Оценка состояния и структуры насаждений с применением аэрофотосъемки и лазерного сканирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кабонен Алексей Валерьевич

• Кабонен Алексей Валерьевич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Кабонен Алексей Валерьевич

ВВЕДЕНИЕ

ГЛАВА 1 ПРИМЕНЕНИЕ АЭРОФОТОСЪЕМКИ И ЛАЗЕРНОГО СКАНИРОВАНИЯ В ОЦЕНКЕ СОСТОЯНИЯ И СТРУКТУРЫ НАСАЖДЕНИЙ (СОСТОЯНИЕ ВОПРОСА)

1.1 Выводы по главе

ГЛАВА 2 ОБЪЕКТЫ И МЕТОДЫ ИССЛЕДОВАНИЙ

2.1 Объекты исследований

2.1.1 Арборетум Ботанического сада Петрозаводского государственного университета

2.1.2 Городские зеленые насаждения города Петрозаводск

2.1.3 Лесные культуры Пряжинского и Суоярвского центральных лесничеств Республики Карелия

2.1.4 Участок естественного возобновления леса после пожара

2.2 Методика проведения натурных обследований

2.3 Методика проведения аэрофотосъемки и фотограмметрической обработки данных

2.4 Методика проведения наземного лазерного сканирования

2.5 Методика детектирования деревьев и дендрометрических характеристик насаждений по данным аэрофотосъемки и лазерного сканирования с применением ГИС-технологий

2.6 Выводы по главе

ГЛАВА 3 ОЦЕНКА СОСТОЯНИЯ И СТРУКТУРЫ НАСАЖДЕНИЙ С ПРИМЕНЕНИЕМ АЭРОФОТОСЪЕМКИ И ЛАЗЕРНОГО СКАНИРОВАНИЯ

3.1 Оценка дендрометрических характеристик насаждений по данным аэрофотосъемки и лазерного сканирования с применением ГИС-технологий

3.1.1 Результаты разносезонной аэрофотосъемки, фотограмметрической обработки

и лазерного сканирования

3.1.2 Оценка качества детектирования деревьев и дендрометрических характеристик насаждений по трехмерным облакам точек

3.2 Результаты инвентаризации городских зеленых насаждений с использованием аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных

3.3 Оценка состояния и структуры лесных культур с использованием материалов аэрофотосъемки, лазерного сканирования и ГИС-технологий

3.3.1 Оценка лесных культур на территории Пряжинского центрального лесничества Республики Карелия

3.3.2 Оценка лесных культур на территории Суоярвского центрального лесничества Республики Карелия

3.4 Оценка естественного возобновления леса после пожара с использованием материалов аэрофотосъемки и лазерного сканирования

3.5 Выводы по главе

ГЛАВА 4 ОБОБЩЕННЫЕ РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ И РЕКОМЕНДАЦИИ

ПО СОВЕРШЕНСТВОВАНИЮ МЕТОДОВ ОЦЕНКИ СОСТОЯНИЯ И

СТРУКТУРЫ НАСАЖДЕНИЙ

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Оценка состояния и структуры насаждений с применением аэрофотосъемки и лазерного сканирования»

ВВЕДЕНИЕ

Актуальность темы исследования. Оценка состояния и структуры естественных и искусственных насаждений невозможна без учета породного состава и запаса, определения категорий жизнеспособности деревьев и установления дендрометрических характеристик. Эти параметры учитываются при лесоустройстве и лесоучетных работах в рамках государственной инвентаризации лесов, в практике лесного хозяйства и мониторинге лесов, а так же в городском хозяйстве при инвентаризации зеленых насаждений.

Традиционные отечественные методы оценки состояния и структуры насаждений связаны с натурными обследованиями и (или) дешифрированием данных дистанционного зондирования (ДДЗ) со спутников, однако они не дают полной характеристики насаждений. В то же время мировые достижения в области беспилотных летательных аппаратов (БПЛА) и технологий лазерного сканирования LiDAR (англ. Light Detection and Ranging, обнаружение и определение дальности с помощью света) позволяют получать данные с высоким разрешением, которые можно использовать для качественной оценки состояния, определения структуры и установления дендрометрических характеристик насаждений на уровне отдельных деревьев.

Интерпретация и точность получаемых оценок по данным с БПЛА и LiDAR для решения задач в практике лесного хозяйства и мониторинге лесов, лесоустройстве и инвентаризации городских зеленых насаждений остаются мало изученными и требуют верификации натурными обследованиями. Не исследованным остается влияние возраста древостоя, сомкнутости крон, видового состава, структуры и состояния насаждения на качество получаемых данных с помощью БПЛА и LiDAR. Актуальность работы связана с проведением исследований, направленных на совершенствование методов оценки состояния и структуры искусственных и естественных насаждений с использованием аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных с применением геоинформационных (ГИС) технологий.

Результаты изучения возможностей и составленные рекомендации применения аэрофотосъемки и лазерного сканирования будут обеспечивать развитие и совершенствование отечественных методов и методик по оценке состояния и определения структуры лесных насаждений и инвентаризации городских объектов ландшафтной архитектуры, а также будут способствовать рациональному управлению лесами и городскими парками.

Степень разработанности темы исследования. В настоящий момент исследования оценки состояния и структуры с помощью аэрофотосъемки и лазерного сканирования проводились на естественных лесных насаждениях (Birdal et al., 2017; Bennett et al., 2020; Чумаченко и др., 2022) и в малой степени затрагивали участки лесных культур, территории с

естественным возобновлением леса на вырубках или гарях и городские зеленые насаждения. Результаты исследований (Dempewolf et al., 2017) показали, что по цифровым моделям высот древесного полога, полученным в результате аэрофотосъемки с БПЛА и LiDAR, можно оценить состояние и динамику роста деревьев, определить общую структуру и видовой состав однородного насаждения. При этом присутствие деревьев нескольких видов, выраженная ярусность или неоднородности в древесном пологе снижают качество получаемых результатов и требуют уточнений наземными методами (А1опго et а1., 2018; Иванова и др., 2021). В работах (Черняховский, 2019; Алексеев и др., 2020) сформулированы предложения и даны рекомендации по совершенствованию отечественных методов лесоучетных работ с использованием космической съемки. Возможности применения аэрофотосъемки и лазерного сканирования в оценке состояния и структуры насаждений в РФ остаются мало изученными.

Цель и задачи исследования. Цель исследования - совершенствование методов оценки состояния и структуры насаждений на основе применения аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных с использованием ГИС-технологий.

Достижение цели требовало решения следующих задач:

1. Изучить мировой и отечественный опыт применения аэрофотосъемки и лазерного сканирования в оценке состояния и структуры лесных насаждений и инвентаризации городских зеленых насаждений.

2. Обследовать насаждения разного происхождения, состояния и структуры на опытных объектах натурными методами.

3. Выполнить серию экспериментальных работ с использованием аэрофотосъемки и лазерного сканирования на опытных объектах.

4. Оценить возможности применения аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных в оценке дендрометрических характеристик искусственных насаждений (городских зеленых насаждений, дендрариев ботанических садов).

5. Оценить возможности применения аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных в оценке состояния и структуры лесных культур, участков с естественным возобновлением леса после пожара и естественных древостоев.

6. Разработать рекомендации по совершенствованию методов оценки состояния и структуры лесных насаждений и инвентаризации городских зеленых насаждений с применением аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных с использованием ГИС-технологий.

Научная новизна исследований. Разработан и апробирован на практике алгоритм детектирования деревьев и дендрометрических характеристик насаждений по трехмерным облакам точек, полученным с помощью БПЛА и LiDAR. Дана оценка качества детектирования

дендропараметров в зависимости от фенологической фазы развития деревьев. Выявлены преимущества и недостатки применения аэрофотосъемки и лазерного сканирования при оценке естественного возобновления леса на гари, обследовании лесных культур и в инвентаризации городских зеленых насаждений. Установлены особенности лесовозобновления гари на скальных выходах в среднетаежном районе. Определены структура и состояние лесных культур на территории Пряжинского и Суоярвского центральных лесничеств Республики Карелия. Предложены рекомендации по совершенствованию методов оценки состояния и структуры естественных и искусственных насаждений с применением аэрофотосъемки, лазерного сканирования и автоматизированных ГИС для обработки данных.

