В последние годы среди исследователей и практиков управления лесами во многих странах мира обсуждается концепция высокоточного лесного хозяйства, по-английски – precision forestry. Эта концепция заимствована из области сельского хозяйства, где идея высокоточного земледелия используется с 1990-х годов с целью повышения урожайности, снижения рисков и воздействия на окружающую среду. Идея высокоточного лесного хозяйства включает в себя планирование и проведение лесохозяйственных мероприятий, направленных на повышение эффективности выращивания древесины и ее заготовки, снижение затрат на ведение лесного хозяйства, а также поддержание устойчивости лесных экосистем и сохранения биоразнообразия.
Высокоточное лесное хозяйство предусматривает использование технологий для получения максимально точной и актуальной информации о лесе для достижения целей управления лесами. ВЛХ предполагает переход от принятия решений на основе общих данных на уровне лесных насаждений к принятию решений на основе точных характеристик каждого дерева. Среди наиболее перспективных глобальных направлений цифровизации деятельности лесных компаний считается переход от инвентаризации лесов полевым глазомерным методом на основе выборочной таксации к цифровой инвентаризации лесов на основе сьемки с беспилотных летательных аппаратов и лазерного сканирования лесов.
Беспилотные летательные аппараты и современные технологии обработки полученных с них изображений позволяют проводить точную подеревную таксацию и создавать цифровые копии лесного насаждения для более точного управления лесами. Однако, сохраняется скептическое отношение к возможности применения таких технологий в России. Например, считается, что на изображении, полученном с квадрокоптера в загущенных лесных насаждениях, в которых не были проведены рубки ухода, невозможно «увидеть» все деревья. Учитывая это, летом 2019 года было проведено тестирование применения на Северо-Западе России технологии подеревной таксации делянок с помощью «облачной» обработки мульти-угловой съемки, выполняемой квадрокоптером.
В настоящее время во многих лесопромышленных компаниях России появились квадрокоптеры. В основном они используются для того, чтобы можно было «посмотреть» труднодоступные участки, для доступа к которым требуются физические усилия. Чаще всего квадрокоптер запускается оператором, который на экране планшета видит видео, транслируемое квадрокоптером. Этот подход используется для глазомерных оценок доступности делянок, качества лесовозобновления, породного состава и оценки общего состояния участка. При этом, все оценки делаются на основе глазомерной оценки оператором и во многом зависят от опыта оператора.
Беспилотные летательные аппараты уже совершили настоящую цифровую революцию в ряде отраслей, в основном за счет получения информации не доступной ранее. В лесном хозяйстве наибольший эффект дает не визуальная оценка, а цифровая обработка трехмерных моделей, получаемых на основе аэрофотосъёмки. Традиционный подход к дешифрированию материалов аэрофотосъёмки основан на визуальном дешифрировании аэрофотоснимков оператором. Появление беспилотных летательных аппаратов позволило получать материалы сьемки очень высокого качества. Достигается это за счет снижения высоты полета и увеличения количества перекрытий снимков. Объёмы информации увеличиваются экспоненциально, но современные компьютеры и возможности обработки информации на графических процессорах позволили полностью автоматизировать этот процесс. Примером такого процесса является сервис forestscanner.net, разработанный компанией Forgis Oy.
Использование специально разработанных дронов совместно с высокоточными GNSS приёмниками и интернет-сервиса позволяет провести цифровизацию заготовки древесины и управление лесными ресурсами. Это позволяет для арендатора лесного участка создать эффект присутствия за счет получения точной и актуальной цифровой копии лесного участка, что особенно актуально в условиях современной России.
Не секрет, что возраст материалов лесоустройства превышает более 30 лет по ряду регионов, кроме того, существующая лесоустроительная инструкция содержит в себе требования, которые приводят к значительному снижению точности определения ключевых таксационных характеристик. Как следствие использование таксационных характеристик, определенных с низкой точностью, приводит к снижению эффективности принятия решений при управлении лесными ресурсами. В действующих инструкциях России требования к точности относительно низкие по сравнению с теми требованиями точности, которые предъявляются в большинстве Скандинавских стран, например, существующая инструкция содержит достаточно серьёзные возможные отклонения по запасу насаждений и по его структуре.
