ЛЕСОВЕДЕНИЕ, 2021, № 6, С. 609–626


ГЕОПРОСТРАНСТВЕННОЕ МОДЕЛИРОВАНИЕ БИОМЕТРИЧЕСКИХ И СТРУКТУРНЫХ ХАРАКТЕРИСТИК ЛЕСОВ БРЯНСКОЙ ОБЛАСТИ НА ОСНОВЕ СПУТНИКОВЫХ И ВЫБОРОЧНЫХ ЛЕСОТАКСАЦИОННЫХ ДАННЫХ
Е. А. Гаврилюк, Н. В. Королева, Д. А. Карпухина, Е. Н. Сочилова, Д. В. Ершов
ФГБУН Центр по проблемам экологии и продуктивности лесов Российской академии наук (ЦЭПЛ РАН)
Россия, 117997 Москва, ул. Профсоюзная, 84/32, стр.14
E-mail: egor@ifi.rssi.ru


Поступила в редакцию 31.03.2021 г.
Исследованы возможности 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 и выборочных лесоустроительных материалов в масштабах отдельно взятого региона России – Брянской области. 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 и применение их на всей территории исследования, выполнялись на базе облачной платформы Google Earth Engine. 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 R2варьировали 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 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. В итоге описанное в работе сочетание исходных данных и методики их обработки позволяет получать достоверные оценки биометрических и структурных характеристик лесов, как минимум на уровне субъектов Российской Федерации.
Ключевые слова: возраст древостоев, высота древостоев, диаметр ствола, запас стволовой древесины, соотношение хвойных и лиственных пород, данные ДЗЗ, Landsat, случайные леса, Google Earth Engine.
Исследование выполнено в рамках государственного задания ЦЭПЛ РАН АААА-А18-118052590019-7 (тематическая обработка данных) при финансовой поддержке Российского научного фонда (19-77-30015, подготовка исходных данных и написание программных скриптов).
DOI: 10.31857/S002411482106005X


СПИСОК ЛИТЕРАТУРЫ



  • Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 c.

  • БГД – Регионы России. Социально-экономические показатели – 2020 г. [Электронный ресурс]. URL: https://gks.ru/bgd/regl/b20_14p/Main.htm (дата обращения 25.03.2021).

  • 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.

  • Гиряев М.Д. Теоретические основы лесоустройства и современное лесное законодательство // Лесохозяйственная информация. № 2. 2017. С. 5–15.

  • Данилова И.В., Корец М.А., Рыжкова В.А. Картографирование возрастных стадий лесной растительности на основе анализа разносезонных спутниковых изображений Landsat // Исследование Земли из космоса. 2017. №. 4. С. 12‒24.

  • Денисова А.Ю., Кавеленова Л.М., Корчиков Е.С., Прохорова Н.Б., Терентьева Д.А., Федосеев Б.А. Пространственная классификация преобладающих древесных пород на территории Самарской области по данным Sentinel-2 и таксации леса // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 4. С. 86‒101.

  • Курбанов Э.А., Воробьев О.Н., Незамаев С.А., Губаев А.В., Лежнин С.А., Полевщикова Ю.А. Тематическое картирование и стратификация лесов Марийского Заволжья по спутниковым снимкам Landsat // Вестник Поволжского государственного технологического университета. Серия: Лес. Экология. Природопользование 2013. № 3(19). С. 82‒92.

  • Лесной план Брянской области (по состоянию на 2008 г.) // Сайт Управления лесами Брянской области. [Электронный ресурс]. URL: https://www.bryanskleshoz.ru/lesnoy-plan-bryanskoy-oblasti/ (дата обращения 25.03.2021).

  • Лукина Н.В., Гераськина А.П., Горнов А.В., Шевченко Н.Е., Куприн А.В., Чернов Т.И., Чумаченко С.И., Шанин В.Н., Кузнецова А.И., Тебенькова Д.Н., Горнова М.В. Биоразнообразие и климаторегулирующие функции лесов: актуальные вопросы и перспективы исследований // Вопросы лесной науки. 2020. Т. 3. № 4. С. 1‒90.

  • Открытые данные // Сайт Управления лесами Брянской области. [Электронный ресурс]. URL: https://bryanskleshoz.ru/otkrytye-dannye/ (дата обращения 25.03.2021).

