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.266

Распознавание и картографирование объектов естественного лесного покрова и лесных плантаций на о-ве Сахалин при помощи снимков Sentinel-2

Петренко Т.Я. (1), Корзников К.А. (1), Кислов Д.Е. (1)
(1) Ботанический сад-институт ДВО РАН, Владивосток, Россия
Современная доля лесопокрытой территории на Сахалине составляет около 85%. Картографических материалов, отражающих пространственное размещение хотя бы основных комплексов растительного покрова самого крупного острова России, до настоящего времени не создано. Для создания актуальной карты естественных лесов и лесных плантаций южной части острова (46–48° с.ш.), мы использовали серию из 8 тайлов спутниковых снимков, полученных с аппаратов Sentinel-2A/B (level 2A), с отсутствующей или минимальной облачностью, выполненных в июне и октябре 2019 г., марте 2021 г.
Для классификации пикселей использовали все спектральные каналы доступные в разрешении 20 м/пиксел, а также вычисленные на их основе индексы NDVI, NDWI и BSI. Классификация выполнена при помощи алгоритма обучения по прецедентам RandomForest, с неограниченной глубиной и числом решающих деревьев равным 500, реализованного в пакете SciKit-learn языка Python. Выбор оптимальной комбинации спектральных каналов и спектральных индексов выполнен путем их последовательного рекурсивного удаления из процесса обучения. Классификация лесного покрова выполнена в три этапа. На 1-м обучение классификатора выполнено в целях разграничения 7 классов нелесных объектов («вода», «болота», «без_растительности», «луга», «бамбуки», «ветровалы», «антропогенные») и 5 классов лесной растительности («лиственные», «вечнозеленые», «вечнозеленые_редкостойные», «лиственничники», «лиственничники_редкостойные»). На 2-м этапе в классификации участвовали пиксели, отнесенные только к классу «вечнозеленые», они были классифицированы на 3 класса: «кедровые_стланики», «елово-пихтовые» и разнородный класс, объединяющий пиксели участков вечнозеленых хвойных лесов, находящихся в разных стадиях угнетения и дефолиации кроны, участки смешанных древостоев с доминированием хвойных вечнозеленых деревьев, но невысокой сомкнутостью, а также лесные плантации из сосны обыкновенной (Pinus sylvestris). На 3-м этапе пиксели, отнесенные к этому разнородному классу, классифицируются непосредственно в группы «нарушенные_леса», «смешанные_древостои» и «сосна».
На каждом этапе классификации алгоритм определяет новый набор спектральных каналов и индексов, наилучшим образом разделяющий пиксели обучающих выборок по заданным классам. Обучающие выборки пикселей составлены на основе данных натурных обследований растительного покрова. Обучение и тестирование точности классификаторов выполнено на основе 42.7 тыс. пикселей (без учета пикселей водной поверхности), содержащихся в 282 полигонах прямоугольной формы. Для оценки точности классификаторов мы резервировали 20% от числа пикселей, участвующих в каждом из этапов работы алгоритма. Из процесса обучения были исключены пиксели, попадающие на участки с облачностью, тени от рельефа и облаков – путем наложения масок из соответствующих слоев, содержащихся в файлах с классификациями сцен снимков Sentinel-2 level2A (…_SCL_20m.jp2).
Результатом работы классификационных алгоритмов являются классы пикселей, относящихся к основным типам растительного и лесного покрова южной части Сахалина. Площадь лесов с доминированием лиственных пород (березы Betula ermanii, B. platyphylla, ивы Salix spp., ольхи Alnus hirsuta, A. fruticosa, дуба Quercus crispula и др.) составляет 664.1 тыс. га. Площадь здоровых неповреждённых темнохвойных лесов (ель аянская Picea ajanensis, пихта сахалинская Abies sachalinensis) составляет 263.6 тыс. га. Темнохвойные разреженные леса, главным образом на заболоченных территориях, с участием ели Глена Picea glehnii и примесью лиственницы Гмелина L. gmelinii, занимают площадь 7.3 тыс. га. Еще около 28.8 тыс. га занимают смешанные темнохвойно-широколиственные или темнохвойно-лиственничные леса. Территория занятая сомкнутыми насаждениями из лиственницы, как естественными из L. gmelinii, так и ее плантациями, а также плантациями лиственницы Кемпфера и сибирской (L. kaempferi, L. sibirica), составляет 46.8 тыс. га. Редины из L. gmelinii на заболоченных территориях занимают 4.8 тыс. га. Под зарослями кедрового стланика Pinus pumila находится территория площадью 4.8 тыс. га. Лесные культуры P. sylvestris располагаются на площади 2.9 тыс. га. Еще около 45 тыс. га лесов, в основном темнохвойных, было повреждено недавними ветровалами и в ходе вспышек численности стволовых вредителей, главным образом короеда-типографа Ips typographus, атакующего в основном P. ajanensis.
Матрицы ошибок свидетельствуют о высокой точности 1-го и 2-го этапов классификации для всех выделяемых классов объектов. На 3-м этапе пиксели, относящиеся к классу «сосна» классифицируются неверно более чем в 50% случаев, что ниже обычных уровней точности результатов классификационных алгоритмов по данными Sentinel-2, используемых для обнаружения объектов лесного покрова (Abdullah et al., 2019; Kollert et al., 2021). Это связано с тем, что интродуцированная на Сахалине P. sylvestris испытывает сильное угнетение от комплекса природно-климатических факторов, выражающееся в частичной дефолиации и побурении хвои. В полог культур P. sylvestris внедряются виды местных лиственных и хвойных деревьев. Таким образом, пиксели плантаций P. sylvestris путаются с пикселями темнохвойных лесов поврежденными стволовыми вредителями (побурение хвои) и низкосомкнутых смешанных древостоев. Участки сосновых плантаций обладают геометрически правильными контурами, что характерно для лесных плантаций Сахалина, результаты классификации древостоев из P. sylvestris требуют ручной экспертной корректировки для качественного конечного картографического продукта.
Наличие глубоких теней в горных районах части территории также приводит к ошибкам классификации – сильно затененные участки имеют тенденцию быть отнесенными к классу «вечнозеленые», то есть лесов из P. ajanensis и A. sachalinensis. В ходе создания конечного картографического продукта пиксели затененных областей отнесены к тому или иному классу на основе экспертной оценки и при помощи визуального дешифрирования космических снимков сверхвысокого разрешения.

Работа выполнена в рамках реализации гранта РНФ № 20-74-00001 «Лесные плантации в условиях изменения климата на юге Дальнего Востока России: результаты и перспективы 90-летней лесокультурной практики».

Ключевые слова: картографирование, дистанционное зондирование, Sentinel-2, лесная растительность, лесные культуры, о-в Сахалин
Литература:
  1. Abdullah H., Skidmore A.K., Darvishzadeh, Heurich M. Sentinel-2 accurately maps green-attack stage of European spruce bark beetle (Ips typographus, L.) compared with Landsat-8 // Remote Sensing in Ecology and Conservation. 2019. Vol. 5. P. 87-106. https://doi.org/10.1002/rse2.93
  2. Kollert A., Bremer M., Low M., Rutzinger M. Exploring the potential of land surface phenology and seasonal cloud free composites of one year of Sentinel-2 imagery for tree species mapping in a mountainous region // International Journal of Applied Earth Observation and Geoinformation. 2021. Vol. 94. 102208. https://doi.org/10.1016/j.jag.2020.102208

Дистанционное зондирование растительных и почвенных покровов