Не секрет и то, что в России происходят случаи воровства древесины, в процессе заготовки. Сервис forestscanner.net позволяет использовать беспилотные летательные аппараты для секьюритизации лесообеспечения. Она достигается за счет того, что все деревья до рубки точно измеряются, то есть дрон вылетает на участок, делает съемку, затем в веб сервисе forestscanner.net производится анализ этих данных и результаты этого анализа передаются лицами принимающим решения в компании, которая занимается заготовкой древесины. Все деревья измерены достаточно точно и до рубки у каждого дерева известна высота, его точные географические координаты, диаметр, порода. Таким образом, дроны могут сделать заготовку древесины прозрачным процессом и позволить отследить каждое дерево. Зная все эти исходные параметры, можно очень точно по сортиментной программе предприятия рассчитать сколько в результате рубки должно получится сортиментов по каждой породе. Этот расчёт позволяет определить не только объем древесины, полученный по каждой сортиментной группе, но и точно знать сколько штук стволов пиловочника, какого диаметра должно быть получено после рубки древесины на делянке.
В результате для пользователя этой системы предоставляется единое информационное поле для планирования работ. Отводчик делянки для компании, ведущей заготовку древесины, может наметить предварительно делянку, выбрать участок, выехать на место с дроном, провести съемку по специально прописанному алгоритму проведения съемки, затем передать данные на сервис forestscanner.net и все полученные результаты становятся доступны для всех вовлеченных сторон. Имея логин и пароль к специальному веб приложению и мобильному приложению, можно увидеть, состояние всех деревьев на делянке до рубки, ортофотопланы, определенные деревья, посчитанные по каждому дереву высоты, диаметры, сортиментную структуру и итоги по стоимости древесины на участке. Кроме того, в этом информационном поле может работать не только отводчик делянки, но и руководители компании, принимающие решения по управлению этими лесными ресурсами.
Среди заинтересованных сторон могут быть отводчики, менеджеры среднего звена, принимающие решения, сотрудники компании, планирующие работы и следящие за тем какие ассортименты в ближайшее время поступят на переработку. Это могут быть свои собственные сотрудники, либо подрядчики, вовлеченные в заготовку древесины, то есть операторы харвестера или форвардера. Они могут посмотреть эту делянку до рубки, спланировать свои работы, откорректировать границы лесосеки и всё это сделать в веб интерфейсе. Все ключевые сотрудники могут пользоваться этим интерфейсом, так как информация для всех предоставляется через веб с обычного компьютера. Ее можно смотреть на планшете, или телефоне, а используя специальное мобильное приложение, можно загрузить эти все данные в телефон, выйти в лес и там посмотреть и проверить качество определения таксационных характеристик и принять определенные решения.
Таким образом, сервис forestscanner.net дает инструменты взаимодействия для постановки, обсуждения задач внутри компании. Эти инструменты можно использовать для трансляции во время совещания, например, когда обсуждаются планы по заготовке древесины, выполнение этих планов, сравнение плана с фактом для поиска лучших решений. В результате планирования делянки можно отследить сколько по факту получилось и определить те факторы, которые влияют на эффективность заготовки. Всё это позволяет сократить затраты на древесину за счет оптимизации планов. Снимок — это документ, снимки хранятся на сервере, в случае возможных расхождений, можно всегда увидеть состоянии делянки до рубки.
Каждое дерево промерено дроном, без участия человека, автоматически. По традиционной технологии при отводе делянок закладываются лишь несколько пробных площадей. Если компания отводчик, заинтересована показать гораздо больший объем, всегда может заложить эти пробные площади на том участке, где деревья крупнее и толще, и наоборот, если не заинтересована показать большие объемы, она может заложить участки, где деревья меньше и тоньше, то есть, здесь существует человеческий фактор.
