какую характеристику леса нельзя определить по данным дистанционного зондирования
Мониторинг лесного хозяйства
Мониторинг лесов. Лесопатологический мониторинг
В наше время существует одна неприятная тенденция: проблема, связанная с экологией. Регулярные пожары, вырубка лесов, загрязнения и даже вымирание микроорганизмов и патогенов. Для того, чтобы предотвратить экологические катастрофы, люди используют лесопатологический мониторинг. Это система позволяет быстро отслеживать и контролировать очаги фитопатологий и прочие поражения леса. Система позволяет проводить своевременную профилактику леса.
Программа мониторинга лесов
Программа мониторинга анализирует состояние деревьев, растений и леса в целом. Она выявляет состояние популяции насекомых и патогенов в отдельно взятой местности. Также ведётся процесс прогнозирования развития той или иной популяции. Например, делается прогноз на увеличение или сокращение насекомых в лесу. Затем программа ищет причину происходящего процесса. Возможно, всё дело в прогрессирующей болезни леса, связанной с развитием и мощью патогенов.
Система мониторинга позволяет производить осмотр обстановки в лесе дистанционными и наземными способами. Осмотр, прогнозирование и диагностика с профилактикой. Вот на чём основывается порядок и здоровье лесной местности.
Аэрокосмический мониторинг леса
В лесном хозяйстве дистанционное зондирование леса крайне важно. Оно осуществляется для того, чтобы проводить инвентаризацию леса, позволяющую выявить проблемы лесной местности, выявить качественные и отрицательные характеристики леса. Происходит оценка ущерба лесу, произведённого пожарами, болезнями, вырубкой и загрязнениями.
Проверка лесоустройства официально подтверждена документацией российской федерацией. Развитие технологий приносит свои плоды, поэтому в последнее время многие проблемы с лесным хозяйством удаётся решать качественно и своевременно. Огромную пользу приносит космическое зондирование. Снимки из космоса используются часто и, по сути, они являются основным механизмом и инструментом для оценки и профилактики состояния леса. Ведь они помогают заглядывать в неизученную местность. Например, при изучении северных и восточных лесов в регионах России.
Анализ лесного хозяйства осуществляется за счёт двух базовых приёмов. Первый – это сбор информации из космоса. Второй – анализ фотографий. За счёт этого, у людей есть статистика по тому или иному лесному участку. Это позволяет проводить диагностику и профилактику значительно более быстро и эффективно.
Основные задачи, которые решает ДЗЗ касательно лесного хозяйства:
ДЗЗ даёт много полезной и важной информации учёным, которые с её помощью могут положительно влиять на лес, а также понимать, в какой местности наблюдаются проблемы, а в какой виднеются ростки прогресса и процветания.
Лесопатологический мониторинг
Лесопатологический мониторинг также крайне важен в изучение и профилактике лесного хозяйства. Он также предоставляет людям множество информации для анализа. Например:
Учёные достигают подобных знаний за счёт дешифровки снимков из космоса, выполненных в среднем разрешение. Также они анализируют мультиспектральные снимки.
А на выходе, после анализа всех данных и снимков, получаются тематически карты с проблемными местами в лесном хозяйстве, статистические выкладки и отчёты, оценки ущерба и варианты их решения.
Общедоступные данные дистанционного зондирования Земли: как получить и использовать
Дистанционное зондирование Земли (ДЗЗ) — наблюдение поверхности Земли наземными, авиационными и космическими средствами, оснащёнными различными видами съемочной аппаратуры [википедия]. Поговорим о возможностях, предоставляемых бесплатными и общедоступными данными. Всего не перечислить, поэтому расскажу только о том, с чем я сам работаю, все примеры кода и картинки мои собственные. Исходный код по ссылкам представлен на языке Python 3 в виде Jupyter Notebooks на GitHub.
Картинка ниже показывает смещение поверхности Земли относительно спутника (красным цветом обозначено смещение вверх и синим — вниз) в результате землетрясения (6.5 баллов) — как видим, горы «подросли» (на 20-30 см) и долины углубились (на 15-20 см). Можно ли это замерить локально? Да, с помощью сети наземных приемников GPS, для которых местоположение можно вычислить с очень высокой точностью, но это дорого и сложно, а точность спутниковых наблюдений уже превосходит наземные. Кстати, показанная интерферограмма вычислена за пару часов на обычном лаптопе с помощью Open Source утилит GMTSAR (фактически, это расширение для знаменитых в области наук о Земле утилит GMT).
