ИССЛЕДОВАНИЕ АЛГОРИТМА ОЦЕНКИ ПАРАМЕТРОВ ПРЕДПОЛЕТНОЙ ОРИЕНТАЦИИ СРЕДСТВ УПРАВЛЕНИЯ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА ПРИ МОНИТОРИНГЕ МОЛОДЫХ ЛЕСНЫХ НАСАЖДЕНИЙ

Д.Н. Демидов

Скачать

№ 4 (44)

Технологии. Машины и оборудование

Сведения об авторе

Демидов Дмитрий Николаевич – аспирант ФГБОУ ВО «Воронежский государственный лесотехнический университет имени Г.Ф. Морозова», ул. Тимирязева, д. 8, г. Воронеж, Российская Федерация, 394087, ORCID: http://orcid.org/0000-0003-1006-2881, e-mail: dnd.vgltu@mail.ru.

 

Аннотация: 

Изучение пространственно-временных характеристик автоматизированного технического средства для аэромониторинга (АТСАЭМ) на базе беспилотного летательного аппарата четырехроторной аэродинамической схемы необходимо для повышения точности дистанционной оценки биометрических параметров молодых деревьев на экспериментальном участке. Экспериментальный участок имеет прямоугольную форму с фиксированными по углам планово-высотными реперными точками и образован пересаженными в линейные борозды глубиной 0.2-0.4 м контейнерными сеянцами сосны обыкновенной (1+0, 2017 Fall plants, seed spectrometric separation, Pinus sylvestris L.). Разработана методика оценки геометрических и семантических параметров единичных растительных объектов молодых лесных насаждений сосны обыкновенной. С помощью аппарата дескриптивной статистики оценены начальная выставка средств управления (среднеквадратическая ошибка оценивания прецессии, нутации и собственного вращения 0.003584 рад), широта (51,82765 ± 0,00005°), долгота (39,36442 ± 0,00035°) и высота НУМ (122,951 ± 0,155 м) полета автоматизированного технического средства для аэромониторинга.

 

Ключевые слова: 

автоматизированное техническое средство для аэромониторинга, предполетная ориентация, молодые лесные насаждения, средства управления АТСАЭМ, лесовосстановление, методика оценки высоты единичного дерева

 

Для цитирования: 

Демидов Д. Н. Исследование алгоритма оценки параметров предполетной ориентации средств управления беспилотного летательного аппарата при мониторинге молодых лесных насаждений / Д. Н. Демидов // Лесотехнический журнал. – 2021. – Т. 11. – № 4 (44). – С. 100–111. – Библиогр.: с. 108–111 (25 назв.). – DOI: https://doi.org/10.34220/issn.2222-7962/2021.4/9.

 