  • Отчет Счетной палаты Российской Федерации о результатах контрольного мероприятия «Проверка эффективности организации работ и расходования средств на проведение лесоустройства, выделенных из бюджетов бюджетной системы Российской Федерации и иных источников в 2015–2019 годах». 2020. 40 с. https://ach.gov.ru/upload/iblock/f1e/f1ececa690699c189ed2eda14fff7413.pdf

  • Растительность европейской части СССР / Под ред. С.А. Грибовой, Т.И. Исаченко, Е.М. Лавренко. Л.: Наука, 1980. 429 с.

  • Соколов В.А. Проблемы лесоустройства в России // Сибирский лесной журнал. 2021. № 1. С. 3–12.

  • Сочилова Е Н., Ершов Д.В. Анализ возможности определения запасов древесных пород по спутниковым данным Landsat ETM // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. №. 3. С. 277–282.

  • Сочилова Е.Н., Сурков Н.В., Ершов Д.В., Хамедов В.А. Оценка запасов фитомассы лесных пород по спутниковым изображениям высокого пространственного разрешения (на примере лесов Ханты-Мансийского АО) // Вопросы лесной науки. 2018а. Т. 1. № 1. С. 1‒23.

  • Сочилова Е.Н., Сурков Н.Б., Ершов Д.Б., Егоров Б.А., Барталев С.С., Барталев С.А.Картографирование классов бонитета лесов Приморского края на основе спутниковых изображений и данных о характеристиках рельефа // Современные проблемы дистанционного зондирования Земли из космоса. 2018б. Т. 15. № 5. С. 96–109.

  • Чумаченко С.И., Паленова М.М., Починков С.В., Кухар Кина Е.В. Имитационное моделирование динамики насаждений forrus-s - инструмент выбора стратегии и планирования лесного хозяйства // Лесной вестник. Forestry bulletin. № 5. 2007. С. 143‒152.

  • Altmann A., Tolosi L., Sander O., Lengauer T. Permutation importance: a corrected feature importance measure // Bioinformatics. 2010. V. 26. P. 1340-1347.

  • Astola H., Hame T., Sirro L., Molinier M., Kilpi J. Comparison of Sentinel-2 and Landsat 8 imagery for forest variable prediction in boreal region // Remote Sensing of Environment. 2019. V. 223. P. 257‒273.Barredo J.I., Bastrup-Birk A., Teller A., Onaindia M., Fernández de Manuel B., Madariaga I., Rodríguez-Loinaz G., Pinho P., Nunes A., Ramos A., Batista M., Mimo S., Cordovil C., Branquinho C., Grêt-Regamey A., Bebi P., Brunner S.H., Weibel B., Kopperoinen L., Itkonen P., Viinikka A., Chirici G., Bottalico F., Pesola L., Vizzarri M., Garfì V., Antonello L., Barbati A., Corona P., Cullotta S., Giannico V., Lafortezza R., Lombardi F., Marchetti M., Nocentini S., Riccioli F., Travaglini D., Sallustio L., Rosário I., Essen M., Nicholas K.A., Máguas C., Rebelo R., Santos-Reis M., Santos-Martín F., Zorrilla-Miras P., Montes C., Benayas J., Martín-López B., Snäll T., Berglund H., Bengtsson J., Moen J., Busetto L., San-Miguel-Ayanz J., Thurner M., Beer C., Santoro M., Carvalhais N., Wutzler T., Schepaschenko D., Shvidenko A., Kompter E., Ahrens B., Levick S.R., Schmullius C. Mapping and assessment of forest ecosystems and their services – Applications and guidance for decision making in the framework of MAES. EUR 27751 EN. 2015. 82 p.

  • Breiman L.Out-of-bag estimation // Technical report.  Berkeley: Statistics Department University of California, 1996. P. 1–13.

  • Breiman L. Random forests // Machine Learning. 2001. V. 45. N1. P. 5–32.

  • Brockerhoff E.G., Barbaro L., Castagneyrol B., Forrester D.I., Gardiner B., González-Olabarria J.R., Lyver P.O., Meurisse N., Oxbrough A., Taki H., Thompson I.D., Plas F., Jactel H. Forest biodiversity, ecosystem functioning and the provision of ecosystem services // Biodiversity and Conservation. 2017. V. 26. P. 3005–3035.

