Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 2019 год

(http://conf.rse.geosmis.ru)

Оценка биометрических и морфоструктурных характеристик древостоев НП «Куршская Коса» по спутниковым данным Sentinel-2, PlanetScope и WorldView-3

Гаврилюк Е.А. (1), Никитина А.Д. (1), Князева С. В. (1)
(1) Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
В работе приводятся результаты геопространственного моделирования отдельных биометрических характеристик лесных фитоценозов, таких как возраст, высота и диаметр стволов деревьев, а также показателя сложности морфоструктуры древесного полога (Жирин и др., 2016), на основе спутниковых данных высокого и сверхвысокого разрешения для территории Национального парка «Куршская Коса», расположенного в Калининградской области.
Мы использовали безоблачные мультиспектральные изображения с трех оптических съемочных систем – Sentinel-2 (ESA, пространственное разрешение – 10-20 м), PlanetScope (Planet, 3-4 м) и WorldView-3 (DigitalGlobe, 0.7-2.8 м), полученные в летний период 2017-2018 годов, и прошедшие предварительную обработку до уровня значений коэффициентов спектральной яркости на уровне земной поверхности. В качестве спектральных признаков для геопространственного моделирования рассматривались все доступные каналы видимого и ближнего инфракрасного диапазонов, а также рассчитанный на их основе вегетационный индекс NDVI (Rouse et al., 1974). В качестве источника априорной информации о качественных и количественных характеристиках древостоев в масштабах всего парка использовалась ГБД, сформированная из актуальных материалов лесоустройства 2015 года.
На основе спектральных признаков, с помощью реализованного в программной среде R пакета radiomics (Carlson, 2018), рассчитывались текстурные характеристики первого порядка (Parmar et al., 2014) в пределах лесоустроительных выделов парка – энергия, энтропия, медиана, разброс, дисперсия, коэффициенты асимметрии, эксцесса и вариации, значения которых использовались в качестве независимых переменных в процессе регрессионного анализа.
Мы использовали случайные леса (Breiman, 2001) для построения регрессионных моделей, а также весь сопутствующий им комплекс методов для автоматического подбора параметров алгоритма, оценки информативности переменных и точности полученных результатов, реализованный в R-пакетах caret (Kuhn, 2019) и ranger (Wright, Ziegler, 2017). Для корректировки характерного для случайных лесов эффекта завышения низких и занижения высоких значений при моделировании, мы использовали метод повторных медиан (Siegel, 1982).
Обучающая и контрольная выборки формировались из лесоустроительных выделов парка, занятых лесными культурами и насаждениями естественного происхождения II, III и IV бонитетов, полнотой не менее 0.3, средним диаметром стволов не менее 2 см и средней высотой не менее 3 метров. Выборки комплектовались в соотношении 0.6/0.4 случайным образом с предварительной стратификацией выделов по комплексным группам, выделенным на основе значений возраста, бонитета и полноты насаждений.
В итоге, модели, полученные на основе спутниковых изображений разного пространственного разрешения, показали довольно сходные результаты. Наилучшие с точки зрения формальных показателей точности модели были получены по данным WorldView-3 для величин средней высоты древостоев – коэффициент детерминации R2 = 0.47 при средней квадратической ошибке RMSE = 2.5 м (14% от разброса по выборке) и сложности морфоструктуры древесного полога – R2 = 0.50 при RMSE = 1.1 балла (15%). Аналогичные показатели для среднего возраста и среднего диаметра стволов составили R2 = 0.32 при RMSE = 18.9 года (16%), и R2 = 0.37 при RMSE = 5.2 см (15%) соответственно. Модели на основе данных PlanetScope и Sentinel-2 показали результаты на 1-3% ниже (по RMSE), в зависимости от оцениваемой характеристики.

Работа выполнена в рамках проекта РФФИ № 17-05-01129 «Оценка биометрических и морфоструктурных параметров лесных фитоценозов на основе детальной аэрокосмической съемки» (тематическая обработка данных) и ГЗ ЦЭПЛ РАН № АААА-А18-118052400130-7 «Методические подходы к оценке структурной организации и функционирования лесных экосистем» (подготовка исходных данных).

Ключевые слова: лес, биометрические характеристики, морфоструктура, ДЗЗ, Sentinel-2, PalnetScope, WorldView-3, random forest
Литература:
  1. Жирин В.М., Князева С.В., Эйдлина С.П. Оценка влияния морфологии древесного полога и рельефа на спектральные характеристики лесов по данным LANDSAT // Исследование Земли из космоса, 2016, № 5, с. 1-11.
  2. Carlson J. radiomics: 'Radiomic' Image Processing Toolbox. R package version 0.1.3. [Электронный ресурс]. URL: https://CRAN.R-project.org/package=radiomics (дата обращения 12.07.2019).
  3. Breiman L. Random forests // Machine Learning. 2001. Vol. 45. № 1. P. 5–32.
  4. Kuhn M. caret: Classification and Regression Training. R package version 6.0-84. [Электронный ресурс]. URL: https://CRAN.R-project.org/package=caret (дата обращения 12.07.2019).
  5. Parmar C., Rios Velazquez E., Leijenaar R., Jermoumi M., Carvalho S., Mak R.H., et al. Robust Radiomics Feature Quantification Using Semiautomatic Volumetric Segmentation // PLoS ONE. 2014. Vol. 9. №7. P. 102–107. https://doi.org/10.1371/journal.pone.0102107
  6. Rouse J.R., Haas J.S., Deering D. Monitoring Vegetation Systems in the Great Plains with ERTS // Goddard Space Flight Center 3d ERTS-1 Symp., NASA, 1974. Vol. 1. Sect. A. P. 309–317.
  7. Siegel A.F. Robust Regression Using Repeated Medians // Biometrika. 1982. Vol. 69. №1. P. 242–244.
  8. Wright M.N., Ziegler A. ranger: A Fast Implementation of Random Forests for High Dimensional Data in C++ and R // Journal of Statistical Software. 2017. Vol. 77. №1. P. 1-17. doi:10.18637/jss.v077.i01

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов

413