ЛЕСОВЕДЕНИЕ, 2021, № 6, С. 645–672


МЕТОДИЧЕСКИЕ ПОДХОДЫ К ОЦЕНКЕ ХАРАКТЕРИСТИК ЛЕСОВ ПО ДАННЫМ СПУТНИКОВОЙ СЪЕМКИ СВЕРХВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ В ОПТИЧЕСКОМ ДИАПАЗОНЕ
С. В. Князева, А. Д. Никитина, Е. И. Белова, А. С. Плотникова, Е. С. Подольская, К. А. Ковганко
Центр по проблемам экологии и продуктивности лесов РАН
Россия, 117799 Москва, ул. Профсоюзная, 84/32
E-mail: knsvetl@gmail.com


Поступила в редакцию 06.04.2021 г.
В статье представлен обзор около 60 научных публикаций, посвященных основным методам и алгоритмам автоматизированной обработки космических снимков сверхвысокого пространственного разрешения (VHR), полученных в оптическом диапазоне, для определения характеристик лесов. На примерах конкретных исследований продемонстрирована возможность дистанционной оценки основных характеристик древесной растительности (биометрических и морфоструктурных параметров, породного и видового разнообразия, нарушений лесного полога, состояния и динамики лесов, фитомассы и запаса углерода), выделены наиболее перспективные методические подходы и алгоритмы с учетом показателей точности определения целевых параметров. Рассмотрены особенности объектно-ориентированного подхода (OBIA) к обработке высокодетальных изображений VHR, позволяющего преодолеть ограничения традиционных методов попиксельной классификации изображений. Из приведенных в обзоре исследований этот подход применяется в большинстве случаев и дает возможность получить наиболее высокие значения точности определяемых параметров по сравнению с другими методами анализа изображений. Основным показателем, обеспечивающим эффективность классификации при OBIA, является точность сегментации изображения по элементам полога. Поэтому особое внимание в статье уделено трудностям и проблемам совершенствования методов сегментации изображения в целях выделения отдельных крон деревьев и разделения освещенных и затененных участков кронового и межкронового пространства древесного полога. В обзоре представлены варианты применения различных алгоритмов и методов классификации и регрессионного моделирования - метод максимального правдоподобия, байесовский классификатор, машина опорных векторов, “деревья” решений, метод K-ближайших соседей, модель гауссовой смеси, искусственная нейронная сеть и др. Выбор оптимального алгоритма зависит от многих факторов: целей дешифрирования, характеристик спутниковых и наземных данных, качества обучающих выборок, сложности структуры древесного полога леса, дополнительной информации о лесной территории и др. OBIA в сочетании с линейным дискриминантным анализом для отбора признаков и обобщенными линейными моделями оказались особенно полезными для определения пород деревьев в бореальных лесах; в тропических и экваториальных лесах лучшие результаты показало применение нейронных сетей, но это наиболее трудоемкая задача. Высокие оценки точности определения биометрических характеристик древостоев продемонстрированы алгоритмами Random Forest и опорных векторов.
Ключевые слова: характеристики лесной растительности, параметры древостоев, изображение лесного полога, спутниковые данные сверхвысокого пространственного разрешения, оптический диапазон съемки, объектно-ориентированные методы, алгоритмы классификации, регрессионное моделирование.
Исследование выполнено в рамках темы ГЗ ЦЭПЛ РАН (АААА-А18-118052400130-7) и при финансовой поддержке РФФИ (20-34-90152).
DOI: 10.31857/S0024114821060073


СПИСОК ЛИТЕРАТУРЫ



  • Аброскина А.К., Волокитина А.В., Корец М.А. Составление карт природной пожарной опасности по материалам лесоустройства // Вестник КрасГАУ. 2012. № 7(70). С. 60-64.

  • Алтынцев М. А. Преобразование Tasseled Cap по космическим снимкам IKONOS для дешифрирования растительности // Интерэкспо Гео-Сибирь. 2011. Т. 4.