  • Brosofske K.D., Froese R.E., Falkowski M.J., Banskota A. A Review of Methods for Mapping and Prediction of Inventory Attributes for Operational Forest Management // Forest Science. 2014. V. 60. N4. P. 733–756.

  • Brown C.E. Coefficient of Variation // Applied Multivariate Statistics in Geohydrology and Related Sciences. Berlin; Heidelberg: Springer, 1998. 248 p.

  • Crippen R.E.Calculating the vegetation index faster // Remote Sensing of Environment. 1990. V. 34. P. 71–73.

  • ESA Sentinel-2 [Электронный ресурс]. URL:http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinel-2 (дата обращения 24.03.2021).

  • Fagan M., DeFries R.Measurement and Monitoring of the World’s Forests. A Review and Summary of Remote Sensing Technical Capability, 2009–2015. Resources for the Future Report. 2009. 129 р.

  • Fassnacht F., Latifi H., Stereńczak K., Modzelewska A., Lefsky M., Waser L., Straub C., Ghosh A. Review of studies on tree species classification from remotely sensed data // Remote Sensing of Environment. 2016. V. 186 P. 64–87.

  • Friedl M., Gray J., Sulla-Menashe D. MCD12Q2 MODIS/Terra+Aqua Land Cover Dynamics Yearly L3 Global 500m SIN Grid V006 [Data set]. NASA EOSDIS Land Processes DAAC. 2019. [Электронный ресурс]. URL: https://doi.org/10.5067/MODIS/MCD12Q2.006 (дата обращения 02.12.2020).

  • Gómez C., White J.C., Wulder M.A. Optical remotely sensed time series data for land cover classification: A review // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. V. 116. P. 55-72.

  • 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.

  • Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A., Thau D., Stehman S.V., Goetz S.J., Loveland T.R., Kommareddy A., Egorov A., Chini L., Justice C.O., Townshend J.R.G. High-Resolution Global Maps of 21st-Century Forest Cover Change // Science. 2013. V. 342. P. 850–853.

  • Jiang Z., Huete A.R., Didan K., Miura T.Development of a two-band enhanced vegetation index without a blue band // Remote Sensing Environment. 2008. V. 112. P. 3833–3845.

  • Komarov A., Chertov O., Zudin S., Nadporozhskaya M., Mikhailov A., Bykhovets S., Zudina E., Zoubkova E. EFIMOD 2 - a model of growth and cycling of elements in boreal forest ecosystems // Ecological Modelling. 2003. V. 170. N2-3. P. 373-392.

  • Kumar L., Mutanga O. Google Earth Engine Applications since Inception: Usage, Trends, and Potential // Remote Sensing. 2018. № 10. P. 1509.

  • Landsberg J.Modelling forest ecosystems: state of the art, challenges, and future directions // Canadian Journal of Forest Research. 2003. V. 33. N3. P. 385-397.

  • Lechner A.M., Foody G.M., Boyd D.S. Applications in Remote Sensing to Forest Ecology and Management // One Earth. 2020. V. 2. N5. P. 405-412.

  • Li H. Smile ‒ Statistical Machine Intelligence and Learning Engine. 2014. [Электронный ресурс]. URL: https://haifengl.github.io (дата обращения 24.03.2021).

  • Masek J.G., Vermote E.F., Saleous N.E., Wolfe R., Hall F.G., Huemmrich K.F., Gao F., Kutler J., Lim T.K.A Landsat surface reflectance dataset for North America, 1990-2000 // IEEE Geoscience and Remote Sensing Letters. 2006. V. 3. N1. P. 68–72.

  • Matasci G., Hermosilla T., Wulder M.A., White J.C., Coops N.C., Hobart G.W., Zald H.S. Large-area mapping of Canadian boreal forest cover, height, biomass and other structural attributes using Landsat composites and lidar plots // Remote Sensing of Environment. 2018. V. 209. P. 90-106.

  • NASA Terra MODIS [Электронный ресурс]. URL: https://terra.nasa.gov/about/terra-instruments/modis (дата обращения 24.03.2021)

  • R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, 2020, Vienna, Austria. URL: https://www.R-project.org/

  • Sanchez-Ruiz S., Moreno-Martinez A., Izquierdo-Verdiguier E., Chiesi M., Maselli F., Gilabert M.A. Growing stock volume from multi-temporal Landsat imagery through Google Earth Engine // International Journal of Applied Earth Observation and Geoinformation. 2019. V. 83. N101913. P. 1–10.

