Метод определения характеристик лесов на основе материалов дистанционного зондирования Земли, данных лесоустройства и алгоритма k-NN (на примере Лодейнопольского лесничества Ленинградской области)

УДК

630*5:528.85:630*9

DOI:

10.17238/issn0536-1036.2019.4.45

Аннотация

Российская система национальной (государственной) инвентаризации лесов, действующая с 2007 г., в методическом отношении несовершенна и служит объектом критики и дискуссий. К слабым ее сторонам следует отнести недостаточное внимание, уделяемое дистанционным методам. Возможное направление совершенствования отечественной системы инвентаризации лесов – использование автоматической классификации их характеристик на основе материалов дистанционного зондирования Земли. Одним из перспективных алгоритмов автоматической классификации является метод «ближайшего соседа», или k-NN (k-nearest neighbors) метод, успешно применяемый при проведении инвентаризации лесов в других странах. Он основан на регрессии между спектральными характеристиками пикселов с известными характеристиками лесов и остальных пикселов изображения. Вопросы практического применения этого метода в целях национальной инвентаризации лесов впервые были поставлены и изучены финскими исследователями в 90-х гг. прошлого века. На протяжении двух последних десятилетий в разных странах проведено значительное количество экспериментов в этой области. Цель данного исследования – оценка возможности приме- нения k-NN метода для определения обобщенных характеристик лесов на примере Лодейнопольского лесничества Ленинградской области. Площадь лесничества – 401 866 га, в его состав входят 16 участковых лесничеств. В целях формирования набора тренировочных участков для классификации средствами геоинформационных технологий в пределах лесничества создана регулярная сеть с шагом 1×1 км. В качестве тренировочных участков, расположенных в узлах сети, использовались либо участки круглой формы радиусом 10 м, либо лесотаксационные выделы, которым присваивались лесотаксационные характеристики на основе материалов лесоустройства. Для проведения классификации применялись снимки Landsat-8 (спектральные каналы – GREEN, RED, NIR, SWIR 2). Выполнена автоматическая классификация снимков Landsat-8 по ряду лесотаксационных характеристик – среднему запасу на 1 га, среднему классу бонитета, средней относительной полноте, доле площади хвойных и лиственных насаждений. Результаты классификации k-NN методом сравнивались с материалами лесоустройства. Систематические ошибки оценки запаса, полноты и бонитета для территории Лодейнопольского лесничества составили менее 5 %. Полученные результаты подтверждают перспективность дальнейшего изучения теоретических и практических вопросов применения k-NN метода для определения характеристик лесов. Развитие данного направления может способствовать совершенствованию методики российской государственной инвентаризации лесов.

Сведения об авторах

Д.М. Черниховский, канд. с.-х. наук; ResearcherID: I-7020-2016, ORCID: 0000-0002-6375-3080
А.С. Алексеев, д-р геогр. наук, проф.; ResearcherID: F-6891-2010, ORCID: 0000-0001-8795-2888
Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова, Институтский пер., д. 5, Санкт-Петербург, Россия, 194021; e-mail: a_s_alekseev@mail.ru, cherndm2006@yandex.ru

Ключевые слова

метод ближайших соседей, дистанционные методы, инвентаризация лесов, автоматическая классификация изображений, дистанционное зондирование Земли

Для цитирования

Черниховский Д.М., Алексеев А.С. Метод определения характеристик лесов на основе материалов дистанционного зондирования Земли, данных лесоустройства и алгоритма k-NN (на примере Лодейнопольского лесничества Ленинградской области) // Лесн. журн. 2019. № 4. С. 45–65. (Изв. высш. учеб. заведений). DOI: 10.17238/issn0536-1036.2019.4.45

