Моделирование сомкнутости крон древостоя на примере болотных массивов Тверской области с использованием данных дистанционного зондирования

Современные изменения климата приводят к трансформации растительного покрова верховых болот. В частности, наблюдается рост облесения, связанный со снижением уровня болотных вод из-за уменьшения атмосферных осадков (Turetsky, Benscoter, Page et al., 2015). Оценка темпа изменений на естественных и антропогенно преобразованных торфяниках необходима для дальнейшего прогнозирования и моделирования процессов. В целях изучения динамики древесной растительности на заболоченных территориях активно используются данные дистанционного зондирования Земли (ДЗЗ), что позволяет рассмотреть бóльшую по площади территорию в условиях затрудненного доступа к исследуемым объектам.

Объектами данного исследования были выбраны три верховых болотных массива, входящие в состав Западнодвинского лесоболотного стационара Института лесоведения РАН. Ранее для получения характеристик сомкнутости крон на объектах стационара была разработана методика с использованием индексных изображений (Егоров, Медведева, Галанина, 2024). Однако использование только спектральных характеристик сопряжено с возникновением сложностей в применении методик даже в пределах небольшого временного промежутка, так как пороговые значения индексов для разных значений сомкнутости могут значительно изменяться в зависимости от фенологического состояния растительности и условий съёмки в разные годы. Текстурные признаки, при расчёте которых исходные значения растра квантуются, могут заметно улучшить масштабируемость модели во времени. Кроме того, существует связь между текстурой спутникового изображения и сомкнутостью крон древостоя: чем более локальная текстура неоднородна, тем ниже сомкнутость (Sa, Fan, 2023).

В рамках данной работы были построены модели множественной линейной регрессии по методу наименьших квадратов на основе логарифма сомкнутости крон на пробных площадках. Для моделирования использовалось 104 точки геоботанических описаний, сомкнутость крон древостоя на которых составляла не менее 10%. Ввиду величины радиуса площадок (10/20 м), текстурные признаки рассчитывались для окна 3×3 пикселей для красного и ближнего инфракрасного каналов, а также рассчитанной первой главной компоненты снимков Sentinel-2 за 08.07.2024, 23.02.2025 и 22.03.2025. В качестве текстурных признаков использовались признаки Харалика, рассчитанные с использованием пакета glcm (Zvoleff, 2014). Перебором возможных предикторов — текстурных признаков и спектральных каналов снимков — подбирался тип модели по AICc, наилучшим образом описывающий существующие зависимости. Оценка статистической значимости модели проводилась с помощью пермутационного теста; оценка качества модели проводилась путём кросс-валидации: leave-two-out, блочной с фиксированной формулой и блочной с вложенным выбором.

Результаты показали значительное преимущество по информационному критерию текстурных признаков над спектральными в решении поставленной задачи. Наилучшее качество было достигнуто с использованием модели, построенной на сумме среднего и энтропии первой главной компоненты, дисперсии красного канала, а также взаимодействия вышеупомянутых среднего и дисперсии, с использованием зимнего снимка. Коэффициент детерминации при leave-two-out составил 0,759 (в исходной шкале), при оценке с помощью блочной кросс-валидации снижался до 0,685. Причиной снижения является завышение leave-two-out R² из-за выбора модели по тем же данным и наличия пространственной автокорреляции, которая при составлении финальной карты исправлялась регрессионным кригингом. Отмечено, что регрессионный кригинг в большей степени (+0,063) увеличивает коэффициент детерминации (блочная кросс-валидация с фиксированной формулой) при использовании модели, обученной на текстурных признаках, в то время как при использовании только спектральных улучшение составило +0,025.

Среднеквадратическая ошибка предсказаний вне зависимости от способа валидации составила около 10 п.п.; в разрезе значений сомкнутости наибольшая абсолютная ошибка наблюдалась у малочисленных точек со значением 20–30%. Значение ошибки сильно зависит от кластера точки наблюдений: на открытых неосушенных торфяниках она составила 5,1 п.п. (получена по 14 точкам на двух естественных болотных массивах), на участке осушения — 10,3 п.п. Это ограничивает применимость модели при экстраполяции на другие заболоченные территории, однако при использовании только для анализа динамики облесения на данной территории оценка остаётся положительной.

Модель была перенесена на зимние снимки Sentinel-2, а также Landsat 5 и Landsat 8/9 за другие годы. Пространственные паттерны облесенности согласуются с ранее представленными в (Егоров, Медведева, Галанина, 2024), однако количественно результаты не сравнимы из-за различий в постановке задачи (регрессия/классификация). Дальнейшее усовершенствование модели возможно путем дополнения обучающего набора данных с использованием данных съемки беспилотных летательных аппаратов.

Работа проведена при поддержке государственного задания ИЛАН РАН и Российского научного фонда (проект 23-74-00067).