155 подписчиков

Лидарная технология для масштабируемой инвентаризации леса

Лидарная технология для масштабируемой инвентаризации леса

Существует острая потребность в быстрых, точных, воспроизводимых и масштабируемых инструментах инвентаризации лесов для поддержки политики и методов управления, основанных на данных, в ответ на вызовы, включая обезлесение и изменение климата. Лидарная технология предлагает альтернативу автоматизированной инвентаризации леса в различных масштабах, но у каждой платформы есть компромиссы с точки зрения стоимости, эффективности, охвата, разрешения и т. д. Итак, каково решение?

Леса являются глобальной доминирующей экосистемой, покрывающей почти 40% суши Земли. Они предоставляют критически важные услуги, такие как волокно, древесина, топливо, удаление углекислого газа, фильтрация воды, борьба с эрозией от наводнений, отдых и поддержание биоразнообразия. Однако они постоянно подвергаются воздействию различных стрессоров. Поскольку человеческое население продолжает расти, деятельность по вырубке лесов растет, чтобы удовлетворить потребность в материалах, сельскохозяйственных землях и городской застройке. Такие стрессоры усугубляются усилением изменения климата. Эти проблемы требуют немедленного внимания, что было отмечено Департаментом по экономическим и социальным вопросам Организации Объединенных Наций в его Докладе о глобальных целях в отношении лесов, 2021 г.. В этом отчете поставлены шесть целей для обеспечения глобальной устойчивости лесов. Было подчеркнуто, что для достижения этих целей требуются политики и методы управления, основанные на данных, основанные на точной и всесторонней инвентаризации.

Примеры важных данных о лесе для надлежащего управления включают количество деревьев, виды, состояние здоровья, высоту, диаметр ствола, прямолинейность, конусность, 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 дорого и требует много времени. Например, программа инвентаризации и анализа лесов США (FIA) ежегодно тратит около 100 миллионов долларов США на инвентаризацию 18 000 акров, что соответствует лишь 0,002% от общей площади лесов США. За исключением США и ЕС, программы инвентаризации лесов практически отсутствуют во всем мире. Поэтому существует острая потребность в быстрых, точных, воспроизводимых и масштабируемых инструментах инвентаризации.

Благодаря достижениям в сенсорных и алгоритмических технологиях дистанционное ближнее, включая системы визуализации и лидар на борту космических и летательных аппаратов, стационарные наземные лазерные сканеры (TLS) и наземный мобильный лидар, недавно стали изучаться в качестве альтернативы автоматизированному лесному хозяйству. Эти датчики и платформы имеют компромиссы с точки зрения стоимости, эффективности полевых исследований, пространственного охвата, пространственного разрешения и уровня детализации полученной информации. На рис. 1 показаны два примера возможных систем сбора данных (ближняя и ближайшая) для крупномасштабной инвентаризации леса.

Рисунок 1: Беспилотный летательный аппарат (слева) и ранцевый лидар (справа) для крупномасштабной инвентаризации леса.
Рисунок 1: Беспилотный летательный аппарат (слева) и ранцевый лидар (справа) для крупномасштабной инвентаризации леса.

Космические снимки и бортовой лидар

Космические снимки и данные лидара облегчают глобальную и национальную инвентаризацию лесов. Однако ограниченное пространственное и временное разрешение не позволяет проводить крупномасштабную инвентаризацию на уровне одного дерева. Фотограмметрическая обработка изображений, полученных космическими и пилотируемыми авиационными системами, привлекла внимание сообщества исследователей лесного хозяйства для оценки атрибутов инвентаризации, таких как высота дерева, объем ствола и площадь основания. Однако генерация облака точек на основе изображений затруднена из-за сложности идентификации соответствующих точек на перекрывающихся изображениях лесного ландшафта как в условиях листвы, так и без листвы. Более того, облака точек, полученные из изображений, захватывают только внешнюю оболочку полога леса. Бортовой лидар обеспечивает большой пространственный охват, прекрасное разрешение и возможность представить внешнюю оболочку и структуру под пологом. Картографирование нижнего полога облегчается тем фактом, что энергия лидара может проходить через промежутки между деревьями и листьями, и получать отдачу от стволов деревьев и местности. Такая способность делает лидар привлекательным средством для получения уклона и экспозиции земли, карты ствола, высоты кроны, размера кроны и индекса площади листа (LAI), и это лишь некоторые из характеристик. Облако точек на рисунке 2 иллюстрирует уровень детализации, который можно различить в данных лидара в лесу, полученных бортовой системой дистанционного зондирования: высота кроны, размер кроны и индекс площади листа (LAI), и это лишь некоторые из характеристик.