Литература: 
  1. Zhao, D.; Pang, Y.; Liu, L.; Li, Z. Individual Tree Classification Using Airborne LiDAR and Hyperspectral Data in a Natural Mixed Forest of Northeast China. Forests 2020, 11, 303, doi:10.3390/f11030303.
  2. Tikkinen, M.; Riikonen, J.; Luoranen, J. Covering Norway spruce container seedlings with reflective shading cloth during field storage affects seedling post-planting growth. New For. 2021, doi:10.1007/s11056-021-09876-9.
  3. Pikkarainen, L.; Luoranen, J.; Peltola, H. Early Field Performance of Small-Sized Silver Birch and Scots Pine Container Seedlings at Different Planting Depths. Forests 2021, 12, 519, doi:10.3390/f12050519.
  4. Do, H.T.T.; Zimmer, H.C.; Vanclay, J.K.; Grant, J.C.; Trinh, B.N.; Nguyen, H.H.; Nichols, J.D. Site form classification—a practical tool for guiding site-specific tropical forest landscape restoration and management. For. An Int. J. For. Res. 2021, doi:10.1093/forestry/cpab046.
  5. Novikov, A.I. Forest restoration method. RU Patent 2 714 705, 20 May 2019 2019.
  6. Lillesand, T.M.; Kiefer, R.W.; Chipman, J.W. Remote Sensing and Image Interpretation; 7th ed.; Whiley: Hoboken, NJ, USA, 2015; ISBN 9781118343289.
  7. Kampen, M.; Vienna, L.S.; Immitzer, M.; Vienna, L.S. UAV-Based Multispectral Data for Tree Species Classification and Tree Vitality Analysis. In Proceedings of the Dreilandertagung der DGPF, der OVG und der SGPF in Wien, Osterreich – Publikationen der DGPF, Band 28; 2019; pp. 623–639.
  8. Albuquerque, R.W.; Costa, M.O.; Ferreira, M.E.; Carrero, G.C.; Grohmann, C.H. Remotely piloted aircraft imagery for automatic tree counting in forest restoration areas: a case study in the Amazon. J. Unmanned Veh. Syst. 2020, 8, 207–223, doi:10.1139/juvs-2019-0024.
  9. Zahawi, R.A.; Dandois, J.P.; Holl, K.D.; Nadwodny, D.; Reid, J.L.; Ellis, E.C. Using lightweight unmanned aerial vehicles to monitor tropical forest recovery. Biol. Conserv. 2015, 186, 287–295, doi:10.1016/j.biocon.2015.03.031.
  10. Seidel, D.; Annighöfer, P.; Ehbrecht, M.; Magdon, P.; Wöllauer, S.; Ammer, C. Deriving Stand Structural Complexity from Airborne Laser Scanning Data—What Does It Tell Us about a Forest? Remote Sens. 2020, 12, 1854, doi:10.3390/rs12111854.
  11. Jia, W.; Pang, Y.; Tortini, R.; Schläpfer, D.; Li, Z.; Roujean, J.-L. A Kernel-Driven BRDF Approach to Correct Airborne Hyperspectral Imagery over Forested Areas with Rugged Topography. Remote Sens. 2020, 12, 432, doi:10.3390/rs12030432.
  12. Ma, Z.; Pang, Y.; Wang, D.; Liang, X.; Chen, B.; Lu, H.; Weinacker, H.; Koch, B. Individual Tree Crown Segmentation of a Larch Plantation Using Airborne Laser Scanning Data Based on Region Growing and Canopy Morphology Features. Remote Sens. 2020, 12, 1078, doi:10.3390/rs12071078.
  13. Lu, H.; Pang, Y.; Li, Z.; Chen, B. An Automatic Range Ambiguity Solution in High-Repetition-Rate Airborne Laser Scanner Using Priori Terrain Prediction. IEEE Geosci. Remote Sens. Lett. 2015, 12, 2232–2236, doi:10.1109/LGRS.2015.2461441.
  14. Pang, Y.; Li, Z.; Ju, H.; Lu, H.; Jia, W.; Si, L.; Guo, Y.; Liu, Q.; Li, S.; Liu, L.; et al. LiCHy: The CAF’s LiDAR, CCD and Hyperspectral Integrated Airborne Observation System. Remote Sens. 2016, 8, 398, doi:10.3390/rs8050398.
  15. Liu, L.; Coops, N.C.; Aven, N.W.; Pang, Y. Mapping urban tree species using integrated airborne hyperspectral and LiDAR remote sensing data. Remote Sens. Environ. 2017, 200, 170–182, doi:10.1016/j.rse.2017.08.010.
  16. Pang, Y.; Meng, S.; Li, Z. Temperate Forest Aboveground Biomass Estimation Using Fourier-Based Textural Ordination (FOTO) Indices from High Resolution Aerial Optical Image. Linye Kexue/Scientia Silvae Sin. 2017, 94–104, doi:10.11707/j.1001-7488.20170311.
  17. Chen, B.; Pang, Y.; Li, Z.; Lu, H.; North, P.; Rosette, J.; Yan, M. Forest signal detection for photon counting LiDAR using Random Forest. Remote Sens. Lett. 2020, 11, 37–46, doi:10.1080/2150704X.2019.1682708.
  18. Pang, Y.; Liang, X.; Jia, W.; Si, L.; Yan, G.; Shi, J. The comprehensive airborne remote sensing experiment in Saihanba forest farm. Yaogan Xuebao/Journal Remote Sens. 2021, 25, 904–917, doi:10.11834/jrs.20210222.
  19. Sokolov, S. V.; Novikov, A.I. Adaptive estimation of UVs navigation parameters by irregular inertial-satellite measurements. Int. J. Intell. Unmanned Syst. 2021, 9, 274–282, doi:10.1108/IJIUS-10-2019-0056.
  20. Manin, A.A.; Sokolov, S. V.; Novikov, A.I.; Polyakova, M. V.; Demidov, D.N.; Novikova, T.P. Kalman Filter Adaptation to Disturbances of the Observer’s Parameters. Inventions 2021, 6, 80, doi:10.3390/inventions6040080.
  21. Safonova, A.; Hamad, Y.; Dmitriev, E.; Georgiev, G.; Trenkin, V.; Georgieva, M.; Dimitrov, S.; Iliev, M. Individual Tree Crown Delineation for the Species Classification and Assessment of Vital Status of Forest Stands from UAV Images. Drones 2021, 5, 77, doi:10.3390/drones5030077.
  22. Liu, W.C.; Lu, C.H.; Huang, W.C. Large-scale particle image velocimetry to measure streamflow from videos recorded from unmanned aerial vehicle and fixed imaging system. Remote Sens. 2021, 13, doi:10.3390/rs13142661.
  23. Mohan, M.; Richardson, G.; Gopan, G.; Aghai, M.M.; Bajaj, S.; Galgamuwa, G.A.P.; Vastaranta, M.; Arachchige, P.S.P.; Amorós, L.; Corte, A.P.D.; et al. UAV-Supported Forest Regeneration: Current Trends, Challenges and Implications. Remote Sens. 2021, 13, 2596, doi:10.3390/rs13132596.
  24. Sokolov, S. V.; Novikov, A.I. Development tendency of sowing air operating technology by unmanned aerial vehicles in artificial reforestation. For. Eng. J. 2017, 7, 190–205, doi:10.12737/article_5a3d040dc79c79.94513194.
  25. Sokolov, S. V.; Novikov, A.; Ivetić, V. Determining the initial orientation for navigation and measurement systems of mobile apparatus in reforestation. Inventions 2019, 4, 56, doi:10.3390/inventions4040056.