Теоретическая и практическая значимость работы. На основании исследований теоретически обоснована и экспериментально подтверждена возможность использования автоматизированной обработки данных аэрофотосъемки и лазерного сканирования с применением ГИС-технологий при проведении работ по оценке состояния и определения структуры лесных насаждений и инвентаризации городских зеленых насаждений и дендрариев. Решение поставленных задач исследований обеспечит развитие и совершенствование отечественных методов и методик по оценке состояния и определения структуры лесных насаждений и инвентаризации городских объектов ландшафтной архитектуры, а также будет способствовать устойчивому управлению лесами и городскими парками.

Методология и методы исследования. В диссертационной работе был использован комплекс экспериментальных полевых и камеральных методов сбора и обработки данных. Полевые работы включали аэрофотосъемку с БПЛА и наземное лазерное сканирование LiDAR, а также закладывание нескольких пробных площадей, фенологические наблюдения и натурные обследования. Для камеральных работ использовалась фотограмметрическая обработка, методы статистического анализа с применением ГИС-технологий и общепринятые методы обработки результатов исследований в естественных науках. Объектами исследований стали лесные культуры на территории Пряжинского и Суоярвского центральных лесничеств Республики Карелия, городские зеленые насаждения на территории г. Петрозаводск, участок естественного возобновления леса после пожара и арборетум Ботанического сада Петрозаводского государственного университета (ПетрГУ). Методология исследования заключалась в установлении возможностей использования аэрофотосъемки и лазерного сканирования в оценке состояния и структуры насаждений в сравнении с общепринятыми методами.

Основные положения, выносимые на защиту:

1. Оценка дендрометрических характеристик по данным аэрофотосъемки и лазерного сканирования при инвентаризации искусственных насаждений (городских зеленых насаждений и дендрариев ботанических садов).

2. Оценка состояния и структуры лесных насаждений (естественный древостой, лесные культуры, территории с естественным возобновлением леса после пожара) с применением аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных.

3. Рекомендации по совершенствованию методов оценки состояния и структуры насаждений на основе применения аэрофотосъемки, лазерного сканирования и автоматизированной обработки данных с использованием ГИС-технологий.

Достоверность научных положений, выводов и рекомендаций обусловлена использованием современных подходов к проведению исследований, основанных на значительном объеме данных и статистической обработки с применением программных комплексов R и Statistica. Выводы сформулированы по результатам четырехлетних наблюдений на шести опытных объектах разного возраста, структуры и происхождения.

Апробация диссертационной работы. Основные выводы диссертационной работы представлялись на международных и всероссийских конференциях: Всероссийская научно-практическая конференции, посвященная 50-летию «ВНИИЛГИСбиотех» (Воронеж, 2020); XX Международная конференция молодых учёных «ЛЕСА ЕВРАЗИИ - КАРЕЛЬСКИЕ ЛЕСА» (Петрозаводск, 2021); Международная научная конференция молодых ученых и специалистов, посвященная 135-летию со дня рождения А.Н. Костякова (Москва, 2022).

Личный вклад автора. С участием автора разработаны методы сбора данных на объектах исследований с помощью БПЛА и наземного LiDAR. Автором проведен весь комплекс работ по аэрофотосъемке, лазерному сканированию и натурным обследованиям. Соискателем проведены аналитические расчеты, обработка, анализ, обобщены результаты, сформулированы защищаемые положения и выводы по главам диссертационной работы.

Соответствие диссертации паспорту научной специальности. Работа соответствует паспорту специальности 4.1.6: п. 5. Лесоводственно-биологические и эколого-физиологические свойства видов древесных растений и насаждений, выявление взаимоотношений между ними и средой обитания; п. 44. Теория и методы мониторинга и выявления таксационных характеристик насаждений средствами дистанционного зондирования Земли с применением ГИС-технологий.

Публикации. Основные положения диссертационной работы изложены в 22 публикациях, из них 6 статей - в изданиях, индексируемых в международных базах данных Web of Science и Scopus, 6 статей - в изданиях, входящих в перечень ВАК, 7 - в прочих рецензируемых изданиях. Получено 3 патента Российской Федерации.

Структура и объем работы. Работа объемом 118 страниц машинописного текста состоит из введения, четырех глав и заключения. Список литературы включает 165 источников, в том числе 89 - на иностранном языке. Текст иллюстрирован 29 таблицами и 56 рисунками.

ГЛАВА 1 ПРИМЕНЕНИЕ АЭРОФОТОСЪЕМКИ И ЛАЗЕРНОГО СКАНИРОВАНИЯ В ОЦЕНКЕ СОСТОЯНИЯ И СТРУКТУРЫ НАСАЖДЕНИЙ (СОСТОЯНИЕ ВОПРОСА)

Аэрофотосъемка с БПЛА и лазерное сканирование LiDAR активно применяются за рубежом для решения задач сбора данных в области изучения насаждений и в практике лесного хозяйства (Li et al., 2012; Watts et al., 2012; Peerbhay et al., 2013). Лазерное сканирование представляет собой автоматическое сферическое измерение окружающего пространства лазером с последующей регистрацией измерений в цифровом трехмерном (3D) виде, используя миллионы точек плотного облака. Преимущество использования лазерного сканирования при исследовании древостоев заключается в его способности быстро, автоматически и с детализацией на уровне миллиметров документировать окружающее пространство.

БПЛА позволяют получить данные в виде набора геопривязанных мультиспектральных или RGB (red, green, blue) фотографий, снятых с перекрытием. Фотограмметрическая обработка этих материалов, как и в случае данных LiDAR, позволяет получить для дальнейшего анализа трехмерные облака точек и цифровые модели поверхности древесного полога. Кроме того, результатом фотограмметрической обработки является географически привязанный 2D-ортофотоплан, который строится на основе фотографий и моделей высот местности.

В области изучения естественных насаждений использование аэрофотосъемки и лазерного сканирования позволяет быстро получить данные о структуре лесных сообществ, необходимые для анализа их состояния и динамики (Liang et al., 2016). Эти данные востребованы для оценки характеристик отдельных деревьев при инвентаризации и управлении природными лесами (Lisein et al., 2013; Hudak et al., 2014) и городскими парками (Tasoulas et al., 2013), а также для оценки санитарного состояния (Safonova et al., 2021) и моделирования углеродного цикла в лесных экосистемах (Dalponte & Coomes, 2016; Brieger et al., 2019).

Методы лазерного сканирования широко применяют для оценки биомассы в лесных фитоценозах (Burt, 2017). Исследования с применением трехмерных облаков точек способствуют значительному прогрессу в разработке теорий формирования архитектоники крон деревьев (Sarmiento et al., 2019) и предоставляют исходные данные для моделирования роста насаждений на уровне отдельных деревьев (Raumonen et al., 2013).

При этом следует отметить, что в настоящий момент подобные исследования преимущественно затрагивают только лесные участки с небольшим числом видов деревьев (Zhou et al., 2013; Birdal et al., 2017; Miller et al., 2017; Медведев и др., 2019; Bennet et al., 2020; Picos et al., 2020) и в малой степени применяются на территориях с высоким видовым разнообразием деревьев (природные многовидовые леса, городские парки, дендрарии и т.п.)

(Zahawi et al., 2015; Otero et al., 2018; Портнов и др., 2021), участках лесных культур и территориях с возобновлением леса после пожара. Возможности применения аэрофотосъемки и LiDAR для оценки состояния и структуры этих территорий практически не исследованы.

В практике лесного хозяйства чаще всего применяют следующие типы лазерного сканирования:

1) Воздушное лазерное сканирование (ВЛС), основанное на применение съемки с БПЛА (Wehr & Lohr, 1999). Излучаемые импульсы LiDAR во время ВЛС проникают ниже верхнего яруса деревьев и, таким образом, позволяют регистрировать множественные высотные сигналы и достигать земли в лесных насаждениях, что позволяет оценивать характеристики отдельных деревьев (Hyyppä et al., 2008; Vega & St-Onge, 2009).

2) Наземное лазерное сканирование (НЛС), основанное на применении съемки с земли (Petrie & Toth, 2009; Reshetyuk, 2009; Vosselman & Maas, 2011; Liang et al., 2016). НЛС также подразделяется на: а) мобильное (перемещение сканера по территории в момент съемки); б) персональное или стационарное (съемка по станциям).

