Учредитель журнала

Информационное обеспечение лесного мониторинга с применением космических снимков и ГИС

УДК 004.9:528.74:636

DOI 10.52815/0204-3653_2023_5194_
EDN: VWLEWL

Музыка Сергей
Доцент кафедры охотоведения и биоэкологии, Иркутский государственный аграрный университет им. А. А. Ежевского
E-mail: ignitmuz@mail.ru

Сутугина Ирина
Преподаватель кафедры информационных систем, технологий и автоматизации в строительстве, Национальный исследовательский Московский государственный строительный университет
E-mail: SutuginaIM@mgsu.ru

Введение

В целях информационного обеспечения управления лесным хозяйством высокоточной и оперативной информацией о состоянии лесов и изменениях в лесном фонде Российской Федерации могут применяться современные цифровые технологии, системы искусственного интеллекта и материалы дистанционного зондирования. [5, 3].
Использование материалов аэро- и космических съемок сокращает объемы и стоимость работ за счет: снижения количества полевых работ, сокращения привлекаемого для работ персонала; снижения трудозатрат в процессе камеральных работ, уменьшения сроков получения и обработки данных, повышения качества и достоверности пространственной информации.
Под руководством к. б. н., доцента С. Музыки Ю. Селивановым была разработана методика по оценке элементов среды обитания объектов животного мира [4] по материалам мониторинга на участках общей площадью 10550 га, расположенных в Иркутской области (рис. 1) и Красноярском крае.

Рис. 1. Рабочая область программы SAS.Планета

Экспериментальные работы при разработке методики состояли из подготовительных работ, полевой маршрутной съемки, камеральной обработки данных. Проведено дешифрирование аэрокосмических снимков территории, которая покрыта однородной по составу лесной растительностью. По всему объекту работ могли быть использованы одинаковые дешифровочные признаки.
Работа выполнена по цветным космическим снимкам, полученным из разных источников: системы Arc GIS; Яндекс; Bing; Google; Here и динамической электронной топоосновы Маршруты.ру.
Для обработки материалов использовано свободное программное обеспечение SAS Планета (рис. 1). После предварительного дешифрирования, в пределах полученных контуров наносились точки, по которым должна быть проведена оценка естественных условий обитания животных.
При использовании открытых данных дистанционного зондирования возможны сложности с определением даты съемки и последовательности снимков, не все параметры необходимые для таксационного дешифрирования снимков могут быть рассчитаны [4]. Ошибка в определении координат точек местности этими методами может достигать 20 м, что соответствует точности масштаба 1:25 000 и мельче.
При разработке методики был изучен фактический состав лесонасаждений, установлены связи между фактическим составом лесонасаждений и их изображением на аэрокосмических фотоснимках, лесные массивы разделены на участки на уровне типов охотоугодий, определены контура границ и площадей лесных участков с однородными характеристиками.

Объект и результаты исследований

Объектом исследований для разработки методики стал охотничий участок «Саржаково», расположенный на территории Емельяновского муниципального района Красноярского края, объектом экспериментального применения методики – участок «Голоустное» Иркутской области.
В результате исследований, проведенных на участке «Саржаково» был накоплен материал, установлены уверенные взаимосвязи между дешифровочными признаками и фактическим составом лесонасаждений и разработана методика охотничьего картографирования, опробованная в незнакомой местности (участок «Голоустное»).
При проведении работ применялись не только дистанционные, но и наземные методы исследований.
Маршруты планировались в расчете на один день, с возвращением после завершения маршрута в город. Подъезд к точкам начала маршрута осуществлялся на автотранспорте.
Маршрутными исследованиями в большем объеме охвачена центральная и западная часть района, поскольку здесь присутствуют многочисленные разновозрастные вырубки. Область наибольшего сгущения точек наблюдения приходится на юго-запад территории в связи с пестрым составом ее лесонасаждений. Восточная часть территории в меньшей части охвачена маршрутной съемкой в связи с труднодоступностью этих районов, а также более однородным составом лесов. Эти площади покрыты в основном перестойными хвой­ными лесами, по большей части непроходимыми.
Точки наблюдения закладывались таким образом, чтобы их местоположение находилось в месте, отражающем общий фон, цвет и текстуру характеризуемого этой точкой выдела (полигона).
Маршруты закладывались в основном круговые, с началом и выходом на проезжих дорогах, чтобы максимально сократить величину пустого хода. Кроме основных точек наблюдения в маршрутах планировалось фиксировать точки смены характера леса по ходу движения. Для этого в GPS приемник загружалась топооснова с нанесенными на нее предварительными контурами (рис. 2–3).