Использование дрона фактически исключает человеческий фактор из процесса измерения и оценки деревьев. Это сокращает время на сбор данных, например, на одну делянку уходит порядка 20 минут, и данные доступны сразу по всей делянке. Все деревья делянки измерены. Это не традиционная пробная площадь, основанная на выборочном методе. Здесь дрон фактически делает сплошной перечет, эти данные можно получить не только по одной делянке, но и по группе делянок, по лесному кварталу, по группе лесных кварталов. В результате можно оперативно принять решения на основе актуальной фактической информации о наличии и состоянии лесных ресурсов, что особенно важно в той ситуации, когда материалы лесоустройства устарели, либо не отражают реального состояния. Это позволяет устранить все спорные ситуации в едином информационном поле, так как все участники взаимодействия включены в этот процесс и имеют доступ к нему. В результате создается эффективная коммуникация между участниками процесса. Например, в случае если компания арендатор отдает работы по заготовке древесины, либо работы по выполнению лесохозяйственных работ на субподряд, можно устранить недопонимания между заказчиком и подрядчиком и проконтролировать соответственно состояние лесного участка до выполнения работ, а выполнив вторую съемку, получить состояние участка после выполненных работ. Это так же позволяет проверить выполненные работы, сравнить количество и объем древесины по сортиментам и группам сортиментов, которые были до заготовки древесины и полученные по факту харвестером.
Методика проведения сьемки и технические характеристики
Для тестирования возможностей проведения подеревной таксации делянок до рубки сервисом forestscanner.net было выбрано 2 делянки, находящиеся в Ленинградской области. Съемка производилась обычным квадрокоптером «Mavic 2 Pro», но в него дополнительно был интегрирован высокоточный GPS приемник (GNSS модуль с антенной). Перед полетом была проведена фотограмметрическая калибровка камеры. Работа квадрокоптера была синхронизирована с базовыми станциями для высокоточных GPS измерений (GNSS приемник «Emlid Reach RS+»). Поправки на базовую станцию принимались от сети геодезических станций «Геоспайдер». Координаты записывались в журналы наблюдений как в базовой станции, так и в квадрокоптере во время полета (рис 1.). Объединение этих данных позволяет определить координаты и высоту любой точки в создаваемой в результате съемок с квадрокоптера 3D модели, включая высоту каждого отдельного дерева, с точностью до 4 см. Съемка квадрокоптером проводилась с высоты 120 метров, с четырёх углов, с перекрытием 80%, что позволяет увидеть в ортофотоплане и в 3D модели каждое дерево. Анализ изображений, полученных с квадрокоптера, был выполнен на примере облачного сервиса forestscanner.net. Дополнительный GNSS приемник использовался так же для определения координат столбов отвода делянок с точностью около 10 см.
Рисунок 1. Комплект для подеревной таксации делянок: квадрокоптер с дополнительно установленным GNSS модулем и базовая станция.
Сьемка проводилась 2 раза – до рубки (в июле 2019) и после рубки (в декабре 2019 г). В результате проведенных работ были получены материалы сьемки, которые были обработаны сервисом forestscanner.net и совмещены с материалами отвода делянки (рис. 2).
Рисунок 2. Схема местоположения делянки, ортофотоплан летней сьемки делянки до рубки, ортофотоплан зимней сьемки делянки поле рубки.
Результаты сьемки
В результате обработки материалов сьемки была получена трехмерная модель делянки до рубки. Анализ модели позволил получить трехмерную модель поверхности рельефа, на которой находились деревья. Отделение трехмерной модели поверхности рельефа от всей модели трехмерной поверхности позволило получить трехмерную модель фактической высоты всех деревьев. Анализ этой модели позволил идентифицировать границы крон отдельных деревьев. При этом следует отметить, что не смотря на традиционные подходы к аэрофотосьемке лесных массивов, подразумевающие возможный пропуск некоторых деревьев за счет эффекта окклюзии (ситуация, в которой два объекта расположены приблизительно на одной линии и один объект, расположенный ближе к камере, частично или полностью закрывает видимость другого объекта), увеличение углов сьемки с традиционных 2 до 4 и более позволяет наблюдать каждое дерево как минимум с 4 углов. На практике большая часть деревьев наблюдается в этом случае с 9 углов, что исключает возможность пропуска деревьев за счет окклюзии (рис. 3).
Рисунок 3. Позиции камер и количество перекрытий отдельных снимков.
