Разработка системы использования принципов бионики при создании технических систем

ВВЕДЕНИЕ 3
ГЛАВА 1. ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧ ОЦЕНКИ ЭКОЛОГИЧЕСКОГО СОСТОЯНИЯ ЛЕСА 5
1.1. Постановка задачи и анализ предметной области 5
1.2. Сравнительный анализ методов решения задачи оценки 5
экологического состояния леса 5
1.3. Проектирование алгоритмов метода решения задачи оценки экологиче-ского состояния леса 13
1.4. Требования к функционалу программного приложения 16
ГЛАВА 2. ПРОЕКТИРОВАНИЕ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ ПОДСИСТЕМЫ 20
2.1. Анализ функциональных требований 20
2.2. Анализ нефункциональных требований 22
ГЛАВА 3. РЕАЛИЗАЦИЯ И ТЕСТИРОВАНИЕ ПРОГРАММНОГО КОДА РАЗРАБАТЫВАЕМОГО ПРИЛОЖЕНИЯ - ПОДСИСТЕМЫ КОНТРОЛЯ ЭКОЛОГИЧЕСКОГО СОСТОЯНИЯ ЛЕСА 25
3.1. Логическое проектирование 25
3.2. Проектирование модели работы программы 27
3.3. Проектирование интерфейса 28
3.4. Тестирование работы программного приложения 46
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 53

Весь текст будет доступен после покупки

В ноябре 2020 года президент России Владимир Путин поручил создать единую федеральную государственную информационную систему (ГИС) для лесного комплекса. Система должна вести лесной реестр в электронной форме, прослеживать путь древесины от её заготовки до производства продукции и переработки. Предполагается, что в ГЛР будут внесены все виды лесных участков и территорий — от лесотаксационного выдела до лесничества, включая земли лесного фонда, земли иных категорий, покрытые лесом, с описанием границ, площади, категории земель, информации о типе леса и запасе. Комплексный и системный подход к созданию, обработке и хранению информации позволит увеличить вклад лесного комплекса в экономику страны, в том числе за счет реализации лесных климатических проектов, которые в скором времени станут ключевыми в глобальной экологической повестке.
В настоящее время существует несколько подходов при изучении про-странственной структуры древостоя. Первый предполагает использование плотных облаков точек и цифровых моделей высот древесного полога (CHM), построенных с помощью технологии LiDAR или фотограмметрии [1–3]. Другой подход заключается в анализе ортофотопланов (растровых RGB изображений) при помощи свёрточных нейронных сетей [4–6]. Одной из главных проблем второго подхода является необходимость большого массива обучающих данных [7]. Ее можно обойти, используя предобученные на других объектах нейронные сети, но остаётся открытым вопрос качества получаемых результатов. Одна из таких предобученных нейросетей – DeepForest [8, 9]. В частности, её важным достоинством является то, что она обучена на наборах данных, включающих в том числе широколиственные леса, в то время как большинство исследований, посвящённых детектированию отдельных деревьев, в качестве объекта использовали хвойные леса [10].

Весь текст будет доступен после покупки

ГЛАВА 1. ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧ ОЦЕНКИ ЭКОЛОГИ-ЧЕСКОГО СОСТОЯНИЯ ЛЕСА

1.1. Постановка задачи и анализ предметной области

Древостой имеет сложную структуру, состоит из нескольких ярусов. В составе древостоя 6 видов широколиственных деревьев: дуб (Quercus robur), ясень (Fraxinus excelsior), вяз (Ulmus glabra), клен остролистный (Acer platanoides), клен полевой (A. campestre), липа (Tilia cordata) и 2 мелколиственных - береза (Betula spp.) и осина (Populus tremula). Возраст наиболее старых деревьев дуба – около 300 лет [11, 12]. Размер ППП 440 ? 200 м, данная работа выполнена на участке 40 ? 40 м, расположенном в северо-западном углу ППП. Ранее на этом участке методом угломерной съемки нами картографировано положение всех учетных деревьев (всего 77) [13].