Как растут горы — спутниковая интерферограмма землетрясения магнитудой 6.5 баллов в Монте Кристо, Невада, США
Где брать данные ДЗЗ
Данные спутниковых аппаратов по отдельности доступны в каталогах управляющих спутниками организаций, а еще существуют открытые каталоги, включающие множество датасетов, особенно интересен каталог Google Earth Engine Datasets, все данные из которого могут быть бесплатно обработаны с помощью системы Google Earth Engine: A planetary-scale platform for Earth science data & analysis. Каталог включает амплитудные радарные снимки, но не фазовые (поскольку операции усреднения и другие для них не имеют смысла, из них нельзя построить композит на всю территорию планеты и в глобальном каталоге они бесполезны). Для получения оптических и радарных снимков со спутников Sentinel-1 и Sentinel-2 удобна Python библиотека SentinelSat, для скачивания рельефа SRTM 30м и 90м существует Python библиотека Elevation. Смотрите также продукты в виде GeoTIFF или NetCDF файлов на сайтах:
Примеры данных ДЗЗ
Спутники на удивление много всего умеют измерять, и часто с поразительной точностью, а главное, многие собранные данные бесплатны и легко доступны. Что интересно, десятилетие назад точность и количество данных дистанционного зондирования, разумеется, уступали современным, но скорее количественно (доступное разрешение выросло в несколько раз, частота получения данных увеличилась, орбиты спутников стали известны точнее и это улучшило качество обработки результатов измерений и т.п.), чем качественно. Перечислим некоторые популярные и открыто доступные данные:
Compare Spectrograms of Hyperspectral and Multispectral Satellite Missions
Что еще можно узнать о Земле по данным ДЗЗ
Результаты прямых дистанционных измерений не только широко используются сами по себе, но и служат основой для получения многих других результатов, включая:
Перечисленные глобальные модели очень полезны, например, решением обратной задачи гравики можно восстановить соответствующее распределение гравитационных потенциалов, то есть построить модель (аномалий) геологической плотности:
Геологическая модель островов Фого (справа) и Брава (слева), Кабо-Верде
А кроме того, для детального изучения территорий существует множество способов локального улучшения разрешения данных.
Пример: создание локальных гравитационных карт высокого разрешения
Можно построить детальные гравитационные карты, используя спутниковую гравиметрию и детальный рельеф (30м и точнее) или космические снимки (10м). Здесь и далее подразумевается вертикальная компонента гравитационного поля.
Что интересно, многие отечественные геофизики не понимают, как это возможно (преобразование Фурье явно «прошло» мимо них), хотя методики построения глобальных гравитационных моделей (доступны только в оригинале, то есть, на английском языке) WGM2012, Sandwell & Smith Gravity, GGM plus 2013 общедоступны. Впрочем, совсем не обязательно их читать целиком, поскольку основой служит простой и легко проверяемый факт. Посмотрим вот эти графики корреляции (в некоторых источниках используется термин когерентность, хотя сами вычисления аналогичны) между гравитационным полем и рельефом:
[https://www.linkedin.com/pulse/computing-coherence-between-two-dimensional-gravity-grids-pechnikov/](Spectral Coherence between Gravity and Bathymetry Grids)
Здесь слева показано значение корреляции между гравитационными данными и батиметрией (рельефом дна), сдвиг от нуля вправо по оси абсцисс объясняется тем, что гравитационные данные измерены на поверхности, а батиметрия (очевидно) на дне, при этом глубина изучаемой территории составляет 3-4км. Справа показан график, аналогичный полученному в известной статье от НАСА (включена в сборник рецептов для батиметрии GEBCO, в статье по ссылке описано подробнее), где также есть аналогичное смещение от нуля по оси абсцисс. Длина волны означает характерный размер неоднородности; как видим, мы можем вычислить значение гравитации по батиметрии (рельефу дна). Разумеется, на суше все аналогично, просто оригинальная статья относится именно к данным батиметрии. Подробности и исходный код доступны по ссылке выше.
