graduate student from 01.01.2016 until now
Russian Federation
graduate student
Arkhangelsk, Russian Federation
graduate student from 01.01.2015 to 01.01.2019
Arhangel'sk, Russian Federation
employee from 01.01.2009 until now
Arhangel'sk, Arkhangelsk, Russian Federation
employee from 01.01.2011 until now
Arhangel'sk, Russian Federation
Assessing the success of reforestation at felling and burning areas is an important task for analyzing the restoration of coniferous and deciduous species, and forecasting future forest reserves. Carrying out state monitoring of reforestation requires significant labor resources, so the use of remote sensing data is an urgent task. This study examines the restoration of woody vegetation in the Arctic land area of the Arkhangelsk region. In the course of the research work, a preliminary methodology has been developed for the transfer of areas susceptible to forest fires, deforestation, in a forested area. The developed methodology is based on ultra-high resolution images taken from Unmanned Aerial Vehicles (UAVs) and medium-resolution satellite images Sentinel-2 and Landsat 8. The methodology includes the following steps: detecting a decrease in forest cover; field data collection using an unmanned aerial vehicle to create a training sample; classification of mid-resolution images in two classes "recovered" and "not recovered". The tool for detecting forest cover reduction and reforestation analysis in the technique uses the TasseledCap multi-channel satellite image transformation method. The method of k-nearest neighbors is used as a technique for classifying satellite images. The results of this work were spatial layers containing data on a decrease in forest cover for 2016 and restoration of a stand within the boundaries of a decrease in forest cover for the period from 2001 to 2016. For the classification, a training sample was created using UAVs in the amount of 3037 objects. The classification resulted in a reforestation layer with two classes of “recovered” and “not recovered”. The restored objects make 73%, not restored - 27%. Research work has shown the possibility of sharing images of ultra-high and medium resolution.
reforestation, transfer of land occupied by forest stands, deforestation, dynamics of reforestation, Landsat, Sentinel, remote sensing, UAV
Введение
Мониторинг лесовосстановления бореальных лесов в условиях интенсивной заготовки древесины является актуальной задачей. В условиях глобального изменения климата оценка лесовосстановления под влиянием изменяющихся климатических факторов является важной частью устойчивого лесоуправления. Для Арктической зоны характерна низкая транспортная доступность, что ведет к лимитированию регулярного и полноценного наблюдения за лесовосстановлением в Арктической зоне. Так для Онежского и Мезенского лесничеств протяженность всех видов дорог на 1000 га общей площади составляет 1,5 и 2,3км соответственно. По степениразвития дорожной сети в лесном фонде эти лесничестваотносятся к категории с крайне слабым развитием дорожной сети.
Внедрение дистанционного мониторинга воспроизводства лесов позволит вести наблюдение на труднодоступной территории, а также получать своевременную и актуальную информацию.
Вопрос оценки успешности лесовосстановления дистанционными методами малоизучен. В литературе встречаются примеры использования разновременных снимков, полученных со спутниковых аппаратовLandsat для мониторинга за восстановлением лесных территорий (Ghuffar, 2016;Воробьев, 2016; Богданов, 2018). Применение данных снимков с использованием спектральных яркостей или производных от них индексных характеристик говорят о возможности получения информации о процессах лесовосстановления на нарушенных территориях (Maltese, 2005; Богданов, 2018). Применение спектральных индексов на основе красного и ближнего инфракрасного диапазона (например, нормализованный относительный индекс растительности) имеют свойствавысокой чувствительности к содержанию хлорофилла в листьях, что обуславливает короткий период мониторинга с использованием данного индекса, из-за быстрого «пресыщения» индекса (Franks, 2013). С высокой точностью оценить успешность восстановления древесных растений при помощи спектральных характеристик возможно ближе к 15-летнему возрасту насаждений, такой вывод был сделан при изучении процессов восстановления насаждений псевдотсуги на территории западных гор в штате Орегон на территории США (Fiorella, 2009).
Лесовосстановление на землях, не занятых лесной растительностью также можно оценить, используя метод TasseledCap. Оценка лесовосстановления территории после пожара на севере Канады показала положительный пример использования данного метода (Frazier, 2015). В этом исследовании было установлено, что преобразованные каналы спутниковых снимков в показатели brightness (яркость), greenness (зеленость), wetness (влажность) при успешном лесовосстановлении имеют тенденцию роста показателей влажности и зелености, и снижения показателя яркости. Период анализа лесовосстановления был равен 29 годам, в дальнейшем, значения каналов соответствовали значениям спелого леса.
