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. 154-166

Распознавание лесных насаждений и доминирующих древесных пород Пензенской области по данным спутника Sentinel-2

Э.А. Курбанов 1 , О.Н. Воробьев 1 , С.А. Меньшиков 1 , Л.Н. Смирнова 1 
1 Поволжский государственный технологический университет, Центр устойчивого управления и дистанционного мониторинга лесов, Йошкар-Ола, Россия
Одобрена к печати: 16.10.2018
DOI: 10.21046/2070-7401-2018-15-5-154-166
Спутниковый мониторинг является важным мероприятием при соблюдении требований лесного законодательства, проведении работ по лесоустройству и инвентаризации лесов. В работе проведена оценка приемлемости использования спутниковых изображений Sentinel-2 Европейского космического агентства для картографирования (дешифрирования) породного состава лесных насаждений Пензенской области. Авторами проведён анализ результатов трёх способов классификации спутниковых данных: картирования по спектральному углу (Spectral Angle Mapper, SAM), метода опорных векторов (Support Vector Machines, SVM) и метода максимального правдоподобия (Maximum Likelihood Classification, MLC). За два полевых сезона 2016–2017 гг. на исследуемой территории были заложены 278 тестовых участка, большая часть из которых (60 %) была использована для создания обучающей выборки классификации. Применённая методика декомпозиции спектральных смесей (Spectral Mixture Analysis) на базе обучающей выборки позволила выделить одиннадцать классов лесного покрова в Кирилловском-Подвышенском и Ольшанском лесничествах. Сравнение статистик «точность пользователя» и «точность производителя», полученных на вновь построенные тематические карты, подтверждает, что для выявления большинства классов лесного покрова лучший результат показывает способ классификации MLC. Об этом также свидетельствуют общая точность классификации 0,81 и коэффициент Каппа 0,76 на карты Кирилловского-Подвышенского лесничества, а также общая точность 0,76 и коэффициент Каппа 0,72 для Ольшанского участкового лесничества. Исследование показало, что при тематической классификации лесных насаждений по спутниковым снимкам Sentinel-2 следует учитывать группы возраста древостоев, что позволяет выделить два класса сосновых лесов, а также класс «молодняки хвойных и лиственных пород». Результаты тематической классификации и анализ полученных данных свидетельствуют о большом потенциале изображений спутниковой системы Sentinel-2, обладающих высоким пространственным и временным разрешением, для картографирования, инвентаризации лесов и лесоустройства Российской Федерации.
Ключевые слова: дистанционное зондирование Земли, Sentinel-2, классификация изображений, тематическое картографирование, лесной покров, Пензенская область, государственная инвентаризация лесов
Полный текст

Список литературы:

