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 текстСписок литературы:
- Бебия С.М. Пихтовые леса Кавказа, их использование и охрана // Автореф. дис. докт. биол. наук. М., 1999. 64 с.
- Бебия С.М. Пихтовые леса Кавказа. М.: Изд-во Моск. гос. ун-та леса, 2002. 237 с.
- Герасимов М.В. Кавказская пихта // М.-Л.: Гослестехиздат, 1948. 176 с.
- 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.
- Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений. М., 2012. 154 с.
- Орлов А.Я. Темнохвойные леса Северного Кавказа. М., 1951. 256 с.
- Рысин Л.П., Манько Ю.И., Бебия С.М. Пихтовые леса России. М., 2012. 230 с.
- Тематик Про. Модуль тематической интерпретации данных дистанционного зондирования. Руководство пользователя. М., 2011. 225 с.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.