1.2. Сравнительный анализ методов решения задачи оценки экологического состояния леса

Для детектирования деревьев использованы ортофотопланы, полученные на основе материалов аэрофотосъемки, выполненной при помощи квадрокоптера. Съемку выполняли в 2 срока: 4 июня и 10 октября 2021 г. Фотограмметрическую обработку проводили в программе Agisoft Metashape, (версия 1.6.1.10009).
Для оценки качества детектирования деревьев определяли: 1) число кор-ректно детектированных алгоритмом деревьев (TP, true positive); 2) число ложных срабатываний алгоритма, когда дерево выделено автоматически, но отсутствует на местности (FP, false positive); 3) число пропущенных деревьев, которые существуют на местности, но не детектированы алгоритмом (FN, false negative). Детектированное алгоритмом дерево классифицировали как TP в том случае, если значение показателя IoU ? 0.5 (“intersection over union”, отношение пересечения площадей проекции кроны, сегментированной вручную, и построенного алгоритмом прямоугольника к их объединению). Деревья, выделенные алгоритмом за пределами вручную размеченной области, исключались из рассмотрения независимо от того, правильно ли они выделены. Результаты предварительного визуального анализа ортофотопланов не позволили с уверенностью детектировать деревья, которые потенциально могли быть найдены алгоритмом и, соответственно, рассчитать FN и FP. Поэтому были проведены полевые наземные исследования, в ходе которых для каждого учетного дерева было оценено положение в пологе. После этого с учетом полученных данных выполнено ручное детектирование (сегментация) крон по ортофотопланам. Затем рас-считаны общепринятые оценки качества результатов нейросетевого детектирования по следующим формулам [15–17]. p = TP/(TP + FP) r = TP/(TP + FN) F = (2•r•p) /(r + p).

Весь текст будет доступен после покупки

1. Chen Q., Gao T., Zhu J., Wu F., Li X., Lu D., Yu F. Individual Tree Segmentation and Tree Height Estimation Using Leaf-Off and Leaf-On UAV-LiDAR Data in Dense Deciduous Forests. Remote Sensing. 2022. V. 14. № 12. P. 2787. doi: 10.3390/rs14122787
2. Otero V., Van De Kerchove R., Satyanarayana B., Martinez-Espinosa C., Fisol M.A.B., Ibrahim M.R.B., Sulong I., Mohd-Lokman H., Lucas R., Dahdouh-Guebas F. 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. 2018. V. 411. P. 35–45. doi: 10.1016/j.foreco.2017.12.049
3. Mohan M., Silva C.A., Klauberg C., Jat P., Catts G., Cardil A., Hudak A.T., Dia M. Individual tree detection from Unmanned Aerial Vehicle (UAV) derived canopy height model in an open canopy mixed conifer forest. Forests. 2017. V. 8. № 9. P. 340. doi:10.3390/f8090340
4. Sylvain J.-D., Drolet G., Brown N. Mapping dead forest cover using a deep convolutional neural network and digital aerial photography. ISPRS Journal of Photogrammetry and Remote Sensing. 2019. V. 156. P. 14–26. doi: 10.1016/j.isprsjprs.2019.07.010
5. Li W., Fu H., Yu L., Cracknell A. Deep Learning Based Oil Palm Tree Detection and Counting for High-Resolution Remote Sensing Images. Remote Sensing. 2017. V. 9. № 1. P. 22. doi: 10.3390/rs9010022
6. Branson S., Wegner J.D., Hall D., Lang N., Schindler K., Perona P. From Google Maps to a ne-grained catalog of street trees. ISPRS Journal of Photogrammetry and Remote Sensing. 2018. V. 135. P. 13–30. doi: 10.1016/j.isprsjprs.2017.11.008
7. Zhu X.X., Tuia D., Mou L., Xia G.-S., Zhang L., Xu F., Fraundorfer F. Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine. 2017. V. 5. № 4. P. 8–36. doi: 10.1109/MGRS.2017.2762307
8. Weinstein B.G., Marconi S., Bohlman S., Zare A., White E. Individual tree-crown detection in RGB imagery using semi-supervised deep learning neural networks. Remote Sensing. 2019. V. 11. № 11. P. 1309. doi: 10.3390/rs11111309

Весь текст будет доступен после покупки