Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Семнадцатая Всероссийская Открытая конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

Участие в Школе молодых 

XVII.F.588

Метод оценки продуктивности восстанавливающегося лесного покрова на основе продуктов обработки данных ДЗЗ и моделей хода роста лесных насаждений

Жарко В.О. (1), Барталев С.А. (1,2), Богодухов М.А. (1,2,3)
(1) Институт космических исследований РАН, Москва, Россия
(2) Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
(3) Московский физико-технический институт (национальный исследовательский университет), Долгопрудный, Россия
В работе представлен метод оценки продуктивности лесного покрова, восстанавливающегося после деструктивного воздействия, которое привело к его исчезновению, при условии известной датировки воздействия.
В рамках предлагаемого метода используются данные проекта Global Forest Change (Hansen et al., 2013), характеризующие пространственное распределение участков исчезновения лесного покрова, включая информацию о его дате, по данным Landsat с разрешением 30 м. Совместный анализ указанных данных, приведённых к пространственному разрешению 100 м, и карты растительности России, созданной на основе данных PROBA-V (Егоров и др., 2018) с тем же разрешением, позволяет определять участки восстанавливающегося лесного покрова и его тип. На основе полученной информации выбирается соответствующая модель хода роста лесных насаждений (Швиденко и др., 2008), которая используется для моделирования динамики характеристик лесов различных классов продуктивности (бонитета). Заключительный этап работы метода включает оценку класса бонитета восстанавливающегося лесного покрова на основе сопоставления данных существующих геоинформационных продуктов, отражающих характеристики лесов, и результатов моделирования соответствующих характеристик лесных насаждений для значений возраста, рассчитываемых как интервал между годом исчезновения лесного покрова и годом, для которого актуален используемый продукт. Рассматриваемому участку лесного покрова ставится в соответствие тот класс бонитета, результаты моделирования для которого наилучшим образом согласуются с данными существующих продуктов.
Возможность использования описанного метода для оценки продуктивности восстанавливающегося лесного покрова на территории Европейской части РФ была исследована с использованием данных глобальной карты запасов стволовой древесины, полученной в рамках проекта Globbiomass (Santoro et al., 2018; пространственное разрешение 100 м, данные на 2010 год), и данных продукта измерений высоты растительности ATL08 (Neuenschwander et al., 2019; размер футпринта 13 м, 2018-2019 год) прибором ATLAS, установленным на спутнике ICESat-2. Показано, что в рамках предлагаемого метода целесообразнее использовать продукт данных ATL08, т.к. данные Globbiomass демонстрируют завышение запаса в области его низких значений.
Дальнейшие направления исследований включают в себя валидацию получаемых оценок и реализацию представленного метода в масштабах всей территории РФ с использованием данных ATL08 и данных Global Forest Change исходного пространственного разрешения.
Исследование выполнено за счет гранта Российского научного фонда (проект №19-77-30015). Обработка и анализ данных выполнялись с использованием ресурсов ЦКП «ИКИ-Мониторинг» (Лупян и др., 2019).

Ключевые слова: дистанционное зондирование лесов, бонитет, запас стволовой древесины, высота леса, Globbiomass, ICESat-2, таблицы хода роста
Литература:
  1. Егоров В.А., Барталев С.А., Колбудаев П.А., Плотников Д.Е., Хвостиков С.А. Карта растительного покрова России, полученная по данным спутниковой системы Proba-V // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 282-286. DOI: 10.21046/2070-7401-2018-15-2-282-286.
  2. Лупян Е.А., Прошин А.А., Бурцев М.А., Кашницкий А.В., Балашов И.В., Барталев С.А., Константинова А.М., Кобец Д.А., Мазуров А.А., Марченков В.В., Матвеев А.М., Радченко М.В., Сычугов И.Г., Толпин В.А., Уваров И.А. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С.151-170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
  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. М., 2008. 886 с.
  4. Hansen M., Potapov P., Moore R., Hancher M., Turubanova S., Tyukavina A., Thau D., Stehman S., Goetz S., Loveland T., Kommareddy A., Egorov A., Chini L., Justice C. Townshend J. High-Resolution Global Maps of 21st-Century Forest Cover Change // Science. 2013. Vol. 342. Iss. 6160, pp. 850–853.
  5. Neuenschwander A.L., S.C. Popescu, R.F. Nelson, D. Harding, K.L. Pitts, J. Robbins. ATLAS/ICESat-2 L3A Land and Vegetation Height, Version 1. Boulder, Colorado USA. NSIDC: National Snow and Ice Data Center. 2019. doi: 10.5067/ATLAS/ATL08.001.
  6. Santoro M., Cartus O., Mermoz S., Bouvet A., Le Toan T., Carvalhais N., Rozendaal D., Herold M., Avitabile V., Quegan S., Carreiras J., Rauste Y., Balzter H., Schmullius C., Seifert F.M. A detailed portrait of the forest aboveground biomass pool for the year 2010 obtained from multiple remote sensing observations // Geophysical Research Abstracts. 2018. vol. 20. pp. EGU2018-18932. EGU General Assembly 2018.

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов

423