Литература

1. Алексеев А.С. Теоретические основы государственной (национальной) инвентаризации лесов // Лесн. хоз-во. 2009. № 4. С. 31–33.
2. Алексеев А.С. Методологические основы организации и проведения государственной инвентаризации лесов // Материалы Всерос. совещ. «Использование материалов государственной инвентаризации лесов в интересах охраны окружающей среды», Брянск, 9–10 окт. 2013 г. М.: Рослесинфорг, 2013. С. 87–96.
3. Архипов В.И. Особенности национальной инвентаризации. Какая инвентаризация лесов требуется России? // Материалы Всерос. совещ. «Использование материалов государственной инвентаризации лесов в интересах охраны окружающей среды», Брянск, 9–10 окт. 2013 г. М.: Рослесинфорг, 2013. С. 105–112.
4. Белова Е.И., Ершов Д.В. Опыт оценки естественного лесовосстановления на сплошных вырубках по временным рядам Landsat // Лесоведение. 2015. № 5. С. 339–345.
5. Гольцев В., Толонен Т., Сюнёв В., Далин Б., Герасимов Ю., Карвинен С. Лесозаготовки и логистика в России – в фокусе научные исследования и бизнес-возможности: отчет исследовательского проекта (заключительный) / ред. С. Карвинен // Working Papers of the Finnish Forest Research Institut. 2012. Вып. 221. 159 с. Режим доступа: http://www.metla.fi/julkaisut/workingpapers/2012/mwp221.htm (дата обращения: 16.02.2019).
6. Жирин В.М., Князева С.В., Эйдлина С.П. Использование материалов съемок при оценке восстановительной динамики лесов на равнинных территориях // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8, № 2. С. 208–216.
7. Жирин В.М., Князева С.В., Эйдлина С.П. Эколого-динамическое исследование лесообразовательного процесса по космическим снимкам // Лесоведение. 2013. № 5. C. 76–85.
8. Жирин В.М., Князева С.В., Эйдлина С.П. Динамика спектральной яркости породно-возрастной структуры групп типов леса на космических снимках Landsat // Лесоведение. 2014. № 5. C. 3–12.
9. Жирин В.М., Князева С.В., Эйдлина С.П. Оценка влияния морфологии древесного полога и рельефа на спектральные характеристики лесов по данным Landsat // Исследование Земли из космоса. 2016. № 5. C. 10–20. DOI: 10/7868/ S0205961416050080
10. Жирин В.М., Князева С.В., Эйдлина С.П., Зукерт Н.В. Сезонная информативность многоспектральных космических снимков высокого разрешения при изучении породно-возрастной динамики лесов // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9, № 1. С. 87–94.
11. Креснов В.В., Страхов В.В., Филипчук А.В. Национальная инвентаризация лесов в зарубежных странах // Лесохоз. информ. 2008. № 10-11. С. 53–88.
12. Лесохозяйственный регламент Лодейнопольского лесничества Ленинградской области / ФГБУ «РОСЛЕСИНФОРГ» филиал ФГБУ «РОСЛЕСИНФОРГ» «СЕВЗАПЛЕСПРОЕКТ». СПб., 2017. 306 с.
13. Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений: учеб. пособие. М.: Изд-во МГУЛ, 2012. 154 с.
14. Нешатаев М.В., Нешатаев В.Ю. Комбинированный метод картографирования растительности (на примере Лапландского заповедника) // Изв. СПбЛТА. 2012. Вып. 201. С. 29–40.
15. Перепечина Ю.И., Глушенков О.И., Глушенков И.С. Государственная инвентаризация российских лесов // Лесотехн. журн. 2014. № 2. С. 60–67. DOI: 10.12737/4508
16. Перепечина Ю.И., Глушенков О.И., Корсиков Р.С. Определение лесистости и количественных характеристик лесов по космическим снимкам Sentinel-2 (на примере Шебекинского муниципального района Белгородской обл.) // Лесхоз. информ. 2017. № 4. С. 85–93. DOI: 10.24419/LHI.2304-3083.2017.4.09
