+7 906 644 66 80 _____info@gisproxima.ru
Оставить заявку

Интеграция гиперспектральной съёмки и LiDAR для управления рисками падения деревьев в электросетях

Геопространственная компания Quantum Spatial (ныне NV5 Geospatial) решила сложную задачу для крупной энергетической компании: с помощью объединения данных воздушного лазерного сканирования (LiDAR) и гиперспектральной съёмки удалось выявить 90% ясеней, угрожающих падением на линии электропередач, в сроки, недостижимые при традиционных методах.
Проблема: изумрудная ясеневая златка и риск для инфраструктуры
С начала 2000-х годов Северная Америка столкнулась с нашествием изумрудной ясеневой златки (Agrilus planipennis) — инвазивного жука, который за два десятилетия уничтожил сотни миллионов ясеней. Поражённые деревья погибают с вероятностью, близкой к 100 %, и становятся крайне опасными для линий электропередач: мёртвое дерево с большей вероятностью упадёт на провода, чем живое.
Для энергетических компаний, обязанных по нормативам NERC и FERC обеспечивать надёжность электроснабжения, встала задача: выявить и удалить все ясени, которые могут упасть на ЛЭП, на всей протяжённости сетей, проходящих через леса. Традиционный наземный осмотр тысяч километров трасс невозможен по времени и затратам. Требовалось решение на основе дистанционного зондирования.
Две технологии — две сильные стороны
Каждый метод дистанционного зондирования даёт информацию только о своей физической характеристике. Для решения комплексной проблемы необходимо объединять данные.
LiDAR (лазерное сканирование) измеряет расстояния с высокой точностью, создавая трёхмерные облака точек. Он позволяет:
  • определить высоту деревьев и расстояние до проводов,
  • построить модели рельефа и падения деревьев,
  • оценить, какое дерево потенциально может задеть линию при падении.
Однако LiDAR не различает породы деревьев: сосна, дуб или ясень для него выглядят одинаково.
Гиперспектральная съёмка (HSI) записывает отражение в сотнях узких спектральных каналов (в проекте использовалось >325 каналов). По спектральным сигнатурам можно определить:
  • вид растения (ясень vs другие породы),
  • состояние здоровья (здоровый, стрессовый, мёртвый),
  • даже состав почвы и содержание влаги.
Однако HSI даёт только двумерное изображение и не измеряет расстояния, что не позволяет оценить риск падения на провода.
Только объединение этих двух технологий даёт полную картину.
На этом изображении представлены два примера использования гиперспектральных данных или производных от них продуктов для раскраски облака точек лидара. В верхней части выделены красный, зелёный и синий цветовые каналы, которые были извлечены и наложены на облако точек. Выноска слева показывает полный спектр отражения из гиперспектрального куба данных для трёх отмеченных точек. В нижней части приведены результаты классификации пород деревьев, нанесённые на облако точек.
На этом изображении облака точек показан район (квартал), окружённый линиями электропередач; объекты классифицированы для инженерного проектирования, а данные могут быть загружены в САПР для моделирования и анализа.
Подход к слиянию данных
Quantum Spatial применила трёхуровневую стратегию интеграции данных:
  1. Попиксельное слияние — использование LiDAR-цифровой модели рельефа для точной геометрической коррекции гиперспектральных снимков (ортотрансформирование). Это обеспечивает идеальное пространственное совпадение двух наборов данных и устраняет искажения рельефа.
  2. Сегментация по отдельным кронам — алгоритмическое выделение полигонов каждого дерева в облаке точек LiDAR. Эти полигоны затем используются для извлечения спектральной информации только от растительности, отсекая почву и посторонние объекты. Это также снижает вычислительную нагрузку при анализе тысяч километров трасс.
  3. Объединение признаков на уровне объекта — для каждого дерева рассчитываются как спектральные характеристики (из HSI), так и структурные параметры (из LiDAR): высота, форма кроны, сферичность, плотность точек. Эти признаки подаются в модель машинного обучения (классификатор), который обучается различать породы с учётом вариативности структуры и спектра.
Дополнительно компания использовала метрики LiDAR для описания физической структуры кроны, что повысило точность классификации по сравнению с использованием только спектральных данных, подверженных атмосферному шуму.
Масштаб проекта и технические вызовы
Проект охватил 15 604 миль (более 25 000 км) линий электропередач. Для гиперспектральной съёмки было собрано и обработано 2 736 миль (около 4 400 км) данных с пространственным разрешением 0,5 м/пиксель — один из крупнейших коммерческих проектов такого рода.
Общий объём сырых данных превысил 100 ТБ. Чтобы обрабатывать их в приемлемые сроки, Quantum Spatial:
  • перешла с коммерческого ПО на собственные алгоритмы на Python,
  • внедрила распределённые вычисления на локальных кластерах (ускорение от 50 до 1000 раз, сократив обработку куба данных с недель до часов),
  • работает над миграцией в облако для дальнейшего масштабирования.
Результат: 90% целевых деревьев найдено
После калибровки модели и оценки точности, классификатор идентифицировал ясени, которые одновременно:
  • являются породой «ясень» (по спектральным данным),
  • находятся на расстоянии, достаточном для падения на провода (по LiDAR-анализу).
Самое тёмное выделенное дерево по результатам совместного анализа гиперспектральных данных и лидара было идентифицировано как здоровое, высотой 16,87 м, с расстоянием до провода 1,08 м и превышением над проводом 5,32 м.
Оказалось, что таких деревьев — менее 1% от общего числа всех деревьев в зоне ответственности компании. Благодаря этому энергетики смогли сконцентрировать ресурсы на критических участках, избегая массовых вырубок здоровых деревьев.
По оценкам компании, метод позволил обнаружить 90% ясеней, представляющих реальную угрозу инфраструктуре, и сделать это в сроки, которые без применения авиационного зондирования были бы абсолютно недостижимы.
Информация о видовом составе растительности была получена из гиперспектральных данных и впоследствии применена к облаку точек лидара для формирования этого изображения
Уроки и перспективы
Проект — яркий пример того, как слияние разнородных сенсорных данных даёт синергию, позволяя решать комплексные задачи, не решаемые каждым методом по отдельности.
Ключевые выводы:
  • LiDAR даёт геометрию и пространство,
  • Гиперспектральная съёмка даёт химию и биологию,
  • Машинное обучение связывает их в единую модель.
Этот подход масштабируется не только на ЛЭП, но и на другие отрасли: нефтегазовые трубопроводы, железные дороги, городское хозяйство. В условиях повсеместного распространения датчиков и роста объёмов данных, умение правильно комбинировать источники становится конкурентным преимуществом.
Объединяя данные лидара с информацией о погодных условиях, нагрузке на линии и другими инженерными данными от энергетической компании, Quantum Spatial получает возможность моделировать положение проводов при различных условиях, что позволяет точнее оценивать риск, который любое дерево может представлять для инфраструктуры
Как отмечают авторы работы, «слияние данных — это не просто техническая задача, а философия работы с неопределённостью в сложных экосистемах. И, как показывает практика, часто это оказывается самым простым решением».
3 августа / 2026