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)

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

XX.F.158

Использование спутниковых данных Landsat и Sentinel-2 для геопространственного моделирования характеристик лесных экосистем на локальном и региональном уровнях

Гаврилюк Е.А. (1)
(1) Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
В докладе представлены результаты ряда исследований последних лет, направленных на оценку возможностей моделирования различных характеристик древостоев и лесной подстилки с использованием мультиспектральных спутниковых изображений высокого пространственного разрешения (10-30 м/пиксель) с аппаратов серии Landsat (USGS Landsat Missions, 2022) и Sentinel-2 (ESA Sentinel-2, 2022) в качестве основных исходных данных.
Для нескольких модельных территорий, различных по своим биоклиматическим условиям и пространственному охвату (Государственный природный биосферный заповедник «Брянский лес», Брянская область и Республика Карелия), проводилось геопространственное моделирование широкого спектра структурных (преобладающая порода, соотношение хвойных и лиственных пород по запасу в древостоях) и биометрических (возраст, высота, диаметр ствола и запас) характеристик древостоев, а также ряда показателей содержания и запасов азота и углерода в лесной подстилке, с применением единообразной методики. Эта методика включает в себя шесть основных этапов:
1. Создание временной серии разносезонных мультиспектральных спутниковых композитных изображений (далее – композитов) на территорию интереса;
2. Расчет производных спектральных признаков (переменных);
3. Формирование набора дополнительных переменных для моделирования (пространственные координаты, характеристики рельефа и т.п.);
4. Извлечение значений переменных в местах расположения обучающей выборки (участки с известными характеристиками лесных экосистем);
5. Обучение классификационной или регрессионной модели по извлеченным признакам;
6. Применение обученной модели ко всем пикселям спутниковых композитов.
Этапы методики были реализованы в программной среде R (R Core Team, 2022) с использованием каталога данных и инструментов облачной платформы Google Earth Engine (Gorelick et al., 2017). В качестве метода построения классификационных и регрессионных моделей использовались случайные леса (Breiman, 2001). Метод извлечения значений признаков для обучающей выборки зависел от вида исходных обучающих данных. Для наземных пробных площадей, на которых, в частности, оценивались характеристики лесной подстилки, анализировалась ближайшая окрестность из нескольких пикселей спутникового изображения. В случае же использования лесоустроительных выделов, оценивались интегральные статистические показатели по всем пикселям внутри их границ.

Эффективность моделей и точность производных геопространственных тематических продуктов варьирует в зависимости от оцениваемого показателя и масштабов анализируемой территории.
При оценке преобладающих пород в древостоях заповедника «Брянский лес» и его охранной зоны (Гаврилюк и др., 2018а) общая точность классификации составила около 90%, при этом обучение модели проводилось на основе лесоустроительных материалов, а проверка – по данным с наземных пробных площадей. Коэффициент детерминации регрессионной модели для оценки запаса стволовой древесины на той же территории (Гаврилюк и др., 2018б) составил R2 = 0.6 при величине корня из средней квадратической ошибки RMSE = 65 м3/га (26% от среднего по контрольной выборке), а аналогичные показатели для наземной древесной биомассы составили R2 = 0.58 при RMSE = 36 т/га (25%). Модели, полученные для оценки структурных и биометрических характеристик древостоев в масштабах всей Брянской области (Гаврилюк и др., 2021а), были чуть менее эффективны: для соотношения хвойных и лиственных пород по запасу R2 = 0.7 и RMSE = 22%, для биометрических показателей R2 изменяется от 0.4 для возраста до 0.5 для запаса, а RMSE находится в пределах 26-37%.
При оценке показателей содержания и запасов азота (N) и углерода (C) в лесной подстилке на территории заповедника «Брянский лес» (Гаврилюк и др., 2021б) наилучшие результаты продемонстрировали модели для величин отношения C:N – R2 = 0.71 при RMSE = 12.5% для подгоризонта L, и R2 = 0.83 и RMSE = 10.6% для подгоризонта FH. Для абсолютных показателей содержания N и C в обоих подгоризонтах R2 находится в пределах от 0.44 до 0.56 при RMSE от 15.8 до 17.7%. Наихудшие результаты получены для показателей запасов N и C в обоих подгоризонтах – R2 варьирует от 0.23 до 0.61 при RMSE от 39.8 до 48.6%, что может быть следствием неоднородности исходной обучающей выборки. Для территории Республики Карелия эффективность аналогичных моделей заметно ниже (Гаврилюк, Кузнецова, 2021), но вполне сопоставима с результатами, полученными для «Брянского леса»: для показателей соотношения C:N в подгоризонте FH – R2 = 0.53 при RMSE = 17.9%, содержания N – R2 = 0.39 при RMSE = 17.8%, и содержания C – R2 = 0.21 при RMSE = 15.3%.
В итоге, были продемонстрированы возможности использования разносезонных оптических спутниковых изображений высокого разрешения для геопространственного моделирования различных характеристик лесных экосистем, в том числе и для такого «нетипичного» в контексте использования данных ДЗЗ элемента, как лесная подстилка. Кроме того, предложенная методология в достаточной степени универсальна, что подтверждается примерами ее успешного пространственного переноса и масштабирования.