Ключевым моментом является линейная связь спектральных компонент гравитационного поля и рельефа — для каждой длины волны (характерного размера неоднородностей) отношение спектральных компонент постоянно. Однако, поскольку это отношение является функцией длины волны, линейная связь между непосредственно гравикой и рельефом отсутствует! Замечу, что характер этой связи известен (да, в общем, и очевиден — амплитуда компонент должна быстро уменьшаться, чтобы энергия поля была конечной) и по нему можно вычислять геологическую плотность через индекс фрактальности, но это, как говорится, совсем другой разговор, ограничусь просто ссылкой на статью и программный код: The Density-Depth Model by Spectral Fractal Dimension Index
Пример вычисления локальной гравики высокого разрешения по данным рельефа (исходный код доступен по ссылке ниже):
Build Super-resolution Gravity from GGMplus Free-Air Gravity Anomaly (200m) enhanced by SRTM topography (30m)
Аналогично можно использовать и ортофотоснимки или космоснимки для улучшения детальности рельефа (исходный код доступен по ссылке ниже):
В каждом случае, перед вычислениями необходимо строить коррелограмму, как описано выше, и проверять наличие высокой корреляции между спектральными компонентами. При отсутствии такой корреляции исходные данные некорректны и качества результатов окажется непредсказуемым. Причинами отсутствия корреляции могут быть ошибки позиционирования данных друг относительно друга (существенное смещение координат) или плохое качество снимка (заметные облака или невидимая глазом облачная дымка), а также некорректность используемой в качестве основы гравики на выбранной территории (например, качество модели гравики GGM plus 2013 хорошее на территории Индонезии и плохое в Южной Америке).
Заключение
Существует еще множество вариантов использования данных дистанционного зондирования Земли и при наличии общедоступных и бесплатных платформ для их облачной обработки, таких, как Google Earth Engine: A planetary-scale platform for Earth science data & analysis каждый может попробовать свои силы. Google Earth Engine (GEE) предоставляет также множество примеров скриптов, в том числе, для визуализации каждого доступного набора данных. Аналогично, Open Source утилиты GMTSAR сопровождаются множеством примеров и обширной документацией.
ДЗЗ для экологических задач Часть 2: Леса
Содержание
Использование Дистанционного Зондирования Земли для задач изучения, сохранения и восстановления Природы
Часть II. Использование технологий ДЗЗ для изучения, сохранения и восстановления лесов
Характеристики лесного покрова, которые возможно выявить при помощи технологий дистанционного зондирования (список не полный)
Задачи лесного комплекса, которые возможно решить на базе технологий дистанционного зондирования (список не полный):
1. Проведение многолетнего мониторинга (с 1972 по настоящее. время) лесных экосистем с отслеживанием параметров, важных для устойчивого использования, сохранения и восстановления леса, с целью выработки наиболее эффективных методик реализации этих целей.
1.1. Для задач лесовосстановления: использование ДЗЗ для оценки эффективности методик лесовосстановления с целью разработки и выбора лучших методик для данного типа климата и ландшафта.
1. Для задач лесопаталогии: оценка эффективности методик устранения повреждений леса и их предотвращения с целью разработки и выбора лучших методик для данного типа климата и ландшафта.
2. Для задач создания экологических систем (эконетов): выбор приоритетных территорий для включения их в разрабатываемые экологические сети, выбор среди этих территорий приоритетных для проведения лесовосстановительных работ.
3. Для задач борьбы с лесными пожарами: выявление лесных пожаров и оперативная разработка мер по их ликвидации, мониторинг лесов в пожароопасный период.
4. Для задач борьбы с нелегальными вырубками
5. Для задач лесопаталогии: выявление поврежденных лесных участков и диагностирование типов повреждений.
6. Задачи выявления и картирования различных характеристик лесного покрова
6.1. Определение высоты деревьев и диаметр кроны по спутниковым снимкам высокого разрешения
Ниже приведены несколько примеров, иллюстрирующих работу по этим задачам в большей детальности. Пока они касаются не всех задач, однако, впоследствии, материал может быть дополнен.
1. Проведение многолетнего мониторинга (с 1972 по настоящее. время) лесных экосистем с отслеживанием параметров, важных для устойчивого использования, сохранения и восстановления леса, с целью выработки наиболее эффективных методик реализации этих целей.
