Для минимизации негативных последствий пирогенного воздействия в лесах, таких как загрязнение атмосферы, деградация почв и разрушение лесных экосистем [1, 2], применяются методы мониторинга последствий лесных пожаров. В качестве таких методов широко используется дистанционное зондирование Земли, демонстрирующее высокую эффективность для этих целей [3]. В отличие от классических полевых методов исследования лесов, использующих экстраполяцию данных, космический мониторинг обеспечивает сплошное или близкое к сплошному покрытие данными. Однако в целях получения количественных характеристик лесов – высот деревьев, надземной биомассы и др., используются модели взаимосвязи между спектральными характеристиками поверхности и исследуемыми показателями, имеющие ограничения в достоверности результатов.
Для более глубокого анализа характеристик лесовосстановления был выбран метод цифровой аэрофотограмметрии по оптическим снимкам с беспилотных летательных аппаратов (БПЛА). Этот подход позволяет получать трехмерные облака точек лесов с меньшими затратами, чем методы воздушного лазерного сканирования, и обеспечивает высокую точность и плотность точек при съемке несомкнутых древостоев [4]. В качестве объекта исследования была выбрана Центральная Якутия — регион с высокой частотой пожаров и растущими показателями горимости лесов в последние годы [5]. Было выбрано три модельных участка лиственничных и сосновых лесов, подвергающихся периодическому пирогенному воздействию, с различными лесорастительными условиями.
В ходе полевых работ на ключевых участках, помимо проведения съемки с БПЛА, была создана сеть опорных точек для повышения точности пространственной привязки. Также были заложены пробные площадки, на которых с помощью лазерного дальномера и ручных измерений были собраны валидационные данные о высотах отдельных деревьев и диаметрах на уровне груди.
Процесс сегментации облаков точек для получения облаков отдельных деревьев включал в себя несколько этапов: классификацию точек, относящихся к земной поверхности; нормализацию высот точек относительно поверхности земли для устранения влияния рельефа; детектирование деревьев по верхним точкам крон; и непосредственную сегментацию деревьев на основе цифровой модели крон и верхних точек отдельных деревьев.
Сегментированные облака точек отдельных деревьев были классифицированы по породному составу с использованием методов машинного обучения. Были определены три основных класса пород, отличающихся как по пространственному распределению точек, определяющему их форму и размеры, так и по яркостным характеристикам: лиственница, сосна и береза. Также был добавлен дополнительный класс сухостоя (стволов мертвых деревьев) для повышения точности модели. Наиболее высокие метрики точности по валидационным данным показали классы лиственницы и сосны – основных пород на исследуемых территориях. Береза показала более низкие метрики качества, что объясняется тем, что березы составляют незначительную часть древостоев в лиственнично-сосновых лесах Центральной Якутии.
Для получения биофизических параметров лесов – возраста деревьев, запаса древесины, надземной биомассы и чистой первичной продукции, использовались модели хода роста и биологической продуктивности. Эти модели отражают зависимость возраста деревьев и различных таксационных показателей деревьев, отражающих рост растительности и их биологическую продуктивность. Были использованы модели роста модальных насаждений, описывающих динамику реальных древостоев, усредненных по существующим лесам конкретного региона в зависимости от предшествующего режима ведения хозяйства [6]. Для применения этих моделей помимо информации о породном составе требуется знание о классе бонитета древостоя, который был определен в ходе полевых работ. Соответствующие модели хода роста были использованы для расчета возраста деревьев по обратной взаимосвязи между высотой деревьев, определенной по облакам точек, и возрастом. Далее возраст был использован для расчета остальных показателей – запаса древесины, надземной биомассы и чистой первичной продукции. Показатели были рассчитаны в масштабе отдельных деревьев, поэтому для сравнения с данными космического мониторинга по высотам деревьев и надземной биомассы, они были усреднены по регулярной сетке соответствующего размера.
Полученные данные были сопоставлены с двумя наборами данными космического мониторинга по высотам деревьев: ETH Global Canopy Height [7] и Global Land Cover and Land Use Change [8], а также с набором данных по надземной фитомассе ESA Climate Change Initiative Above Ground Biomass [9]. Сравнительный анализ полученных результатов с доступными данными космического мониторинга выявил их ограничения в точности передачи этих характеристик леса, как в их пространственном распределении, так и в абсолютных значениях. Это может быть связано с тем, что для получения этих наборов данных использовались модели взаимосвязи между спектральными характеристиками поверхности и соответствующими показателями. В отличие от этого подхода, съемка с БПЛА позволяет непосредственно оценивать трехмерную структуру древостоя с помощью методов цифровой аэрофотограмметрии.
Кроме того, сравнение показало, что космический мониторинг ограничен во временном охвате анализа пирогенного воздействия, поскольку не позволяет оценить время прохождения пожара, если оно превышает срока около 30-40 лет, то есть времени работы и доступности архивных данных исторических систем космического мониторинга. При этом также невозможно достоверно определить возраст древостоя, и, соответственно, время пирогенного воздействия, из-за упомянутых ограничений в определении трехмерной структуры древостоя по данным космического мониторинга. Однако при комбинации данных, полученных с БПЛА и проанализированных в масштабе отдельных деревьев с использованием моделей хода роста, и данных мультиспектрального космического мониторинга, можно перейти к более детальному анализу лесной растительности, для выявления взаимосвязей между временем прохождения лесных пожаров и породным составом лесов.