Перспективным направлением в лесном хозяйстве на сегодняшний день является использование беспилотных летательных аппаратов (БПЛА). Высокодетальная съемка БПЛА имеет множество преимуществ в сравнении с традиционной спутниковой съемкой:
- снимки, полученные с БПЛА, могут обладать разрешением до 1 см и более, такое разрешения недоступно для спутниковой съемки;
- возможность проводить съемку в условиях облачности, так как БПЛА могут снимать с высоты 50 метров;
- возможность получения трехмерной модели леса при выполнении съемки участка леса под несколькими углами;
- мобильность и оперативность в использовании БПЛА.
Опыт зарубежных стран показывает хорошие результаты в использовании БПЛА для различных целей. Например, длякартографированиядревесной растительности и классификации растительности по породам (Gu, 2017). Таксационные характеристики могут быть определены при помощивысокодетальных снимков, сделанных с БПЛА, чтоделает данный инструмент крайне ценным и эффективным в лесной сфере[Prandi, 2016;Salim, 2018;White,2016;Sperlich, 2014]. Сегодня БПЛА имеют легкую настройку и просты в эксплуатации, что делает БПЛА доступными для использования. На данный момент существуют различные модели БПЛА: от любительских до профессиональных, которые способны осуществлять съемку необходимую для решения лесных задач, в том числе задач мониторинга лесных земель для оценки успешности лесовозобновления(Денисов, 2016).
Оценка успешности лесовозобновления на вырубках и гарях традиционным способом является затратной по времени, трудовым и финансовым ресурсам, поэтому поиск новых методов для оптимизации данной работы является актуальной задачей. Использование спутниковых снимков для оптимизации работ имеет определённые ограничения, так как снимки среднего разрешения для мониторинга воспроизводства лесов часто не обеспечивают достаточного пространственного разрешения, а снимки высокого разрешения не всегда доступны для Арктической территории из-за высокой облачности в северных широтах. Основная задача данной научно-исследовательской работы заключается в определении возможности использования спутниковых снимков среднего разрешения вместе с высокодетальными снимками, сделанными при помощи БПЛА.
Целью исследования является создание методики оценки лесовосстановления дистанционными методами в соответствии с правилами, установленными федеральным агентством лесного хозяйства России, перевода земель занятыми лесными насаждениями.
Материалы и методы
Все работы по определению возможности дистанционного мониторинга за воспроизводством лесов были разделены на следующие этапы:
- создание пространственного слоя уменьшения лесного покрова;
- полевые работы для закладки пробных площадей;
- съемка территории с использованием БПЛА;
- анализ собранногополевого материала;
- создание обучающей выборки для классификации вырубок и гарей по критерию успешности восстановления;
- создание пространственного слоя земель,переведенных в лесопокрытую площадь.
Создание пространственного слоя уменьшения лесного покрова Северодвинского и Онежского лесничества осуществленос помощью данныхс космических аппаратов Sentinel-2MSI и Landsat 8OLI за период 2015 и 2016 годов.Данные о уменьшении лесопокрытой площади в период с 2001 по 2015 год были взяты из пространственного растрового слоя Global Forest Change, созданного университетом Мэриленд (США).
Рис. 1. Ось x – значения канала wetness, ось y – значения канала greenness
Далее, следовало использование трансформации Tasseled Cap для объединения оптических и инфракрасных каналов в 3 компоненты. Данный метод был разработан в 1976 году исследователями R.J. Kauth и G.S. Thomas. Преобразование Tasseled Cap является частным случаем метода главных компонент.
Цель выполняемого преобразования заключается в уменьшении размерности данных (Kauth, 1976). Компонента brightness (яркость) связан с открытымиили частичнооткрытыми почвенными покровами, искусственными и естественными объектами, такими как бетон и асфальт. Greenness (зеленость) - уровень зеленого связан напрямую с зеленой растительностью. Wetness (влажность) расположена под прямым угломк первым двум компонентам и отражаетзначенияувлажнённостипочвенного покрова (Zhang, 2019).
