Эффективность классификации данных Landsat методом нейронных сетей для картографирования темнохвойных лесов на разных синтаксономических уровнях

Поиск методов картографирования растительных сообществ, основанных на открытых данных дистанционного зондирования, является актуальной задачей настоящего момента (Попов, 2016 и др.). Данные дистанционного зондирования, и в частности снимки со спутника Landsat, широко используются в изучении лесного покрова (McRoberts et al 2010; Banskota et al. 2014; Курбанов и др., 2014). При этом важны методики картографирования растительных сообществ в региональном масштабе на разных уровнях: от уровня формаций до уровня ассоциации и ниже. Отдельный интерес представляет то, насколько эти методики точны и доступны для воспроизведения и применения в практике (в первую очередь, в практике природоохранного планирования).
Цель нашей работы – оценить возможность и эффективность картографирования темнохвойных лесов на Северо-Западном Кавказе на основе данных Landsat методом нейронных сетей. Было поставлено три последовательных задачи: 1) получить карту распространения темнохвойных лесов и оценить ее точность; 2) получить данные о сомкнутости темнохвойных пород и оценить точность результата; 3) получить карту распространения отдельных вариантов в пределах темнохвойных лесов.
В качестве метода классификации выбраны нейронные сети, показавшие высокую эффективность в изучении лесного покрова (Joshi et al 2006; Rogan et al 2008; Stefanidou et al 2015 и др.). Карта распространения темнохвойных лесов в южных районах Краснодарского края, Адыгеи и Карачаево-Черкесии (Комарова и др., 2016) создана с помощью автоматизированной классификации методом самообучающихся нейронных сетей под предварительно полученной методом ISODATA маской лесов в программе ScanEx ImageProcessor по снимкам Landsat TM (разрешение 30 м; в качестве опорных были выбраны пиксели, соответствующие геоботаническим описаниям; количество эталонных участков на каждую сцену составило около 200), а затем верифицирована по продукту TerraLook Aster (15 м), снимкам разрешением 0.6–15 м, доступным в программе GoogleEarth, и зимним снимкам Landsat ETM+ в узлах регулярной сетки 2 на 2 км (4856 контрольных точек).
Для получения данных о сомкнутости темнохвойных в пологе древостоя на модельном участке в верховьях р. Зеленчук использованы 2, 3, 4 и 5 спектральные каналы снимка Landsat TM (разрешение 30 м). Источником эталонов стали 224 детальных геоботанических описания. Результат автоматизированной классификации под маской лесов методом самообучающихся нейронных сетей в программе ScanEx ImageProcessor был автоматически откалиброван по точкам геоботанических описаний. Полученная карта верифицирована по 167 точкам кратких маршрутных описаний, а также по данным лесоустройства для части территории.
Принципиальная возможность картографирования вариантов обусловлена, на наш взгляд, двумя причинами. Во-первых, сигнал, приходящий на сенсор при дистанционном зондировании лесных сообществ, является смешанным и содержит компонент, отражающий состав и структуру подчиненных ярусов, которые, в свою очередь, представляют собой критерий для объединения участков леса в отдельные синтаксоны. Во-вторых, варианты отличаются между собой в том числе и свойствами господствующего полога, что также способствует идентификации их на основе данных дистанционного зондирования. Показавший высокую эффективность на предыдущих этапах метод нейронных сетей был применен и для создания карты вариантов (также в пределах модельного участка). Были использованы 3-6 каналы сцены Landsat 8 OLI, к которой была также применена радиометрическая коррекция и корегистрация к цифровой модели рельефа. Массив эталонов создан после синтаксономической классификации данных геоботанических описаний в рамках эколого-флористического подхода. 4 варианта представлены 35 отдельными геоботаническими описаниями.
Слой темнохвойных лесов (таких, где пихта или, редко, ель преобладают в пологе над другими породами) успешно верифицирован (точность 95.9 %, коэффициент каппа Коэна (Малышева, 2012), – 0.81), их площадь в трех регионах Северо-Западного Кавказа составила всего 236.9 тыс. га (или 12.2 % от всех лесов). Данные о сомкнутости пихты и ели, верифицированные по маршрутным описаниям, показали меньшую точность: 84.1 % в нечетких границах классов (Fassnacht et al., 2006), каппа Коэна 0.6, – но также приемлемы. При этом два результирующих массива данных, полученных независимо, хорошо соотносятся между собой. Результаты классификации на уровне вариантов оказались неудовлетворительными: нейронная сеть оказалась недообучена. Причиной этого, вероятно, является недостаточное количество эталонных данных и/или скоррелированность данных в разных каналах снимка.
Итак, точность выделения темнохвойных (преимущественно пихтовых) лесов в пределах всей Российской части Северо-Западного Кавказа методом нейронных сетей по снимкам Landsat составила 95,9% (каппа 0,81). Нейронные сети также могут быть использованы для получения данные о сомкнутости пихты и ели, хотя точность такого результата существенно ниже: 84.1 % в нечетких границах классов, каппа Коэна 0.6. Для картографирования сообществ на уровне вариантов нейронные сети напрямую не подходят. Решением проблемы, помимо увеличения числа эталонов, может стать использование дополнительных, желательно – независимых, входных слоев.