Лидарная технология для масштабируемой инвентаризации лесов. Оценка компромиссов между различными платформами

Существует острая необходимость в быстрых, точных, воспроизводимых и масштабируемых инструментах инвентаризации лесов для поддержки политики и методов управления, основанных на данных, в ответ на такие проблемы, как обезлесение и изменение климата. Лидарная технология предлагает альтернативу автоматизированной инвентаризации лесов для различных масштабов, но каждая платформа нуждается в нахождении компромисса с точки зрения стоимости, эффективности, охвата, разрешения и многого другого. Так каково же решение?

Леса являются глобально доминирующей экосистемой, покрывающей почти 40% площади суши Земли. Они предоставляют критически важные ресурсы, такие как волокно, древесина, топливо, удаление углекислого газа, очищения воды, борьба с наводнениями, борьба с эрозией, рекреация и поддержание биоразнообразия. Тем не менее, они постоянно сталкиваются с различными негативными факторами. По мере того, как численность населения продолжает расти, деятельность по обезлесению растет для удовлетворения потребностей в материалах, сельскохозяйственных землях и городской застройке. Такие процессы усугубляются усилением изменения климата. Эти проблемы требуют немедленного внимания, о чем указывалось Департаментом по экономическим и социальным вопросам Организации Объединенных Наций в своем Докладе о глобальных целях в области лесоводства за 2021 год. В этом докладе поставлены шесть целей для обеспечения глобальной устойчивости лесов. Было подчеркнуто, что для достижения этих целей требуется политика и методы управления, основанные на данных, основанные на точной/всеобъемлющей инвентаризации.

Примерами важных данных о лесах для целей эффективного управления ими являются количество деревьев, породный состав, здоровье, высота, диаметр ствола, прямолинейность, форма и состояние кроны, количество ветвей и порядок/угол ветвления. Эта информация необходима для прогнозирования производства древесины, стоимости древесины и скорости связывания углерода. Традиционно инвентаризация таких признаков проводилась вручную, что является дорогостоящим и трудоемким процессом. В качестве примера можно привести программу инвентаризации и анализа лесов США (FIA) - ежегодно тратится около 100 миллионов долларов США на инвентаризацию всего 180 000 Га, что соответствует всего 0,02% от общей площади лесов США. За исключением США и ЕС, программы инвентаризации лесов практически отсутствуют во всем мире. Поэтому существует острая потребность в быстрых, строгих, воспроизводимых и масштабируемых инструментах инвентаризации.

Благодаря достижениям в области дистанционного зондирования, включая системы оптической съемки и лидарные системы на борту космических/летательных аппаратов, стационарные наземные лазерные сканеры (TLS) и наземные мобильные лидары, это все было проанализировано на предмет возможности автоматизированной инвентаризации лесов в различных масштабах. Эти датчики/платформы имеют компромиссы с точки зрения стоимости, эффективности полевых исследований, пространственного охвата, пространственного разрешения и уровня детализации полученной информации. На рисунке 1 показаны два примера потенциальных систем сбора данных для инвентаризации лесов.

Рисунок 1: Беспилотный летательный аппарат (слева) и рюкзак (справа) с лидаром для инвентаризации леса.

Космическая съемка и лидар на борту летающего аппарата

Космические снимки и данные лидаров облегчают глобальную и национальную инвентаризацию лесов. Однако ограниченное пространственное и временное разрешение не позволит провести инвентаризацию на уровне одного дерева. Фотограмметрическая обработка изображений, полученных космическими и пилотируемыми воздушными системами, привлекла внимание научно-исследовательского сообщества лесного хозяйства для оценки таких атрибутов инвентаризации, как высота деревьев, объем ствола и базальная площадь. Однако создание облака точек на основе изображений затруднено из-за трудности идентификации соответствующих точек на перекрывающихся изображениях над лесным ландшафтом как в условиях появления листьев, так и в условиях их отсутствия. Более того, облака точек, полученные из изображений, захватывают только внешнюю оболочку полога леса. Бортовой лидар обеспечивает большой пространственный охват, высокое разрешение и возможность представления внешней оболочки и структуры под пологом. Картографирование нижнего полога облегчается тем фактом, что энергия лидара может проходить через промежутки между деревьями / листьями и получать отражения сигнала от стволов деревьев и местности. Такая способность делает лидар привлекательным методом для получения данных о наклоне ствола относительно земли, высоты полога, размера кроны и индекса площади листьев (LAI), и это лишь некоторые из признаков. Облако точек на рисунке 2 иллюстрирует уровень детализации, который можно различить в данных лидара, установленного на самолете (БПЛА).