  • Барталев С.А., Брейдо М.Д. Автоматизированное определение таксационных характеристик кустарниковой растительности пустынь по дистанционным данным // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 1989. № 4. С. 94–102

  • Браславская Т. Ю. Градиентный анализ флористического состава и экологической структуры травяного яруса в пойменных лесах // Известия самарского научного центра российской академии наук. 2012. Т.14. № 1(5). С. 1202–1205.

  • Гамбарова Е.М. Обучение нейронного классификатора типа многослойный перцептрон и анализ результатов классификации на снимках, полученных со спутника IKONOS, с использованием геоинформационных технологий // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2007. №1. С. 43-51.

  • Гонсалес Р., Вудс Р. Цифровая обработка изображений. Техносфера. Москва. 2012. 1104 с.

  • Гормаш А.В., Оньков И.В., Чернопазов В.А., Кривенко М.А. Опыт использования космических снимков IKONOS и QuickBird для решения задач муниципального хозяйства г. Перми // Геоматика. 2010. №. 1. С. 52-56.

  • Жирин В.М., Князева С.В., Эйдлина С.П. Оценка влияния морфологии древесного полога и рельефа на спектральные характеристики лесов по данным Landsat // Исследование Земли из космоса. 2016. № 5. С. 10–20.

  • Жирин В.М., Лукина Н.В. Развитие системы инвентаризации лесов России // Лесной вестник/Forestry Bulletin. 2017. Т. 21. № 2. С. 4-14.

  • Жирин В. М., Князева С. В., Эйдлина С. П. Оценка биометрических параметров насаждений по изображениям межкронового пространства на снимках сверхвысокого разрешения // Лесоведение. 2018. № 3. С. 163–177.

  • Замолодчиков Д.Г., Грабовский В.И., Честных О.В. Динамика баланса углерода в лесах федеральных округов Российской Федерации // Вопросы лесной науки. 2018. Т. 1. № 1.

  • Иванов Е.С. Некоторые приложения сегментации снимков ДЗЗ // Современные проблемы дистанционного зондирования Земли из космоса. 2016 Т.13 №1 С. 105-116.

  • Кравцова В.И. Пространственная структура экотона тундра - тайга на плато Путорана (по космическим снимкам сверхвысокого разрешения) // Вестник московского Университета. 2012. Сер. 5. География. № 1.

  • Новичихин А.Е., Тутубалина О.В. Интеграция алгоритмов обработки космических снимков сверхвысокого пространственного разрешения для автоматизированного дешифрирования лесной растительности // Земля из космоса: наиболее эффективные решения. М.: Инженерно-технологический центр "СКАНЭКС". 2009. №3. С. 40–42.

  • Орлова М. А., Лукина Н.В., Смирнов В.Э. Методические подходы к отбору образцов лесной подстилки с учетом мозаичности лесных биогеоценозов // Лесоведение. 2015. № 3. С. 214–221.

  • Рагимов Р.М., Гамбаров А.Ю., Исмаилов Дж.И., Бабаев Э.З., Гамбарова Е.М. Сравнительный анализ статистического и нейронного классификаторов для распознования объектов на снимках IKONOS // Исследование Земли из космоса. 2007. № 1. С. 36-46.

  • Софронова А. В., Волокитина А. В. Составление карты растительных горючих материалов для объекта нефтегазового комплекса по данным дешифрирования космического снимка сверхвысокого разрешения // Проблемы региональной экологии. 2014. № 4. С. 100–104.

  • Софронова А.В., Волокитина А.В. Картографирование растительных горючих материалов методом визуально-инструментального дешифрирования космических снимков // География и природные ресурсы. 2017. № 4. С. 189-196.

  • Сухих В.И., Жирин В.М., Зиемелис Т.А., Шаталов А.В. Оценка информативности космических фотоснимков высокого разрешения для инвентаризации лесов // Исследование Земли из космоса. 1996. № 2. С. 45-56.