Работы выполнены в рамках ГЗ ЦЭПЛ РАН «Методические подходы к оценке структурной организации и функционирования лесных экосистем» (регистрационный номер НИОКТР 121121600118-8, тематическая и статистическая обработка данных) при финансовой поддержке Российского научного фонда (проект №19-77-30015, подготовка исходных спутниковых данных и написание программных скриптов; проект № 21-74-20171, работы в отношении характеристик лесной подстилки).

Ключевые слова: преобладающие породы древостоев, возраст древостоев, высота древостоев, средний диаметр ствола, запас стволовой древесины, лесные почвы, отношение C:N, случайные леса, Google Earth Engine
Литература:
  1. Гаврилюк Е.А., Горнов А.В., Ершов Д.В. Оценка пространственного распределения видов деревьев заповедника «Брянский лес» и его охранной зоны на основе разносезонных спутниковых данных Landsat // Бюллетень Брянского отделения РБО. 2018. № 3(15). С. 13–23.
  2. Гаврилюк Е.А., Ершов Д.В., Горнов А.В. Исследование возможностей оценки запасов и древесной биомассы в лесах по разносезонным данным Landsat на примере территории заповедника «Брянский лес». // Современные проблемы дистанционного зондирования Земли из космоса: материалы XVI Всероссийской открытой конференции. М.: ИКИ РАН, 2018. С. 395.
  3. 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.
  4. Гаврилюк Е.А., Кузнецова А.И., Горнов А.В. Геопространственное моделирование содержания и запасов азота и углерода в лесной подстилке на основе разносезонных спутниковых изображений Sentinel-2 // Почвоведение. 2021. № 2. С. 168–182.
  5. Гаврилюк Е.А., Кузнецова А.И. Моделирование показателей содержания азота и углерода в лесной подстилке на основе измерений сети наземного мониторинга ICP Forests и геопространственных данных из каталога Google Earth Engine // Лесные почвы и изменение климата: материалы IX Всероссийской научной конференции с международным участием. М.: ЦЭПЛ РАН, 2021. C. 37–38.
  6. Breiman L. Random forests // Machine Learning. 2001. V. 45. №1. P. 5–32.
  7. ESA Sentinel-2 [Электронный ресурс].
  8. URL: https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-2 (дата обращения 07.10.2022).
  9. 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.
  10. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, 2022, Vienna, Austria. [Электронный ресурс]. URL: https://www.R-project.org/ (дата обращения 07.10.2022)
  11. USGS Landsat Missions [Электронный ресурс]. URL: https://www.usgs.gov/landsat-missions (дата обращения 07.10.2022).

Презентация доклада

Видео доклада

Дистанционное зондирование растительных и почвенных покровов

291