Для анализа изменений в лесном покрове были собраны значения из каналовкомпозита Tasseled Cap для следующих категорий земель: вырубки, болота и лесные насаждения. На графике значений этих объектов в координатах wetness и greenness (рисунок 1) можно легко определить пороговые значения для вырубки, болота и леса. Пороговые значения вырубки в канале wetness равны от -0,15 до 0 в канале greenness от 0 до 0,1.
Создания пространственного слоя уменьшения лесного покрова является первоочередной задачей для оценки успешности лесовозобновления. Для выявления сплошных вырубок была разработана простая методика на основе пороговых значений.
Алгоритм для созданяпространственного слоя вырубок состоит из следующих шагов:
- Создание слоя вырубок на определенный год. Слой вырубки выбранного года создается по композиту TasseledCap с использованием метода пороговых значений. Статистика о спектральных характеристиках вырубки собирается в границах свежей вырубки, после чего отбрасываются 3% выбивающихся значений, далее определяются максимумы и минимумы значенийв каждом канале по отдельности.
2) По прошлогоднему снимку создается слой леса. Аналогичный алгоритм используется для создания этого слоя. Статистика собирается по границам нетронутого участка леса. Данный шаг необходим дляисключения из слоявырубокпрошлых лет (пункт 1) и объекты, которые неотносятсяк вырубкам. График на рисунке 1 показываетзначения болота,пересекающиеся со значением свежей вырубки. Это делает затруднительным создание достоверногослоя по одному снимку.
3) Наличие облачности на снимках требует построения слоя с облаками для исключений облачных пикселей из обработки спутниковых изображений.Облака краев облачности имеют одинаковые спектральные характеристики со значениями свежей вырубки.
4) Созданиеточного слоя вырубки требует вычесть из слоя вырубки пиксели, не занятые лесом, используя слой леса и вычесть слой,содержащий облака. Одиночные пиксели были удалены из конечного слоя с целью уменьшения шумов(Olsson, 2009).
На рисунке 2 под буквой «А» представлен пример композита TasseledCap, полученныйиз значений спутникового снимкаLandsat 8OLI. Композит содержит вырубки леса, как за период 2015- 2016 годов, так и более ранние вырубки. На рисунке под буковой «Б» черным цветом выделены вырубки за период 2015-2016 годов. Данный слой вырубок был получен с помощью алгоритма, описанного выше.
Рис.2. композит изображения в каналах brightness, greenness, wetness находится слева, справа расположен слойизменений в лесном покрове, выявленных по снимку Landsat8OLI поверх композита
Съемка с БПЛА была проведена на 2 участках в Северодвинском лесничестве Унского участкового лесничества на площадях 32 га и 19 га. Съемка производилась с высоты 50-70 м. Для съемки с БПЛА данных участков был заранее подготовлен маршрут. Совместно со съемкой беспилотным аппаратом проводились наземные обследования площадей с перечетом подроста и определениемсредней высоты. Закладка пробных площадей осуществлялась по правилам государственного мониторинга воспроизводства лесов, а именно по правилам временной методики, утвержденной в 2016 году. Целью проведенных полевых работ было получение характеристик, необходимых для перевода земель в земли занятыми лесными насаждениями: количество деревьев главной породы,средняя высота по группам пород иобщий породный состав на объекте лесовозобновления.
После проведение полевых работ и получения высокодетальной съемки на объекты исследования был проведен анализ полученных данных. Для дальнейшей обработки использовался программный комплекс, разработанный компанией«Форгис». Данный программный комплекс предназначен для автоматизированной обработки снимков БПЛА и полевых данных для получения информации о количестве деревьев, средней высоты, породном составе обследуемых участков. Полученные высокодетальные снимки были классифицированы на два класса по критерию успешности леовозобновления: «восстановились», «не восстановились». Главными критериями успешного лесовосстановления были критерии, изложенные во временной методике перевода земель в лесопокрытую площадь от 2016 года, а именно количество и средняя высота деревьев главных пород.
Результатами обработки снимков БПЛА на участках исследования стал пространственный слой, классифицированный на два класса «восстановилось» и «не восстановилось». Используя описанные выше критерии успешности лесовозобновления к классу «восстановилось» было отнесено 65% вырубки, а 35% площади не достигло необходимых критериев и относятся к классу «не восстановилось».