  • Тебенькова Д.Н., Лукина Н.В., Чумаченко С.И., Данилова М.А., Кузнецова А.И., Горнов А.В., Гагарин Ю.Н. Мультифункциональность и биоразнообразие лесных экосистем // Лесоведение.  2019. №. 5. С. 341-356.

  • Терехов А. Г., Макаренко Н. Г., Пак И. Т. Автоматический алгоритм классификации снимков QuickBird в задаче оценки полноты леса // Компьютерная оптика. 2014. Т. 38. №. 3.

  • Тюкавина А.Ю. Определение сомкнутости крон редкостойных лиственничников Таймыра по космическим снимкам разного разрешения // Исследования Земли из космоса. 2012. №5. С. 64–74.

  • Фраленко В.П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. 2014. № 4(22). С. 19–39.

  • Харук В. И., Им С. Т., Ягунов М. Н. Миграция северной границы распространения сибирского шелкопряда // Сибирский экологический журнал. 2018. Т. 25. №. 1. С. 32-44.

  • Чистяков С.П. Случайные леса: Обзор // Труды Карельского центра РАН. 2013. № 1. С. 117-136.

  • Ardila J.P., Bijker W., Tolpekin V.A., Stein A. Context-sensitive extraction of tree crown objects in urban areas using VHR satellite images // International journal of applied earth observation and geoinformation. 2012. V. 15. P. 57-69.

  • Bhugeloo A., Peerbhay K., Ramdhani S., Sershen Assessing the Trade-Offs of SPOT7 Imagery for Monitoring Natural Forest Canopy Intactness // Forests. 2018. V. 9(12). P.1-14.

  • Blaschke T., Hay G.J., Kelly M., Lang S., Hofmann P., Addink E., Feitosa R.Q., van der Meer F., van der Werff H., van Coillie F., Tiede D. Geographic Object-Based Image Analysis – Towards a new paradigm // ISPRS Journal of Photogrammetry and Remote Sensing. 2014. V. 87. P. 180-191.

  • Braga J.R.G., Peripato V., Dalagnol R., Ferreira M.P., Tarabalka Y., Aragão L.E.O.C., de Campos Velho H.F., Shiguemori E.H., Wagner F.H. Tree Crown Delineation Algorithm Based on a Convolutional Neural Network // Remote Sensing. 2020. V. 12. P. 1-27.

  • Breiman L. Bagging predictors // Machine Learning. 1996. V. 24. № 2. P. 123-140.

  • Brosofske K.D., Froese R.E., Falkowski M.J., Banskota A. A Review of Methods for Mapping and Prediction of Inventory Attributes for Operational Forest Management // Forest Science. 2014. V. 60(4).

  • Bulut S., Günlü A., Keleş S. Estimation of forest development stage and crown closure using different classification methods and satellite images: A case study from Turkey //Journal of Forest Science.  2019. V. 65. N. 1. P. 18-26.

  • Cartus O., Kellndorfer J., Rombach M., Walker W. Mapping Canopy Height and Growing Stock Volume Using Airborne Lidar, ALOS PALSAR and Landsat ETM+ // Remote Sensing. 2012. V. 4. N. 11. P. 3320-3345.

  • Chen G., Hay G. J., St-Onge B. A GEOBIA framework to estimate forest parameters from lidar transects, Quickbird imagery and machine learning: A case study in Quebec, Canada // International Journal of Applied Earth Observation and Geoinformation. 2012. V. 15. P. 28-37.

  • Cheng G., Han J. A survey on object detection in optical remote sensing images // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. V. 117. P. 11-28.

  • Chung K. L., Lin Y. R., Huang Y. H. Efficient shadow detection of color aerial images based on successive thresholding scheme // IEEE transactions on geoscience and remote sensing. 2008. V. 47. N. 2. P. 671-682.

  • Clark M. L., Roberts D. A., Clark D. B. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales // Remote sensing of environment. 2005. V. 96. N. 3-4. P. 375-398.