  • Schumacher J., Hauglin M., Astrup R., Breidenbach J. Mapping forest age using National Forest Inventory, airborne laser scanning, and Sentinel-2 data // Forest Ecosystems. 2020. V. 7. N1. P. 1-14.

  • Senf C., Laštovička J., Okujeni A., Heurich M., van der Linden S. A generalized regression-based unmixing model for mapping forest cover fractions throughout three decades of Landsat data // Remote Sensing of Environment. 2020. V. 240. N111691. P. 1‒10.

  • Shao Y., Di L., Bai Y., Guo B., Gong J. Geoprocessing on the Amazon cloud computing platform — AWS // First International Conference on Agro-Geoinformatics (Agro-Geoinformatics), Shanghai, China. 2012. P. 1–6.

  • Shit P.K. Pourghasemi H.R., Das P., Bhunia G.S. Spatial Modeling in Forest Resources Management: Rural Livelihood and Sustainable Development // Springer Nature. 2021. 675 p.

  • Stuhler S., Leiterer R., Joerg P., Wulf H., Schaepman M. Technical Report: Generating a Cloud-Free, Homogeneous Landsat-8 Mosaic of Switzerland Using Google Earth Engine. 2016. [Электронный ресурс]. URL: https://doi.org/10.13140/rg.2.1.2432.0880 (дата обращения 29.12.2020).

  • USGS Landsat 7 [Электронный ресурс]. URL: https://www.usgs.gov/core-science-systems/nli/landsat/landsat-7?qt-science_support_page_related_con=0#qt-science_support_page_related_con (дата обращения 24.03.2021).

  • USGS Landsat Missions [Электронный ресурс]. URL: https://www.usgs.gov/land-resources/nli/landsat (дата обращения 24.03.2021).

  • White J.C., Coops N.C., Wulder M.A., Vastaranta M., Hilker T., Tompalski P.Remote Sensing Technologies for Enhancing Forest Inventories: A Review // Canadian Journal of Remote Sensing, 2016. V. 42. N5. P. 619‒641.

  • Wright M.N., Ziegler A. A Fast Implementation of Random Forests for High Dimensional Data in C++ and R // Journal of Statistical Software. 2017. V. 77. N1. P. 1‒17.

  • Wulder M.A., Loveland T.R., Roy D.P., Crawford C.J., Masek J.G., Woodcock C.E., Allen  R.G., Anderson M.C., Belward A.S., Cohen W.B., Dwyer J., Erb A., Gao F., Griffiths P., Helder D., Hermosilla T., Hipple J.D., Hostert P., Hughes M.J., Huntington J., Johnson D.M., Kennedy R., Kilic A., Li Z., Lymburner L., McCorkel J., Pahlevan N., Scambos T.A., Schaaf C., Schott J.R., Sheng Y., Storey J., Vermote E., Vogelmann J., White J.C., Wynne R.H., Zhu Z. Current status of Landsat program, science, and applications // Remote Sensing of Environment. 2019. V. 225. P. 127–147.

  • Yu X., Hyyppä J., Karjalainen M., Nurminen K., Karila K., Vastaranta M., Kankare V., Kaartinen H., Holopainen M., Honkavaara E., Kukko A., Jaakkola A., Liang X., Wang Y., Hyyppä H., Katoh M. Comparison of Laser and Stereo Optical, SAR and InSAR Point Clouds from Air- and Space-Borne Sources in the Retrieval of Forest Inventory Attributes // Remote Sensing. 2015. V. 7. N12. P. 15933‒15954.

  • Zhao P., Lu D, Wang G, Wu C, Huang Y, Yu S. Examining Spectral Reflectance Saturation in Landsat Imagery and Corresponding Solutions to Improve Forest Aboveground Biomass Estimation // Remote Sensing. 2016. V. 8. N469. P. 1‒26.

  • Zharko V.O., Bartalev S.A., Sidorenkov V.M. Forest growing stock volume estimation using optical remote sensing over snow-covered ground: a case study for Sentinel-2 data and the Russian Southern Taiga region // Remote Sensing Letters. 2020. V. 11. N7. P. 677‒68.