Основной задачей обработки высокодетальной съемки БПЛА стало создание обучающей выборки для классификации снимков среднего разрешения Landsat 8OLI и Sentinel-2MSI. Результаты классификации съемки БПЛА были пересчитаны под размер пикселя среднего разрешения одного из спутниковых изображений.
Классификация спутниковых снимков среднего разрешения была произведена по полученной обучающей выборке на значительно большую территорию в рамках лесных земель, выбывших из лесопокрытой площади.Перевод земель, имеющих достаточные критерии успешности лесовозобновления в лесопокрытую площадь является непростой задачей и намного более сложной создания слоя уменьшения лесного покрова.
Начальным этапом стал анализ значений разновременных вырубок в значениях композитов wetness, greenness, brightness преобразования TasseledCap.
В даннойисследовательской работе для анализа лесовосстановления использовался один снимок Landsat 8OLIот 2016 года. Анализ разновременных снимков для определения успешности лесовозобновления, крайне затруднителен из-за фенологических различий между снимками различных лет. Один и тот же участок леса на разновременных снимках будет иметь различные значения композита преобразования TasseledCap, что обусловлено фенологическими различиями между снимками на разные даты даже одного сезона.
На графике (рисунок 3) собраны значения с вырубок различных лет за период 1986-1989 гг. и 2001-2015 гг. Каналыgreenness и wetnessявляются наиболее важными при оценке лесовозобновления. Значенияwetnessувеличиваются в течение 15 лет и далее достигают значения участкалеса неподверженного изменениям (рисунок 3). Значения greennessрастут через год после проведениявырубки и далее продолжают увеличиваться.
На графике, отображенном на рисуноке 3 представленыусредненные значения вырубок, проведенных в разные годына территории Северодвинского лесничества. Для исключения участков, на которых отсутствует лесовосстановление была произведена неуправляемая классификация методом ISODATA. Данный шаг требовался для удаления из границ вырубок участков лесовозных дорог и территорий, подверженных заболачиванию. После исключения этих участков из анализа были рассчитаны средние значения greenness и wetness для вырубок на которых происходит восстановление древостоя.
Линия тренда, отображаемая на графике компонентов TasseledCap на рисунке 3, может быть пороговым значением успешности лесовосстановления. Значения выше линии тренда соответствует значением успешного лесовозобновления, ниже линии неудовлетворительным значением лесовосстановления.
Рис. 3. Значения композитовTasseled Cap для вырубок различных лет
Сбор полевых данных является важной составляющей создания обучающей выборки, которые позволяют связать абстрактные значения спектральных индексов, рассчитанных по спутниковым снимкам, с реальными характеристиками восстановления древостоя.
Методом классификации для спутникового снимка был выбран метод k-NN (k-nearest neighbors algorithm).
В данной работе в качестве обучающей выборки рассматривались 3037 пробных площадей размером 10 на 10 метров. Такое значительное количество закладки пробных площадей было получено благодаря использованию БПЛА. Обучающая выборка имеет два класса пикселей с успешным лесовозобновлением и пиксели, не соответствующие критериям успешного лесовосстановления.
Результаты
Результатами проделанный работы стали два пространственных слоя: слой уменьшения площади лесов за период с 2001 по 2016 годы и слой с результатами успешного лесовозобновления по состоянию на 2016 год по спутниковым снимкам среднего разрешения. Данные слои покрывают территорию Онежского и Северодвинского лесничества Архангельской области. На основе двух полученных пространственных слоев была подготовлена карта-схема перевода земель в лесопокрытую площадь на местах уменьшения лесопокрытой площади за период 2001-2016 гг., которая представлена на рисунке 4.
Рис.4. Часть карты успешности лесовосстановления в Северодвинском и Онежском лесничествах
Значительное количество пробных площадей для создания обучающей выборки было получено благодаря использованию БПЛА. Общее количество полученных пробных площадей составляет 3037.
Результатом разработанной в данной научной работе методики автоматической дешифровки спутниковых снимков стала доля площадей имеющих успешное восстановление равная 73% и доля не восстановившихся площадей равная 27% от общей площади уменьшения лесного покрова за 16 лет на территорию двух лесничеств, входящих в Арктическую зону.
