Evaluation of the Quality of Automatic Tree Detection Using Photogrammetric Canopy Height Models and Orthomosaic

Работа выполнена в малонарушенном ельнике липняковом заповедника «Кологривский лес» (Костромская обл.) на основе данных аэрофотосъемки квадрокоптером. Алгоритмы автоматического детектирования позволили выделить большинство деревьев в пологе леса. Детектирование деревьев по ортофотоплану с использованием нейросетевого алгоритма Deep Forest оказалось более качественным, чем детектирование по модели высот при помощи алгоритма, основанного на методе скользящего окна. Как правило, оба метода демонстрировали более качественные результаты для хвойных деревьев по сравнению с лиственными. Сравнение средних высот деревьев, оцененных по дистанционным данным и измеренных наземными методами, не выявило значимых различий. Показана необходимость дополнительных наземных обследований для оценки качества детектирования подроста. The work was performed in the old-growth linden-spruce forest of the Kologrivsky Forest Nature Reserve (Kostroma Oblast, Russia) based on aerial photography with a quadcopter. Automatic detection algorithms made it possible to detect most of the trees in the forest canopy. Tree detection by orthomosaic using neural network algorithm ‘DeepForest’ turned out to be of better quality than detection based on the canopy height model using an algorithm based on the sliding window method. As a rule, both methods showed better results for conifers compared to deciduous trees. Comparison of the average heights of trees estimated from remote data and measured by ground survey did not reveal significant differences. Additional ground surveys to assess the quality of undergrowth detection are needed.