Сложности, связанные с LiDAR, являются результатом их дороговизны, высоких логистических затрат и потребностей в доступности электроэнергии. В исследованиях, выполненных на основе данных, полученных с помощью БПЛА, показано, что присутствие деревьев нескольких видов, выраженная ярусность или неоднородности в древесном пологе снижают качество получаемых результатов и требуют верификации наземными методами (Alonzo et al., 2018; Иванова и др., 2021). Известно, что при SD-реконструкции отдельных деревьев возникают сложности из-за различной морфологии крон деревьев разных видов и возрастов и проникающих свойств LiDAR (Liu & Wu, 2020).

Кроме того, мало исследованным остается влияние сезона съемки на качество получаемых оценок по данным аэрофотосъемки и лазерного сканирования. Как правило, при сборе дистанционных данных исследователи целенаправленно используют съемку в определенный период вегетации растений, что связано с особенностями алгоритмов обработки данных. В исследовании Lisein et al. (2013) для получения модели высот полога леса авторы проводили съемку в момент полного облиствения, а Onishi & Ise (2021) - в момент осеннего окрашивания листьев.

Рядом авторов исследовано влияние сезонности деревьев на качество оценки характеристик деревьев по мультиспектральным данным. Результаты Jackson et al. (2020) показывают, что полеты в течение весеннего сезона более эффективны (точность > 80%) для картографирования некоторых видов деревьев на основе значений коэффициента отражения и информации о сегментации изображения.

Результаты исследований Kolarik et al. (2019) доказывают, что включение подробной

многоспектральной информации об отражательной способности за пределами видимого спектра помогает в оценке характеристик деревьев независимо от сезона. Вопрос влияния сезона съемки на качество результатов, полученных по облакам точек или цифровым моделям высот, пока остается вне внимания исследователей.

Автоматическое распознавание видов деревьев по материалам аэрофотосъемки и LiDAR в настоящий момент применялось лишь на небольшом количестве видов деревьев (до 5-8) и в природных лесах. В работе (Веп^ et а1., 2020) авторам удалось обучить нейронную сеть и автоматически идентифицировать пять видов деревьев с точностью более 85%. В работе (ОшзЫ & Ье, 2021) - семь видов деревьев с точностью около 80%.

Возможности использования аэрофотосъемки и лазерного сканирования в оценке состояния и структуры участков с искусственным лесовосстановлением практически не исследованы. В то же время опыт создания лесных культур только на территории региона диссертационного исследования (Республика Карелия) насчитывает несколько десятков лет. Лесные культуры создавались с обработкой и без обработки почвы, посевом или посадкой (Соколов, 2006). В работе (Соколов, 2016) анализируется эффективность искусственного лесовосстановления хвойными породами. В (Гаврилова и др., 2017) отражена более высокая эффективность лесных культур, созданных сеянцами или саженцами. Ряд авторов отмечает (Морозова и др., 2011), что биометрические характеристики лесных культур, созданных брикетированным посадочным материалом, выше культур, созданных с открытой корневой системой или посевом и является самым эффективным в первые годы роста.

Классический способ оценки успешности лесовосстановления или лесовозобновления -метод натурного наземного обследования (Правила лесовосстановления..., 2021; Фетисова и др., 2013; Грязькин, 1997) - достаточно трудоемкий и не всегда доступен для использования на сильно захламленных и удаленных лесных участках, а также на участках большой площади (Беляева, 2012).

Альтернативные способы, такие как дешифрирование космических снимков, на сегодняшний день недостаточно разработаны или ограничены небольшим пространственным разрешением и не позволяют производить в полной мере оценку качества насаждения (Акиньев, 2020). Отдельные исследования показывают высокую точность (не менее 84%) при оценке успешности естественного лесовозобновления на вырубках по многолетним рядам мультиспектральных изображений со спутников, используя вегетационные индексы NDVI и SWVI (Белова, Ершов, 2015).

Применение БПЛА для целей учета подроста и анализа лесовозобновления позволяет существенным образом снизить трудозатраты в сравнении с натурным обследованием и, кроме этого, получить важную информацию и снимки высокого пространственного разрешения в

реальном времени (Дайнеко, 2018; Денисов и др., 2016; Скуднева, 2014).

В то же время применение БПЛА имеет свои недостатки в сравнении со спутниковыми данными: зависимость от погодных условий (сильный ветер, дождь, низкая температура) и малое покрытие территории съемки в связи с ограниченностью аккумуляторного ресурса (от нескольких минут до 3-4 часов).

В ряде работ (Вогель, Юферев, 2018; Галецкая и др., 2015) показано, что при исследовании лесных насаждений наиболее эффективно сочетание комбинированных методов исследований: применение БПЛА с последующей фотограмметрической обработкой данных или лазерное сканирование и натурное обследование местности.

Как правило, при натурных обследованиях закладываются круговые площадки по 10 м2 с детальным описанием растительности, при этом их количество должно обеспечивать требуемую точность учета (Грязькин, 2000; Фетисова и др., 2013). Дальнейшее сопоставление результатов, полученных с учетных площадок и картографических материалов высокого пространственного разрешения (БПЛА и ЬЮАЯ), позволяет достоверно охарактеризовать растительность на исследуемой территории.

В связи с уменьшением запасов лесного фонда необходимы мероприятия по интенсификации как лесопользования, так и лесовосстановления на территории Российской Федерации, что актуально не только с обеспеченностью сырьем предприятий лесоперерабатывающей отрасли, но и вопросами оптимизации затрат при лесовосстановлении.

Известно, что естественное восстановления лесов позволяет обойтись без создания искусственных насаждений. Однако, как показывает опыт, не всегда естественное возобновление проходит успешно, особенно в условиях относительно богатых почв таежной зоны. С другой стороны, несвоевременность уходов за лесными культурами в ряде случаев приводит к формальному выполнению мероприятий по уходу за ними. В этом случае затраты, которые понесло предприятие при проведении лесокультурных работ: обработка почвы, закупка посадочного материала, работы по посадке культур, не приводят к положительному результату.

Формальное проведение работ по восстановлению лесов не может привести к полноценному их восстановлению. Обследование созданных культур предполагает проведение работ по технической приемке, инвентаризации на 1, 3 и 5 годы, а также проведение работ по переводу их в покрытые лесом земли. Последний вид работы наиболее важен, поскольку предполагает, что в возрасте перевода сформировалась на месте рубки лесная среда. В соответствии с существующими Правилами лесовосстановления (2021), это означает, что произошло смыкание крон как минимум в рядах культур. Таким образом, как создание культур, так и своевременный контроль за их качеством требует достаточно больших трудозатрат.

Новые открывающиеся возможности обработки данных лазерного сканирования и

изображений с БПЛА, а также использование опыта, полученного при применении материалов аэро- и космической съемки, позволяют вывести на современный качественный уровень аналитическое, измерительное и автоматизированное дешифрирование. При определенных условиях съемки и с учетом последующей статистической обработки данных с БПЛА или LiDAR, эти методы являются весьма информативными для определения лесотаксационных характеристик, оценки состояния насаждений, мониторинга процессов лесовосстановления.

Для целей исследования структуры и состояния естественных и искусственных насаждений особенно важно применять специализированные мульспектральные камеры, установленные на БПЛА. Изображения, полученные в видимом и ближнем инфракрасном диапазонах, после тональной и геометрической коррекции и географической привязки благодаря спектральным различиям лиственных и хвойных пород, способствуют определению состава насаждений. Несомненным плюсом изображений с БПЛА является то, что они обладают сверхвысоким пространственным разрешением.

Инвентаризация городских зеленых насаждений проводится в целях использования данных учета для составления статистической отчетности, развития зеленого хозяйства, планирования нового строительства, восстановления, реконструкции и эксплуатации ландшафтно-архитектурных объектов в городах и поселках (Методика..., 1997).

Традиционные методы инвентаризации городских зеленых насаждений (Методика..., 1997; Mattheck, Breloer, 2004; Мозалевская и др., 2007) включают в себя визуальную оценку состояния и измерения биометрических параметров деревьев. Эти данные активно используются при составлении дендрологических планов и инвентаризационных ведомостей в городском хозяйстве.