Сервис forestscanner.net оптимизирован под условия работы в Финляндии. Поэтому, при его использовании в Финляндии не требуется калибровка алгоритмов. Для калибровки алгоритма распознавания пород после первого этапа автоматического распознавания пород были проверены результаты анализа по 654 деревьям, выбранным случайно. В случае если порода дерева была определена неправильно, она была откорректирована. Так как основе сервиса forestscanner.net лежат алгоритмы искусственного интеллекта, то их каллибровка позволяет увеличить точность распознавания пород. Полученные результаты повторного распознавания пород были сравнены с результатами по проверенным деревьям. В результате точность распознавания пород составила 91%.
Для проверки качества автоматического определения высоты и диаметра деревьев было измерено 58 деревьев. Средняя ошибка определения диаметра деревьев составила -1,02 см (максимальная 3 см, минимальная 0,4 см). То есть в среднем данные дрона занижают диаметр на 1 см. Точность определения высоты деревьев была проверена 2 способами – путем измерения высоты деревьев на земле и путем определения высоты контрольных точек измеренных высокоточным GNSS приемником. Максимальная ошибка определения высоты по 8 контрольным наземным точкам составила 4 см (максимальная 6 см, минимальная 1 см). Высоты деревьев были измерены c помощью лазерного высотомера фирмы Haglof и высотомера Suunto PM-5/1250. Средняя ошибка определения высоты деревьев по данным лазерного высотомера Haglof составила 50 см, а по данным высотомера Suunto PM-5/1250 1 метр. Следует отметить, что измерить высоту растущих деревьев точнее, чем 50 см с земли невозможно, поэтому использование контрольных точек и наземных измерений позволяет сделать вывод, что по данным дрона высоту деревьев можно определить с возможной ошибкой от 4 см до 50 см.
Полученные данные подеревной таксации позволили виртуально распилить древесину на участках по сортиментной программе предприятия-арендатора. После заготовки данные виртуальной распиловки были сравнены с результатами заготовки древесины харвестером. Первый этап анализа показал ряд расхождений по числу деревьев. Поэтому было принято решение о проведении сьемки делянок после рубки, так как часть деревьев была оставлена на делянке и не попала в данные харвестера. Основными причинами расхождений были: не совпадение фактических границ делянок с данными отвода, частично оставленная древесина на делянках, не все деревья были спилены. Для повторного сравнения из данных были убраны деревья не спиленные харвестером. Результаты анализа показали, что в среднем данные с беспилотного летательного аппарата занижают количество стволов на 0,75%. Объём ликвидной древесины по данным дрона выше, чем по данным харвестера, так как часть стволов осталась на делянке или была брошена в процессе заготовки (хорошо видно на зимней сьемке). После удаления из выборки не спиленных деревьев и брошенной древесины, ошибка определения числа стволов и объёма ликвидной древесины в сравнении с харвестером составила меньше 5%, что показывает высокий уровень достоверности получаемых данных.
Анализ сортиментной структуры делянок показал, что 80% пиловочника можно было бы получить, срубив только 40% делянок. Экономическая эффективность заготовки может быть значительно увеличена за счет внедрения «умного» планирования делянок. В этом случае границы делянки оптимизируются под выход целевых сортиментов, например доля пиловочника (рис. 4). В результате сокращается площадь делянки, как следствие снижаются затраты на заготовку не нужных сортиментов, снижаются риски, связанные с ответственностью за проведенные работы, заготовка концентрируется на высоко-маржинальных участках, сокращается количество спиленной, но брошенной древесины.
Рисунок 4. Вариант анализа сортиментной структуры на подеревном уровне для определения границ делянки, ориентированной на заготовку пиловочника
Предварительный анализ состояния участка до отвода делянки позволяет наметить границы делянки по одному или целому ряду критериев. Делянки более сложной формы могут быть отведены при помощи высокоточного GNSS оборудования, затраты на такой отвод сложной формы при использовании GNSS оборудования увеличиваются незначительно, а экономический эффект резко увеличивается.
Использование данных подеревной таксации, виртуальной распиловки на сортименты по сортиментной программе предприятия, цен на сортименты, затрат на заготовку и трелевку древесины позволяет проводить экономический анализ результатов заготовки древесины в пространстве до начала фактической заготовки (рис. 5).
Рисунок 5. Анализ экономики заготовки древесины по данным подеревной таксации получаемой с дронов, красные части делянки убыточны и могли были быть исключены на этапе отвода делянки.
