Использование информационных технологий при определении общего и частного проективного покрытия бриофитов

Проведен анализ существующих способов определения обилия видов растений живого напочвенного покрова в биоценозе, и подобраны наиболее эффективные методы для определения обилия бриофитов. Особое внимание уделялось использованию современных информационных технологий для полной или частичной автоматизации определения общего и частного проективного покрытия живого напочвенного покрова. В нашей работе исследовалась возможность использования графических редакторов, имеющих модуль обработки графики с функцией автовыделения, программ векторизаторов, систем автоматизированного проектирования САПР, показавшие хорошие результаты по точности и эффективности работы. В настоящее время отсутствует единая качественная специализированная программа для полной автоматизации обработки фотоплощадок и определения проективного покрытия. При оцифровке фотоплощадки и выделении блоков площадей отдельных растений на сегодняшний день получить достоверные данные без корректировки оператора невозможно. Но, используя современные информационные технологии, можно автоматизировать многие этапы работы, что значительно сокращает время, потраченное на исследование обилия растений. Также наше исследование показало более высокую точность определения проективного покрытия бриофитов, и, фактически полное устранение субъективности, по сравнению с глазомерными методами. Результаты исследования показали: несмотря на использование нескольких программ, скорость обработки учетных площадок с использованием информационных технологий значительно превышала глазомерные методы. Это дает возможность рекомендовать использование современных информационных технологий при анализе обилия бриофлоры.

1. Анищенко Л. Н. Созологический анализ сообществ мохообразных Брянской области // Вестник Оренбургского государственного университета. 2008;1:126-130. Режим доступа: https://elibrary.ru/item.asp?id=9933632.

2. Баринова Е. С., Чернова С. В. Работа с векторной графикой в программе Adobe Illustrator CC // Вестник науки и образования. 2018; 14-2(50): 5-7. Режим доступа: https://elibrary.ru/item.asp?id=36321566.

3. Бождай А. С., Евсеева Ю. И., Гудков А. А. Разработка самоадаптивного программного обеспечения на основе технологии трассировки вычислительного процесса // Известия высших учебных заведений. Поволжский регион. Технические науки. 2020; 3(55): 26-35. DOI: http://doi.org/10.21685/2072-3059-2020-3-3.

4. Бузук Г. Н., Созинов О. В. Оптимизация точности учета проективного покрытия при использовании квадрата-сетки // Региональные геосистемы. 2013; 3(146): 5-7. Режим доступа: https://elibrary.ru/item.asp?id=20885341

5. Бузук Г. Н., Созинов О. В. Методы учета проективного покрытия растений: сравнительная оценка с использованием фотоплощадок // Известия Самарского научного центра Российской академии наук. 2014; 16; 5-5: 1644-1649. Режим доступа: https://elibrary.ru/item.asp?id=23442771.

6. Бычков А. Д., Кирина И. Б., Лыгина Н. О. Мхи – древние и важные // Наука и образование. 2022; 5; 2: 354. Режим доступа: https://cyberleninka.ru/article/n/mhi-drevnie-i-vazhnye.

7. Голованова Н. В. Художественная ретушь как неотъемлемая часть высшего профессионального фотографического образования. Символ науки. 2017; 12: 133-136. Режим доступа: https://elibrary.ru/item.asp?id=30775926.

8. Голуб В. Б. Л. Г. Раменский: оценка обилия растений по их проективному покрытию. Самарская Лука: проблемы региональной и глобальной экологии. 2020; 29; 3: 157-163. DOI: http://doi.org/10.24411/2073-1035-2020-10347.

9. Дворников Н. С. Метод векторизации растровых изображений // Вестник Саратовского государственного технического университета. 2006; 4; 1: 58-62. Режим доступа: https://elibrary.ru/item.asp?id=12885584.

10. Дудко О. Н., Нелюбина А. Д., Кожевникова Н. Ю., Хасанов А. Р. Обзор систем автоматизированного проектирования // Современные материалы, техника и технологии. 2015; 2(2): 51-54. Режим доступа: https://elibrary.ru/item.asp?id=24393319.

11. Костюк Ю. Л., Кон А. Б., Новиков Ю. Л. Алгоритмы векторизации цветных растровых изображений на основе триангуляции и их реализация // Вестник Томского государственного университета. 2003; 280: 275-280. Режим доступа: https://elibrary.ru/item.asp?id=16460252.