Согласно исследованиям (Smiley et. al) инвентаризация городской растительности обеспечивает возможность контроля фактического состояния и динамики зеленой инфраструктуры на различных пространственных уровнях. При этом принимают во внимание следующие параметры:

а) площадь территории, природно-климатические условия и микроклимат;

б) видовой состав и дендрометрические данные (высота дерева, диаметр кроны и диаметр ствола на высоте 1.3 м);

в) состояние деревьев, включая оценку подверженности воздействием различных факторов (ожоги, морозобоины, вредители и болезни);

г) ценность насаждений и реализуемые ими экосистемные услуги (например, депонирование углерода, регуляция микроклимата и др.).

Выводы работы (Mattheck, Breloer, 2004) показывают, что традиционные методы инвентаризации парков отличаются высокой трудоемкостью, требует больших временных затрат

и обладают определенной степенью субъективности.

При решении схожих задач (на территории природных лесов), как указывалось ранее, для получения данных высокого пространственного разрешения нашли применение системы дистанционного зондирования - аэрофотосъемка с БПЛА и лазерное сканирование. Эти системы позволяют получить цифровые облака точек (point cloud) объектов изучения, готовые для всестороннего анализа. Вопрос применимости БПЛА и LiDAR при решении задач инвентаризации городских парков недостаточно проработан.

Список литературы диссертационного исследования кандидат наук Кабонен Алексей Валерьевич, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Абрамчук А.В., Карпухин М.Ю. Калина в садово-парковом строительстве // Вестн. биотехнологии. 2019. № 4(21). С. 16.

2. Акимов М.Ю., Макаров В.Н., Жбанова Е.В., Влазнева Л.Н., Масленников А.И. Плоды калины перспективных сортов как ценный источник пищевых и биологически активных веществ // Новые и нетрадиционные растения и перспективы их использования. 2018. № 13. С. 603-607.

3. Аковецкий В. Г., Афанасьев А. В. Методы и технологии интерпретации аэрокосмических мониторинговых наблюдений лесной растительности // Лесн. вестн. 2020. Т. 24. № 2. С. 29-36.

4. Алексеев А.С., Данилов Ю.И., Никифоров А.А., Гузюк М.Е., Киреев Д.М. Опыт применения беспилотного летательного аппарата для инвентаризации и оценки опытных лесных культур Лисинской части учебно-опытного лесничества Ленинградской области // Труды санкт-петербургского научно-исследовательского института лесного хозяйства. 2020. №2. С. 46-48.

5. Алешко Р.А., Алексеева А.А., Шошина К.В., Богданов А.П., Гурьев А.Т. 2017. Разработка методики актуализации информации о лесном участке с использованием снимков со спутников и малых БПЛА // Современные проблемы дистанционного зондирования Земли из космоса. Т. 14(5). С. 87-99.

6. Артюхович Д.В. Арборетум // Строительство. Энциклопедический словарь. -Ставрополь: «Параграф», 2011. - С. 25. - 766 с.

7. Беленков А.И. Перспективы использования точного земледелия при производстве растениеводческой продукции // Нивы Зауралья, 2014. № 5 (116). С. 61-63.

8. Белова Е. И., Ершов Д. В. Опыт оценки естественного лесовосстановления на сплошных вырубках по временным рядам Landsat // Лесоведение. 2015. № 5. С. 339-345.

9. Беляева Н. В., Грязькин А. В., Калинский П. М. Точность учетных работ при оценке естественного лесовозобновления // Вестн. Саратов. гос. агр. ун-та им. Н. И. Вавилова. 2012. № 8. С. 7-12.

10. Булыгин Н.Е., Ярмишко В.Т. Дендрология. М.: МГУЛ, 2003. 528 с.

11. Вогель Д. К., Юферев В. Г. Оценка лесных насаждений Волго-Ахтубинской поймы на основе фотограмметрической обработки данных цифровой аэросъемки // Изв. Нижневолжск. агр. ун-тетского комплекса. 2018. № 3 (51). С. 203-209.

12. Гаврилова О.И. К вопросу поиска новых методов оценки эффективности лесовосстановления на покрытых и непокрытых лесом территориях [Электронный ресурс] / О.И.

Гаврилова, А.В. Грязькин, П.О. Щукин, Ю.В. Суханов, А.В. Кабонен // Тенденции развития науки и образования. - Самара, 2021. - С.146-148.

13. Гаврилова О.И., Пак К.А., Морозова И.В., Юрьева А.Л. Формирование искусственных сосновых древостоев в условиях карельской таежной зоны // Изв. вузов. Лесн. журн. 2017. № 4. С. 23-33.

14. Галецкая Г. А., Вьюнов М. В., Железова С. В., Завалишин С. И. Возможности обработки и анализа данных сверхлёгкого БПЛА SenseFly eBee в лесном хозяйстве // Интерэкспо Гео-Сибирь. 2015. № 4. C. 11-18.

15. ГОСТ Р 57938-2017 Лесное хозяйство. Термины и определения (утв. и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 21 ноября 2017 г. N 1791--ст).

16. Громцев А.Н., Китаев С.П., Крутов В.И., Кузнецов О.Л., Линдхольм Т., Яковлев Е.Б. / Разнообразие биоты Карелии: условия формирования, сообщества, виды // Петрозаводск: Карельский научный центр РАН, 2003, 262 с.

17. Грязькин, А.В. Пат. 2084129 Российская Федерация, МКИ С 6 А 01 G 23/00. Способ учета подроста / А.В. Грязькин. Заявитель и патентообладатель Санкт-Петербургская лесотехническая академия. № 94022328/13; заяв. 10.06.94; опуб. 20.07.97, Бюл. № 20. 3 с.

18. Денисов С. А., Домрачев А. А., Елсуков А. С. Опыт применения квадрокоптера для мониторинга возобновления леса // Вестн. ПГТУ. Сер. Лес. Экология. Природопользование. 2016. № 4 (32). С. 34-46.

19. Дзыбов Д. С. Метод ускоренного воссоздания травянистых биогеоценозов // Экспериментальная биогеоценология и агроценозы. М.: Наука, 1979. С. 129—131.

20. Добрачев Ю.П., Соколов А.Л. Модели роста и развития растений и задача повышения урожайности // Природообустройство, 2016. № 3. С. 90-96.

21. Ермаков М.А., Волкова О.Д., Хоциалова Л.И., Загуменникова Т.Н., Потапова А.В. Изучение признаков форм и сортов растений Калины обыкновенной (Viburnum opulus L.) в условиях Главного ботанического сада РАН // Hortus Botanicus. 2019. Т. 14. С. 328-337.

22. Зайцев Г.Н. Математическая статистика в экспериментальной ботанике. М.: Наука, 1984. 424 с.

23. Иванов В.П., Марченко С.И., Зайцева Л.В., Иванов Ю.В. Методологические аспекты определения биометрических параметров шишек сосны обыкновенной // Вестн. МГУЛ -Лесн. вестн. 2012. № 1. С. 42-46.

24. Иванова Н.В., Шашков М.П., Шанин В.Н. 2021. Определение характеристик смешанных древостоев по данным аэрофотосъёмки с применением беспилотного летательного аппарата (БПЛА) // Вестник Томского государственного университета. Биология. № 54. С. 158-

25. Кабонен А.В. Веб-геоинформационная система Ботанического сада Петрозаводского государственного университета [Электронный ресурс] / А.В. Кабонен, В.В. Андрюсенко // HORTUS BOTANICUS. - Петрозаводск, 2018. - Т.13. - С.356 - 360.

26. Кабонен А.В. Гаврилова О.И., Васильев А.С.; Петр. гос. унив. Подвес мультиспектральной камеры к дрону. Патент № 2783091 РФ, Заявл. 11.04.2022; Опубл. 08.11.2022 Бюл. № 31.

27. Кабонен А.В. Гаврилова О.И., Васильев А.С.; Петр. гос. унив. Способ комплексного отслеживания сезонных изменений растений. Патент № 2765841 РФ, Заявл. 07.07.2021; Опубл. 03.02.2022 Бюл. № 4.

28. Кабонен А.В. Гаврилова О.И., Васильев А.С.; Петр. гос. унив. Устройство для отслеживания сезонных изменений растений. Патент № 207146 РФ, Заявл. 07.07.2021; Опубл. 14.10.2021 Бюл. № 29.

