Дистанционный анализ, картографирование и мониторинг лесного покрова являются одними из «классических» сфер применения материалов спутниковой съемки Landsat. Величины запаса и древесной биомассы – одни из основных количественных показателей лесных экосистем, являющиеся прямыми индикаторами их ресурсного и экологического потенциала.
Цель данной работы – оценить возможности пространственного моделирования значений запасов стволовой древесины и наземной древесной биомассы в лесах на основе разносезонных мультиспектральных спутниковых изображений Landsat. Совместное использование данных ДЗЗ, полученных в разные периоды года, потенциально позволяет в той или иной мере автоматически учитывать пространственные различия в породной и возрастной структуре, а также продуктивности лесов территории в процессе регрессионного моделирования количественных показателей древостоев.
Исследование проводилось на территории Государственного природного биосферного заповедника «Брянский лес», расположенного в юго-восточной части Брянской области. Площадь заповедника с учетом охранной зоны составляет 20,7 тыс. га. Более 97% данной территории покрыто лесами, в породной структуре которых примерно в равных долях представлены монодоминантные (сосняки, березняки, черноольшаники) и полидоминантные (смешанные хвойно-лиственные и смешанные лиственные) насаждения (Гаврилюк и др., 2018).
В качестве исходной информации для регрессионного моделирования значений запасов и биомассы использовались лесоустроительные материалы заповедника – оцифрованная и геопривязанная сеть выделов с таксационными характеристиками за 2006 год. Значения наземной биомассы для выделов были пересчитаны из значений запасов с использованием конверсионных коэффициентов для основных лесообразующих пород России (Замолодчиков и др., 2003).
Исходный набор спутниковых данных состоял из шести разносезонных (конец января, начало апреля, начало и конец мая, август, сентябрь) безоблачных сцен Landsat-OLI из открытого архива Геологической службы США (USGS) за период с 2014 по 2018 годы, содержащих измерения спектральных яркостей в красном (0.63–0.69 мкм), ближнем инфракрасном (0.75–0.90 мкм) и среднем инфракрасном (1.55–1.75 мкм) диапазонах на уровне земной поверхности.
С учетом значительного временного разрыва между лесоустроительными и спутниковыми данными, использованными в работе, значения запасов и биомассы были актуализированы до состояния 2016 года методом регрессионного моделирования. На основе имеющихся таксационных показателей нами были получены генерализованные аддитивные модели (Hastie, Tibshirani, 1986), связывающие целевые характеристики с возрастом, бонитетом, полнотой и породным составом насаждений исследуемой территории. Все переменные, кроме возраста, учитывались в модели на уровне групп с разной степенью обобщения ¬– с минимальной для бонитета и максимальной для породного состава. Такой подход позволяет снизить вариабельность этих признаков и, соответственно, их изменчивость во времени, что в свою очередь, дает возможность рассматривать их как фиксированные на относительно коротких временных промежутках, и моделировать значения запасов и биомассы обновляя только средний возраст насаждений, который может быть актуализирован естественным образом, исходя из года проведения лесоустройства. В итоге, коэффициент детерминации модели, по которой проводилась актуализация значений запасов, составил R2=0,94 при средней абсолютной ошибке MAE=20 м3/га (9% от среднего значения по заповеднику) и среднеквадратической ошибке RMSE=27 м3/га (12%). Аналогичные показатели были получены и для биомассы: R2=0,94 при MAE=12 т/га (9%) и RMSE=16 т/га (12%).
После актуализации таксационных данных из выделов площадью не менее 2 га в пределах границ заповедника были сформированы обучающая (930 выделов) и контрольная выборки (907) для пространственного моделирования значений запасов и биомассы на основе спутниковых данных. Выборки комплектовались случайным образом с предварительной стратификацией выделов по комплексным группам, выделенным на основе значений запаса, бонитета, полноты и соотношения хвойных и лиственных пород в насаждениях.
Для построения регрессионных моделей использовался метод случайных лесов (Breiman, 2001). Опорные значения запаса и биомассы сопоставлялись с осреднёнными в пределах лесоустроительных выделов значениями спектральных яркостей в каналах разносезонных спутниковых изображений. Для корректировки характерного для случайных лесов эффекта завышения низких и занижения высоких значений при моделировании, мы использовали метод повторных медиан (Siegel, 1982).
В результате, коэффициент детерминации модели для оценки запаса стволовой древесины по спутниковым изображениям при тестировании на контрольных данных составил R2=0,60 при MAE=50 м3/га (20%) и RMSE=65 м3/га (26%). Аналогичные показатели для оценки наземной древесной биомассы составили R2=0,58 при MAE=28 т/га (19%) и RMSE=36 т/га (25%). Наиболее информативными для моделирования спектральными признаками оказались разносезонные значения красного канала Landsat, наиболее информативными периодами года – ранняя осень, а также снежная зима и ранняя весна. Полученные модели были использованы для попиксельной оценки значений запасов и биомассы в лесах на территории заповедника «Брянский лес» его окрестностей по данным Landsat.
При добавлении к спутниковым изображениям данных о бонитете насаждений в качестве еще одной независимой переменной точность регрессионного моделирования значительно возрастает: для запасов – R2=0,78 при MAE=37 м3/га (15%) и RMSE=48 м3/га (19%), для биомассы – R2=0,77 при MAE=21 т/га (14%) и RMSE=27 т/га (19%). Еще больше точность повышается, если добавить данные о возрасте: для запасов – R2=0,94 при MAE=18 м3/га (7%) и RMSE=25 м3/га (10%), для биомассы – R2=0,95 при MAE=9 т/га (6%) и RMSE=13 т/га (9%).
Таким образом, разносезонные спутниковые данные Landsat позволяют получать пространственные оценки величин запасов стволовой древесины и наземной биомассы с точностью до ±25% от среднего значения по выборке без предварительной стратификации лесов территории по показателям породной структуры, возраста и производительности. Формальные показатели точности регрессионных моделей могут быть значительно улучшены за счет добавления переменных, характеризующих бонитет и возраст древостоев (вплоть до ±20% и ±10% соответственно). Для более надежной оценки полученных моделей и верификации результатов пространственного моделирования требуется проведение работ по закладке контрольных наземных пробных площадей на территории исследования.

Работа выполнена в рамках проекта РФФИ № 15-29-02697 «Выявление роли экосистемных инженеров и биоразнообразия в функционировании лесов на основе синтеза наземных и спутниковых данных» (тематическая обработка данных) и ГЗ ЦЭПЛ РАН №0110-2018-0001 «Концепция спутникового мониторинга состояния и динамики лесных экосистем» (подготовка исходных данных).

Литература:

1. Гаврилюк Е.А., Горнов А.В., Ершов Д.В. Оценка пространственного распределения видов деревьев заповедника «Брянский лес» и его охранной зоны на основе разносезонных спутниковых данных Landsat // Бюллетень Брянского отделения РБО. 2018. № 3(15). С. 9–19.
2. Замолодчиков Д.Г., Уткин А.И., Честных О.В. Коэффициенты конверсии запасов насаждений в фитомассу для основных лесообразующих пород России // Лесная таксация и лесоустройство. 2003. T. 1. № 32. С. 119–127.
3. Breiman L. Random forests // Machine Learning. 2001. Vol. 45. № 1. P. 5–32.
4. Hastie T., Tibshirani R. Generalized Additive Models // Statistical Science. 1986. Vol. 1. №3. P. 297–310.
5. Siegel A.F. Robust Regression Using Repeated Medians. Biometrika. 1982. Vol. 69. №1. P. 242–244.