17. Савченко А.А., Выводцев Н.В. Оценка возможностей применения данных дистанционного зондирования при мониторинге санитарного и лесопатологического состояния лесов // Учен. заметки ТОГУ. 2015. Т. 6, № 4. С. 658–661. Режим доступа:http://pnu.edu.ru/media/ejournal/articles-2015/TGU_6_237.pdf (дата обращения: 16.02.2019).
18. Сидоренков В.М., Дорощенкова Э.В., Лопатин Е.В., Рябцев О.В., Сидоренкова Е.М. Зонирование территории Удмуртской Республики по категориям среды обитания охотничьих ресурсов на основе данных спутниковой съемки Landsat 8 OLI-TIRS // Лесотехн. журн. 2015. Т. 5, № 3(19). С. 84–93. DOI: 10.12737/14156
19. Солдатенков А.А. Дешифрирование состава лесной растительности в условиях среднегорного рельефа // Вестн. Адыг. гос. ун-та. 2014. Сер. 4: Естеств.-мат. и техн. науки. Вып. 1(133). С. 127–130.
20. Соромотин А.В., Бродт Л.В. Мониторинг растительного покрова при освоении нефтегазовых месторождений по данным многозональной съемки Landsat // Вестн. Тюмен. гос. ун-та. Экология и природопользование. 2018. Т. 4, № 1. С. 37–49. DOI: 10.21684/2411-7927-2018-4-1-37-49
21. Терехов А.Г., Макаренко Н.Г., Пак И.Т. Автоматический алгоритм классификации снимков Quickbird в задаче оценки полноты леса // Компьютерная оптика. 2014. Т. 38, № 3. С. 580–583. DOI: 10.18287/0134-2452-2014-38-3-580-583
22. Толкач И.В., Кравченко О.В., Ожич О.С., Таркан А.В., Ильючик М.А. Закономерности изменчивости спектральных яркостей полога основных лесообразующих пород Беларуси на снимках сканера ADS 100 // Тр. БГТУ. Сер. 1: Лесное хозяйство, природопользование и переработка возобновляемых ресурсов. 2017. № 2(198). С. 43–49.
23. Фарбер С.К., Брюханов Н.В. Материалы массовой таксации и государственной инвентаризации лесов: характеристика расхождений, причины, анализ // Сиб. лесн. журн. 2014. № 5. С. 16–28.
24. Черных Д.В., Бирюков Р.Ю., Золотов Д.В., Вагнер А.А. Антропогенные модификации и трансформации ландшафтов в бассейне р. Касмала: классификация и динамика на основе данных дистанционного зондирования // Вестн. Алтайской науки. 2014. № 1(19). С. 233–240.
25. Шарикалов А.Г., Якутин М.В. Анализ состояния таежных экосистем с использованием методики автоматизированного дешифрирования // Изв. Алтайского гос. ун-та. 2014. Вып. 3-1(83). С. 123–127. DOI: 10.14258/izvasu(2014)3.1-22
26. Ярошенко А.Ю., Владимирова Н.А., Кобяков К.Н. Предложения по оптимизации государственной инвентаризации лесов с точки зрения использования ее результатов в интересах охраны окружающей среды // Материалы Всерос. совещ. «Использование материалов государственной инвентаризации лесов в интересах охраны окружающей среды», Брянск, 9–10 окт. 2013 г. М.: Рослесинфорг, 2013. С. 82–86.
27. Beaudoin A., Bernier P.Y., Guindon L., Villemaire P., Guo X.J., Stinson G., Bergeron T., Magnussen S., Hall R.J. Mapping Attributes of Canada’s Forests at Moderate Resolution through kNN and MODIS Imagery // Canadian Journal of Forest Research. 2014. Vol. 44(5). Pp. 521–532. DOI: 10.1139/cjfr-2013-0401
28. Congedo L. Semi-Automatic Classification Plugin Documentation. Release 6.2.0.1. 2019. 212 p. DOI: 10.13140/RG.2.2.29474.02242/1
29. Forest Inventory: Methodology and Applications / ed. by A. Kangas, M. Maltamo. Netherlands: Springer, 2006. 362 p. DOI: 10.1007/1-4020-4381-3
30. Franco-Lopez H., Ek A.R., Bauer M.E. Estimation and Mapping of Forest Stand Density, Volume, and Cover Type Using the k-Nearest Neighbors Method // Remote Sensing of Environment. 2001. Vol. 77, iss. 3. Pp. 251–274. DOI: 10.1016/S0034-4257(01)00209-7
31. Gjertsen A.K. Accuracy of Forest Mapping Based on Landsat TM Data and a kNN-Based Method // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 7–11.