29. Кабонен А.В. Дешифрирование форм и морфологических особенностей древесных растений на снимках, полученных с помощью беспилотных летательных аппаратов [Текст] / А.В. Кабонен, Ю.В. Ольхин // Экосистемы. - Симферополь, 2019. - Вып.20. - С.197-202.

30. Кабонен А.В. Оценка естественного возобновления леса на гари с использованием данных, полученных с помощью беспилотного летательного аппарата [Электронный ресурс] / А.В. Кабонен, О.И. Гаврилова, А. В. Грязькин, К.А. Пак // Сибирский лесной журнал.. -Красноярск, 2022. - №2. - С.11-20.

31. Кабонен А.В. Цифровое моделирование природно-ландшафтных комплексов по данным, полученным с помощью беспилотных летательных аппаратов [Текст] / А.В. Кабонен, Ю.В. Ольхин // Лесохозяйственная информация. - Пушкино, 2020. - Вып.2020, №3. - С.101-110.

32. Кабонен А.В., Гаврилова О.И., Кищенко И.Т. Цифровое сканирование роста и развития древесных растений // Изв. вузов. Лесн. журн. 2022. № 6. С. 55-70.

33. Кабонен А.В., Иванова Н.В. 2023. Оценка биометрических характеристик деревьев по данным наземного LiDAR и разносезонной аэрофотосъемки в искусственных насаждениях // Nature Conservation Research. Заповедная наука. Т. 8(1). С. 64-83.

34. Карписонова Р. А. Принципы создания искусственных фитоценозов // Hortus bot. 2017. Т. 12.

35. Каталог растений Донецкого ботанического сада. Киев.: Наукова думка, 1988. 528

с.

36. Кищенко И.Т. Влияние климатических факторов на сезонный рост деревьев лиственных лесообразующих видов в таежной зоне // Изв. вузов. Лесн. журн. 2017. № 1. С. 5163.

37. Кищенко И.Т. Рост и развитие интродуцированных лиственных видов деревьев в условиях Карелии // Петрозаводск: издательство ПетрГУ, 2014, 161 с.

38. Лантратова А. С. Сады и парки Петрозаводска: их жизнь и существование в современном городе: экологические аспекты / А. С. Лантратова, Е. Е. Ициксон, Е. Ф. Марковская. — Петрозаводск : VERSO, 2012, 20 с.

39. Лантратова А.С., Марковская Е.Ф., Обухова Е.Л., Платонова E.A., Прохоров А.А. 2001. 50-летняя история Ботанического сада Петрозаводского государственного университета // Hortus Botanicus. Т. 1. С. 9-18.

40. Лапин П.И., Сиднева С.В. Оценка перспективности интродукции древесных растений по данным визуальных наблюдений // Опыт интродукции древесных растений. М., 1973. С. 7-68.

41. Луконина А. В., Клинкова Г. Ю. Проблемы и перспективы использования растений природной флоры для городского озеленения. М.: Планета, 2011. С. 141—143.

42. Масленников А.И. Оценка максимальной морозостойкости сортов и форм рябины и калины // Плодоводство и ягодоводство России. 2016. Т. 46. С. 220-222.

43. Масленников А.И. Устойчивость сортов калины к действию абиотических факторов // Вест. Мичуринск. ГАУ. 2015. № 3. С. 97-100.

44. Медведев А.А., Тельнова Н.О., Кудиков А.В. 2019. Дистанционный высокодетальный мониторинг динамики зарастания заброшенных сельскохозяйственных земель лесной растительностью // Вопросы лесной науки. №3. DOI: 10.31509/2658-607x-2019-2-3-1 -12

45. Методика инвентаризации городских зеленых насаждений [Текст] / Минстрой России; Академия коммунального хозяйства им. К.Д. Памфилова. - М., 1997. - 12 с.

46. Минин А.А., Ананин А.А., Буйволов Ю. А., Ларин Е.Г., Лебедев П.А., Поликарпова Н.В., Прокошева И.В., Руденко М.И., Сапельникова И.И., Федотова В.Г., Шуйская Е.А., Яковлева М.В., Янцер О.В. 2020. Рекомендации по унификации фенологических наблюдений в России // Nature Conservation Research. Заповедная наука. Т. 5(4). С. 89-110.

47. Мозолевская Е. Г. Оценка жизнеспособности деревьев и правила их отбора и назначения к вырубке и пересадке / Е. Г. Мозолевская, Г. П. Жеребцова, Э. С. Соколова, Д. А. Белов, Н. К. Белова - М.: ГОУ ВПО МГУЛ, 2007. - 40 с.

48. Молчанов А.А., Смирнов В.В. Методика изучения прироста древесных растений. М.: Наука, 1967. 95 с.

49. Морозова И.В., Гаврилова О.И. Закономерности роста лесных культур сосны на начальных стадиях роста (1 -5 год) на вырубках южной Карелии // Ученые записки Петрозаводского государственного университета. Серия: Естественные и технические науки. -2011. - №2 (115). - С. 75-78.

50. Мухаметова С.В. Метеорологические условия теплого периода на территории Ботанического сада-института ПГТУ // Hortus botanicus. 2022. Т. 17. С. 90-101.

51. Низаметдинов Н.Ф., Моисеев П.А., Воробьев И.Б. 2021. Лазерное сканирование и аэрофотосъемка с БПЛА в исследовании структуры лесотундровых древостоев Хибин // Известия вузов. Лесной журнал. № 4. С. 9-22. DOI: 10.37482/0536-1036-2021-4-9-22

52. О Методических рекомендациях по оценке жизнеспособности деревьев и правилам их отбора и назначения к вырубке и пересадке. [Текст]: утв. Постановлением Правительства Москвы от 30.09.2003 г. N 822-ПП. - М.: 2003.- 48 с.

53. Огиевский В.В., Хиров А.А. Обследование и исследование лесных культур. /Л.,

1967.

54. Ольхин Ю.В. Возможности дешифрирования древесных пород в лесных массивах и выявление деревьев с патологическим состоянием на основе материалов, полученных с беспилотных летательных аппаратов / Ю. В. Ольхин, А. В. Кабонен, Г .А. Микулин // Повышение эффективности лесного комплекса: материалы Восьмой Всероссийской национальной научно-практической конференции с международным участием / М-во науки и высш. образования Рос. Федерации, Федер. гос. бюджет. образоват. учреждение высш. образования Петрозав. гос. ун-т. — Петрозаводск: Издательство ПетрГУ, 2022.. - С.139-142.

55. Ольхин Ю.В. Перевод лесных культур в покрытую лесом площадь с использованием беспилотных летательных аппаратов [Текст] / Ю.В. Ольхин, О.И. Гаврилова,

A.В. Грязькин, А.В. Кабонен // Известия Санкт-Петербургской лесотехнической академии. . -Санкт-Петребург, 2022. - №239. - С.89-103.

56. Ольхин Ю.В. Разработка геоинформационной системы объекта ландшафтной архитектуры на примере парка Ямка города Петрозаводска [Текст] / Ю.В. Ольхин, А.В. Кабонен // Экосистемы. - Крымский федеральный университет имени В. И. Вернадского, Симферополь, 2016. - Вып.36, №6. - С.46-50.

57. Портнов А.М., Быховец С.С., Дин Е.С., Иванова Н.В., Фролов П.В., Шанин В.Н., Шашков М.П. 2021. Количественная оценка размеров окон в пологе старовозрастного широколиственного леса наземными и дистанционными методами // В: «Математическое моделирование в экологии»: Материалы Седьмой Национальной научной конференции с международным участием, 9-12 ноября 2021 г. Пущино: ФИЦ ПНЦБИ РАН. С. 99-102.

58. Прохоров А.А., Платонова Е.А., Шредерс М.А., Тарасенко В.В., Андрюсенко

B.В., Куликова В.В. 2013. Компоненты информационного пространства ботанического сада. Геоинформационная система Ботанического сада ПетрГУ // Hortus Вotanicus. Т. 8. С. 66-74.

59. Рыбаков Д.С., Белашев Б.З. 2020. Погодно-климатические условия, загрязнение атмосферного воздуха, вызовы скорой медицинской помощи и смертность населения в

Петрозаводске // Экология человека. №5. С. 21-30.

