Возраст и бонитет лесных насаждений являются важными характеристиками, информация о которых необходима для осуществления эффективного лесопользования или, например, оценки углеродного баланса. В данной работе исследуется вопрос о том, какие признаки ДЗЗ и какие методы машинного обучения наилучшим позволяют построить наиболее точные карты этих характеристик на уровне России.
Возраст и бонитет совместно характеризуют продуктивность, то есть количество накапливаемой биомассы в лесных насаждениях. Чем выше бонитет – тем более благоприятны условия произрастания и тем быстрее происходит рост деревьев. С другой стороны, чем старее деревья, тем медленнее происходит их дальнейший рост. Из этого следует, что для оценки бонитета и возраста необходима информация о динамике изменения характеристик лесов. В связи с этим большинство используемых признаков получались ежегодно в период с 2001 по 2022 год.
Анализировался большой набор продуктов, полученные в ИКИ РАН и характеризующих тип растительности, преобладающую породу, запас стволовой древесины, полноту и лесистость насаждений. Также использовались признаки, характеризующие красный и ближний ИК канал по данным MODIS, и цифровая модель рельефа на основе данных ASTER. Анализ этих признаков позволил выбрать оптимальный их набор для построения карт бонитета и возраста.
Был проанализирован набор методов машинного обучения. Во-первых, были проанализированы стандартные методы машинного обучения из пакета scikit-learn (Pedregosa et al, 2011), применимые для задачи регрессии, такие как линейная регрессия (включая Ridge, Elastic Net и др.), случайные леса, опорные вектора, ближайшие соседи. Также были проанализированы методы на основе градиентного бустинга, такие как XGBoost (Chen и Guestrin, 2016) и LGBM (Ke et al., 2017). Анализ точности регрессии, построенной на основе разных методов машинного обучения показал преимущество использования LGBM.
На основе оптимального набора признаков и LGBM с оптимальными параметрами были построены карты бонитета и возраста лесных насаждений для территории России.
Работа выполнена в рамках реализации важнейшего инновационного проекта государственного значения "Разработка системы наземного и дистанционного мониторинга пулов углерода и потоков парниковых газов на территории Российской Федерации, обеспечение создания системы учета данных о потоках климатически активных веществ и бюджете углерода в лесах и других наземных экологических системах» (рег. № 123030300031-6).
Признаки для построения регрессии были получены с использованием инфраструктуры Центра коллективного пользования системами архивации, обработки и анализа данных спутниковых наблюдений ИКИ РАН для решения задач изучения и мониторинга окружающей среды (Лупян и др., 2019), функционирование и развитие которого осуществляется при поддержке Минобрнауки (тема "Мониторинг" № 122042500031-8).