12. Куликова Е. В. Преобразование форматов графических файлов // Вестник Сибирского института бизнеса и информационных технологий. 2014; 4(12): 68-74. Режим доступа: https://elibrary.ru/item.asp?id=23045465.

13. Кучуганов А. В. Биоинспирированные алгоритмы выделения информативных признаков изображений // Известия Томского политехнического университета. Инжиниринг георесурсов. 2012; 321; 5: 141-145. Режим доступа: https://elibrary.ru/item.asp?id=18783679.

14. Москаленко С. В. Волновой алгоритм векторизации линейных растровых изображений. Научнотехнический вестник информационных технологий, механики и оптики. 2008; 51: 16-21. Режим доступа: https://elibrary.ru/item.asp?id=11692147.

15. Полосухина Д. А., Прокушкин А. С., Масягина О. В. Биоразнообразие растений нижних ярусов сосновых лесов Cредней Cибири // Российская Арктика, Спецвыпуск. 2020: 44-50. DOI: http://doi.org/10.24411/2658-4255-2020-12115.

16. Раменский Л. Г. Проективный учет и описание растительности (краткое наставление). Бюл. Института луговой и болотной культуры им. проф. В.Р. Вильямса. 1929;1:3-55. Режим доступа: https://cyberleninka. ru/article/n/l-g-ramenskiy-otsenka-obiliya-rasteniy-po-ihproektivnomu-pokrytiyu.

17. Созинов О. В., Бузук Г. Н. Оптимизация геоботанического метода уколов в условиях масштабирования площади учета. Региональные геосистемы. 2014; 17(188): 64-69. Режим доступа: https://elibrary.ru/item.asp?id=22411753.

18. Соколова О. В., Городищева А. Н. Семейство продуктов Adobe Photoshop как один из инструментов обработки цифровых фотографий // Актуальные проблемы авиации и космонавтики. 2012; 2; 8: 320-321. Режим доступа: https://elibrary.ru/item.asp?id=22601988.

19. Сташевский С. Ю. Алгоритм векторизации растровых изображений в общем виде // Доклады Томского государственного университета систем управления и радиоэлектроники. 2004; 1(9): 124-129. Режим доступа: https://elibrary.ru/item.asp?id=18082792.

20. Asner G., Heidebrecht K. Spectral Unmixing of Vegetation, Soil and Dry Carbon in Arid Regions: Comparing Multispectral and Hyperspectral Observations. International Journal of Remote Sensing. 2002; 23: 3939-3958. DOI: http://doi.org/10.1080/01431160110115960.

21. Alberdi I., Condés S., Mcroberts R., Winter S. Mean species cover: a harmonized indicator of shrub cover for forest inventories. European Journal of Forest Research. 2018): 137. DOI: http://doi.org/10.1007/s10342-018-1110-7.

22. Bayat B., Tol C., Verhoef W. Remote Sensing of Grass Response to Drought Stress Using Spectroscopic Techniques and Canopy Reflectance Model Inversion. Remote Sensing. 2016; 8: 557. 10.3390/rs8070557.

23. Brakenhielm, S., Qinghong, L. Comparison of field methods in vegetation monitoring. Water Air Soil Pollut. 1995; 79: 75-87. DOI: http://doi.org/10.1007/BF01100431.

24. Carlsson A. L., Bergfur J. M. & Milberg P. Comparison of data from two vegetation monitoring methods in semi-natural grasslands. Environ Monit Assess. 2005; 100: 235–248. DOI: http://doi.org/10.1007/s10661-005-6510-8.

25. Fassnacht F., Latifi H., Stereńczak K., Modzelewska A., Lefsky M., Waser L., Straub C., Ghosh A. Review of studies on tree species classification from remotely sensed data. Remote Sensing of Environment. 2016; 186: 64-87. DOI: http://doi.org/10.1016/j.rse.2016.08.013.

26. Fassnacht F. E., Latifi H., Stereńczak K., Modzelewska A., Lefsky M., Waser L. T., Straub C., Ghosh A. Review of studies on tree species classification from remotely sensed data // Remote Sensing of Environment. 2016; 186 (1): 64-87. https://www.researchgate.net/publication/312283938_Review_of_studies_on_tree_species_classification_from_remotely_sensed_data DOI: http://dx.doi.org/10.1016/j.rse.2016.08.013.