60. Рязанцев П.А., Кабонен А.В., Родионов А.И. Определение архитектоники корневой системы деревьев методом георадиолокации // Вестн. Том. гос. ун -та. Биология. 2020. № 51. С. 179-204. doi: 10.17223/19988591/51/10.

61. Сады и парки в истории Петрозаводска / А. С. Лантратова, Е. Е. Ициксон, Е. Ф. Марковская, Н. В. Куспак. — Петрозаводск: ПетроПресс, 2003. — 160 с. — ISBN 5-8430-0082-6.

62. Смирнов Н.В., Логвинов К.А., Кабонен А.В. Сегментация для выделения леса на изображении [Электронный ресурс] / Н.В. Смирнов, К.А. Логвинов, А.В. Кабонен // Материалы XV всероссийской научно-практической конференции "Цифровые технологии в образовании, науке, обществе". - Петрозаводск, 2021. - С. 108-111.

63. Соколов А.И. Лесовосстановление на вырубках Северо-Запада России. -Петрозаводск: КарНЦ РАН, 2006. - 215 с.

64. Соколов А.И. Повышение ресурсного потенциала таежных лесов лесокультурными методами Соколов А.И. Петрозаводск: Карельский научный центр РАН. 2016. 178 с.

65. Софронов А.П., Фирсова С.В. Интродукция калины обыкновенной в Кировской области // Аграрн. наука Евро-Северо-Востока. 2018. № 6(67). С. 79-82.

66. Стандарт отрасли ОСТ 56-108-98 Лесоводство. Термины и определения (утв. приказом Рослесхоза от 3 декабря 1998 г. N 203).

67. Сукачев В. Н. Основы лесной биогеоценологии. М.: Наука, 1964.

68. Теодоронский В.С., Боговая И.О. Объекты ландшафтной архитектуры: учеб. пособие. - 3-е изд. - М.: ГОУ ВПО МГУЛ, 2006. - 329 с.

69. Теодоронский, В.С. Садово-парковое строительство и хозяйство / В.С. Теодоронский, А.И. Белый - учеб. для техникумов. - 2-е изд., перераб. и доп. - М.: Стройиздат, 1989. - 351 с.

70. Фетисова А. А., Грязькин А. В., Ковалев Н. В., Гуталь М. Оценка естественного возобновления хвойных пород на сплошных вырубках в условиях Рощинского лесничества // ИВУЗ. Лесн. журн. 2013. № 6 (336). С. 9-18.

71. Черняховский Д.М. Теория и методы инвентаризации лесов на основе данных дистанционного зондирования земли, цифрового моделирования рельефа и ГИС-технологий: дис. док. сель. наук: 06.03.02 / Д.М. Черняховский, С. -П., 2019. - 368 с.

72. Чумаченко С.С., Терехов В.И., Митрофанов Е.М., Гришин И.А. Подход к автоматической оценке таксационных параметров деревьев с помощью данных LiDAR // Динамика сложных систем - XXI век. 2022. Т.16. №4. С.63-73.

73. Шкутко Н.В. Хвойные Белоруссии: Эколого-биологические исследования. Минск:

Навука i тэхнка, 1991. 263 с.

74. Щеголева Л.В. Алгоритм моделирования и визуализации роста дерева [Текст] / Л.В. Щеголева, Д.В. Гудач, А.В. Кабонен // Лесной вестник / Forestry Bulletin. - г. Мытищи, 2022. - Т.26, вып. 1. - С.50-57.

75. Энциклопедия лесного хозяйства: в 2-х томах. - Т. 1. - М.: ВНИИЛМ, 2006. - 424

с.

76. Энциклопедия лесного хозяйства: в 2-х томах. - Т. 2. - М.: ВНИИЛМ, 2006. - 416

с.

77. Agisoft LLC. 2019. Agisoft Metashape (Version 1.5). Software. Available from: https://www.agisoft.com/

78. Alonzo M., Andersen H.E., Morton D.C., Cook B.D. 2018. Quantifying Boreal Forest Structure and Composition Using UAV Structure from Motion // Forests. Vol. 9(3). Article: 119.

79. Augspurger, C.K. (2009), Spring 2007 warmth and frost: phenology, damage and refoliation in a temperate deciduous forest. Functional Ecology, 23: 1031-1039.

80. Bennett G., Hardy A., Bunting P., Morgan P., Fricker A. 2020. A Transferable and Effective Method for Monitoring Continuous Cover Forestry at the Individual Tree Level Using UAVs // Remote Sensing. Vol. 12(13). Article: 2115. DOI: 10.3390/rs12132115

81. Birdal A.C., Avdan U., Türk T. 2017. Estimating tree heights with images from an unmanned aerial vehicle // Geomatics, Natural Hazards and Risk. Vol. 8(2). P. 1144-1156.

82. Blaskow R., Lindstaedt M., Schneider D., Kersten T. 2018. Untersuchungen zum Genauigkeitspotential des terrestrischen Laserscanners Leica BLK360. In: Luhmann T. & Schumacher C. (eds.): Photogrammetrie, Laserscanning, Optische 3D-Messtechnik - Beiträge der Oldenburger 3D-Tage 2018. Berlin/Offenbach: VDE Verlag GmbH. P. 284-296.

83. Brieger F., Herzschuh U., Pestryakova L.A., Bookhagen B., Zakharov E.S., Kruse S. 2019. Advances in the derivation of northeast siberian forest metrics using high-resolution UAV-based photogrammetric point clouds // Remote Sensing. Vol. 11. Article: 1447.

84. Budilovskaia A., Shao Y. 2021. Study on Russian Botanical Garden construction characteristics - on the example of Russia Northern-West botanical gardens. In: IOP Conference Series: Earth and Environmental Science. 787. Article: 012073.

85. Burt A.P. 2017. New 3D-measurements of forest structure. Ph.D. thesis. University College London. 288 p.

86. Dalponte M., Coomes D.A. 2016. Tree-centric mapping of forest carbon density from airborne laser scanning and hyperspectral data // Methods in Ecology and Evolution. Vol. 7(10). P. 1236-1245.

87. Dempewolf J., Nagol J., Hein S., Thiel C., Zimmermann R. 2017. Measurement of

within-season tree height growth in a mixed forest stand using UAV imagery // Forests. Vol. 8. Article: 231.

88. Furukawa, Y., Ponce, J. (2010). Accurate, dense, and robust multiview stereopsis. IEEE transactions on pattern analysis and machine intelligence, 32(8), 1362-1376.

89. Garcia O. A stochastic differential equation model for height growth of forest stands // Biometrics, 1983, v. 39, pp. 1059-1072.

90. Gavrikov V.L., Karlin I.V. A dynamic model of tree terminal growth // Canadian Journal of Forest Research, 1993, v. 23, pp. 326-329.

91. Gloning, P., Estrella, N. & Menzel, A. The impacts of climate change on the winter hardiness zones of woody plants in Europe. Theor Appl Climatol 113, 683-695 (2013).

92. Goutte C., Gaussier E. 2005. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. In: Proceedings of the European Conference on Information Retrieval. Berlin/ Heidelberg: Springer. P. 345-359.

93. Greger H. Performance of photogrammetric software packages on marshlands // Thesis submitted for the degree of Master in Physical Geography, Hydrology and Geomatics Department of Geoscience Faculty of Mathematics and Natural Sciences, University of Oslo, 2019, P. 110.

94. Henke M., Huckemann S., Kurth W., Sloboda B. Reconstructing leaf growth based on non-destructive digitizing and low-parametric shape evolution for plant modelling over a growth cycle // Silva Fennica, 2014, v. 48, no. 2, p. 23.

95. Hudak A.T., Haren A.T., Crookston N.L., Liebermann R.J., Ohmann J.L. 2014. Imputing forest structure attributes from stand inventory and remotely sensed data in western Oregon, USA // Forest Science. Vol. 60(2). P. 253-269.

96. Hyyppa J., Hyyppa H., Leckie D., Gougeon F., Yu X., Maltamo M. 2008. Review of methods of small-footprint airborne laser scanning for extracting forest inventory data in boreal forests // International Journal of Remote Sensing. Vol. 29. P. 1339-1366.