  • Comaniciu D., Meer P. Mean shift analysis and applications // Proceedings of the Seventh IEEE International Conference on Computer Vision. 1999.

  • Coops, N.C.; Johnson, M.; Wulder, M.A.; White, J.C. Assessment of QuickBird high spatial resolution imagery to detect red attack damage due to mountain pine beetle infestation // Remote Sensing of Environment. 2006. V. 103. P. 67-80.

  • Culvenor D.S. TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery // Computers & Geosciences. 2002. V. 28. N. 1. P. 33-44.

  • Dalagnol R., Phillips O.L., Gloor E., Galvao L.S., Wagner F.H., Locks C.J., Aragao L.E.O. Quantifying Canopy Tree Loss and Gap Recovery in Tropical Forests under Low-Intensity Logging Using VHR Satellite Imagery and Airborne LiDAR // Remote sensing. 2019. V. 11. P. 1-20.

  • Daliakopoulos I., Grillakis G., Koutroulis A., Tsanis I. Tree Crown Detection on Multispectral VHR Satellite Imagery // Photogrammetric Engineering & Remote Sensing. 2009. V. 75. N. 10. P. 1201-1211.

  • Dalponte M., Marzini S., Solano-Correa Y.T., Tonon G., Vescovo L., Gianelle D. Mapping forest windthrows using high spatial resolution multispectral satellite images // International Journal of Applied Earth Observation and Geoinformation. 2020. V. 93. P. 1-12.

  • Das S., Aery A. A review: shadow detection and shadow removal from images // International Journal of Engineering Trends and Technology (IJETT). 2013. V. 4. N. 5. P. 1764-1767.

  • Deepan P., Abinaya S., Haritha G., Iswarya V. Road recognition from remote sensing imagery using machine learning // International Research Journal of Engineering and Technology (IRJET). 2018 V. 5 N. 3. P. 3677 – 3683.

  • Duan Q., Tu Y-H., Searle C., Wu D., Phinn S., Robson A., McCabe M.F. Mapping the condition of macadamia tree crops using multi-spectral UAV and WorldView-3 imagery // ISPPRS Journal of Photogrammetry and Remote Sensing. 2020. V. 165. P. 28-40.

  • Evans B., Lyons T., Barber P., Stone C., Hardy G. Dieback classification modelling using high-resolution digital multispectral imagery and in situ assessments of crown condition // Remote sensing letters. 2014. V. 3. N. 6. P. 541-550.

  • Esmaili R., Jouibary S.S., Soosani J., Naghavi H. Mapping of understory infested boxwood trees using high resolution imagery // Remote Sensing Applications: Society and Environment. 2020. V. 18. P.1-11.

  • Falkowski M.J., Wulder M.A., White J.C., Gillis M.D. 2009. Supporting large-area, sample-based forest inventories with very high spatial resolution satellite imagery // Progress in Physical Geography. 2009. V. 33. P. 403-423.

  • Fassnacht F. E., Latifi H., Stereńczak K., Modzelewska A. Review of studies on tree species classification from remotely sensed data // Remote Sensing of Environment. 2016. V. 186. P. 64-87.

  • Féret J.B., Asner G.P. Mapping tropical forest canopy diversity using high‐fidelity imaging spectroscopy // Ecological Applications. 2014. V. 24. N. 6. P. 1289-1296.

  • Fernández-Guisuraga J.M., Calvo L., Fernández-García V., Marcos-Porras E., Taboada A., Suárez-Seoane S. Efficiency of remote sensing tools for post-fire management along a climatic Gradient // Forest Ecology and Management. 2019. V. 433. P. 553-562.

  • Ferreira M. P., Wagner F.H., Aragão L.E.O., Shimabukuro Y.E.  Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis // ISPRS journal of photogrammetry and remote sensing. 2019. V. 149. P. 119-131

  • Finley A.O., McRoberts R.E. Efficient k-nearest neighbor searches for multi-source forest attribute mapping // Remote Sensing of Environment. 2008. V. 112. N. 5. P. 2203-2211.

