Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5. С. 96-109
Картографирование классов бонитета лесов Приморского края на основе спутниковых изображений и данных о характеристиках рельефа
Е.Н. Сочилова
1 , Н.В. Сурков
1, 2 , Д.В. Ершов
1, 3 , В.А. Егоров
3 , С.С. Барталев
3 , С.А. Барталев
3 1 Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
2 Московский государственный университет им. М.В. Ломоносова, Москва, Россия
3 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 23.08.2018
DOI: 10.21046/2070-7401-2018-15-5-96-109
В работе представлены результаты исследования возможности картографирования бонитетов лесов с использованием их спектральных характеристик и параметров цифровой модели рельефа. Тестовым регионом выбран Приморский край, леса которого характеризуются большим разнообразием видов древесных пород из-за особенностей климата и рельефа местности. Использовались шестнадцать различных характеристик (признаков). Спектральные характеристики лесов извлекались из очищенных от влияния облаков композитных изображений, полученных в летний и зимний периоды по данным измерений в красном, ближнем и среднем инфракрасных каналах инструмента дистанционного зондирования Proba-V. Параметры рельефа (высота, крутизна и ориентация склона) и производные от них индексы (солнечная радиация, глубина залегания грунтовых вод, кривизна поверхности) использовались для описания лесорастительных условий. С помощью наземных данных формировалась выборка для обучения и оценки точности классификации преобладающих древесных пород и классов бонитета леса. Качество отбора эталонов для бонитета лесов контролировалось анализом взаимосвязи среднего возраста и высоты древостоя для каждой породы. Для обучения классификатора использовалось 4465 сегментов изображений с классами бонитетов лесов для таких древесных пород, как ель, пихта, кедр, лиственница, берёзы белая и жёлтая, дуб, осина, берёза каменная, липа, ясень, кедровый стланик. Классификация данных выполнялась алгоритмом Random Forest, позволяющим предварительно оценивать обучающую выборку и информативность признаков. Для классификации пород использовались все шестнадцать признаков. Общая точность классификации древесных пород составила 89,0 %. Вклад каждого признака при классификации бонитетов определялся с помощью матрицы ошибок распознанных классов. В результате было отобрано двенадцать информативных признаков для классификации бонитетов леса. Точность распознавания бонитетов леса составила 84,8 %. В основном ошибки распознавания при классификации происходят между соседними классами бонитетов леса. Таким образом, комплексное использование спектральных характеристик лесов в сочетании с параметрами рельефа позволяет с удовлетворительной точностью классифицировать бонитеты лесных пород в условиях горной местности. Полученный опыт и результаты могут быть полезны для труднодоступных лесных регионов Сибири и Дальнего Востока. Однако для этого требуется большая выборка наземных или лесотаксационных данных, обеспечивающих статистическую основу для подготовки и обучения классификатора.
Ключевые слова: древесная порода, бонитет, данные дистанционного зондирования, Proba-V, цифровая модель рельефа, классификация, Random Forest
Полный текстСписок литературы:
- Атлас лесов Приморского края. Владивосток: ДВО РАН, 2005. 76 с.
- 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.
- Данилова И. В., Рыжкова В. А., Корец М. А. Алгоритм автоматизированного картографирования современного состояния и динамики лесов на основе ГИС // Вестник НГУ. Серия: Информационные технологии. 2010. Т. 8. Вып. 4. C. 15–24.
- Жарко В. О., Барталев С. А., Егоров В. А. Исследование возможностей оценки запасов древесины в лесах Приморского края по данным спутниковой системы Proba-V // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 1. С. 157–168.
- Лесоведение: Методические указания к лабораторным работам / cост. Рогозин М. В. Пермь: Пермский гос. нац. исследоват. ун-т, 2012. 36 с.
- Лупян Е. А., Прошин А. А., Бурцев М. А., Балашов И. В., Барталев С. А., Ефремов В. Ю., Кашницкий А. В., Мазуров А. А., Матвеев А. М., Суднева О. А., Сычугов И. Г., Толпин В. А., Уваров И. А. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 263–284.
- Лупян Е. А., Барталев С. А., Балашов И. В., Барталев С. С., Бурцев М. А., Егоров В. А., Ефремов В. Ю., Жарко В. О., Кашницкий А. В., Колбудаев П. А., Крамарева Л. С., Мазуров А. А., Оксюкевич А. Ю., Плотников Д. Е., Прошин А. А., Сенько К. С., Уваров И. А., Хвостиков С. А., Ховратович Т. С. Информационная система комплексного дистанционного мониторинга лесов «Вега-Приморье» // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 5. С. 11–28.
- Об утверждении лесного плана Приморского края на 2009–2018 годы. Распоряжение Губернатора Приморского края № 45-рг от 10.03.2009 (с изменениями на: 10.10.2016). URL: http://docs.cntd.ru/document/430623554.
- Тюрин Ю. Н., Макаров А. А. Статистический анализ данных на компьютере / Под ред. Фигурнова В. Э. М.: ИНФРА-М, 1998. 528 c.
- Чистяков С. П. Случайные леса: Обзор // Труды Карельского науч. центра РАН. 2013. № 1. C. 117–136.