Было произведено сравнение данных о уменьшении лесопокрытой площади за период 2011-2016 гг., полученных дистанционными методами,с данными Государственного Лесного Реестра (ГЛР) на территории лесничеств. Собранная информация представлена в таблице 1.
Методика может быть применена к снимкам Landsat 8OLI,Sentinel-2MSI и прочих спутников, работающих в оптическом диапазоне,имеющихмультиспектральные каналы в видимом и инфракрасном диапазоне длин волн, а также имеющих среднее пространственное разрешение. Обсуждение
Оценка успешности лесовосстановления основанная на существующем подходе требует закладкизначительного количества пробных площадей. Число пробных площадей растёт пропорционально требованиям к точности данных и при увеличении исследуемой территории.
Перевод молодняков в земли занятые лесныминасаждениямиоснован нанесколькихкритериях: количество деревьев главной породы на гектар и средняя высота подроста.
Таблица 1
Данные ГЛР и ДЗЗо уменьшении лесопокрытой площади по лесничествам
Год |
Северодвинское лесничество |
Онежское лесничество |
|||
Данные ГЛР, га |
Данные ДЗЗ, га |
Данные ГЛР, га |
Данные ДЗЗ, га |
||
2011 |
2458 |
2295 |
5596 |
4922 |
|
2012 |
4927 |
5403 |
4281 |
11749 |
|
2013 |
2192 |
1566 |
3008 |
4168 |
|
2014 |
1790 |
1783 |
2694 |
2528 |
|
2015 |
– |
1835 |
– |
2764 |
|
2016 |
– |
2237 |
– |
3401 |
|
Закладка пробныхплощадей требует значительных временных затрат на проведение ручного перечета подроста в границах пробной площади и времени, затрачиваемого на дорогу к объектам, на которых будут заложены пробные площади. Такой подход требует значительных материальных затрат, поэтому применение методов ДЗЗ позволит оптимизировать данную работу и значительно снизить затраты.
Оценка вероятности получения снимков высокого разрешения с российских спутников Ресурс П Сангур-1У и Канопус В МСС показала, что невозможно построить мозаику из снимков на исследуемую территорию по причине высокой облачности в Арктической зоне Европейского Севера, а немногочисленные безоблачные снимки относятся к различным сезонам, что еще более уменьшает количество доступных снимков для создания спутникового покрытия.Для оценки трансформаций лесного покрова, а именно для выявления сплошных вырубок, и их зарастания древесной растительностью могут быть использованыспутниковые снимки среднего разрешенияSentinel-2MSI и Landsat 8OLI.
Для анализа процесса лесовосстановления был выбран композит TasseledCap, так как данный метод содержит в себе следующие положительные моменты:
- использование данного метода позволяет снизить атмосферное влияние и помехи на спутниковых изображениях, что повышает качество анализа;
- возможность прямого сравнения значений различных спутниковых снимков. Например, сравнения компонентов TasseledCap, полученных по снимкам Landsat 8OLI и Sentinel-2MSI;
- обеспечивает хорошее отличие лесной растительности по группам пород: хвойные, лиственные, смешанные, а также обеспечивает четкое различие между лесными насаждениями, вырубками, пожарами, болотами. Используемый метод показывает высокую чувствительность при определении сомкнутости полога древесной растительности.
Данная методика требует предварительного сбора информации о объектах лесовосстановления. Сбор полевых данных для создания обучающей выборки, которая используется для классификации спутникового снимка требует большого количества пробных площадей. Целесообразно использовать БПЛА для уменьшения времени проведения работ и трудозатрат.
Заключение. Исследовательская работа показала возможность создания методики оценки успешности лесовосстановления на основе спутниковых снимков среднего разрешения и снимков БПЛА сверхвысокого разрешения. Использование отечественных спутниковых снимков для сухопутной Арктической зоны Архангельской облачности затруднительно в связи с высокой облачностью в данном регионе и большим временным интервалом между спутниковой съемкой.
Снимки сверхвысокого разрешения БПЛА позволяют создать обучающую выборку, достаточную дляточной классификации снимков по критериям успешного лесовозобновления среднего разрешения полученных со спутников Sentinel-2 и Landsat 8. Использование БПЛА не исключает закладки пробных площадей, так как пробные площади обеспечивают первичную информацию о количественных характеристиках лесовосстановления на вырубках, но значительно сокращает временные затраты на получение качественной обучающей выборки для проведение классификации.