  • Franco-Lopez H., Ek A. R., Bauer M. E. Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method // Remote sensing of Environment. 2001. V. 77. N. 3. P. 251-274.

  • Garrity S.R., Allen C.D., Brumby S.P., Gangodagamage C., McDowell N.G., Cai D.M. Quantifying tree mortality in a mixed species woodland using multitemporal high spatial resolution satellite imagery // Remote Sensing of Environment. 2013. V. 129. P. 54–65.

  • Gecen R., Sarp G. Road detection from high- and low-resolution satellite images // The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences. 2008. V. XXXVII. Part B4. P. 355-357.

  • Gonçalves A.C., Sousa A.M.O., Silva J.R.M. Pinus pinea above ground biomass estimation with very high spatial resolution satellite images// Options Méditerranéennes.2017. N. 122. P. 49-54.

  • Goodbody T.R.H.; Coops N.C.; Hermosilla T.; Tompalski P.; Crawford P. Assessing the status of forest regeneration using digital aerial photogrammetry and unmanned aerial systems // International Journal of Remote Sensing. 2018. V. 39. N. 15-16. P. 5246-5264.

  • Günlü A., Ercanlı İ., Şenyurt M., Keleş S. Estimation of some stand parameters from textural features from WorldView-2 satellite image using the artificial neural network and multiple regression methods: a case study from Turkey //Geocarto International. 2019. P. 1-18.

  • Harris N.L., Gibbs D.A., Baccini A., Birdsey R.A., Bruin S.D., Farina M., Fatoyinbo L., Hansen M.C., Herold M., Houghton R.A., Potapov P.V., Suarez D.R., Roman-cuesta R.M., Saatchi S.S., Slay C.M., Turubanova S.A., Tyukavina A. Global maps of twenty-first century forest carbon fluxes // Nature Climate Change. 2021. V. 11. N. 3. P. 234-240.

  • Hicke, J.A.; Logan, J. Mapping whitebark pine mortality caused by a mountain pine beetle outbreak with high spatial resolution satellite imagery. // International Journal of Remote Sensing. 2009. V. 30. P. 4427-4441.

  • Hossain M.D., Chen D. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective // ISPRS Journal of Photogrammetry and Remote Sensing. 2019. V.150. P. 115-134.

  • Huang H., Li X., Chen C. Individual Tree Crown Detection and Delineation From Very-High-Resolution UAV Images Based on Bias Field and Marker-Controlled Watershed Segmentation Algorithms // IEEE Journal of selected topics in applied earth observations and remote sensing. 2018. P.1939-1404

  • Immitzer M., Atzberger C., Koukal T. Tree Species Classification with Random Forest Using Very High Spatial Resolution 8-Band WorldView-2 Satellite Data // Remote Sensing. 2012. V. 4. P. 2661-2693.

  • Johansen K., Duan Q., Tu Y-H., Searle C., Wu D., Phinn S., Robson A., McCabe M.F. Mapping the condition of macadamia tree crops using multi-spectral UAV and WorldView-3 imagery // ISPPRS Journal of Photogrammetry and Remote Sensing. 2020. V. 165. P. 28-40.

  • Jung M., Tautenhahn S., Kattge J., Wirth C. Estimating basal area of spruce and fir in post-fire residual stands in Central Siberia using QuickBird, feature selection, and Random forests // Procedia Computer Science. Сер. "2013 International Conference on Computational Science, ICCS 2013". 2013. P. 2386-2395.

  • Karantzalos K., Argialas D. Towards automatic olive trees extraction from aerial and satellite imagery // International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences. Istanbul, Turkey. 2004. N. 35(5). P. 360-365.

  • Karantzalos K.G., Argialas D.P. Towards Automatic Olive Tree Extraction from Satellite Imagery // Commission III. 2010.

