Сборник тезисов докладов шестнадцатой Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, ИКИ РАН, 2018 год
Пространственная оценка запасов биомассы древесного полога по спутниковым изображениям высокого пространственного разрешения (на примере лесов Ханты-Мансийского АО)
Сурков Н.В. (1,2), Сочилова Е.Н. (1), Ершов Д.В. (1)
(1) Центр по проблемам экологии и продуктивности лесов Российской академии наук, Москва, Россия
(2) МГУ имени М.В. Ломоносова, Географический факультет, Москва, Россия
Настоящая работа посвящена освещению результатов пространственной оценки лесных ресурсов и запасов фитомассы по спутниковым разносезонным изображениям высокого пространственного разрешения Landsat-8 и материалам наземных обследований. Тестовым участком для исследования было выбрано Советское лесничество Ханты-Мансийского автономного округа, которое принадлежит к северо-таёжной лесоболотной зоне Западно-Сибирской равнины. Комбинация разносезонных изображений с данными лесной таксации позволяет актуализировать пространственную информацию о распределении на территории тестового участка основных категорий земель и преобладающих древесных пород. По спутниковым данным автоматически методом сегментации выделяются спектрально-однородные участки земной поверхности (сегменты, аналоги выделов) для оценки в них категории земель, преобладающей породы, возраста и запаса древостоя. На первом этапе выполнялась классификация территории на девять типов ландшафтного покрова, четыре из которых – леса с преобладающими породами (сосна, кедр, ель, береза). Управляемая классификация разносезонных изображений осуществлена методом Random forest (Breiman, 2001) с интегральной точностью 86,3%.
На втором этапе для оценки запаса древесины проведено построение регрессионных зависимостей между значениями яркости в зимнем красном канале спутникового изображения с лесотаксационными характеристиками на отобранных эталонных выделах (Сочилова, Ершов, 2012). По каждой преобладающей породе построены зависимости, их достоверность достигает 0,8 для хвойных пород и 0,72 – для берёзы. Также было проведено построение аналогичных зависимостей между значениями яркости в красном канале и высотой древостоя для сосновых, берёзовых и темнохвойных насаждений. По полученным данным о высоте древостоя восстановлен его возраст, для чего применены зависимости, описанные в региональных таблицах хода роста различных пород (Швиденко и др., 2008). Лесонасаждения каждой породы были разделены на группы возраста: молодые, средневозрастные, приспевающие и спелые с перестойными. Для полученных групп возраста насаждений с использованием конверсионных коэффициентов выполнен перерасчёт запасов древесины в фитомассу (Замолодчиков и др., 2003).
В результате объединения результатов, полученных по группам возраста и породам, созданы карты средних возрастов, средних запасов древостоя в м3/га и средних запасов фитомассы в т/га. На основе карт были проведены поквартальные оценки площадей и запасов основных лесообразующих пород тестовой территории, включая лесные участки, соответствующие возрасту рубки. Оценки биомассы пород будут использованы также в качестве информации для уточнения запасов лесных горючих материалов верхнего полога исследуемой территории.
Ключевые слова: Лесное хозяйство, дистанционное зондирование, Landsat-8, random forest, запасы стволовой древесины, запасы фитомассы.Литература:
- 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.
- Замолодчиков Д.Г., Уткин А.И., Честных О.В. Коэффициенты конверсии запасов насаждений в фитомассу для основных лесообразующих пород России // Лесная таксация и лесоустройство. Сибирский государственный технологический университет. Выпуск 1(32). 2003. С. 119 – 127.
- Швиденко А.З., Щепащенко Д. Г., Нильссон С., Булуй Ю.И. Таблицы и модели хода роста и продуктивности насаждений основных лесообразующих пород северной Евразии (нормативно-справочные материалы). Федеральное агентство лесного хозяйства. Международный институт прикладного системного анализа. 2008. 886 с.
- Breiman L. Random forests // Machine Learning. 2001. V. 45. № 1. P. 5–32.
Дистанционное зондирование растительных и почвенных покровов
439