Анализ городских лесов: классификация пород с применением машинного обучения и данных ДЗЗ
https://doi.org/10.18303/2619-1563-2023-4-36
Аннотация
Эффективное управление городскими лесами требует комплексного подхода, начиная с полной инвентаризации их биоразнообразия. На сегодняшний момент данные о флористическом составе городских лесов в сибирских городах либо ограничены, либо фрагментарны. Цель данного исследования заключается в классификации городских лесов по породам и определение их онтогенетического состояния по материалам данных дистанционного зондирования. Данное исследование нацелено на глубокий анализ структуры городских лесов с использованием данных дистанционного зондирования, в частности использованию беспилотного летательного аппарата.
При поддержке: Работа была выполнена в рамках государственного задания № FSUS-2023-0001 «Создание геоинформационной системы изучения ландшафтных биокомплексов на основе данных дистанционного зондирования Земли с использованием методов машинного обучения».
Об авторах
М. В. Платонова
Новосибирский государственный университет
Россия
Россия
Платонова Марина Владимировна – младший научный сотрудник
ул. Пирогова, 1, Новосибирск, 630090
А. В. Кухарский
Новосибирский государственный университет
Россия
Россия
Кухарский Александр Витальевич – младший научный сотрудник
ул. Пирогова, 1, Новосибирск, 630090
Е. Б. Таловская
Новосибирский государственный университет;
Центральный сибирский ботанический сад СО РАН
Россия
Россия
Таловская Евгения Борисовна – кандидат биологических наук, старший научный сотрудник НГУ
ул. Пирогова, 1, Новосибирск, 630090;
ул. Золотодолинская, 101, Новосибирск, 630090
Г. И. Лазоренко
Новосибирский государственный университет
Россия
Россия
Лазоренко Георгий Иванович – кандидат технических наук, научный сотрудник
ул. Пирогова, 1, Новосибирск, 630090
Список литературы
1. Жукова Л.А. Ontogenesis of Pinus sylvestris L. Онтогенетический атлас растений. – Йошкар-Ола: Марийский гос. ун-т., 2013. – Том 7. – С. 26–65.
2. Работнов Т.А. Жизненный цикл многолетних травянистых растений в луговых ценозах // Труды БИН АН СССР. – М., Л., 1950. – Вып. 6. – С. 179–196.
3. Чистякова A.A. Ontogenesis of Betula pendula Roth. Диагнозы и ключи возрастных состояний лесных растений // Деревья и кустарники / Под ред. О.В. Смирновой. – М.: Прометей,1989. – С. 89–96.
4. Chen T., Guestrin C. Xgboost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2016. – P. 785–794, doi: 10.1145/2939672.2939785.
5. Cunliffe A.M., Assmann J.J., Daskalova G.N., Kerby J.T., Myers-Smith I.H. Aboveground biomass corresponds strongly with drone-derived canopy height but weakly with greenness (NDVI) in a shrub tundra landscape // Environmental Research Letters. – 2020. – Vol. 15. – Article 125004, doi: 10.1088/1748-9326/aba470.
6. Huang S., Tang L., Hupy J.P., Wang Y., Shao G. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing // Journal of Forestry Research. – 2021. – Vol. 32 (5). – P. 1–6, doi: 10.1007/s11676-020-01155-1.
7. Johnston C.M.T., Withey P. Managing forests for carbon and timber: a Markov decision model of uneven-aged forest management with risk // Ecological Economics. – 2017. – Vol. 138. – P. 31–39, doi: 10.1016/j.ecolecon.2017.03.023.
8. Ontl T.A., Janowiak M.K., Swanston C.W., Daley J., Handler S., Cornett M., Hagenbuch S., Handrick C., McCarthy L., Patch N. Forest management for carbon sequestration // Journal of Forestry. – 2020. – Vol. 118 (1). – P. 86–101, doi: 10.1093/jofore/fvz062.
9. Zeng J., Matsunaga T., Tan Z.-H., Saigusa N., Shirai T., Tang Y., Peng S., Fukuda Y. Global terrestrial carbon fluxes of 1999–2019 estimated by upscaling eddy covariance data with a random forest // Scientific Data. – 2020. – Vol. 7 (1). – Article 313, doi: 10.1038/s41597-020-00653-5.
Рецензия
Для цитирования:
Платонова М.В., Кухарский А.В., Таловская Е.Б., Лазоренко Г.И. Анализ городских лесов: классификация пород с применением машинного обучения и данных ДЗЗ. Геофизические технологии. 2023;(4):36-44. https://doi.org/10.18303/2619-1563-2023-4-36
For citation:
Platonova M.V., Kukharskii A.V., Talovskaya E.B., Lazorenko G.I. Urban forest analysis: species classification using machine learning and remote sensing data. Russian Journal of Geophysical Technologies. 2023;(4):36-44. (In Russ.) https://doi.org/10.18303/2619-1563-2023-4-36
Просмотров:
577
Послать статью по эл. почте 