Сборник тезисов докладов шестнадцатой Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, ИКИ РАН, 2018 год

(http://smiswww.iki.rssi.ru/d33_conf)

Пространственная оценка запасов биомассы древесного полога по спутниковым изображениям высокого пространственного разрешения (на примере лесов Ханты-Мансийского АО)

Сурков Н.В. (1,2), Сочилова Е.Н. (1), Ершов Д.В. (1)
(1) Центр по проблемам экологии и продуктивности лесов Российской академии наук, Москва, Россия
(2) МГУ имени М.В. Ломоносова, Географический факультет, Москва, Россия
Настоящая работа посвящена освещению результатов пространственной оценки лесных ресурсов и запасов фитомассы по спутниковым разносезонным изображениям высокого пространственного разрешения Landsat-8 и материалам наземных обследований. Тестовым участком для исследования было выбрано Советское лесничество Ханты-Мансийского автономного округа, которое принадлежит к северо-таёжной лесоболотной зоне Западно-Сибирской равнины. Комбинация разносезонных изображений с данными лесной таксации позволяет актуализировать пространственную информацию о распределении на территории тестового участка основных категорий земель и преобладающих древесных пород. По спутниковым данным автоматически методом сегментации выделяются спектрально-однородные участки земной поверхности (сегменты, аналоги выделов) для оценки в них категории земель, преобладающей породы, возраста и запаса древостоя. На первом этапе выполнялась классификация территории на девять типов ландшафтного покрова, четыре из которых – леса с преобладающими породами (сосна, кедр, ель, береза). Управляемая классификация разносезонных изображений осуществлена методом Random forest (Breiman, 2001) с интегральной точностью 86,3%.

На втором этапе для оценки запаса древесины проведено построение регрессионных зависимостей между значениями яркости в зимнем красном канале спутникового изображения с лесотаксационными характеристиками на отобранных эталонных выделах (Сочилова, Ершов, 2012). По каждой преобладающей породе построены зависимости, их достоверность достигает 0,8 для хвойных пород и 0,72 – для берёзы. Также было проведено построение аналогичных зависимостей между значениями яркости в красном канале и высотой древостоя для сосновых, берёзовых и темнохвойных насаждений. По полученным данным о высоте древостоя восстановлен его возраст, для чего применены зависимости, описанные в региональных таблицах хода роста различных пород (Швиденко и др., 2008). Лесонасаждения каждой породы были разделены на группы возраста: молодые, средневозрастные, приспевающие и спелые с перестойными. Для полученных групп возраста насаждений с использованием конверсионных коэффициентов выполнен перерасчёт запасов древесины в фитомассу (Замолодчиков и др., 2003).

В результате объединения результатов, полученных по группам возраста и породам, созданы карты средних возрастов, средних запасов древостоя в м3/га и средних запасов фитомассы в т/га. На основе карт были проведены поквартальные оценки площадей и запасов основных лесообразующих пород тестовой территории, включая лесные участки, соответствующие возрасту рубки. Оценки биомассы пород будут использованы также в качестве информации для уточнения запасов лесных горючих материалов верхнего полога исследуемой территории.

Ключевые слова: Лесное хозяйство, дистанционное зондирование, Landsat-8, random forest, запасы стволовой древесины, запасы фитомассы.
Литература:
  1. Сочилова Е.Н., Ершов Д.В. Анализ возможности определения запасов древесных пород по спутниковым данным Landsat ETM // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т.9. № 3. С. 277-282.
  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. Сибирский государственный технологический университет. Выпуск 1(32). 2003. С. 119 – 127.
  3. Швиденко А.З., Щепащенко Д. Г., Нильссон С., Булуй Ю.И. Таблицы и модели хода роста и продуктивности насаждений основных лесообразующих пород северной Евразии (нормативно-справочные материалы). Федеральное агентство лесного хозяйства. Международный институт прикладного системного анализа. 2008. 886 с.
  4. Breiman L. Random forests // Machine Learning. 2001. V. 45. № 1. P. 5–32.

Дистанционное зондирование растительных и почвенных покровов

439