Подавляющее большинство бортовых лидарных систем основаны на линейной лидарной технологии, которая характеризуется мощным излучением сигнала и низкочувствительным приемником для обнаружения отраженных импульсов. Линейный лидар основан на излучении лазерных импульсов с наносекундной шириной импульса на длинах волн от 500 нм (для батиметрического лидара) до 1,5 мкм (для топографического лидара). Затем полученные отраженные сигналы оцифровываются приемником. Чтобы отличить сигнал от шума, линейный лидар использует приемник с одним детектором, который требует потока сотен или тысяч фотонов. Такие характеристики линейного лидара накладывают ограничения на высоту полета, скорость платформы и поперечное расстояние между соседними линиями полета, чтобы обеспечить получение облаков точек с разумной плотностью.

Рисунок 2: Пример данных облака точек лидара над лесным насаждением.

За пределами ограничений линейного лидара

Последние разработки в области лидарной технологии смягчают эти ограничения. Например, лидар в режиме Гейгера (GM-Lidar) имеет маломощное излучение сигнала в сочетании с высокочувствительным приемником. GM-Lidar имеет большой угол расходимости луча, что приводит к значительному следу лазерного луча. Возвращаемый сигнал от посадочного места покрывает все поле зрения (FOV) 2D-приемника, который состоит из массива детекторов лавинных фотодиодов в режиме Гейгера (GmAPD). Детекторы GmAPD спроектированы так, чтобы быть чрезвычайно чувствительными, поскольку они могут регистрировать отраженную энергию на уровне одиночных фотонов. Эти характеристики позволяют собирать данные на гораздо большей высоте/скорости полета, обеспечивая при этом относительно высокую плотность точек, тем самым снижая стоимость сбора данных и доставки продукта. Тем не менее, данные воздушного лидара с летательных аппаратов с экипажем могут не иметь необходимого разрешения для мелкомасштабной инвентаризации лесов (например, DBH, стволовая карта и обнаружение древесного мусора).

Плюсы и минусы БПЛА

По сравнению с пилотируемыми авиационными системами, беспилотные летательные аппараты (БПЛА) имеют явное преимущество с точки зрения их низкой стоимости, простоты развертывания, быстрого приобретения, способности поставлять продукты с высоким разрешением и более высокой частоты полевых съемок. Снимки БПЛА и ортофотомозаики могут быть использованы для получения некоторых характеристик для инвентаризации лесов (например, количество деревьев, виды, высота). Тем не менее, их возможностей все еще не хватает из-за их ограниченной способности картографирования под пологом. БПЛА-Лидар имеет те же преимущества, что и воздушный лидар, установленный на пилотируемом воздушном судне, за исключением ограниченного пространственного охвата. Данные БПЛА-лидара использовались для сегментации отдельных деревьев и оценки покрова полога, высоты деревьев, биомассы. Тем не менее, при полетах над пологом способность БПЛА-лидара картографировать особенности под пологом ограничена плотностью деревьев и листовым покровом. Подробное картографирование под пологом, которое необходимо для получения точных оценок критических биометрических данных леса не всегда могут быть гарантированно получены.

Рисунок 3: Реконструированные данные лидара, демонстрирующие эффекты ореолов из-за траектории более низкого качества наземного мобильного лидара, вызванной перебоями сигнала GNSS.

Использование наземных систем

Наземные системы, в том числе наземное лазерное сканирование (TLS) и наземный мобильный лидар, могут собирать подробную информацию под пологом. Высококачественные данные, полученные с помощью TLS можно использовать для получения структурных показателей леса на уровне насаждений. Однако крупные полевые обследования и постобработка данных с использованием TLS являются сложными и трудоемкими, поэтому ограниченный пространственный охват является нормой. Наземные мобильные системы, с другой стороны, могут маневрировать в пределах площадки для получения большего пространственного охвата. Система в форм-факторе рюкзака на рисунке 1 является примером такого мобильного наземного лидара. Лидарные данные, полученные из таких систем, могут быть использованы для решения многих задач, требующих высокой детальности. Однако облака точек наземных систем подвержены искажениям из-за рельефа местности и надземных объектов. Кроме того, препятствия в лесу могут ограничивать передвижение. Таким образом, полное покрытие лесного участка с помощью наземного мобильного лидара потребует тщательного планирования пути движения во время процесса сбора данных. Чтобы получить значимые данные облака точек от наземного мобильного лидара, необходимо точно оценить положение и ориентацию платформы (т.е. траекторию). Оценка траектории может быть непосредственно установлена с использованием интегрированной глобальной навигационной спутниковой системы/инерциальной навигационной системы (GNSS/INS).