Подавляющее большинство бортовых лидарных систем основаны на линейной лидарной технологии, которая характеризуется излучением мощного сигнала и низкочувствительным приемником для обнаружения отраженных сигналов. Линейный лидар основан на испускании лазерных импульсов с шириной импульса несколько наносекунд на длинах волн от 500 нм (для батиметрического лидара) до 1,5 мкм (для топографического лидара). Затем эхо-сигналы оцифровываются приемником. Чтобы отличить возвратный сигнал от шума, линейный лидар использует приемник с одним детектором, для которого требуется поток сотен или тысяч фотонов. Такие характеристики линейного лидара накладывают ограничения на высоту полета, скорость платформы и поперечное расстояние между соседними линиями полета, чтобы обеспечить доставку облаков точек с разумной плотностью точек.

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

За пределами ограничений линейного лидара

Недавние разработки в технологии лидаров снимают эти ограничения. Например, лидар в режиме Гейгера (GM-Lidar) имеет излучение сигнала малой мощности в сочетании с высокочувствительным приемником. GM-Lidar имеет большой угол расходимости луча, что приводит к значительной площади лазерного луча. Возвратный сигнал от зоны охвата покрывает все поле зрения (FOV) 2D-приемника, состоящего из массива детекторов лавинных фотодиодов (GmAPD) с режимом Гейгера. Детекторы GmAPD спроектированы так, чтобы быть чрезвычайно чувствительными, поскольку они могут регистрировать отраженную энергию на уровне отдельных фотонов. Эти характеристики позволяют собирать данные на гораздо большей высоте и скорости полета, обеспечивая при этом относительно высокую плотность точек, тем самым снижая стоимость сбора данных и доставки продукта.

Плюсы и минусы БПЛА

По сравнению с пилотируемыми воздушными системами беспилотные летательные аппараты (БПЛА) имеют явное преимущество с точки зрения их низкой стоимости, простоты развертывания, быстрого сбора данных, способности доставлять продукты с высоким разрешением и более высокой частотой полевых съемок. Изображения с БПЛА и ортофото-мозаики можно использовать для получения некоторых характеристик инвентаризации (например, количества деревьев, видов, высоты). Тем не менее, их по-прежнему не хватает из-за их ограниченных возможностей картографирования под пологом. БПЛА-лидар имеет те же преимущества, что и бортовой лидар, захватываемый пилотируемыми летательными аппаратами, за исключением меньшего пространственного охвата. Данные БПЛА-Лидар использовались для сегментации отдельных деревьев и оценки древесного покрова, высоты деревьев, DBH, объема древесных остатков и надземной биомассы. Тем не менее, при полетах над кронами деревьев способность БПЛА-Лидар отображать объекты под кронами ограничена плотностью деревьев и лиственным покровом.

Рисунок 3: Реконструированные данные лидара, демонстрирующие ореолы из-за более низкого качества траектории наземного мобильного лидара, вызванного перебоями в приеме сигнала GNSS.
Рисунок 3: Реконструированные данные лидара, демонстрирующие ореолы из-за более низкого качества траектории наземного мобильного лидара, вызванного перебоями в приеме сигнала GNSS.