Рис. 2. Планирование точек наблюдения и маршрутов на снимках

Данные, полученные в конкретной точке наблюдения затем распространялись на весь участок, ограниченный непрерывным контуром на карте, который эта точка характеризует.
В каждой точке наблюдения описывались такие элементы как состав древостоя, сомкнутость полога, состав, густота и характер распределения по территории подроста и подлеска, виды травяного и мохового покрова и степень покрытия ими почвы.
На основании полученной информации на этапе камеральной обработки определялась группа типов лесного массива и его возраст.
Грамотное построение маршрутов с использованием специального программного обеспечения, географических информационных систем на основе аэрофотоснимков и карт местности может существенно сократить время на выполнение полевых работ и соответствующие затраты.
В настоящее время авторами ведется работа по оптимизации маршрутов для представленных в работе объектов в Иркутской области с использованием MS Excel и Arc GIS на основе аэрокосмических снимков и карт местности.

Рис. 3. Рабочий экран GPS-приемника с контурами выделов, линиями маршрутов и точками наблюдений

Задачи по оптимизации маршрутов чаще всего решаются для сферы логистики и доставки, но могут быть использованы и для других задач. При этом возможно учесть в расчетах такие факторы как загруженность дорог, доступность точек доставки, расход топлива и другие.
Использование Яндекс.Карт, Google Maps и MS Excel для планирования маршрутов – наиболее доступный инструмент для многих организаций, занимающихся логистикой.
Задача коммивояжёра позволяет найти самый короткий маршрут, чтобы посетить каждую точку один раз и затем вернуться в начальную точку [6].
Для решения задачи необходимо использовать пакеты прикладных программ.
Основной целью задачи – минимизация общей стоимости транспортировки [2].
Вопрос назначения представляет из себя задачу, где из каждого пункта производства в каждый пункт потребления перевозится только один товар.
Другой вариант, когда число пунктов производства будет равно количеству пунктов назначения. При этом транспортная таблица приобретет форму квадрата. В каждом пункте назначения объем потребности будет равен 1, а при этом величина предложения от каждого пункта производства будет равна 1. Такие задачи решаются с применением алгоритмов решения транспортной задачи, а также методов линейного программирования.
Когда использование математических моделей затруднено, может применяться имитационное моделирование. Метод имитационного моделирования применяют в сложных ситуациях вариантов расчетов.
Методы линейного программирования дают возможность получить оптимальные решения. Методы имитационного моделирования позволяют проложить маршруты, приводящие к наилучшим результатам.
Перед тем, как применять имитационную модель на реальных задачах нужно оценить ее надежность, провести расчеты на длительный интервал времени, получить репрезентативные характеристики. Для вычислений имитационных моделей чаще всего применяют пакеты прикладных программ.
Сегодня для решения транспортных задач могут применяться также методы искусственного интеллекта [1].
Транспортные задачи стали интересны для специалистов Data Science. Это связано с тем, что появился большой объем разнообразных данных, которые могут быть проанализированы в комплексе.
Для целей оптимизации маршрутов применяют большие данные с видеокамер и устройств IoT и GPS, установленных на автомобилях и объектах транспортной инфраструктуры. На автомобили устанавливаются телеметрические системы для определения местоположения, скорости, уровня топлива, состояния двигателя, веса, габаритов грузов, температуры, стиля вождения.

Выводы

Развитие вычислительных технологий позволило создавать более сложные модели и обрабатывать большие объемы данных.
Для составления оптимальных маршрутов движения могут успешно применяться данные и различные методы искусственного интеллекта.
Такие нейронные сети как Graph Neural Network (GNN), Pointer Network в комбинации с другими методами (Graph Neural Network (GNN) и её комбинация с Monte Carlo Tree Search (MCTS), или Pointer Network в комбинации с DRL, работающие по принципам обучения с подкреплением, где модели обучаются и оптимизируют решения на основе обратной связи).
Dynamic Attention Model, Simulated Annealing – модели, которые используют принципы внимания и обучения с подкреплением.
В Multi-­Agent Architecture for Metaheuristics используются различные методы и алгоритмы поиска оптимального маршрута и несколько агентов работают совместно» [1].
Оптимизация маршрутов дает существенные преимущества по сравнению с ручным планированием поездок. Эта автоматизация маршрутизации снижает пробег автомобилей на 20–30%, что в дальнейшем оказывает влияние на снижение общих затрат компании, занимающейся доставкой [1].
Для оптимизации маршрутов для проведения мониторинга лесных ресурсов в представленной работе на первом этапе маршруты были проложены вручную по космическим снимкам и картам, затем загружены в GPS-приемник. На данном этапе работ планируется применение программных продуктов: MS Excel и Arc Gis и подготовка оптимизированных маршрутов.
В Microsoft Excel будет разработана вычислительная модель и рассчитан оптимальный маршрут движения без учета положения дорог на реальной карте.
Маршруты движения автомобилей между географическими точками с использованием критерия минимума стоимости доставки при наличии проходимости реальных дорог, полученной по карте местности и аэрокосмическим снимкам будут спроектированы в программном комплексе Arc Gis.
По результатам выполнения работы должна быть получена графическая схема минимальных маршрутов между точками наблюдения с учетом видимости дорог на космических снимках.