vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2025-30-4-32-41 Дистанционное зондирование земли, фотограмметрия Оценка параметров деревьев на основе данных воздушного лазерного сканирования в смешанных лесах Среднего Предуралья А. А. Бурдин Бурдин А. А. Д. А. Богатырев Богатырев Д. А. А. В. Тарасов Тарасов А. В. С. В. Пьянков Пьянков С. В. Пермский государственный национальный исследовательский университет, г. Пермь, Российская Федерация 2025 30 4 32 41 © А. А. Бурдин, Д. А. Богатырев, А. В. Тарасов, С. В. Пьянков, 2025 2025 А. А. Бурдин, Д. А. Богатырев, А. В. Тарасов, С. В. Пьянков Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Исследование выполнено при финансовой поддержке Министерства образования и науки Пермского края в рамках Соглашения от 29.02.2024 № С-26/815.1. В статье представлены первые результаты подеревной оценки характеристик древостоев (количества, высоты и диаметра деревьев) в смешанных лесах Среднего Предуралья с использованием данных воздушного лазерного сканирования (ВЛС). На примере участка смешанного леса в Березовском районе Пермского края площадью 2,52 га выполнен сплошной перечет деревьев на местности, а также проведена съемка с беспилотного воздушного судна (БВС) воздушным лазерным сканером (лидаром). На основе полученного облака точек средствами пакета LidR выполнены сегментация и идентификация вершин деревьев. В результате сегментации на исследуемом участке по данным ВЛС выделено 962 дерева, что на 10 % меньше их реального количества. Пропуски обусловлены сложностью обработки участков с высокой плотностью полога и наличием деревьев малой высоты. Построены линейные регрессионные модели для оценки высоты и диаметра деревьев на основе данных ВЛС. Среднеквадратичная ошибка составила 1,5 м для высоты и 6,1 см для диаметра деревьев. Полученные данные могут служить основой для дальнейшего улучшения моделей, а также подтверждают целесообразность изучения и применения данной технологии для подеревной таксации. лесная таксация беспилотный летательный аппарат воздушное лазерное сканирование сегментация высота и диаметр деревьев forest inventory unmanned aerial vehicle aerial laser scanning segmentation tree height tree diameter 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.