Проведенное тестирование показало, что таксация лесных насаждений в России (по крайней мере, на Северо-Западе) на основе «облачной» обработки съемки, выполняемой квадрокоптером, позволяет получать точную и актуальную цифровую копию лесного участка и создавать для арендатора «эффект присутствия». Это достигается за счет того, что все деревья до рубки точно измеряются при помощи обработки изображений, полученных с квадрокоптера, на облачном сервисе: у каждого дерева известна порода, высота, диаметр и точные географические координаты. Зная эти исходные параметры, и используя сортиментную программу предприятия, появляется возможность рассчитать объемы баланса и пиловочника по каждой породе на делянке. Кроме того, технология позволяет определить не только объем древесины, но и количество и диаметр стволов пиловочника, которые должны быть получены в результате заготовки древесины на делянке. Такие данные могут быть использованы для оптимизации затрат при отводе делянок и заготовке древесины, а также для контроля и секьюритизации лесообеспечения, ликвидации «серой зоны» при лесозаготовках. Это особенно актуально в условиях неточных устаревших данных лесоустройства. Кроме того, такой метод таксации делянок может быть использован для соблюдения экологических требований законодательства и лесной сертификации – при выделении ключевых биотопов на делянках. Арендатор может учитывать размеры допустимой упущенной выгоды при определении месторасположения ключевых биотопов на делянке, принимая компромиссные решения между хозяйственными и экологическими ценностями лесов.
Следует отметить, что развитие беспилотных летательных аппаратов позволяет выполнить инвентаризацию не только делянок, но и крупных лесных участков. В России уже существует опыт сьемки с беспилотных летательных аппаратов лесных участков площадью более 50 000 га. При масштабировании процесса инвентаризации лесов затраты значительно сокращаются.
Помимо подеревной таксации лесов, дроны могут быть полезны так же для оценки объёмов круглого леса в штабелях в лесу и на больших складах (рис. 6).
Рисунок 6. Трехмерная модель штабелей, ошибка определения геометрических объёмов не более 0,5 м3.
Сервис forestscanner.net позволяет получать высокоточные трехмерные модели штабелей, оценивать коэффициенты полнодревесности для перехода от складочного объёма к плотному объёму.
Анализ опыта применения цифровых технологий в лесном хозяйстве показывает, что развитие технологий получения и обработки данных позволяет осуществить переход к высокоточному интенсивному устойчивому лесному хозяйству. В настоящее время в Финляндии идут исследовательские работы направленные на оцифровку всего процесса роста леса, от рентгеновского сканирования семени будущего дерева, до регулярного мониторинга условий произрастания дерева и производства итоговой продукции, основанной на понимании влияния факторов окружающей среды и требованиях рынка. Внедрение цифровых технологий в лесное хозяйство идет в виде постепенной оцифровки бизнес-процессов. Затраты на внедрение технологий окупаются быстро, благодаря сокращению потерь, повышению производительности труда, моделированию и последующей оптимизации бизнес-процессов. Получение данных как таковых не создает никакой дополнительной стоимости продукции кроме затрат на их производство. Получение данных с последующей конвертацией их в управленческие решения позволяет увеличить экономическую эффективность.
Количество данных постоянно увеличивается. Многие компании зачастую вынуждены работать с «грязными» данными, содержащими множество ошибок, вызванных методами их производства, временем, формой сохранения. Примером таких данных могут служить материалы устаревшего лесоустройства. Включение этих данных в модели и принятие на их основе управленческих решений не только не увеличит экономическую эффективность, но и будет иметь прямо противоположный эффект. В этой связи при оцифровке бизнес-процессов важнее качество данных, чем их количество. Внедрение цифровых технологий позволяет не только получить экономический эффект, но и сохранить ключевые биотопы и ценные местообитания, которые могут быть выделены например по материалам сьемки с беспилотных летательных аппаратов.
В лесном секторе России существует огромный не реализованный потенциал для повышения эффективности за счет цифровизации процессов планирования, заготовки, логистики и учета древесины. Быстрее всего экономический эффект от цифровизации могут получить компании-арендаторы лесного фонда. Если вы заинтересованы увеличить рентабельность заготовки древесины, обеспечить прозрачность движения и учета лесоматериалов, увеличить выход пиловочника путем оцифровки лесозаготовительных процессов, напишите нам.