32. Gjertsen A.K. Accuracy of Forest Mapping Based on Landsat TM Data and a kNN-Based Method // Remote Sensing of Environment. 2007. Vol. 110, iss. 4. Pp. 420–430. DOI: 10.1016/j.rse.2006.08.018
33. Haapanen R., Ek A. Software and Instructions for kNN Applications in Forest Resources Description and Estimation // Department of Forest Resources Staff Paper Series. St. Paul, MN: University of Minnesota, 2001. No. 152. 19 p.
34. Haapanen R., Ek A.R., Bauer M.E., Finley A.O. Delineation of Forest/Nonforest Land Use Classes Using Nearest Neighbor Methods // Remote Sensing of Environment. 2004. Vol. 89, iss. 3. Pp. 265–271. DOI: 10.1016/j.rse.2003.10.002
35. Katila M., Tomppo E. Selecting Estimation Parameters for the Finnish Multisource National Forest Inventory // Remote Sensing of Environment. 2001. Vol. 76, iss. 1. Pp. 16–32. DOI: 10.1016/S0034-4257(00)00188-7
36. Koch B. Remote Sensing Supporting National Forest Inventories NFA // Knowledge Reference for National Forest Assessments. Rome: FAO, 2015. Рp. 77–92. Режим доступа at: http://www.fao.org/3/a-i4822e.pdf (дата обращения: 21.02.19).
37. Koukal T., Suppan F., Schneider W. The Impact of Relative Radiometric Calibration on the Accuracy of kNN-Predictions of Forest Attributes // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 17–21.
38. McInerney D., Pekkarinen A., Haakana M. Combining Landsat ETM+ with Field Data for Ireland’s National Forest Inventory – A Pilot Study for co. Clare // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 12–16.
39. McRoberts R.E. Remote Sensing Support for the National Forest Inventory of the United States of America // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 1–6.
40. McRoberts R.E., Tomppo E.O. Remote Sensing Support for National Forest Inventories // Remote Sensing of Environment. 2007. Vol. 110, iss. 4. Pp. 412–419. DOI: 10.1016/j.rse.2006.09.034
41. Meng Q., Cieszewski C.J., Madden M., Borders B.E. K Nearest Neighbor Method for Forest Inventory Using Remote Sensing Data // GIScience & Remote Sensing. 2007. Vol. 44, iss. 2. Pp. 149–165. DOI: 10.2747/1548-1603.44.2.149
42. Nilsson M., Holm S., Reese H., Wallerman J., Engberg J. Improved Forest Statistics from the Swedish National Forest Inventory by Combining Field Data and Optical Satellite Data Using Post-Stratification // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 22–26.
43. Özsakabaşi F. Classification of Forest Areas by k Nearest Neighbor Method: Case Study, Antalya. M.Sc. in Geodetic and Geographic Information Thesis. Antalya: Middle East Technical University, 2008. 101 p.
44. Supervised kNN Classifier (kNN). Updated: 22.05.2017. 19 p. Режим доступа:
https://github.com/m6ev/kNN/blob/master/kNN_Documentation.pdf (дата обращения: 21.02.19).
45. Tomppo E.O. The Finnish Multi-Source Inventory // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 27–37.
46. Tomppo E., Czaplewski R., Mäkisara K. The Role of Remote Sensing in Global Forest Assessment. Forest Resources Assessment – WP no. 61. Rome: FAO, 2002. Режим доступа: http://www.fao.org/docrep/006/ad650e/AD650E00.htm#TopOfPage (дата обращения: 21.02.19).
47. Tomppo E., Haakana M., Katila M., Peräsaari J. Multi-Source National Forest Inventory: Methods and Applications. Netherlands: Springer, 2008. 373 p. DOI: 10.1007/978-1-4020-8713-4
48. Tomppo E., Halme M. Using Coarse Scale Forest Variables as Ancillary Information and Weighting of Variables in k-NN Estimation: A Genetic Algorithm Approach // Remote Sensing of Environment, 2004. Vol. 92, iss. 1. Pp. 1–20. DOI: 10.1016/j.rse.2004.04.003