  1. 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.
  2. Барталев С. А., Стыценко Ф. В., Хвостиков С. А., Лупян Е. А. Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 6. С. 176–193.
  3. Воробьев О. Н., Курбанов Э. А. Дистанционный мониторинг восстановительной динамики растительности на гарях Марийского лесного Заволжья // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 2. С. 124–134.
  4. Елсаков В. В., Марущак И. О. Спектрозональные спутниковые изображения в выявлении трендов климатических изменений лесных фитоценозов западных склонов приполярного Урала // Компьютерная оптика. 2011. T. 35. № 2. С. 281–286.
  5. 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.
  6. Жирин В. М., Князева С. В., Эйдлина С. П., Зукерт Н. В. Сезонная информативность многоспектральных космических снимков высокого разрешения при изучении породно-возрастной динамики лесов // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 1. С. 87–94.
  7. Иванов А. И., Власов А. С., Власова Т. Г., Сашенкова С. А. Древесные растения Пензенской области. Пенза: РИО ПГСХА, 2012. 299 с.
  8. Козодеров В. В., Дмитриев Е. В. Модели распознавания и оценки состояния лесной растительности по гиперспектральным данным дистанционного зондирования // Исследования Земли из космоса. 2017. № 6. С. 78–88.
  9. Курбанов Э. А., Воробьев О. Н., Лежнин С. А., Губаев А. В., Полевщикова Ю. А. Тематическое картирование растительного покрова по спутниковым снимкам: валидация и оценка точности. Йошкар-Ола: Поволжский гос. технологич. ун-т, 2015. 132 с.
  10. Терехин Э. А. Применение данных спутниковой съемки для анализа многолетних изменений в лесах Белгородской области // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 2. С. 70–80.
  11. Clark M. L., Roberts D. A., Ewel J. J., Clark D. B. Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors // Remote Sensing of Environment. 2011. V. 115. P. 2931–2942.
  12. Cutler M. E. J., Boyd D. S., Foody G. M., Vetrivel A. Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data: An Assessment of Predictions Between Regions // ISPRS J. Photogrammetry and Remote Sensing. 2012. V. 70. P. 66–77.
  13. Frampton W. J., Dash J., Watmough G., Milton E. J. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation // ISPRS J. Photogrammetry and Remote Sensing. 2013. V. 82. P. 83–92.
  14. Gomez C., White J. C., Wulder M. A. Optical remotely sensed time series data for land cover classification: A review // ISPRS J. Photogrammetry and Remote Sensing. 2016. V. 116. P. 55–72.
  15. Hill M. J. Vegetation index suites as indicators of vegetation state in grassland and savanna: An analysis with simulated Sentinel 2 data for a North American transect // Remote Sensing of Environment. 2013. V. 137. P. 94–111.
  16. Immitzer M., Vuolo F., Atzberger C. First Experience with Sentinel-2 Data for Crop and Tree Species Classifications in Central Europe // Remote Sensing. 2016. V. 8. P. 1–27.
  17. Kane V. R., McGaughey R. J., Bakker J. D., Gersonde R. F., Lutz J. A., Franklin J. F. Comparisons between field- and LiDAR-based measures of stand structural complexity // Canadian J. Forest Research. 2010. V. 40. P. 761–773.
  18. Kangas A., Gobakken T., Puliti S., Hauglin M., Næsset E. Value of airborne laser scanning and digital aerial photogrammetry data in forest decision making // Silva Fennica. 2018. V. 52. No. 1. Article ID 9923.
  19. Kuemmerle T., Röder A., Hill J. Separating grassland and shrub vegetation by multidate pixel-adaptive spectral mixture analysis // Intern. J. Remote Sensing. 2006. V. 27. P. 3251–3271.
  20. Kupkova L., Cervena L., Sucha R., Jakesova L. Classification of tundra vegetation in the Krkonose Mts. National Park using APEX, AISA Dual and Sentinel-2A data // European J. Remote Sensing. 2017. V. 50. P. 29–46.
  21. Laurin G. V., Puletti N., Hawthorne W., Liesenberg V., Corona P., Papale D., Chen Q., Valentini R. Discrimination of tropical forest types, dominant species, and mapping of functional guilds by hyperspectral and simulated multispectral Sentinel-2 data // Remote Sensing of Environment. 2016. V. 176. P. 163–176.
  22. Loboda T., Krankina O., Savin I., Kurbanov E., Joanne H. Land Management and the Impact of the 2010 Extreme Drought Event on the Agricultural and Ecological Systems of European Russia // Land-Cover and Land-Use Changes in Eastern Europe after the Collapse of the Soviet Union in 1991. Springer, 2017. P. 173–192.
  23. Lu D., Li G., Moran E., Dutra L., Batistella M. The roles of textural images in improving land-cover classification in the Brazilian Amazon // Intern. J. Remote Sensing. 2014. V. 35. P. 8188–8207.
  24. Rujoiu-Mare M. R., Olariu B., Mihai B. A., Nistor C., Savulescu I. Land cover classification in Romanian Carpathians and Subcarpathians using multi-date Sentinel-2 remote sensing imagery // European J. Remote Sensing. 2017. V. 50. P. 496–508.
  25. Seetharaman K., Palanivel N. Texture characterization, representation, description, and classification based on full range Gaussian Markov random field model with Bayesian approach // Intern. J. Image and Data Fusion. 2013. V. 4. P. 342–362.
  26. Verrelst J., Munoz J., Alonso L., Delegido J., Rivera J. P., Camps-Valls G., Moreno J. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and-3 // Remote Sensing of Environment. 2012. V. 118. P. 127–139.