Кратко — выбор зависит от задач: для точной высотной и генеральной цифровой модели поверхности и учёта подстилающей поверхности лучше LiDAR; для высоко‑разрешённого визуального анализа крӧн (здоровье, виды, дефекты) и дешёвой съёмки небольших участков — плотная фотограмметрия (SfM). Ниже — преимущества, недостатки, типичные погрешности и экономические соображения.
Плюсы LiDAR
- Пробивает крону и даёт множественные возвраты → присутствует модель земли (DTM) и модель кроны (CHM).
- Надёжное измерение высот при плотности точек $\ge 2{\text{pts/m}}^2$; в форестрейтинге часто $2\text{–}20{\text{pts/m}}^2$.
- Хорош для расчёта высот деревьев, объёма древесины и биомассы, сегментации отдельных деревьев в плотных лесах.
- Меньше зависит от освещённости, погодных условий и текстуры поверхности.
Минусы LiDAR
- Более высокая стоимость съёмки и оборудования (в среднем $\sim 2\text{–}5\times$ дороже по сравнению с фотограмметрией для больших площадей).
- Меньше спектральной информации (обычно только интенсивность + приёмник), что ограничивает диагностику заболеваний и идентификацию видов.
Типичные погрешности LiDAR
- Вертикальная точность DTM: примерно $\pm 0.05\text{–}0.30\text{м}$ в зависимости от плотности и условий.
- Точность высоты кроны/дерева зависит от возвратов верхнего слоя и подслоёв; RMSE высот на делянке часто $\sim 0.2\text{–}1.0\text{м}$.
- Оценка объёма/биомассы: plot‑level RMSE обычно в пределах $\sim 15\%\text{–}30\%$ от истинной стоимости (зависит от модели и валидации).
- Ошибки: недобросовестная классификация «земля/вегетация» на крутых склонах или в густых кронах → смещение высот.
Плюсы плотной фотограмметрии (SfM)
- Очень высокая плотность облака на видимых поверхностях (часто $>100{\text{pts/m}}^2$ на поверхности кроны).
- Получение RGB (и при мультиспектральной съёмке — спектров) для оценки здоровья, хлорофилла, индексных карт (NDVI и т.д.) и детекции дефектов.
- Дешевле для малых площадей и при использовании дронов; хороша для детального картирования кроны, очертаний и визуальной интерпретации.
Минусы фотограмметрии
- Не даёт прямых возвратов под кроной → плохое восстановление DTM в плотных лесах; высота дерева = модель поверхности минус DTM, и при ошибочном DTM высоты смещаются.
- Зависимость от текстуры, освещения, углов съёмки; однородная листва/теневые участки ухудшают реконструкцию.
- Требует больших перекрытий, контрольных точек (GCP) и тщательной калибровки камер для точного геопривязывания.
Типичные погрешности фотограмметрии
- Вертикальная точность поверхности (DSM) часто пропорциональна GSD: порядка $\sim 1\text{–}3\times \text{GSD}$. При GSD $=0.05\text{м}$ возможна точность $\sim 0.05\text{–}0.15\text{м}$ на открытых поверхностях, но хуже в тенях/однородных кронах.
- DTM в плотных лесах часто недостоверен → ошибка высоты дерева и, как следствие, объёма; RMSE объёма может быть $\sim 20\%\text{–}40\%$ или хуже в закрытых кронах.
- Систематическая ошибка: фотограмметрия измеряет видимую поверхность (иногда «облако кроны» сглажено), что даёт занижение/завышение высот в зависимости от условий.
Ошибки оценки запаса древесины — общие замечания
- Модель оценки запаса обычно регрессия от высотных и плотностных метрик CHM/point‑cloud: $\hat{V}=f(\text{metrics})$.
- Валидация даётся метриками: смещение (bias) $=\frac{1}{n}\sum ({\hat{V}}_i-V_i)$; RMSE $=\sqrt{\frac{1}{n}\sum ({\hat{V}}_i-V_i{)}^2}$. (Все формулы в KaTeX: см. выше.)
- Ошибка модели состоит из: (1) ошибок дистанционных измерений высоты, (2) ошибок выборки/калибровочных полевых замеров, (3) модельной неопределённости (структура леса, виды).
Экономические аспекты
- Стоимость съёмки: LiDAR дороже за км² при больших площадях, но даёт более «готовые» DTM/CHM; фотограмметрия дешевле при массовой аэрофотосъёмке и особенно при использовании дронов для мелких участков. (Отношение затрат часто $\sim 2\text{–}5\times$ в пользу фотограмметрии по цене.)
- Масштабируемость: LiDAR эффективнее для больших территорий (меньше времени полётов на единицу информации о земле), SfM хорошо для локальных обследований с высоким разрешением.
- Обработка: SfM генерирует большие плотные облака и ортофото, требует много CPU/GPU; LiDAR‑пайплайны зрелее и часто быстрее на больших объёмах.
- Доп. расходы: оба метода требуют полевых замеров для калибровки моделей объёма; фотограмметрия дополнительно требует GCP для хорошей геометрии.
Практические рекомендации
- Если цель — точный DTM/высоты/объём в плотном лесу → выбирать LiDAR.
- Если цель — мониторинг состояния кроны, виды, индексы здоровья, мелкие очаги повреждений на небольших участках → плотная фотограмметрия (особенно с мультиспектром).
- Для компромисса: комбинировать — LiDAR для DTM/высот, SfM/ортоснимки для спектральной информации и детализации кроны; это даёт синергетический эффект при оценке запаса и здоровья.
Короткое резюме
- LiDAR: лучше по точности высот и восстановлению земли → более надёжные оценки запаса в закрытых лесах, дороже.
- Плотная фотограмметрия: лучше по разрешению видимой поверхности и спектральным данным, дешевле для малого масштаба, хуже при восстановлении грунта и в плотной кроне.