Исследование выполнено при финансовой поддержке Российского Фонда Фундаментальных Исследований в рамках научного проекта № 18- 37- 00120.
1. Fiorella M., William J. Ripple Analysis of Conifer Forest Regeneration Using Landsat Thematic Mapper Data // Photogranunetric Engineering & Remote Sensing. – Vol. 59. – № 9, 1993, 1383-1388 p.
2. Franks S., Masek J.G., Turner M.G. Monitoring forest regrowth following large scale fire using satellite data – A case study of Yellowstone National Park, USA // European Journal of Remote Sensing, № 46, 2013, 561-569 p.
3. Frazier R.J., Coops N.C., Wulder M.A. Boreal Shield forest disturbance and recovery trends using Landsat time series // Remote Sens. Environ, № 170, 2015, 317-327 p.
4. Ghuffar, S. Satellite stereo based digital surface model generation using semi global matching in object and image space. isprs Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, III-1, 2016, 63–68 p.
5. Gu, H., Li, H., Yan, L., Liu, Z., Blaschke, T., &Soergel, U. An Object-Based Semantic Classification Method for High Resolution Remote Sensing Imagery Using Ontology. RemoteSensing, 9(4), 2017, 329 p.
6. Kauth R.J., Thomas G.S. The tasseled Cap -- A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT // Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, Purdue University of West Lafayette, Indiana, 1976, 4B-41 to 4B-51 p.
7. Olsson, H. A method for using Landsat time series for monitoring young plantations in boreal forests. International Journal of Remote Sensing, 30(19), 2009, 5117–5131 p.
8. Prandi, F., Magliocchetti, D., Poveda, A., De Amicis, R., Andreolli, M., &Devigili, F. New Approach for forest inventory estimation and timber harvesting planning in mountain areas: the SLOPE project. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B3, 2016, 775–782 p.
9. Salim, P. M., Samad, A. M., Aziz, N. A. A., Khalid, N., Othman, A. N., & Salleh, S. A. Comparison of Segmentation Algorithm for Urban Tree Delineation using Aerial Imagery. In 2018 IEEE 8th International Conference on System Engineering and Technology (ICSET). IEEE, 2018.
10. Sperlich M., Kattenborn T., Koch B., Kattenborn G. Potential of Unmanned Aerial Vehicle Based Photogrammetric Point Clouds for Automatic Single Tree Detection // DGPF Proceedings; GemeinsameTagung 2014 der DGfK, der DGPF, der GfGI und des GiN (DGPF Tagungsband 23 / 2014).
11. White, J. C., Coops, N. C., Wulder, M. A., Vastaranta, M., Hilker, T., &Tompalski, P. Remote Sensing Technologies for Enhancing Forest Inventories: A Review. Canadian Journal of Remote Sensing, 42(5), 2016, 619–641 p.
12. Zhang, L., Qiao, N., Baig, M. H. A., Huang, C., Lv, X., Sun, X., & Zhang, Z. Monitoring vegetation dynamics using the universal normalized vegetation index (UNVI): An optimized vegetation index-VIUPD. Remote Sensing Letters, 10(7), 2019, 629–638 p.
13. Bogdanov A.P., Karpov A.A., Demina N.A., Aleshko R.A. Sovershenstvovanie monitoringa lesov putem ispol'zovaniya oblachnyh tehnologiy kak elementa ustoychivogo lesoupravleniya / Sovremennye problemy distancionnogo zondirovaniya Zemli iz kosmosa. 2018. T. 15. № 1. S. 89-100
14. Vorob'ev O.N., Kurbanov E.A., Polevschikova Yu.A., Lezhnin S.A. Ocenka dinamiki i narushennosti lesnogo pokrova v Srednem Povolzh'e po snimkam Landsat // Sovremennye problemy distancionnogo zondirovaniya Zemli iz kosmosa. – 2016. – T. 13. – № 4. – S.124–134.
15. Denisov S.A., Domrachev A.A., Elsukov A.S. Opyt primeneniya kvadrakoptera dlya monitoringa vozobnovleniya lesa // Vestnik PGTU. - №4 (32). - 2016. - S. 34-46.