Поступила 21.02.19

Ссылка на английскую версию:

The Method for Determining Forest Characteristics Based on Earth Remote Sensing Materials, Forest Management Data and the k-NN Algorithm (Case Study of Lodeynopol’skoe Forest District of Leningrad Region)

UDC 630*5:528.85:630*9
DOI: 10.17238/issn0536-1036.2019.4.45

The Method for Determining Forest Characteristics Based on Earth Remote Sensing Materials, Forest Management Data and the k-NN Algorithm (Case Study of Lodeynopol’skoe Forest District of Leningrad Region)

D.M. Chernikhovskii, Candidate of Agriculture, Assoc. Prof.; ResearcherID: I-7020-2016, ORCID: 0000-0002-6375-3080
A.S. Alekseev, Doctor of Geography, Prof.; ResearcherID: F-6891-2010, ORCID: 0000-0001-8795-2888
St. Petersburg State Forest Engineering University named after S.M. Kirov, Institutskiy per., 5, Saint Petersburg, 194021, Russian Federation; e-mail: cherndm2006@yandex.ru, a_s_alekseev@mail.ru

The Russian system of National (State) Forest Inventory (NFI) valid from 2007 is methodologically imperfect and serves as a target of criticism and discussion. Insufficient attention paid to remote sensing should be attributed to the system’s weaknesses. A possible way of improving the NFI system is the use of automatic classification of forests’ characteristics based on materials of Earth remote sensing. One of the advanced automatic methods for forest remote sensing materials classification is k-NN or k-nearest neighbors algorithm, which have been successively used in the NFIs in other countries. It is based on regression between the spectral response characteristics of pixels with known forest characteristics and remaining pixels of the image. Questions of practical application of this method for the purposes of NFI were first raised and studied by Finnish researchers in the 1990s. Over the past two decades, a considerable amount of research in this area has been carried out in different countries. The purpose of our research is to assess the feasibility of using the k-NN method for determining the generalized characteristics of forests on the example of the Lodeynopol’skoe forest district in Leningrad region. The forest district area is 401,866 ha. It consists of 16 forest sub-districts. A regular network was created at a pitch of 1×1 km in order to form a set of trial plots for the classification by the means of GIS-technologies within the forest district. Round-shaped plots with a radius of 10 m or forest inventory compartments were used as trial plots located in the network nodes. Forest description for both types of plots was taken from the forest management data. Landsat-8 images were used for the classification (spectral channels: GREEN, RED, NIR, SWIR 2). The Landsat-8 images were automatically classified according to a number of forest inventory characteristics: average growing stock per 1 ha; middle class of bonitet; average relative density; share of coniferous and deciduous plantations area. The results of the k-NN classification were compared with the forest management materials. Systematic errors in the assessment of growing stocks, completeness and bonitet for the territory of Lodeynopol’skoe forest district made up less than 5 %. The obtained results confirm the potential of further study of conceptual and practical issues of the k-NN method application for determining forest characteristics. The development of this direction can contribute to the improvement of the Russian State Forest Inventory methodology.
For citation: Chernikhovskii D.M., Alekseev A.S. The Method for etermining Forest Characteristics Based on Earth Remote Sensing Materials, Forest Management Data and the k-NN Algorithm (Case Study of Lodeynopol’skoe Forest District of Leningrad Region). Lesnoy Zhurnal [Forestry Journal], 2019, no. 4, pp. 45–65. DOI: 10.17238/issn0536-1036.2019.4.45
Keywords: k-nearest neighbors algorithm, remote sensing methods, forest inventory, automatic classification of images.

