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)

Девятнадцатая международная 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 

XIX.F.249

Геопространственное моделирование биометрических и структурных характеристик лесов Брянской области на основе спутниковых и выборочных лесотаксационных данных

Гаврилюк Е.А. (1), Королева Н.В. (1), Карпухина Д.А. (1), Сочилова Е.Н. (1), Ершов Д.В. (1)
(1) Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
В докладе представлены результаты исследования возможностей геопространственного моделирования биометрических (возраст, высота, диаметр ствола, запас) и структурных (соотношение хвойных и лиственных пород по запасу) характеристик древостоев на основе разносезонных спутниковых изображений Landsat (USGS Landsat Missions, 2021) и выборочных лесоустроительных материалов в масштабах отдельно взятого региона России – Брянской области (Гаврилюк и др. 2021).
Опорная выборка для обучения моделей и контроля результатов была сформирована на основе таксационных описаний для примерно 10000 геопривязанных лесоустроительных выделов общей площадью около 35 тыс. га. Использованные спутниковые данные были синхронизированы по времени с периодом проведения таксационных работ (2002-2005 гг.).
Основные этапы геопространственного моделирования, включая формирование серии разносезонных композитных изображений, расчет спектральных признаков и извлечение их значений в местах расположения эталонных выделов, обучение регрессионных моделей методом случайных лесов (Breiman, 2001) и применение их на всей территории исследования, выполнялись на базе облачной платформы Google Earth Engine (Gorelick et al., 2017). Сопутствующие процессы для оценки эффективности и статистической значимости обученных моделей, информативности использованных признаков и точности результатов моделирования выполнялись локально в программной среде R (R Core Team, 2020).
Наилучшие результаты были получены для показателей соотношения хвойных и лиственных пород по запасу – коэффициент детерминации моделей R2 = 0.7 при относительной ошибке RMSE = 22%. Для биометрических характеристик значения R2 варьировали от 0.4 для возраста до 0.5 для запаса, а величина RMSE находилась в пределах 26-37%. Такой уровень точности в полной мере согласуется с результатами похожих зарубежных и российских исследований.
Полученные геопространственные тематические продукты продемонстрировали высокую сходимость с данными официальной статистики при агрегации в границах лесничеств региона: квадрат корреляции r2 = 0.98 при относительном отклонении MD = 5% для покрытой лесом площади и r2 = 0.96 при MD = 8.6% для суммарного запаса. При сравнении суммарных запасов только хвойных насаждений при сопоставимом значении r2 = 0.92 MD было заметно выше – 22.9%.
В итоге использованное сочетание исходных данных и методики их обработки позволяет получать достоверные оценки биометрических и структурных характеристик лесов, как минимум на уровне субъектов Российской Федерации.

Исследование было выполнено в рамках государственного задания ЦЭПЛ РАН АААА-А18-118052590019-7 (тематическая обработка данных) при финансовой поддержке Российского научного фонда (проект №19-77-30015, подготовка исходных данных и написание программных скриптов).

Ключевые слова: возраст древостоев, высота древостоев, диаметр ствола, запас стволовой древесины, соотношение хвойных и лиственных пород, данные ДЗЗ, Landsat, случайные леса, Google Earth Engine
Литература:
  1. Гаврилюк Е.А., Королева Н.В., Карпухина Д.А., Сочилова Е.Н., Ершов Д.В. Геопространственное моделирование биометрических и структурных характеристик лесов брянской области на основе спутниковых и выборочных лесотаксационных данных // Лесоведение. 2021. №6. С. 609-626.
  2. Breiman L. Random forests // Machine Learning. 2001. V. 45. N1. P. 5–32.
  3. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. V. 202. P. 18–27.
  4. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, 2021, Vienna, Austria. [Электронный ресурс] URL: https://www.R-project.org/ (дата обращения 24.03.2021).
  5. USGS Landsat Missions [Электронный ресурс]. URL: https://www.usgs.gov/land-resources/nli/landsat (дата обращения 24.03.2021).

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов