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. 2018. Т. 15. № 5. С. 141-153

Картографирование наземных экосистем Печоро-Илычского заповедника и его окрестностей на основе восстановленных мультивременных спутниковых данных Landsat

Е.А. Гаврилюк 1 , А.С. Плотникова 1 , Д.Е. Плотников 2 
1 Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
2 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 15.10.2018
DOI: 10.21046/2070-7401-2018-15-5-141-153
Работа посвящена созданию актуальной тематической карты лесных и прочих наземных экосистем на территорию Печоро-Илычского заповедника и его окрестностей на основе спутниковых данных Landsat. Мы использовали метод восстановления мультивременных серий спутниковых изображений высокого пространственного разрешения, чтобы компенсировать нехватку безоблачных разносезонных наблюдений в течение года для всей интересующей нас территории. На основе восстановленных измерений мы сформировали четыре разносезонных трёхканальных (в красном, ближнем ИК и среднем ИК диапазонах) композитных изображения, которые совместно с информацией о рельефе местности (ЦМР по данным ALOS и ASTER) использовались для объектно-ориентированной тематической классификации. Сегментация спутниковых изображений выполнялась алгоритмом Full Lambda Schedule, классификация ― методом случайных лесов. В качестве переменных для классификации использовались базовые статистические метрики (среднее, стандартное отклонение, максимум, минимум и др.), рассчитанные в пределах каждого сегмента по всем каналам разносезонных композитных изображений, спектральным индексам, полученным на их основе, а также ЦМР и её производным. Мы оценивали информативность статистических метрик и исходных признаков в процессе обучения классификатора с целью определения минимального необходимого набора переменных для достижения наилучшей разделимости тематических классов. В результате на основе 11 наиболее информативных переменных (средние значения в каналах зимнего, весеннего и летнего композитных изображений, а также высот и крутизны склонов ЦМР) мы получили карту с общей точностью классификации 90,8 %. Оценка точности была произведена с использованием выбранных случайным образом контрольных точек. Полученная карта наземных экосистем предназначена для дальнейшего использования в качестве исходных данных при разработке методов динамического картографирования пожарных режимов лесов на локальном уровне.
Ключевые слова: дистанционное зондирование Земли, тематическое картографирование, восстановление временных серий, наземные экосистемы, лес, Печоро-Илычский заповедник, Landsat, Full Lambda Schedule, Random Forest
Полный текст

Список литературы:

  1. Алейников А. А., Тюрин А. В., Симакин Л. В., Ефименко А. С., Лазников А. А. История пожаров в темнохвойных лесах Печоро-Илычского заповедника со второй половины XIX века по настоящее время // Сибирский лесной журн. 2015. № 6. С. 31–42.
  2. 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 с.
  3. Гаврилюк Е. А., Ершов Д. В. Методика совместной обработки разносезонных изображений Landsat TM и создания на их основе карты наземных экосистем Московской области // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 4. С. 15–23.
  4. Елсаков В. В., Марущак И. О. Спутниковые изображения в анализе количественных характеристик лесных фитоценозов Печоро-Илычского заповедника Республики Коми // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 4. С. 303–309.
  5. Ершов Д. В., Гаврилюк Е. А., Карпухина Д. А., Ковганко К. А. Новая карта растительности центральной части Европейской России по спутниковым данным высокой детальности // Доклады Академии наук. 2015. Т. 464. № 5. С. 639–641.
  6. Ершов Д. В., Бурцева В. С., Гаврилюк Е. А., Королева Н. В., Алейников А. А. Диагностика современного сукцессионного состояния лесных экосистем Печоро-Илычского заповедника по спутниковым тематическим продуктам // Лесоведение. 2017. № 5. С. 3–15.
  7. Колбудаев П. А., Барталев С. А., Плотников Д. Е., Матвеев А. М. Технология обработки спутниковых данных Landsat-TM/ETM+ // 14-я Всероссийская открытая конф. «Современные проблемы дистанционного зондирования Земли из космоса»: сб. тез. конф. 14−18 ноября 2016, Москва, ИКИ РАН. 2016. С. 37.
  8. 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. технологич. ун та. Сер. «Лес. Экология. Природопользование». 2014. № 1(21). С. 18−32.
  9. 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.
  10. Плотников Д. Е., Миклашевич Т. С., Барталев С. А. Восстановление временных рядов данных дистанционных измерений методом полиномиальной аппроксимации в скользящем окне переменного размера // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. №. 2. С. 103–110.
  11. Плотников Д. Е., Колбудаев П. А., Барталев С. А., Лупян E. А. Автоматическое распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 112–127.
  12. Breiman L. Random forests // Machine Learning. 2001. V. 45. No. 1. P. 5–32.
  13. Chen J., Ban Y., Li S. China: Open access to Earth land-cover map // Nature. 2014. V. 514. P. 434.
  14. Drobyshev I., Niklasson M., Angelstam P., Majewski P. Testing for anthropogenic influence on fire regime for a 600-year period in the Jaksha area, Komi Republic, East European Russia // Canadian J. Forest Research. 2004. V. 34. No. 10. P. 2027–2036.
  15. Gao B. C. NDWI ― A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water from Space // Remote Sensing of Environment. 1996. V. 58. No. 3. P. 257–266.
  16. Gao F., Masek J., Schwaller M., Hall F. On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance // IEEE Trans. Geoscience and Remote Sensing. 2006. V. 44. No. 8. P. 2207–2218.
  17. Hansen M. C., Potapov P. V., Moore R., Hancher M., Turubanova S. A., Tyukavina A., Thau D., Stehman S. V., Goetz S. J., Loveland T. R., Kommareddy A., Egorov A., Chini L., Justice C. O., Townshend J. R. G. High-Resolution Global Maps of 21st-Century Forest Cover Change // Science. 2013. V. 342. P. 850–853.
  18. Li C. C., Wang J., Hu L. Y., Yu L., Clinton N., Huang H. B., Yang J., Gong P. A circa 2010 thirty meter resolution forest map for China // Remote Sensing. 2014. V. 6. No. 6. P. 5325–5343.
  19. Liaw A., Wiener M. Classification and Regression by randomForest // R News. 2002. V. 2. No. 3. P. 18–22.
  20. Pasquarella V. J., Holden C. E., Woodcock C. E. Improved mapping of forest type using spectral-temporal Landsat features // Remote Sensing of Environment. 2018. V. 210. P. 193–207.
  21. Redding N. J., Crisp D. J., Tang D., Newsam G. N. An efficient algorithm for Mumford-Shah segmentation and its application to SAR imagery // Proc. Conf. “Digital Image Computing: Techniques and Applications” (DICTA-99), Perth, Australia, 1999. P. 35–41.
  22. Rouse J. R., Haas J. S., Deering D. Monitoring Vegetation Systems in the Great Plains with ERTS // Goddard Space Flight Center 3d ERTS-1 Symp. NASA, 1974. V. 1. Sect. A. P. 309–317.
  23. Thompson S. D., Nelson T. A., White J. C., Wulder M. A. Large area mapping of tree species using composited Landsat imagery // Canadian J. Remote Sensing. 2015. V. 41. No. 3. P. 203–218.
  24. Wu M., Zhang X., Huang W., Niu Z., Wang C., Li W., Hao P. Reconstruction of Daily 30 m Data from HJ CCD, GF-1 WFV, Landsat, and MODIS Data for Crop Monitoring // Remote Sensing. 2015. V. 7. No. 12. P. 16293–16314.
  25. Wu M., Wu C., Huang W., Niu Z., Wang C., Li W., Hao P. An improved high spatial and temporal data fusion approach for combining Landsat and MODIS data to generate daily synthetic Landsat imagery // Information Fusion. 2016. No. 31. P. 14–25.
  26. Zhu X., Liu D. Accurate mapping of forest types using dense seasonal Landsat time-series // ISPRS J. Photogrammetry and Remote Sensing. 2014. V. 96. P. 1–11.