REFERENCES

1. Alekseev A.S. Theoretical Foundations of the State (National) Forest Inventory. Lesnoye khozyaystvo, 2009, no 4, pp. 31–33.
2. Alekseev A.S. Methodological Foundations of Organization and Conducting the State Forest Inventory. Proceedings of the All-Russian Conf. “The Use of Materials of the State Forest Inventory for Environmental Protection”, Bryansk, October 9–10, 2013. Moscow, Roslesinforg Publ., 2013, pp. 87–96.
3. Arkhipov V.I. Special Features of the National Forest Inventory. What Kind of Forest Inventory does Russia Need? Proceedings of the All-Russian Conf. “The Use of Materials of the State Forest Inventory for Environmental Protection”, Bryansk, October 9–10, 2013. Moscow, Roslesinforg Publ., 2013, pp. 105–112.
4. Belova E.I., Ershov D.V. Assessing Reforestation on Clear Cuts Based on Landsat Time Series. Lesovedenie [Russian Journal of Forest Science], 2015, no. 5, pp. 339–345.
5. Gol’tsev V., Tolonen T., Syunev V., Dalin B., Gerasimov Yu., Karvinen S. Wood Harvesting and Logistics in Russia – Focus on Research and Business Opportunities: Final Report of the Research Project. Ed. by S. Karvinen. Working Papers of the Finnish Forest Research Institute. 2012, iss. 221. 159 p. Available at: http://www.metla.fi/julkaisut/ workingpapers/2012/mwp221.htm (Accessed 16.02.19).
6. Zhirin V.M., Knyazeva S.V., Eydlina S.P. Application of Space Images for Reforestation Dynamics Evaluating on the Plane Territories. Sovremennye problemy Earth from space], 2011, vol. 8, no. 2, pp. 208–216.
7. Zhirin V.M., Knyazeva S.V., Eydlina S.P. The Eco-Dynamical Study of Forest-Forming Process with Space Imagery. Lesovedenie [Russian Journal of Forest Science], 2013, no. 5, pp. 76–85.
8. Zhirin V.M., Knyazeva S.V., Eydlina S.P. Dynamics of Spectral Brightness for Species/Age Structure of Groups of the Forest Types on LANDSAT Satellite Images. Lesovedenie [Russian Journal of Forest Science], 2014, no. 5, pp. 3–12.
9. Zhirin V.M., Knyazeva S.V., Eydlina S.P. Influence of Forest Canopy Morphology and Relief on Spectral Characteristics of Taiga Forests. Issledovanie Zemli iz Kosmosa, 2016, no. 5, pp. 10–20. DOI: 10/7868/S0205961416050080
10. Zhirin V.M., Knyazeva S.V., Eydlina S.P., Zukert N.V. Seasonal Informative Properties of Multispectral High-Resolution Space Images for Studying of Forest Species and Age Dynamics. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sensing of the Earth from space], 2012, vol. 9, no. 1, pp. 87–94.
11. Kresnov V.V., Strakhov V.V., Filipchuk A.V. National Forest Inventory in Foreign Countries. Lesokhozyaystvennaya informatsiya [Forestry information], 2008, vol. 10-11, pp. 53–58.
12. Forest Management Regulation of the Lodeynopol’skoe Forest District of Leningrad Region. FSBI «ROSLESINFORG», Branch of the FSBI «ROSLESINFORG» «SEVZAPLESPROEKT». Saint Petersburg, 2017. 306 p.
13. Malysheva N.V. Automated Interpretation of Aerospace Images of Forest Stands: Educational Textbook. Moscow, MSTU Publ., 2012. 154 p.
14. Neshataev M.V., Neshataev V.Yu. Combinated Method for Vegetation Mapping (On the Example of the Lapland Reserve). Izvestia Sankt-Peterburgskoj Lesotekhnicheskoj Akademii [News of the Saint Petersburg State Forest Technical Academy], 2012, iss. 201. pp. 29–40.
15. Perepechina Yu.I., Glushenkov O.I., Glushenkov I.S. State Forest Inventory of Russian Forests. Lesotekhnicheskiy zhurnal [Forestry Engineering Journal], 2014, no. 2, pp. 60–67. DOI: 10.12737/4508
16. Perepechina Yu.I., Glushenkov O.I., Korsikov R.S. Automated Detection of Forest Cover and Forest Characteristics Kolichestvennykh of Municipal Shebekinskiy District of the Belgorod Region on Space. Lesokhozyaystvennaya informatsiya [Forestry information], 2017, no. 4, pp. 85–93. DOI: 10.24419/LHI.2304-3083.2017.4.09
17. Savchenko A.A., Vyvodzev N.V. Evaluate the Possible Application Remote Sensing Data for Monitoring the Health and Forest State Forests. Uchenye zametki TOGU [Scientists notes PNU], 2015, vol. 6, no. 4, pp. 658–661. Available at: http://pnu.edu.ru/media/ejournal/articles-2015/TGU_6_237.pdf (Accessed 16.02.19).