- Brandl S., Falk W., Klemmt H., Stricker G., Bender A., Rotzer T., Pretzsch H. Possibilities and Limitations of Spatially Explicit Site Index Modelling for Spruce Based on National Forest Inventory Data and Digital Maps of Soil and Climate in Bavaria (SE Germany) // Forests. 2014. V. 5. Iss. 11. P. 2626–2646.
- Breiman L. Random forests // Machine Learning. 2001. V. 45. No. 1. P. 5–32.
- Burrough P. A., McDonell R. A. Principles of Geographical Information Systems. Oxford University Press, 1998. P. 332.
- Crisp D. J., Perry P., Redding N. J. Fast Segmentation of Large Images // Proc. 26th Australasian Computer Science Conf. Adelaide, Australia, 2003. P. 87–93.
- Curt T., Bouchaud M., Agrech G. Predicting site index of Douglas-fir plantations from ecological variables In the Massif central area of France // Forest Ecology and Management. 2001. V. 149. P. 61–74.
- Guyon I., Elisseeff A. An Introduction to Variable and Feature Selection // J. Machine Learning Research. 2003. V. 3(1). P. 1157–1182.
- Hamel B. T., Belanger N., Pare D. Productivity of black spruce and Jack pine stands in Quebec as related to climate, site biological features and soil properties // Forest Ecology and Management. 2004. V. 191. P. 239–251.
- How to Determine Site Index in Silviculture. Participant’s Workbook. Forest Renewal BC. British Columbia, Ministry of Forests, Forest Practices Branch, 1999. 117 p. URL: https://www.for.gov.bc.ca/hfp/training/00011/acrobat/sicourse.pdf.
- Huang S., Ramirez C., Conway S., Kennedy K., Kohler T., Liu J. Mapping site index and volume increment from forest inventory, Landsat, and ecological variables in Tahoe National Forest, California, USA // Canadian J. Forest Research. 2017. V. 47. Iss. 1. P. 113–124.
- Jarvis A., Reuter H. I., Nelson A., Guevara E. Hole-filled seamless SRTM data V4: Tech. rep. / Intern. Centre for Tropical Agriculture (CIAT). 2008. URL: http://srtm.csi.cgiar.org.
- Korets M. A., Ryzhkova V. A., Danilova I. V., Prokushkin A. S. Vegetation cover mapping based on remote sensing and digital elevation model data // Intern. Archives of the Photogrammetry, Remote Sensing and Spatial Information Science. 2016. V. XLI-B8. P. 699–704.
- Liaw A., Wiener M. Classification and Regression by randomForest // R news. 2002. V. 2(3). P. 18–22.
- Monserud R. A., Huang S., Yang Y. Predicting lodgepole pine site index from climatic parameters in Alberta // The Forestry Chronicle. 2006. V. 82(4). P. 562–571.
- Moore I. D., Grayson R. B., Landson A. R. Digital Terrain Modelling: A review of hydrological, geomorphological, and biological applications // Hydrological Processes. 1991. V. 5. Iss. 1. P. 3–30.
- Murphy P. N. C., Ogilvie J., Arp P. Topographic modelling of soil moisture conditions: a comparison and verification of two models // European J. Soil Science. 2009. V. 60. Iss. 1. P. 94–109.
- Rich P. M., Dubayah R., Hetrick W. A., Saving S. C. Using viewshed models to calculate intercepted solar radiation: applications in ecology // American Society for Photogrammetry and Remote Sensing Technical Papers. 1994. P. 524–529.
- Sharma R. P., Brunner A., Eid T., Oyen B-H. Modelling dominant height growth from national forest inventory individual tree data with short time series and large age errors // Forest Ecology and Management. 2011. V. 262 (12). P. 2162–2175.
- Sharma R. P., Brunner A., Eid T. Site index prediction from site and climate variables for Norway spruce and Scots pine in Norway // Scandinavian J. Forest Research. 2012. V. 27. P. 619–636.
- Socha J., Pierzchalski M., Bałazy R., Ciesielski M. Modelling top height growth and site index using repeated laser scanning data // Forest Ecology and Management. 2017. V. 406. P. 307–317.
- Wang G. G., Klinka K. Use of synoptic variables in predicting white spruce site index // Forest Ecology and Management. 1996. V. 80. P. 95–105.
- Waring R. H., Milner K. S., Jolly W. M., Phillips L., McWethy D. Assessment of site index and forest growth capacity across the Pacific and Inland Northwest USA with a MODIS satellite-derived vegetation index // Forest Ecology and Management. 2006. V. 228(1–3). P. 285–291.
- White B., Ogilvie J., Campbell D. M. H., Hiltz D., Gauthier B., Chisholm H. K. H., Wen H. K., Murphy P. N. C., Arp P. A.A. Using the Cartographic Depth-to-Water Index to Locate Small Streams and Associated Wet Areas across Landscapes // Canadian Water Resources J. 2012. V. 37. Iss. 4. P. 333–347.
- Wolters E., Dierckx W., Iordache M.-D., Swinnen E. PROBA-V Products User Manual v3.01. 2018. 110 p. URL: http://www.vito-eodata.be/PDF/image/PROBAV-Products_User_Manual.pdf.