27. Floyd D. A., Anderson J. E. A comparison of three methods for estimating plant cover. J. Ecol. 1987; 75: 221-228. V. 9. 17656. https://doi.org/10.1038/s41598-019-53797-9.

28. Aasen H., Burkart A., Bolten A., Bareth G. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS Journal of Photogrammetry and Remote Sensing. 2015; 108: 245-259. DOI: http://doi.org/10.1016/j.isprsjprs.2015.08.002.

29. Bergstedt J., Westerberg L., Milberg P. In the eye of the beholder: bias and stochastic variation in cover estimates. Plant Ecol. 2009; 204: 271-283. https://doi.org/10.1007/s11258-009-9590-7.

30. Kowalski K., Okujeni A., Hostert P. A generalized framework for drought monitoring across Central European grassland gradients with Sentinel-2 time series. Remote Sensing of Environment. 2023; 286.113449. ISSN 0034-4257. https://doi.org/10.1016/j.rse.2022.113449.

31. Kattenborn T., Eichel J., Fassnacht F.E. Convolutional Neural Networks enable efficient, accurate and fine-grained segmentation of plant species and communities from high-resolution UAV imagery. Scientific Reports. 2019. DOI: http://doi.org/10.1038/s41598-019-53797-9.

32. Kowalski K., Okujeni A., Hostert P. A generalized framework for drought monitoring across Central European grassland gradients with Sentinel-2 time series. Remote Sensing of Environment. 2023;286. 113449, ISSN 0034-4257 DOI: http://doi.org/10.1016/j.rse.2022.113449.

33. Lopatin J., Fassnacht F.E., Kattenborn T., Schmidtlein S. Mapping plant species in mixed grassland communities using close range imaging spectroscopy. Remote Sensing of Environment. 2017;201:12-23. DOI: http://doi.org/10.1016/j.rse.2017.08.031.

34. Drude O. Handbuch der Pflanzengeographie. Stuttgart: J. Engelhorn, 1890. 582S. https://lib.ugent.be/catalog/rug01:002186637.

35. Dmitriev P., Kozlovsky B., Kupriushkin D., Lysenko V., Rajput V., Ignatova M., Tarik E., Kapralova O., Tokhtar V., Singh A., Minkina T., Varduni T., Sharma M, Taloor A., Thapliyal A. Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves. Remote Sensing Applications: Society and Environment. 2022; 25, 100679. DOI: http://doi.org/10.1016/j.rsase.2021.100679.

36. Thenkabail P., Smith R, De Pauw E. Hyperspectral Vegetation Indices and Their Relationships with Agricultural Crop Characteristics. Remote Sensing of Environment. 2000;71;2:158-182. DOI: http://doi.org/10.1016/S0034-4257(99)00067-X.

37. Chen Q., Timmermans J., Wen W., van Bodegom P. A multi-metric assessment of drought vulnerability across different vegetation types using high resolution remote sensing. Sci. Total Environ. 2022; 832. Article 154970. DOI: http://doi.org/10.1016/j.scitotenv.2022.154970.

38. Wang R, Gamon J, Cavender-Bares J. Seasonal patterns of spectral diversity at leaf and canopy scales in the Cedar Creek prairie biodiversity experiment. Remote Sensing of Environment. 2022;280. DOI: http://doi.org/10.1016/j.rse.2022.113169.

39. Houborg R, Fisher J, Skidmore A. Advances in remote sensing of vegetation function and traits. International Journal of Applied Earth Observation and Geoinformation. 2015; 43: 1-6. http://hdl.handle.net/10754/620951.

40. Wäldchen J., Rzanny M., Seeland M., Mäder P. Automated plant species identification – Trends and future directions. PLOS Computational Biology. 2018; 14(4): e1005993. DOI: http://doi.org/10.1371/journal.pcbi.1005993.

41. Tan X., Shan Y., Wang X., Liu R., Yao Y. Comparison of the predictive ability of spectral indices for commonly used species diversity indices and Hill numbers in wetlands. Ecological Indicators. 2022;142. DOI: http://doi.org/10.1016/j.ecolind.2022.109233.