18. Sidorenkov V.M., Doroshenkova E.V., Lopatin E.V., Ryabtsev O.V., Sidorenkova E.M. Zoning of the Udmurtija Republic Territory by Game Resource Habitat Categories Based on Landsat 8 Oli-Tirs Satellite Survey Data. Lesotekhnicheskiy zhurnnal [Forestry Engineering Journal], 2015, vol. 5, no. 3(19), pp. 84–93. DOI: 10.12737/14156
19. Soldatenkov A.A. Interpretation of Structure of Forest Vegetation in Conditions of Mid-Mountain Relief. Vestnik Adygeyskogo gosudarstvennogo universiteta. Seriya 4: Estestvenno-matematicheskie i tekhnicheskie nauki [The Bulletin of Adyghe State University. Series 4: Natural-Mathematical and Technical Sciences], 2014, iss. 1(133), pp. 127–130.
20. Soromotin A.V., Brodt L.V. Monitoring of Vegetation Cover during the Development of Oil and Gas Fields According to the Landsat Multispectral Survey Data. Vestnik Tyumenskogo gosudarstvennogo universiteta. Ekologiya i prirodopol’zovanie [Tyumen State University Herald. Natural Resource Use and Ecology], 2018, vol. 4, no. 1, pp. 37–49. DOI: 10.21684/2411-7927-2018-4-1-37-49
21. Terehov A.G., Makarenko N.G., Pak I.T. Automatic Classification Algorithm of QuickBird Images in the Problem of Evaluating of Forest Completeness. Komp’yuternaya optika [Computer Optics], 2014, vol. 38, iss. 3, pp. 580–583. DOI: 10.18287/0134-2452-2014-38-3-580-583
22. Tolkach I.V., Kravchenko O.V., Ozhich O.S., Tarkan A.V., Il’yuchik M.A. Regularities of Variability of the Spectral Brightness Canopy of the Main Forest Speacies of Belarus on Images of Scanner ADS 100. Trudy BGTU. Seriya 1: Lesnoe khozyaystvo, prirodopol’zovanie i pererabotka vozobnovlyayemykh resursov [Proceedings of BSTU. Series 1: Forestry. Environmental management. Reprocessing of renewable resources], 2017, no. 2(198), pp. 43–49.
23. Farber S.K., Bryuhanov N.V. Mass Forest Survey and State Forest Inventory Data: Specification of the Discrepancies, Causes, Analysis. Sibiriskiy lesnoy zhurnal [Siberian Journal of Forest Science], 2014, no. 5, pp. 16–28.
24. Chernykh D.V., Biryukov R.Yu., Zolotov D.V., Vagner A.A. Anthropogenic
Modifications and Transformations of Landscapes in the Basin of the Kasmala River: Classification and Dynamics Based on the Remote Sensing Data. Vestnik altaiskoy nauki, 2014, no. 1(19), pp. 233–240.
25. Sharikalov A.G., Yakutin M.V. The Analysis of Taiga Ecosystems Condition Applying Automatic Decoding Method. Izvestiya Altayskogo gosudarstvennogo universiteta [Izvestiya of Altai State University], 2014, iss. 3-1(83), pp. 123–127. DOI: 10.14258/izvasu(2014)3.1-22
26. Yaroshenko A.Yu., Vladimirova N.A., Kobyakov K.N. Suggestions on Optimizing the State Forest Inventory in Turms of Using Its Results for Environmental Protection. Proceedings of the All-Russian Workshop “The Use of Materials of the State Forest Inventory for Environmental Protection”, Bryansk, October 9–10, 2013. Moscow, Roslesinforg Publ., 2013, pp. 82–86.
27. Beaudoin A., Bernier P.Y., Guindon L., Villemaire P., Guo X.J., Stinson G., Bergeron T., Magnussen S., Hall R.J. Mapping Attributes of Canada’s Forests at Moderate Resolution through kNN and MODIS Imagery. Canadian Journal of Forest Research, 2014, vol. 44(5), pp. 521–532. DOI: 10.1139/cjfr-2013-0401
28. Congedo L. Semi-Automatic Classification Plugin Documentation. Release 6.2.0.1. 2019. 212 p. DOI: 10.13140/RG.2.2.29474.02242/1
29. Forest Inventory: Methodology and Applications. Ed. by A. Kangas, M. Maltamo. Netherlands, Springer, 2006. 362 p. DOI: 10.1007/1-4020-4381-3
30. Franco-Lopez H., Ek A.R., Bauer M.E. Estimation and Mapping of Forest Stand Density, Volume, and Cover Type Using the k-Nearest Neighbors Method. Remote Sensing of Environment, 2001, vol. 77, iss. 3, pp. 251–274. DOI: 10.1016/S0034-4257(01)00209-7