Рисунок 4: Восстановленные данные лидара после улучшения траектории для наземного мобильного лидара.

Основная проблема при использовании глобальной навигационной системы/ инерциальной системы - GNSS/INS для оценки траектории заключается в прерывистом доступе к сигналу глобальной навигационной системы (GNSS), который имеет решающее значение для получения точных картографических продуктов с географической привязкой от бортовых датчиков. При кратковременных перебоях в работе сигнала GNSS бортовая инерциальная система может восполнить такие пробелы, ведущие к разумной траектории, качество которой определяется классом инерциального измерительного блока (IMU). При более длительных перебоях в работе сигнала GNSS траектория системы приведет к появлению бессмысленных облаков точек (см. рис. 3). Чтобы смягчить такое ухудшение, исследовательское сообщество сосредоточилось на создании алгоритмов одновременной локализации и картографирования на основе лидаров (Lidar-SLAM) (см. рис. 4). Однако использование только SLAM приведет к получению данных облака точек, которые могут быть плохо привязаны к географическому признаку в глобальном смысле. Таким образом, стратегии на основе SLAM для наземного мобильного лидара с помощью наборов данных с воздуха обеспечат позиционное качество картографического продукта.

Рисунок 5: Иллюстрация уровня детализации в облаке точек различными лидарными системами/платформами.

Оценка возможности оптимального решения

Таким образом, космические, воздушные и наземные мобильные лидары предоставляют данные о облаках точек над и под пологом леса. Тем не менее, существуют компромиссы между разрешением, стоимостью приобретения и размером покрываемой площади в зависимости от используемой платформы. Например, сбор данных с помощью пилотируемых бортовых систем является довольно дорогостоящим и не может собирать данные с разумным временным разрешением. Между тем, лидарные съемки на основе БПЛА являются экономически эффективными, но не могут обеспечить показатели леса с высоким разрешением на уровне одного дерева для покрытия больших площадей. Сравните это со статическими наземными лидарными системами, которые, предоставляя данные с высоким разрешением, требуют обширных полевых работ для покрытия небольших площадей. Напротив, наземные мобильные лидарные системы могут охватывать только небольшие районы и страдают от перебоев в получении сигнала GNSS, что влияет на качество производных продуктов. На рисунке 5 показаны лидарные облака точек для одного и того же дерева, полученные разными платформами, что приводит к различному уровню детализации, которую можно различить из таких данных.

Рисунок 6: Облака точек лидаров с хорошей географической привязкой из мультисенсорных/мультиплатформенных/мультивременных данных.

Решение таких проблем может быть достигнуто только путем эффективного слияния космических, воздушных и наземных платформ. Например, стратегии машинного обучения могут быть разработаны с использованием мелкомасштабных данных наземных мобильных лидаров. Затем эти стратегии могут быть расширены для работы с воздушными и космическими наборами данных. Такое масштабирование было бы возможно только за счет обеспечения качества географической привязки этих многомасштабных/платформенных/временных наборов данных (рис. 6). Обеспечение качества географической привязки и разработка эффективных алгоритмов обработки данных позволяют получать облака точек для мелкомасштабного представления (т.е. цифрового двойникования) отдельных деревьев, как показано на рисунке 7. Несмотря на то, что лидарные данные могут обеспечить высокий уровень детализации для мелкомасштабной инвентаризации, им все еще не хватает с точки зрения предоставления необходимой спектральной информации для идентификации пород деревьев и анализа состояния лесов. Последние разработки в области гиперспектральной визуализации и мультиспектральных лидарных технологий будут весьма ценными в этом отношении.

Рисунок 7: Изображение отдельного дерева на основе облака точек лидара высокого разрешения.