Методика валидации

Точность запатентованного способа (EA 052273 B1) проверялась путём сравнения результатов автоматизированной обработки с данными натурных сплошных перечётов деревьев. Эксперименты проводились на шести тестовых участках в Архангельской области.

На каждом участке выполнялся сплошной перечёт деревьев традиционными (натурными) методами в соответствии с требованиями приказа Министерства природных ресурсов Российской Федерации от 17.10.2022 г. № 688 «Порядок отвода и таксации лесосек». После этого те же участки обрабатывались с помощью воздушного лазерного сканирования и алгоритмов Арборитм. Результаты сопоставлялись между собой.

Нормативные требования

Приказ Минприроды России № 688 устанавливает следующий критерий точности:

Погрешность проведенных отвода и таксации лесосек по общему запасу и запасу деловой древесины на лесосеке не должна превышать 10% по запасу и видовому (породному) составу.

Это основной нормативный ориентир, которому должен соответствовать любой метод таксации, претендующий на практическое применение в лесозаготовительной отрасли Российской Федерации.

Достигнутые результаты

По результатам экспериментов на шести тестовых участках ошибка автоматизированной таксации по запасу составляет менее 10% от эталонного объёма, полученного натурным перечётом. Это соответствует требованиям российского лесного законодательства.

Данный результат подтверждён в ходе патентной экспертизы Евразийского патентного ведомства и зафиксирован в описании изобретения к патенту EA 052273 B1.

Что включает таксационный результат

Алгоритм формирует следующие показатели по обработанному участку:

• Общий запас древостоя (для основного и второго ярусов)
• Запас по породам
• Запас по ступеням толщины стволов
• Поштучный перечёт деревьев с указанием высоты, породы, яруса, диаметра и объёма

Эти показатели соответствуют структуре таксационной ведомости, используемой при отводе и таксации лесосек.

Факторы, влияющие на точность

Точность результатов зависит от нескольких факторов, связанных с качеством исходных данных и характеристиками обрабатываемого насаждения.

Качество лидарных данных. Плотность облака точек напрямую влияет на возможность обнаружения и разделения отдельных деревьев. Алгоритм требует плотность от 700 до 1000 точек на квадратный метр. При более низкой плотности возрастает вероятность пропуска деревьев и ошибок сегментации.

Структура насаждения. В разреженных одноярусных насаждениях деревья хорошо разделяются на растровом представлении, и алгоритм работает с наибольшей точностью. В густых многоярусных насаждениях кроны перекрываются, что затрудняет как детекцию вершин, так и сегментацию. Алгоритм учитывает второй ярус, но при трёх и более ярусах точность снижается.

Породный состав. Модель классификации обучена на четыре основных породы. Для насаждений с преобладанием этих пород точность определения породного состава выше, чем для насаждений с нетипичными или редкими породами.

Корректность разряда высот. При ручном указании разряда высот точность расчёта диаметров и объёмов напрямую зависит от правильности выбора разряда пользователем. Автоматический подбор разряда снижает субъективность, но также имеет свои ограничения в неоднородных насаждениях.

Рекомендации по валидации

Для оценки точности результатов применительно к конкретным условиям вашего лесного фонда рекомендуется закладка контрольных пробных площадей. Натурный перечёт на 5–10% обследуемой территории позволяет объективно оценить отклонения и выявить систематические ошибки, если они есть.

Сопоставление рекомендуется проводить по основным показателям: общий запас, запас по породам, количество деревьев на гектар. При наличии расхождений — обратитесь в сообщество поддержки для анализа причин и корректировки параметров обработки.