31. Gjertsen A.K. Accuracy of Forest Mapping Based on Landsat TM Data and a kNN-Based Method. Proceedings of ForestSat 2005, Borås, May 31 – June 3, 2005. Ed. by H. Olsson. Borås, Skogsstyrelsen, 2005, pp. 7–11.
32. Gjertsen A.K. Accuracy of Forest Mapping Based on Landsat TM Data and a kNN-Based Method. Remote Sensing of Environment, 2007, vol. 110, iss. 4, pp. 420–430. DOI: 10.1016/j.rse.2006.08.018
33. Haapanen R., Ek A. Software and Instructions for kNN Applications in Forest Resources Description and Estimation. Department of Forest Resources Staff Paper Series. St. Paul, MN, University of Minnesota, 2001, no. 152. 19 p.
34. Haapanen R., Ek A.R., Bauer M.E., Finley A.O. Delineation of Forest/Nonforest Land Use Classes Using Nearest Neighbor Methods. Remote Sensing of Environment, 2004, vol. 89, iss. 3, pp. 265–271. DOI: 10.1016/j.rse.2003.10.002
35. Katila M., Tomppo E. Selecting Estimation Parameters for the Finnish Multisource National Forest Inventory. Remote Sensing of Environment, 2001, vol. 76, iss.1, pp. 16–32. DOI: 10.1016/S0034-4257(00)00188-7
36. Koch B. Remote Sensing Supporting National Forest Inventories NFA. Knowledge Reference for National Forest Assessments. Rome, FAO, 2015, pp. 77–92. Available at: http://www.fao.org/3/a-i4822e.pdf (Accessed 21.02.19).
37. Koukal T., Suppan F., Schneider W. The Impact of Relative Radiometric Calibration on the Accuracy of kNN-Predictions of Forest Attributes. Proceedings of ForestSat 2005, Borås, May 31 – June 3, 2005. Ed. by H. Olsson. Borås, Skogsstyrelsen, 2005, pp. 17–21.
38. McInerney D., Pekkarinen A., Haakana M. Combining Landsat ETM+ with Field Data for Ireland’s National Forest Inventory – A Pilot Study for co. Clare. Proceedings of ForestSat 2005, Borås, May 31 – June 3, 2005. Ed. by H. Olsson. Borås, Skogsstyrelsen, 2005, pp. 12–16.
39. McRoberts R.E. Remote Sensing Support for the National Forest Inventory of the United States of America. Proceedings of ForestSat 2005, Borås, May 31 – June 3, 2005. Ed. by H. Olsson. Borås, Skogsstyrelsen, 2005, pp. 1–6.
40. McRoberts R.E., Tomppo E.O. Remote Sensing Support for National Forest Inventories. Remote Sensing of Environment, 2007, vol. 110, iss. 4, pp. 412–419. DOI: 10.1016/j.rse.2006.09.034
41. Meng Q., Cieszewski C.J., Madden M., Borders B.E. K Nearest Neighbor Method for Forest Inventory Using Remote Sensing Data. GIScience & Remote Sensing, 2007, vol. 44, iss. 2, pp. 149–165. DOI: 10.2747/1548-1603.44.2.149
42. Nilsson M., Holm S., Reese H., Wallerman J., Engberg J. Improved Forest Statistics from the Swedish National Forest Inventory by Combining Field Data and Optical Satellite Data Using Post-Stratification. Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005. Ed. by H. Olsson. Borås, Skogsstyrelsen, 2005, pp. 22–26.
43. Özsakabaşi F. Classification of Forest Areas by k Nearest Neighbor Method: Case Study, Antalya. M.Sc. in Geodetic and Geographic Information Thesis. Antalya, Middle East Technical University, 2008. 101 p.
44. Supervised kNN Classifier (kNN). Updated: 22.05.2017. 19 p. Availabe at: https://github. com/m6ev/kNN/blob/master/kNN_Documentation.pdf(Accessed 21.02.19).
45. Tomppo E.O. The Finnish Multi-Source Inventory. Proceedings of ForestSat 2005, Borås, May 31 – June 3, 2005. Ed. by H. Olsson. Borås, Skogsstyrelsen, 2005, pp. 27–37.
46. Tomppo E., Czaplewski R., Mäkisara K. The Role of Remote Sensing in Global Forest Assessment. Forest Resources Assessment – WP no. 61. Rome, FAO, 2002. Available at: http://www.fao.org/docrep/006/ad650e/AD650E00.htm#TopOfPage (Accessed 21.02.19).
47. Tomppo E., Haakana M., Katila M., Peräsaari J. Multi-Source National Forest Inventory: Methods and Applications. Netherlands, Springer, 2008. 373 p. DOI: 10.1007/978-1-4020-8713-4
48. Tomppo E., Halme M. Using Coarse Scale Forest Variables as Ancillary Information and Weighting of Variables in k-NN Estimation: A Genetic Algorithm Approach. Remote Sensing of Environment, 2004, vol. 92, iss. 1, pp. 1–20. DOI: 10.1016/j.rse.2004.04.003

Received on February 21, 2019