97. Jackson M., Portillo-Quintero C., Cox R., Ritchie G., Johnson M., Humagain K., Subedi M. 2020. Season, classifier, and spatial resolution impact honey mesquite and yellow bluestem detection using an Unmanned Aerial System // Rangeland Ecology and Management. Vol. 73(5). P. 658-672.

98. Kabonen A.V. 2022. Orthophoto mosaics of the Arboretum of Botanical Garden of Petrozavodsk State University. Zenodo. Available from: https://doi.org/10.5281/zenodo.6370597

99. Kabonen A.V. Assessing reforestation after a fire using UAVs / A.V. Kabonen, O.I. Gavrilova, V.K. Betelev // III International Conference on Improving Energy Efficiency, Environmental Safety and Sustainable Development in Agriculture (EESTE2023)/ - E3S Web of Conferences, 2023. -№.463, 02024.

100. Kabonen A.V. Assessing the success of forest crops using UAVs / A.V. Kabonen, A.V. Gryazkin, O.I. Gavrilova, P.V. Budnik // International Scientific Conference Energy Management of Municipal Facilities and Environmental Technologies (EMMFT-2023). - E3S Web of Conferences, 2023. - N458, 08028.

101. Kabonen A.V. Real-time tree physiology monitoring system / A.V. Kabonen, D.A. Kuvshinov, V.M. Dimitrov // III International Conference on Improving Energy Efficiency, Environmental Safety and Sustainable Development in Agriculture (EESTE2023). - E3S Web of Conferences, 2023, - №463, 02027.

102. Kabonen A.V., Olkhin Y.V. Estimation of dendrometric characteristics in city parks according to data from UAVs and ground-based LiDAR / II International Conference on Agriculture, Earth Remote Sensing and Environment (RSE-II-2023) E3S Web Conf. Volume 392, 2023, 7 p.

103. Khosravipour, A., Skidmore, A. K., Isenburg, M., Wang, T., & Hussin, Y. A. (2014). Generating pit-free canopy height models from airborne lidar. Photogrammetric Engineering & Remote Sensing, 80(9), 863-872.

104. Kim J., Jeong I. Single Image-Based 3D Tree and Growth Models Reconstruction // ETRI Journal, 2014, v. 36, iss. 3, pp. 450-459.

105. Kolarik N., Ellis G., Gaughan A., Stevens R.F. 2019. Describing seasonal differences in tree crown delineation using multispectral UAS data and structure from motion // Remote Sensing Letters. Vol. 10. P. 864-873.

106. Kolarik N.E., Gaughan A.E., Stevens F.R., Pricope N.G., Woodward K., Cassidy L., Salerno J., Hartter J. 2020. A multi-plot assessment of vegetation structure using a micro-unmanned aerial system (UAS) in a semi-arid savanna environment // ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 164. P. 84-96.

107. Kollmann, J. and Grubb, P.J. (2002), Viburnum lantana L. and Viburnum opulus L. (V. lobatum Lam., Opulus vulgaris Borkh.). Journal of Ecology, 90: 1044-1070.

108. Krutskikh N, Ryazantsev P, Ignashov P, Kabonen A. The Spatial Analysis of Vegetation Cover and Permafrost Degradation for a Subarctic Palsa Mire Based on UAS Photogrammetry and GPR Data in the Kola Peninsula. Remote Sensing. 2023; 15(7):1896.

109. Larjavaara, M.; Muller-Landau, H.C. 2013. Measuring tree height: A quantitative comparison of two common field methods in a moist tropical forest // Methods in Ecology and Evolution. Vol. 4. P. 793-801.

110. Laszlo Szalay, Zsuzsanna Gyorgy, Magdolna Toth, Frost hardiness of apple (Malus X domestica) flowers in different phenological phases, Scientia Horticulturae, Volume 253, 2019, Pages 309-315.

111. Lau A., Martius C., Bartholomeus H., Shenkin A., Jackson T., Malhi Ya., Herold M.,

Bentley L.P. 2019. Estimating architecture-based metabolic scaling exponents of tropical trees using terrestrial LiDAR and 3D modelling // Forest Ecology and Management. Vol. 429. P. 132-145.

112. Lee W.-K., Gadow K., Chung D.-J., Lee J.-L., Shind M.-Y. DBH growth model for Pinusdensiflora and Quercusvariabilis mixed forests in central Korea // Ecological Modelling, 2004, v. 176, iss. 1-2, pp. 187-200.

113. Lejot, J., Delacourt, C., Piégay, H., Fournier, T., Trémélo, M. L., & Allemand, P. (2007). Very high spatial resolution imagery for channel bathymetry and topography from an unmanned mapping controlled platform. Earth Surface Processes and Landforms: The Journal of the British Geomorphological Research Group, 32(11), 1705-1725.

114. Li W., Guo Q., Jakubowski M.K., Kelly M. 2012. A new method for segmenting individual trees from the LiDAR point cloud // Photogrammetric Engineering and Remote Sensing. Vol. 78(1). P. 75-84.

115. Li Y., Li X., Tian S. Real-Time Construction of Fruit Tree Model Based on Images // Eurasia J. of Mathematics, Science and Technology Education, 2017, v. 13(7), pp. 4035 -4047.

116. Li Y., Zhang W.-Q., Liu H., Yang H.-Q., Liu X.-N. Research of Modern Information Technology on Tree Growth Management Decision Making Model // Applied Mechanics and Materials, 2013, v. 347-350, p. 2418.

117. Liang X., Kankare V., Hyyppa J., Wang Y., Kukko A., Haggren H., Yu X., Kaartinen H., Jaakkola A., Guan F., Holopainen M., Vastaranta M. 2016.Terrestrial laser scanning in forest inventories // ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 115. P. 63 -77.

118. Lilleoren, K. S., & Etzelmüller, B. (2011). A regional inventory of rock glaciers and ice-cored moraines in Norway. Geografiska Annaler: Series A, Physical Geography, 93(3), 175- 191.

119. Lin Y., Hyyppa J., Kukko A., Jaakkola A., Kaartinen H. 2012. Tree height growth measurement with single-scan airborne, static terrestrial and mobile laser scanning // Sensors. Vol. 12. P.12798-12813.

120. Lisein J., Pierrot-Deseilligny M., Bonnet S., Lejeune P. 2013. A photogrammetric workflow for the creation of a forest canopy height model from small Unmanned Aerial System imagery // Forests. Vol. 4. P. 922-944.

121. Liu H., Wu C. 2020. Developing a scene-based triangulated irregular network (TIN) technique for individual tree crown reconstruction with LiDAR data // Forests. Vol 11(28).

122. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International journal of computer vision, 60(2), 91-110.

123. Luhmann T., Chizhova M., Gorkovchuk D., Hastedt H., Chachava N., Lekveishvili N. 2019. Combination of terrestrial laserscanning, UAV and close-range photogrammetry for 3D reconstruction of complex churches in Georgia // In: The International Archives of the Photogrammetry,

Remote Sensing and Spatial Information Sciences, Volume XLII-2/W11, GEORES 2019 - 2nd International Conference of Geomatics and Restoration, 8-10 May 2019, Milan, Italy. P. 753-761.

124. Mattheck C., &Breloer, H. (1994). Field guide for visual tree assessment 53 (Vta). Arboricultural Journal, 18(1), 1-23.

125. Meier U. (ed.). 2018. Growth stages of mono- and dicotyledonous plants: BBCH Monograph. Quedlinburg: Open Agrar Repositorium. 204 p.

126. Meier U., Bleiholder H., Buhr L., Feller C., Hack H., Heß M., Lancashire P.D., Schnock U., Stauß R., van den Boom T., Weber E., Zwerger P. 2009. The BBCH system to coding the phenological growth stages of plants - history and publications // Journal für Kulturpflanzen. Vol. 61(2). P. 41-52.

127. Miina J. Spatial growth model for Scots Pine on drained peatland // Silva Fennics, 1994, v. 28(1), pp. 15-27.

128. Miller E., Dandois J.P., Detto M., Hall J.S. 2017. Drones as a tool for monoculture plantation assessment in the steepland tropics // Forests. Vol. 8(5). 168.