1.1. Для задач лесовосстановления: использование ДЗЗ для оценки эффективности методик лесовосстановления с целью разработки и выбора лучших методик для данного типа климата и ландшафта
Для примера возможного подхода к оценке эффективности методики лесовосстановления приведен элемент анализа процесса лесовосстановления территории заповедника Alto-Montana (Бразилия), находящимся в зоне влажных тропических лесов, на котором с 1950-х годов (около 60 лет) проходит естественное возобновление лесного покрова, начатого со стадии пастбищ и сильно разреженной растительности, сочетающихся с фрагментами ненарушенного леса. В примере показан анализ состояния растительного покрова и в момент даты съемки (1984 и 2003), и оценка характера динамики процесса восстановления растительного покрова. Выявление положительной динамики восстановления, а также высокое качество современного леса (определенное при полевых работах) – говорит о том, что применяемая методика и сопутствующие условия были удачны, то есть в дальнейшем необходимо изучить более детально (по архивам и старым картам) эту методику с тем, чтобы ее можно было использовать для восстановления лесов других территорий.
Снимки Landsat 1984 и 2003 г были использованы для примера, для более качественного анализа лучше использовать также снимки Landsat 1 (1972 г) и Landsat 8 текущего года.
Использование вегетационного индекса NDVI для определения типа и степени нарушенности растительного покрова
Вегетационные индексы широко используются как для выявления экологических характеристик земной поверхности, так и для дешифрирования крупных объектов земной поверхности. Среди других вегетационных индексов, использование индекса NDVI – имеет наиболее широкий характер.
Здесь:
NIR – процент отраженной радиации (показание канала снимка) в ближнем инфракрасном диапазоне (Near Infra-Red): 0,7-1,0 мкм
RED – процент отраженной радиации (показание канала снимка) в красном диапазоне (Red): 0,6-0,7 мкм.
Рассчитать NDVI можно по любому снимку, имеющего каналы в красном и ближнем инфракрасном диапазоне. Номера необходимых для расчета этого индекса каналов для спутниковых снимков открытого доступа Landsat, MODIS и ASTER приведены в таблице 3.
Таблица 3. Каналы сенсоров снимков открытого доступа для расчета индекса NDVI 
Использование индекса NDVI основан на свойстве спектральной кривой сосудистых растений: в красной области спектра (0,6-0,7 мкм) лежит максимум поглощения солнечной радиации хлорофиллом высших сосудистых растений (минимум отраженной радиации на спектральной кривой), а в ближней инфракрасной области (0,7-1,0 мкм) находиться область максимального отражения клеточных структур листа (максимум отраженной радиации на спектральной кривой). Иначе говоря,высокая фотосинтетическая активность (связанная, как правило, с густой растительностью) ведет к меньшему отражению в красной области спектра и большему в инфракрасной (рис.16 и 17).
Отношение этих показателей друг к другу позволяет четко отделять и анализировать растительные от прочих природных объектов. Использование же не простого отношения, а нормализованной разности между минимумом и максимумом отражений увеличивает точность измерения, позволяет уменьшить влияние таких явлений как различия в освещенности снимка, облачности, дымки, поглощение радиации атмосферой и пр.
Чем сильнее процесс фотосинтеза, что связано с повышением здоровья и плотности растительного покрова (т.е. приближению его состояния к состоянию в ненарушенной экосистеме), тем больший процент отраженной радиации он имеет в инфракрасной области, то есть – тем большее значение имеет и индекс NDVI (рис.16 и 17). Это дает возможность определять качество и тип растительного покрова по анализу индекса NDVI.
Определенное эмпирически соответствие значение индекса NDVI и типа земного покрытия (в том числе по типу и качеству растительного покрова) представлено в Таблице 4.
Рис. 16. Спектральная кривая зеленого листа [green leaf](с самой высокой фотосинтетической активностью), красного и желтого листа [red leaf, yellow leaf], (со сниженной фотосинтетической активности) и коричневого усыхающего листа [brown leaf] Видно, что чем ниже фотосинтетическая активность, тем меньше разница между процентом отраженной радиации в NIR и Red диапазоне, то есть – тем выше значение индекса NDVI
Построение индекса NDVI по спутниковому снимку изучаемой территории позволяет оценить тип и состояние (степень нарушенности) растительного покрова, в том числе, – лесного покрова за дату проведения съемки. Сопоставление карт индекса NDVI за разные года – позволяет оценить динамику процесса изменения состояния растительного покрова в рассматриваемый период в лучшую или худшую сторону.
Ниже приведен простой практический пример такого анализа.
Рис.18 показывает карты индекса NDVI, сделанные для одной территории (заповедник Alto-Montana, Бразилия), на которой уже около 60 лет проходит процесс естественного возобновления тропического леса) по двум снимкам: Landsat5 1984 года (1984.08.09) и Landsat7 2003 года (2003.02.27).