  • Katoh M. Classifying tree species in a northern mixed forest using high-resolution IKONOS data // Journal of Forest Research. 2004. V. 9. N. 1. P. 7-14.

  • Kayitakire F., Hamel C., Defourny P. Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery // Remote sensing of environment. 2006. V. 102. N. 3-4. P. 390-401.

  • Kim M., Madden M., Warner T. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery // Object-based image analysis. Springer. Berlin. Heidelberg. 2008. P. 291-307.

  • Ku N., Popescu S. A comparison of multiple methods for mapping local-scale mesquite tree aboveground biomass with remotely sensed data // Biomass and Bioenergy. 2019. V. 122(1). P. 270-279.

  • Li Q., Wong F.K.K., Fung T. Classification of Mangrove Species Using Combined WordView-3 and LiDAR Data in Mai Po Nature Reserve, Hong Kong // Remote Sensing. 2019. V.11. P.1-17.

  • Lin C., Popescu S. C., Thomson G., Tsogt K., Chang, C. I. Classification of tree species in overstorey canopy of subtropical forest using QuickBird images // PloS one. 2015. V. 10. N. 5.

  • Lizarazo I. Accuracy assessment of object-based image classification: another STEP // International Journal of Remote Sensing. 2014. V. 35. N. 16. P. 6135-6156.

  • Malahlela O., Cho M. A., Mutanga O. Mapping canopy gaps in an indigenous subtropical coastal forest using highresolution WorldView‑2 data // International Journal of Remote Sensing. 2014. V. 35. N. 17. P. 6397-6417.

  • Meng R., Wu J., Serbin S.P., Zhao F., Cook B.D., Hanavan R.P. Measuring short-term post-fire forest recovery across a burn severity gradient in a mixed pine-oak forest using multi-sensor remote sensing techniques // Remote Sensing of Environment. 2018. V. 210. P. 282-296.

  • Mora B., Wulder M. A., White J. C. Identifying leading species using tree crown metrics derived from very high spatial resolution imagery in a boreal forest environment // Canadian Journal of Remote Sensing. 2010. V. 36. N. 4. P. 332-344.

  • Murtaugh P.A. Performance of several variable selection methods applied to real ecological data // Ecology Letters. 2009. V.12(10). P. 1061–1068.

  • Narkhede H.P. Review of Image Segmentation Techniques // International Journal of Science and Modern Engineering (IJISME). 2013. V.1. N. 8. P.54-61.

  • Navar J. Allometric equations for tree species and carbon stocks for forests of northwestern Mexico // Forest Ecology and Management. 2009. V. 257(2). P 427–434.

  • Nelson T., Niemann K.O., Wulder M.A. Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery // Journal of Geographical Systems. 2002. V. 4. P.423-433.

  • Nelson T., Roots B., Wilder M., Feick R. Predicting forest age classes from high spatial resolution remotely sensed imagery using Voronoi polygon aggregation // GeoInformatica. 2004. V. 8. N. 2. P. 143-155.

  • Ozdemir I. Estimating stem volume by tree crown area and tree shadow area extracted from pan‐sharpened Quickbird imagery in open Crimean juniper forests // International Journal of Remote Sensing. 2008. V. 29. N. 19. P. 5643-5655.

  • Ozdemir I., Karnieli A. Predicting forest structural parameters using the image texture derived from WorldView-2 multispectral imagery in a dryland forest, Israel // International Journal of Applied Earth Observation and Geoinformation. 2011. V. 13. N. 5. P. 701-710.

  • Palace M., Keller M., Asner G., Hagen S., Braswell B. Amazon forest structure from IKONOS satellite data and the automated characterization of forest canopy properties // Biotropica. 2008. V. 40. N. 2. P. 141-150.

  • Pandey S.K., Chand N., Nandy S., Muminov A., Sharma A., Ghosh S., Srinet R. High-Resolution Mapping of Forest Carbon Stock Using Object-Based Image Analysis (OBIA) Technique // Journal of the Indian Society of Remote Sensing. 2020. V.48. P.865-875.

