Hao, Y. Liu, J. A. Stanturf // Agricultural and Forest Meteorology. – 2010. – Vol. 150. – P. 122–132.
13. Cocke A. E., Fulé P. Z., Crouse J. E. Comparison of burn severity assessments using Differenced Normalized Burn Ratio and ground data // International Journal of Wildland Fire. − 2005. − Vol. 14 (2). − P. 189–198.
14. Crist E. P., Laurin R., Cicone R. C. Vegetation and soils information contained in transformed Thematic Mapper data // Proceedings of International Geosciences and Remote Sensing Symposium (IGARSS) − Paris, France. 1986. – P. 1465–1470.
15. Wang F., Xu Y. J. Comparison of remote sensing change detection techniques for assessing hurricane damage to forests // Environmental Monitoring and Assessment. – 2010. – Vol. 162. – P. 311–326.
16. Nielsen A. A., Conradsen K., Simpson J. J. Multivariate alteration detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: New approaches to change detection studies // Remote Sensing of Environment. – 1998. – Vol. 64 (1). – P. 1–9.
17. ScanEx Image Processor v.5.1. Программа обработки данных дистанционного зондирования Земли. Руководство пользователя. – М., 2018. – 379 с.
18. Coppin P. R., Bauer M. E. Processing of multi-temporal Landsat TM imagery to optimize extraction of forest cover change features // IEEE Transactions on Geoscience and Remote Sensing. − 1994. − Vol. 32. − P. 918–927.
19. Allen T. R., Kupfer J. A. Spectral response and spatial pattern of Fraser fir mortality and regeneration, Great Smoky Mountains, USA // Plant Ecology. − 2001. − Vol. 156. − P. 59–74.
20. High-Resolution Global Maps of 21st-Century Forest Cover Change / M. C. Hansen, P. V. Potapov, R. Moore, M. Hancher, S. A. Turubanova, A. Tyukavina, D. Thau, S. V. Stehman, S. J. Goetz, T. R. Loveland, A. Kommareddy, A. Egorov, L. Chini, C. O. Justice, J. R. G. Townshend // Science. − 2013. − Vol. 342. − P. 850–853.
21. Исследование возможностей оценки состояния поврежденных пожарами лесов по данным многоспектральных спутниковых измерений / С. А. Барталев, В. А. Егоров, А. М. Крылов, Ф. В. Стыценко, Т. С. Ховратович // Современные проблемы дистанционного зондирования Земли из космоса. − 2010. − Т. 7, № 3. − С. 215–225.
22. Крылов А. М., Малахова Е. Г., Владимирова Н. А. Выявление и оценка площадей катастрофических ветровалов 2009–2010 гг. по данным космической съемки // Изв. СанктПетербургской лесотехнической академии. − 2012. − № 200. − С. 197‒207.
23. Королева Н. В., Ершов Д. В. Оценка погрешности определения площадей ветровалов по космическим изображениям высокого пространственного разрешения LANDSAT-TM // Современные проблемы дистанционного зондирования Земли из космоса. − 2012. − Т. 9, № 1. − С. 80–86.
24. Landsat remote sensing of forest windfall disturbance / M. Baumann, M. Ozdogan, P. T. Wolter, A. M. Krylov, N. A. Vladimirova, V. C. Radelo // Remote Sensing of Environment. − 2014. − Vol. 143. − P. 171–179.
25. Huo L.-Z., Boschetti L., Sparks A. M. Object-based classification of forest disturbance types in the conterminous United States // Remote Sensing. – 2019. − Vol. 11 (5). − Art. No. 477.
26. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychol. Rev. – 1958. – Vol. 65. – P. 386–408.
27. Goodfellow I., Bengio Y., Courville A. Deep learning. – MIT Press, 2016.
28. Samuel A. L. Some Studies in Machine Learning Using the Game of Checkers // IBM JOURNAL. – 1959. – Vol. 3, Issue 3. – P. 210–229.
29. Mitchell T. M. Machine learning. – New York: McGraw–Hill, 1997.
30. Krizhevsky A., Sutskever I., Hinton E. G. ImageNet Classification with Deep Convolutional Neural Networks // Proceedings of the 25th International Conference on Neural Information Processing Systems (issue 25). – New York, United States, 2012. – P. 1097–1105.
31. Deep learning based cloud detection for medium and high resolution remote sensing images of different sensors / Z. Li, H. Shen, Q. Cheng, Y. Liu, S. You, Z. He // ISPRS Journal of Photogrammetry and Remote Sensing. – 2019. – Vol. 150. – P. 197– 212.
32. Evaluation of the potential of convolutional neural networks and random forests for multi-class segmentation of Sentinel-2 imagery / V. Syrris, P. Hasenohr, B. Delipetrev, A. Kotsev, P. Kempeneers, P. Soille // Remote Sensing, – 2019. – Vol. 11(8). – Art. No. 907.
33. A machine learning approach to map tropical selective logging / M. G. Hethcoat, D. P. Edwards, J. M. B. Carreiras, R. G. Bryant, F. M. França, S. Quegan // Remote Sensing of Environment. − 2019. − Vol. 221. − P. 569−582.
34. Maximizing forest value through using Sentinel-2 in combination with hyperspectral UAVs / C. Aas, A. Jochemsen, V. Mantas, N. Lewyckyj, M. Jozefiak, M. Buchhorn // Proceedings of the 69th International Astronautical Congress. − Bremen, Germany, 2018. – P. 4492−4498.
35. Silvisense [Electronic resource]. – Mode of access: https://silvisense.com/.
36. Sub weekly detection of deforestation with planet data [Electronic resource] // Меdium. – Mode of access: https://medium.com/planet-stories/subweekly-detection-of-deforestation-with-planet-data7699553b3926.
37. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // International Conference on Medical Image Computing and Computer-Assisted Intervention / Navab N., Hornegger J., Wells W., Frangi A. (Eds). – MICCAI, 2015.
38. Banko M., Brill E. Scaling to Very Very Large Corpora for Natural Language Disambiguation // Proceedings of the 39th Annual Meeting of the Association for Computational Linguistics. – Toulouse, France. 2001. – P. 26–33.
39. Comparison of different convolutional neural network architectures for satellite image segmentation / V. Khryashchev, L. Ivanovisky, V. Pavlov, A. Rubtsov, A. Ostrovskay // Proceeding of the 23rd conference of fruct association. – Jyvaskyla, Finland, 2018. – P. 172–180.
40. Russakovsky O., Deng J., Su H. ImageNet large-scale visual recognition challenge, 2010–2015. – 2015.
Ссылка:  /upload/vestnik/sborniki/2020/25_3/201-213.pdf
Читать далее