Целями построения этих карт было:
— оценить степень нарушенности растительного покрова
— оценить динамику изменения растительного покрова, произошедшего за 19 лет (между 1984 и 2003 годами)
Сопоставляя полученное значения индекса NDVI с Таблицей 4, а также исходя из понимания, что чем выше индекс NDVI, тем гуще и лучше лесной покров, можно провести анализ состояния растительного покрова за два указанных года и визуально оценить процесс изменения этого состояния за 19 лет.
Так, если на карте 1984 г. лишь небольшие участки имели значения NDVI 0,67-0,73 (зеленый цвет), то на карте 2003 г. площадь таких участков значительно увеличилась. Северо-западный участок территории в 1984 г. имел значение индекса 0,2-0,4 (оранжевый цвет) а в 2003 г. от 0.5 до 0.73, что говорит о повышенной скорости возобновления именно на этом участке.
Рис.18. Карты индекса NDVI, рассчитанные для территории заповедника Alto-Montana по снимкам Landsat5 (1984 год) и Landsat7 (2003 год)
Использование цветных композитов из трёх спектральных каналов в цветовом пространстве RGB для определения типа и степени нарушенности растительного покрова
Метод цветных композитов позволяет выявлять различные характеристики наземного покрова, за счет того, что различные сочетания каналов окрашивают объекты разного типа в разные цвета.
Теоретическая основа метода кратко освещены в первой части статьи.
Некоторые ходовые сочетания цветных композитов и интерпретации их результатов раскрыты в статье ГИС-Лаб:
http://gis-lab.info/qa/landsat-bandcomb.html
Визуальный анализ полученных композитов подтверждает выводы, полученные при анализе индекса NDVI в предыдущем примере (рис.18 и 19).
На снимке 1984 г. северо-западный и центральный участок территории окрашен в коричневые тона, что детектируется в данном композите, как разреженная растительность. На снимке 2003 г коричневые цвета практически исчезают, их место занимают светло-зеленые и насыщенные зеленные цвета. Светло-зеленые цвета занимают преимущественно территории, которые на снимке 1984 г окрашены в коричневый, что явно говорит о том, что в данном месте наблюдается положительная динамика восстановления растительного покрова.
В целом же для целей выявления типа растительности и его состояния этот метод не поддается такой точной интерпретации, как метод расчета индекса NDVI, однако он может выявлять существенную дополнительную информацию о территории, что делает его использование полезным.
Рис.20. Цветной композит в системе RGB из каналов 7,4,2 для снимков Landsat 5 (1984.08.09) и Landsat 7 (2003.02.27) для территории заповедника Alto-Montana, Бразилия
Использование метода Контролируемой Классификации для оценки эффективности методики лесовосстановления
На основе старых карт использования земель и метода Контролируемой Классификации (Supervised Classification) можно провести выявление на снимках ранних годов территорий, достоверно занятых пашней, и изучить для них более тщательно(как территорий, представляющих наибольший интерес в плане оценки эффективности методики лесовосстановления) динамику лесовосстановления за последующие годы, а также современное состояние экосистемы.
2. Для задач создания экологических систем (эконетов): выбор приоритетных территорий для включения их в разрабатываемые экологические сети, выбор среди этих территорий приоритетных для проведения лесовосстановительных работ.
3. Для задач борьбы с лесными пожарами: выявление лесных пожаров и выгоревших территорий, оперативная разработка мер по их ликвидации, мониторинг лесов в пожароопасный период
Основной ресурс определения пожаров и выгоревших территорий – продукты снимков MODIS, получаемых со спутников Terra и Aqua. Благодаря небольшому временному интервалу между получением снимков для одной и той же территории (всего 1-2 суток) – данные MODIS способны обеспечивать анализ ситуации с пожарами в режиме почти реального времени.
Данные MODIS детектирует два типа пожарной активности, по каждому из которых используется своя методика: активные очаги горения, то есть территории, горящие в момент съемки (active fires, hotspots) и сгоревшие площади (burned areas).