  • Papaiordanidis S., Tompoulidou M., Lefakis P., Gitas I.Z. Evaluation of spectral indices efficiency in burned area mapping using object-based image analysis // GeoScience. 2017. N 2. P. 65-72.

  • Pilli R., Grassi G., Kurz W.A., Fiorese G., Cescatti A. The European forest sector: past and future carbon budget and fluxes under different management scenarios // Biogeosciences. 2017. V. 14. N. 9. P. 2387-2405.

  • Pontius J., Hanavan R., Hallett R., Cook B., Corp L. High spatial resolution spectral unmixing for mapping ash species across a complex urban environment // Remote Sensing of Environment. 2017. V. 199. P. 360-369.

  • Pu R., Liu D. Segmented canonical discriminant analysis of in situ hyperspectral data for identifying 13 urban tree species // International Journal of Remote Sensing. 2011. V. 32. N. 8. P. 2207-2226.

  • Pu R., Landry S. Evaluating seasonal effect on forest leaf area index mapping using multi-seasonal high resolution satellite pléiades imagery // International Journal of Applied Earth Observation and Geoinformation. 2019. V. 80. P. 268-279.

  • Qian Y., Yan J., Zhou W., Han. L. Comparing Machine Learning Classifiers for Object-Based Land Cover Classification Using Very High Resolution Imagery // 2014. Remote Sensing. V. 7(1). P. 153-168.

  • Radoux, J.; Bogaert, P.; Fasbender, D.; Defourny, P. Thematic accuracy assessment of geographic object-based image classification // International Journal of Geographical Information Science. 2011. V. 25. N. 6. P. 895-911.

  • Rikimaru A., Roy P. S., Miyatake S. Tropical forest cover density mapping // Tropical ecology. 2002. V. 43. N. 1. P. 39-47.

  • Rogan J., Yool S. R. Mapping fire-induced vegetation depletion in the Peloncillo Mountains, Arizona and New Mexico // International Journal of Remote Sensing. 2001. V. 22. N. 16. P. 3101-3121.

  • Sarabandi, P.; Yamazaki, F.; Matsuoka, M.; Kiremidjian, K. Shadow Detection and Radiometric Restoration in Satellite High Resolution Images. // IGARSS 2004. International Geoscience and Remote Sensing Symposium. IEEE. 2004. V. 6. P. 3744-3747.

  • Schepaschenko D., Moltchanova E., Fedorov S., Karminov V., Ontikov P., Santoro M., See L., Kositsyn V., Shvidenko A., Romanovskaya A., Korotkov V., Lesiv M., Bartalev S., Fritz S., Shchepashchenko M., Kraxner F. Russian forest sequesters substantially more carbon than previously reported // Nature. 2021.

  • Scherzer O. Handbook of Mathematical Methods in Imaging. Springer. 2011. 1067 p.

  • Schwarz M., Steinmeier C., Holecz F., Stebler O., Wagner H. Detection of windthrow in mountainous regions with different remote sensing data and classification methods // Scandinavian Journal of Forest Research.  2003. V. 18.  №. 6. P. 525-536.

  • Senf C., Seidl R., Hostert P. Remote sensing of forest insect disturbances: Current state and future directions // International Journal of Applied Earth Observation and Geoinformation. 2017. V. 60. P.49-60.

  • Susaki J. Segmentation of shadowed buildings in dense urban areas from aerial photographs // Remote Sensing. 2012. V. 4. N. 4. P. 911-933.

  • Tsai V.J.D. A comparative study on shadow compensation of color aerial images in invariant color models //IEEE Transactions on geoscience and remote sensing. 2006. V. 44. N. 6. P. 1661-1671.

  • Vanderhoof M.K., Burt C., Hawbaker T.J. Time series of high-resolution images enhances efforts to monitor post-fire condition and recovery, Waldo Canyon fire, Colorado, USA // International Journal of Wildland Fire. 2018. V. 27. N 10. P. 699-713.