Использование наземных систем

Наземные системы, в том числе наземные системы лазерного сканирования (TLS) и наземные мобильные лидары, могут собирать подробную информацию под пологом леса. Высококачественные данные TLS можно использовать для получения структурных показателей леса на уровне древостоя. Однако большие полевые исследования и постобработка данных с использованием TLS сложны и требуют много времени, поэтому нормой является ограниченный пространственный охват. Наземные мобильные системы, с другой стороны, могут маневрировать в пределах объекта, чтобы получить большой пространственный охват при одновременном уменьшении окклюзии. Рюкзачная система на рисунке 1 является примером такого мобильного наземного лидара. Данные лидара, полученные от таких систем, можно использовать для создания карт стволов, оценки DBH, сегментации кроны и обнаружения древесных остатков. Однако облака точек от наземных систем подвержены окклюзии из-за рельефа местности и надземных объектов. Кроме того, препятствия на лесной подстилке могут ограничивать движение платформы. Таким образом, полное покрытие лесонасаждения с помощью наземного мобильного лидара потребует тщательного планирования пути системы во время кампании по сбору 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 произведена напрямую с помощью интегрированной глобальной навигационной спутниковой системы и инерциальной навигационной системы (ГНСС/ИНС).

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

Основной проблемой при использовании GNSS/INS для оценки траектории является прерывистый доступ к сигналу GNSS, который имеет решающее значение для получения картографических продуктов с точной географической привязкой от бортовых датчиков. В случае кратковременных отключений сигнала ГНСС бортовая ИНС может восполнить такие пробелы, что приведет к приемлемой траектории, качество которой определяется классом инерциального измерительного блока (ИМИ) ИНС. При длительном отсутствии сигнала GNSS траектория системы будет приводить к бессмысленным облакам точек (см. рис. 3). Чтобы смягчить такое ухудшение, исследовательское сообщество сосредоточилось на разработке алгоритмов одновременной локализации и картирования на основе лидара (Lidar-SLAM) (см. рис. 4). Однако использование только SLAM приведет к получению данных облака точек, которые могут быть плохо привязаны к местности в глобальном смысле.

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

Оценка компромиссов

Таким образом, космические, воздушные и наземные мобильные лидары предоставляют данные об облаках точек над и под пологом. Однако существуют компромиссы между разрешением, стоимостью приобретения и площадью охвата в зависимости от используемой платформы. Например, сбор данных с помощью бортовых систем с экипажем довольно дорог и не может собирать данные с приемлемым временным разрешением. Между тем лидарные исследования на основе БПЛА экономически эффективны, но не могут обеспечить метрики леса с высоким разрешением на уровне одного дерева для покрытия больших площадей. Сравните это со статическими наземными лидарными системами, которые, хотя и обеспечивают данные с высоким разрешением, страдают от окклюзии и требуют обширных полевых работ для покрытия небольших площадей. Напротив, наземные мобильные лидарные системы могут охватывать лишь небольшие территории и страдают от перебоев в приеме сигнала GNSS. которые влияют на качество получаемой продукции. На рис. 5 показаны облака точек лидара для одного и того же дерева, снятые разными платформами, что приводит к разным уровням детализации, которые можно различить из таких данных.

Рисунок 6: Облака точек лидара с хорошей географической привязкой по данным, полученным с помощью нескольких датчиков/платформ/временных данных.
Рисунок 6: Облака точек лидара с хорошей географической привязкой по данным, полученным с помощью нескольких датчиков/платформ/временных данных.

Решение таких задач может быть достигнуто только за счет эффективного слияния космических, воздушных и наземных платформ. Например, стратегии машинного обучения могут быть разработаны с использованием мелкомасштабных наземных мобильных лидарных данных. Затем эти стратегии могут быть расширены для работы с наборами данных, полученными с воздуха и из космоса. Это увеличение возможно только при условии обеспечения качества географической привязки этих мультимасштабных/платформенных/временных наборов данных (рис. 6). Обеспечение качества пространственной привязки и разработка эффективных алгоритмов обработки данных позволяют получить облака точек для крупномасшабного представления (т. е. цифрового дублирования) отдельных деревьев, как показано на рис. 7. Хотя данные лидара могут обеспечивать высокий уровень детализации для крупномасштабной инвентаризации, ему по-прежнему не хватает необходимой спектральной информации для идентификации пород деревьев и анализа состояния леса. Недавние разработки в области гиперспектральной визуализации и мультиспектральных лидарных технологий будут весьма ценными в этом отношении.

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

Автор: Ayman Habib