Более подробно о принципе определения активных очагов горения и выгоревших территорий можно узнать в статьях GIs-lab»:
«Данные по тепловым аномалиям MOD14A1: описание и получение» http://gis-lab.info/qa/mod14a1.html
«Данные о сгоревших площадях MCD45: описание и получение» http://gis-lab.info/qa/mcd45.html
На основе этих данных созданы мировые и национальные ресурсы дистанционного мониторинга пожаров, которые предоставляют на бесплатной основе данные об очагах горения и сгоревших территориях – как в виде архивов за прошлые года (в разных наборах по годам и территориям), так и в виде оповещений в режиме «почти реального времени”. Последняя опция может функционировать как в режиме online (т.е. информацию можно узнавать на постоянно обновляемом сайте ресурса), так и в виде скачивания нужных слоев, а также в режиме оповещений пользователей на интересующие их области по основным каналам связи (SMS, электронная почта, мобильные приложения).
Наиболее известный общемировой ресурс предоставления данных о пожарной активности на весь мир – The Fire Information for Resource Management System (FIRMS), разработанный в Университете штата Мэриленд и поддерживаемая Национальным агентством США по аэронавтике и исследованию космического пространства (NASA). Более подробно: http://gis-lab.info/qa/firms.html
В России работает национальная система дистанционного мониторинга пожаров и оповещений в режиме почти реального времени: «Космоснимки Пожары» ИТЦ «СКАНЭКС» (http://fires.kosmosnimki.ru/). На карте сайта ресурса можно найти актуальную на сегодняшний день информацию о пожарах по своей территории. Также с 15 мая 2014 года запущен тестовый режим оповещений пользователей на интересующие их области по email.
Ресурс «Космоснимки Пожары» использует данные FIRMS для отображения ситуации по всему миру, и собственные данные для отображения ситуации по России, что делает точность определения очагов пожаров и выгоревших территорий по России точнее, чем данные по России, полученные только из ресурса FIRMS.
Как сообщается на официальном сайте ресурса: «Оперативность сервиса по Российской территории даже выше, чем у FIRMS, потому что используется информация размещенной в России уникальной сети наземных комплексов приема и обработки спутниковых данных УниСкан™ ИТЦ «СКАНЭКС», в ближайшее время буду добавлены данные со спутника Suomi NPP.»
Помимо данных об очагах пожаров и выгоревших территориях сервис предлагает и другие вспомогательные слои:
Рис. 22. Примеры карт «Космоснимки-пожары» на 24.07.2014
5. Для задач лесопаталогии
Спутниковые снимки позволяют выявлять поврежденные участки леса на больших территориях и диагностировать вероятный тип повреждений: верховой пожар, усыхания древостоя, заболачивание, вырубка, зарастание и др. Это дает возможность специалистам оперативно реагировать в принятии мер против устранения причин повреждений. По каждому выявленному участку поврежденного леса необходимо провести полевые работы для уточнения причин повреждений и выработки комплекса мер противодействия. В дальнейшем технологии дистанционного зондирования используют для мониторинга ситуации (разрастается ли участок поврежденного леса, происходит ли процесс восстановления).
Возможность анализировать состояние лесного покрова за 40 лет дает возможность – изучать эффективность применяемых методологий по устранению повреждений.
6. Задачи определения и картирования различных характеристик лесного покрова
6.1. Определение высоты деревьев и диаметр кроны по спутниковым снимкам высокого разрешения
В северных широтах эта техника важна для изучения переходных экотонов (лесотундры), являющихся чувствительным индикатором глобальных климатических изменений. Значения методики для этой зоны иллюстрируют полученные на ее основе результаты, перечисленные ниже.
Технические детали методики раскрыты в работе первого автора:
Anton Novichikhin. Research report. Development of object-oriented image classification technique with a tree heights and species interpretation using 8-band VHR satellite imagery, PDF
Результатом анализа изображения снимка высокого разрешения (был использован QuickBird имеющего разрешение 2.4 м в спектральных зонах и 0.6 м для панхроматического изображения) с применением разработанной методики стало:
— карта деревьев и кустарников с диаметром крон (рис.23)
— карта границ леса и лесотундры
— карта проективного покрытия крон, которые рассчитываются для элементарных площадок заданного размера
Полученная карта деревьев и кустарников позволяет оценивать количество деревьев и крупных кустарников на единицу площади, с разделением их на несколько классов по высоте, а также расстояние между стволами деревьев и проективное покрытие древостоев. Оценка высот объектов позволяет автоматизировано проводить границу между лесной, лесотундровой и стланиковой древесной растительностью (основные экологические классы в лесотундровом экотоне). Разработанная методика детального картографирования позволяет определять важные морфометрические параметры экотона лесотундры. 
Рис.23. Результат выявления деревьев и кустарников с различными диаметрами крон (показаны цветными окружностями) по разработанной методике