  • Vincent N., Mathew S. Shadow detection: A review of various approaches to enhance image quality //International Journal of Computer Sciences and Engineering. 2014. V. 2. N. 4. P. 49-54.

  • Wagner, F.H.; Ferreira, M.P.; Sanchez, A.; Hirye, M.C.; Zortea, M.; Gloor, E.; Phillips, O.L.; de S. Filho, C.R.; Shimabukuro, Y.E.; Aragão, L.E. Individual tree crown delineation in a highly diverse tropical forest using very high resolution satellite images // ISPRS Journal of Photogrammetry and Remote Sensing. 2018. V. 145. P. 362-377.

  • Wagner F. H., Sanchez A., Tarabalka Y., Lotte R. G., Ferreira M. P., Aidar M. P., Gloo E., Phillips O.L., Aragão L. E. Using the U‐net convolutional network to map forest types and disturbance in the Atlantic rainforest with very high resolution images // Remote Sensing in Ecology and Conservation. 2019. P. 1-16.

  • Wang C. Biomass allometric equations for 10 co-occurring tree species in Chinese temperate forests // Forest Ecology and Management. 2006. V. 222(1–3). P. 9–16.

  • Warner T. A., McGraw J. B., Landenberger R. Segmentation and classification of high resolution imagery for mapping individual species in a closed canopy, deciduous forest // Science in China Series E: Technological Sciences. 2006. V. 49. N. 1. P. 128-139.

  • Waser L.T., Küchler M., Jütte K., Stampfer T. Evaluating the Potential of WorldView-2 Data to Classify Tree Species and Different Levels of Ash Mortality // Remote Sensing. 2014. V. 6. P. 4515-4545.

  • White, J.C.; Wulder, M.A.; Brooks, D.; Reich, R.; Wheate, R.D. Detection of red attack stage mountain pine beetle infestation with high spatial resolution satellite imagery // Remote Sensing of Environment. 2005. V. 96. P. 340-351.

  • White, J.C., Coops, N., Wulder, M., Vastaranta, M., Hilker, T., Tompalski, P. Remote sensing technologies for enhancing forest inventories: A review // Canadian Journal of Remote Sensing. 2016. V. 42. N. 5. P. 619-641.

  • Wu J., Bauer M.E. Evaluating the Effects of Shadow Detection on QuickBird Image Classification and Spectroradiometric Restoration // Remote Sensing. 2013. V. 5. N. 9. P. 4450-4469.

  • Wulder M., Niemann K. O., Goodenough D. G. Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery // Remote Sensing of environment. 2000. V. 73. N. 1. P. 103-114.

  • Yoon T.K., Park C.W., Lee S.J., Ko S., Kim K.N., Son Y., Lee K.H., Oh S., Lee W.K., Son Y. Allometric equations for estimating the aboveground volume of five common urban street tree species in Daegu, Korea // Urban Forestry & Urban Greening. 2013. V.12(3). P. 344-349.

  • Yu D., Li J., Wang Y. An integrated method for road network centerline detection from multispectral imagery // Springer International Publishing AG 2016. P. 332-341.

  • Zhen, Z., Quackenbush, L.J., Stehman, S.V., Zhang, L. Impact of training and validation sample selection on classification accuracy and accuracy assessment when using reference polygons in object-based classification // International Journal of Remote Sensing. 2013. V. 34. N. 19. P. 6914-6930.

  • Zhou, W.; Huang, G.; Troy, A.; Cadenasso, M.L. Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study. // Remote Sensing of Environment. 2009. V. 113. N. 8. P. 1769-1777.

  • Zhu F., Shen W., Diao J., Li M., Zheng G. Integrating cross-sensor high spatial resolution satellite images to detect subtle forest vegetation change in the Purple Mountains,a national scenic spot in Nanjing, China // Journal of Forestry Research. 2020. V. 31. P. 1743-1758.