129. Naika Meili, Gabriele Manoli, Paolo Burlando, Jan Carmeliet, Winston T.L. Chow, Andrew M. Coutts, Matthias Roth, Erik Velasco, Enrique R. Vivoni, Simone Fatichi, Tree effects on urban microclimate: Diurnal, seasonal, and climatic temperature differences explained by separating radiation, evapotranspiration, and roughness effects, Urban Forestry & Urban Greening, Volume 58, 2021, 126970.

130. Nuijten R.J.G., Coops N.C., Goodbod T.R.H., Pelletier G.. 2019. «Examining the Multi-Seasonal Consistency of Individual Tree Segmentation on Deciduous Stands Using Digital Aerial Photogrammetry (DAP) and Unmanned Aerial Systems (UAS)» // Remote Sensing. Vol. 11(7). Article: 739.

131. Onishi M., Ise T. 2021. Explainable identification and mapping of trees using UAV RGB image and deep learning // Scientific Reports. Vol. 11. Article: 903.

132. Otero V., Van De Kerchove R., Satyanarayana B., Martínez-Espinosa C., Amir Bin Fisol M., Rodila Bin Ibrahim M., Sulong I., Mohd-Lokman H., Lucas R., Dahdouh-Guebas F. 2018. Managing mangrove forests from the sky: forest inventory using field data and unmanned aerial vehicle (UAV) imagery in the Matang Mangrove Forest Reserve, peninsular Malaysia // Forest Ecology and Management. Vol. 411. P. 35-45.

133. Ove Nilsson, Winter dormancy in trees, Current Biology, Volume 32, Issue 12, 2022, Pages R630-R634.

134. Pan Y., Raynal D.J. Decomposing tree annual volume increments and constructing a system dynamic model of tree growth // Ecological Modelling, 1995, v. 82, iss. 3, pp. 299-312.

135. Panagiotidis D., Abdollahnejad A., Surovy P., Chiteculo V. 2017. Determining tree

height and crown diameter from high-resolution UAV imagery // International Journal of Remote Sensing. Vol. 38(8-10). P. 2392-2410.

136. Peerbhay K.Y., Mutanga O., Ismail R. 2013. Commercial tree species discrimination using airborne AISA Eagle hyperspectral imagery and partial least squares discriminant analysis (PLS-DA) in KwaZulu-Natal, South Africa // ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 79. P. 19-28.

137. Petrie G., Toth C.K. 2009. Terrestrial laser scanners // In: Topographic laser ranging and scanning: principles and processing. CRS Press, Boca Raton. P. 87-128.

138. Picos J, Bastos G, Miguez D, Alonso L, Armesto J. 2020. Individual Tree Detection in a Eucalyptus Plantation Using Unmanned Aerial Vehicle (UAV)-LiDAR // Remote Sensing. Vol. 12 (5).

139. Pui Kwan Cheung, Charmaine K.W. Fung, C.Y. Jim, Seasonal and meteorological effects on the cooling magnitude of trees in subtropical climate, Building and Environment, Volume 177, 2020, 106911.

140. R Core Team. 2020. R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. Available from: https:// www.R-project.org/

141. Raumonen P., Kaasalainen M., Akerblom M., Kaasalainen S., Kaartinen H., Vastaranta M., Holopainen M., Disney M., Lewis P. 2013. Fast Automatic Precision Tree Models from Terrestrial Laser Scanner Data // Remote Sensing. Vol. 5(2). P. 491-520.

142. Reshetyuk Y. 2009. Self-calibration and direct georeferencing in terrestrial laser scanning. Doctoral thesis. Royal Institute of Technology, Stockholm, Sweden. 174 p.

143. Roussel J.R., Auty D., De Boissieu F., Meador A.S., JeanFranfois B. 2020. Airborne LiDAR data manipulation and visualization for forestry applications. package «lidR». Version 2.2.2. Available from: https://CRAN.Rproject.org/package=lidR

144. Ruiz-Ramos M., M'inguez M.I. ALAMEDA, a structural-functional model for Faba Bean crops: morphological parameterization and verification // Annals of Botany, 2006, v. 97(3), pp. 377—388

145. Safonova A., Hamad Y., Dmitriev E., Georgiev G., Trenkin V., Georgieva M., Dimitrov S., Iliev M. 2021. Individual tree crown delineation for the species classification and assessment of vital status of forest stands from UAV images // Drones. Vol. 5(3). Article: 77.

146. Schroder J., Rohle H., Gerold D. Modeling individual-tree growth in stands under forest conversion in East Germany // Eur J Forest Res, 2007, v. 126, pp. 459-472.

147. Smiley, E.T. & Matheny, Nelda & Lilly, S.. (2011). Tree risk assessment: A foundation. Arborist News. 20. 12-20.

148. Sokolova M., Japkowicz N., Szpakowicz S. 2008. Beyond accuracy, F-score and ROC: A family of discriminant measures for performance evaluation. Proceedings of the Australasian Joint

Conference on Artificial Intelligence. Berlin/Heidelberg: Springer. P. 1015-1021.

149. Tasoulas E., Varras G., Tsirogiannis I., Myriounis C. 2013. Development of a GIS application for urban forestry management planning // Procedia Technology. Vol. 8. P. 70-80.

150. Toutin, T. (2001). Elevation modelling from satellite visible and infrared (VIR) data. International Journal of Remote Sensing, 22(6), 1097-1125.

151. Vanclay J.K. Growth models for tropical forests: A synthesis of models and methods // Forest Science, 1995, v. 41, no. 1, pp. 4-42.

152. Vanclay J.K., Skovsgaard J.P. Evaluating forest growth models // Ecological Modelling, 1997, v. 98, no. 1, pp. 1-12.

153. Vega C., St-Onge 2009. B. Mapping site index and age by linking a time series of canopy height models with growth curves // Forest Ecology and Management. Vol. 257. P. 951 -959.

154. Vosselman G., Maas H.-G. (eds.) 2011. Airborne and Terrestrial Laser Scanning. Dunbeath: Whittles Publishing. 336 p.

155. Watts A.C., Ambrosia V.G., Hinkley E.A. 2012. Unmanned aircraft systems in remote sensing and scientific research: classification and considerations of use // Remote Sensing. Vol. 4. P. 1671-1692.

156. Wehr A., Lohr U. 1999. Airborne laser scanning—an introduction and overview // ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 54. P. 68-82.

157. Weibel, R., & Heller, M. (1991). Digital Terrain Modelling. In. Maguire D., Goodchild MF, Rhind D.(red.) Geographical Information Systems, Principles and Application. In: Longman Scientific & Technical, Burnt Mill, Harlow.

158. Weil, J. The synthesis of cloth objects. ACM Siggraph Comput. Graph. 1986, 20, 49-

54.

159. Westoby, M. J., Brasington, J., Glasser, N. F., Hambrey, M. J., & Reynolds, J. (2012). 'Structure-from-Motion'photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology, 179, 300-314.

160. Zahawi R.A., Dandois J.P., Holl K.D., Nadwodny D., Reid J.L., Ellis E.C. 2015. Using lightweight unmanned aerial vehicles to monitor tropical forest recovery // Biological Conservation. Vol. 186. P. 287-295.

161. Zhang J., Hud J., Liane J., Fan Z., Ouyang X., Ye W. 2016. Seeing the forest from drones: testing the potential of lightweight drones as a tool for long-term forest monitoring // Biological Conservation. Vol. 198. P. 60-69.

162. Zhang W., Qi J., Wan P., Wang H., Xie D., Wang X., Yan G. 2016. An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation // Remote Sensing. Vol. 8(6). Article: 501.

163. Zhen Wang, Xiongqing Zhang, Jianguo Zhang, Sophan Chhin, Effects of stand factors on tree growth of Chinese fir in the subtropics of China depends on climate conditions from predictions of a deep learning algorithm: A long-term spacing trial, Forest Ecology and Management, Volume 520, 2022.

164. Zhou J., Proisy C., Descombes X., Le Maire G., Nouvellon Y., Stape J.L., Viennois G., Zerubia J., Couteron P. 2013. Mapping local density of young Eucalyptus plantations by individual tree detection in high spatial resolution satellite images // Forest Ecology and Management. Vol. 301. P. 129-141.

165. Zhu X.G., Zhang G.L., Tholen D. The next generation models for crops and agro-ecosystems // Sci. China Inf Sci., 2011, v. 54, pp. 589-597.