ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 5. С. 157-166

Картографирование темнохвойных лесов Северо-Западного Кавказа методом нейронных сетей

А.Ф. Комарова 1, 2 , Н.В. Куксина 3, 2 , А.Г. Зудкин 1 
1 Гринпис России, Москва, Россия
2 МГУ им. М.В. Ломоносова, Москва, Россия
3 НП Прозрачный мир, Москва, Россия
Одобрена к печати: 17.07.2016
DOI: 10.21046/2070-7401-2016-13-5-157-166
Статья посвящена картографированию лесов с преобладанием пихты кавказской и ели восточной на Северо-Западном Кавказе. Целью работы было получение и оценка точности выделения слоя темнохвойных лесов. Работа построена на принципах иерархического подхода в классификации ДЗЗ. Использованы космические снимки Landsat TM, метод нейронных сетей и массив полевых данных. Подробно описана методика получения слоя темнохвойных лесов. Оценка точности результата проведена по регулярной сетке с шагом 2 км с использованием стандартной матрицы ошибок. Точность выделения темнохвойных лесов составила 95,9%, каппа − 0,81. Леса с доминированием пихты и ели занимают 236,9 тыс. га, или около 12% всех лесов территории исследования. Самые большие абсолютные площади елово-пихтовых лесов сосредоточены в Краснодарском крае за счет его большой площади. Процент темнохвойных лесов от всех лесов региона заметно выше в Адыгее и Карачаево-Черкессии. Рассматриваемая методика основана на доступных инструментах и данных и может быть воспроизведена в других регионах. Полученные результаты могут быть использованы для выделения и характеристики компонентов фитоценоза на следующем, более детальном иерархическом уровне − уровне групп типов леса, а также для анализа распространения темнохвойных лесов по элементам рельефа.
Ключевые слова: пихта Нордманна, ель восточная, Северо-Западный Кавказ, методы дистанционного зондирования, Landsat, космические снимки, нейронные сети, иерархический подход
Полный текст

Список литературы:

  1. Бебия С.М. Пихтовые леса Кавказа, их использование и охрана // Автореф. дис. докт. биол. наук. М., 1999. 64 с.
  2. Бебия С.М. Пихтовые леса Кавказа. М.: Изд-во Моск. гос. ун-та леса, 2002. 237 с.
  3. Герасимов М.В. Кавказская пихта // М.-Л.: Гослестехиздат, 1948. 176 с.
  4. Курбанов Э.А., Воробьев О.Н., Губаев А.В., Лежнин С.А., Полевщикова Ю.А., Демишева Е.Н. Четыре десятилетия исследований лесов по снимкам Landsat // Вестник Поволжского гос. тех. ун-та. Сер.: Лес. Экология. Природопользование. 2014. № 1. С. 18−32.
  5. Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений. М., 2012. 154 с.
  6. Орлов А.Я. Темнохвойные леса Северного Кавказа. М., 1951. 256 с.
  7. Рысин Л.П., Манько Ю.И., Бебия С.М. Пихтовые леса России. М., 2012. 230 с.
  8. Тематик Про. Модуль тематической интерпретации данных дистанционного зондирования. Руководство пользователя. М., 2011. 225 с.
  9. Темботова Ф.А., Пшегусов Р.Х., Тлупова Ю.М. Леса северного макросклона Центрального Кавказа (эльбрусский и терский варианты поясности) // Разнообразие и динамика лесных экосистем России. В 2-х кн. Кн. 1. М., 2012. С. 227−251.
  10. Banskota A., Kayastha N., Falkowski M., Wulder M.A., Froese R.E., White J.C. Forest monitoring using Landsat time-series data: A review // Canadian Journal of Remote Sensing. 2014. Vol. 40. No. 5. P. 362−384.
  11. Fassnacht K.S., Cohen W.B., Spies T.A. Key issues in making and using satellite-based maps in ecology: A primer // Forest Ecology and Management. 2006. Т. 222. No. 1. P. 167−181.
  12. Joshi C., De Leeuw J., Skidmore A.K., Van Duren I.C., Van Oosten H. Remotely sensed estimation of forest canopy density: A comparison of the performance of four methods // International Journal of Applied Earth Observation and Geoinformation. 2006. No. 8(2). P. 84−95.
  13. McRoberts R.E., Cohen W.B., Næsset E., Stehman S.V., Tomppo E.O. Using remotely sensed data to construct and assess forest attribute maps and related spatial products // Scandinavian Journal of Forest Research. 2010. Vol. 25:4. P. 340−367.
  14. Rogan J., Franklin, J., Stow D., Miller J., Woodcock C., Roberts D. Mapping land-cover modifications over large areas: A comparison of machine learning algorithms // Remote Sensing of Environment. 2008. No. 112(5). P. 2272−2283.
  15. Solomeshch A., Mirkin B., Ishbirdin A., Golub V., Saitov M., Zhuravliova S., Rodwell J. Red Data Book of Plant Communities in the former USSR. Templar Print & Design Ltd, Birmingham: 1997. 69 p.
  16. Stefanidou A., Dragozi E., Tompoulidou M., Gitas I.Z. Forest/Non Forest mapping using Landsat Thematic Mapper Imagery and Artificial Neural Networks (ANNs) // Vestnik of Volga State University of Technology. Ser.: Forest. Ecology. Nature Management. 2015. No. 1(25). P. 22−33.
  17. Townsend P.A., Walsh S.J. Remote sensing of forested wetlands: application of multitemporal and multispectral satellite imagery to determine plant community composition and structure in southeastern USA // Plant Ecology. 2001. Vol. 157. No. 2. P. 129−149.