Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 4. С. 86-101
Пространственная классификация преобладающих древесных пород на территории Самарской области по данным Sentinel-2 и таксации леса
А.Ю. Денисова
1 , Л.М. Кавеленова
1 , Е.С. Корчиков
1 , Н.В. Прохорова
1 , Д.А. Терентьева
1 , В.А. Федосеев
1, 2 1 Самарский национальный исследовательский университет имени академика С.П. Королева, Самара, Россия
2 Институт систем обработки изображений РАН ― филиал ФНИЦ «Кристаллография и фотоника» РАН, Самара, Россия
Одобрена к печати: 17.05.2019
DOI: 10.21046/2070-7401-2019-16-4-86-101
Целью работы являлось исследование возможности построения классификатора преобладающих пород леса, обученного на данных Sentinel-2 за один сезон и обладающего точностью, достаточной для составления предварительной тематической разметки новых участков. Данная задача важна для выявления фрагментарно сохранившихся коренных лесных сообществ с целью придания им охранного статуса, а также для обнаружения ценных и редких в контексте определённой территории древесных пород в протяжённых лесных массивах. Преимущество спутников Sentinel-2 для решения этой задачи заключается в высокой частоте съёмки, а также большой площади покрытия территории. В статье освещаются вопросы подбора спутниковых данных, выбора алгоритма классификации и метода обучения классификатора, а также процедур пространственной обработки. Исследования основывались на данных космосъёмки за 2018 г. территории Красносамарского лесничества Самарской области. Для обучения и проверки классификаторов использовались данные таксации леса за 2013–2014 гг. Проведённые исследования позволили достичь высокой точности (около 0,82) на контрольном фрагменте территории, причём существенная доля ошибок классификации обусловлена изменениями на местности, не учтёнными в данных таксации, что подтвердили результаты наземных обследований. Таким образом, одним из результатов работы является выработанная технология уточнения таксации леса, которая, как показали исследования, имеет определённый практический потенциал.
Ключевые слова: классификация пород леса, Sentinel-2, пространственная классификация, таксация леса, GEM, SVM
Полный текстСписок литературы:
- Барталев С. А. Разработка методов оценки состояния и динамики лесов на основе данных спутниковых наблюдений: автореф. дис. … д-ра техн. наук. М.: ИКИ РАН, 2007. 48 с.
- Барталев С. А., Жирин В. М., Ершов Д. В. Сравнительный анализ данных спутниковых систем «Космос-1939», SPOT и Landsat-TM при изучении бореальных лесов // Исследование Земли из космоса. 1995. Т. 1. С. 101–114.
- Борзов С. М., Потатуркин О. И. Классификация типов растительного покрова по гиперспектральным данным дистанционного зондирования Земли // Вестн. Новосибирского гос. ун-та. Сер.: Информационные технологии. 2014. Т. 12. № 4. С. 13–22.
- Галеева Л. П. Мониторинг лесных земель: учебно-метод. пособие. Новосибирск: Изд-во НГАУ «Золотой колос», 2016. 147 с.
- Госдоклад «О состоянии и об охране окружающей среды Российской Федерации в 2016 году». Москва: Минприроды России; НИА-Природа, 2017. 760 с.
- Жарко В. О., Барталев С. А. Оценка распознаваемости древесных пород леса на основе спутниковых данных о сезонных изменениях их спектрально-отражательных характеристик // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 3. С. 159–170.
- Зимичев Е. А., Казанский Н. Л., Серафимович П. Г. Пространственная классификация гиперспектральных изображений с использованием метода кластеризации k-means++ // Компьютерная оптика. 2014. Т. 38. № 2. С. 281–286.
- Кедров А. В., Тарасов А. В. Классификация лесной растительности методом нейронных сетей // Вестн. ПНИПУ. 2017. Т. 22. С. 44–54.
- Кузнецов А. В., Мясников В. В. Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений // Компьютерная оптика. 2014. Т. 38. № 3. С. 494–502.
- Курбанов Э. А., Воробьев О. Н., Незамаев С. А., Губаев А. В., Лежнин С. А., Полевщикова Ю. А. Тематическое картирование и стратификация лесов марийского Заволжья по спутниковым снимкам Landsat // Вестн. Поволжского гос. технолог. ун-та. 2013. Т. 3. № 19. С. 82–92.
- Любимов А. В., Селиванов А. А., Крючков А. Н., Номалунгело К. Н., Тхин Ч. Х., Саксонов С. В. Анализ признаков дешифрования таксационных показателей лесов с использованием вероятностных методов // Изв. Самарского науч. центра Российской акад. наук. 2018. Т. 20. № 3. С. 85–90.
- Мальков Ю. Г., Закамский В. А. Мониторинг лесных экосистем: учеб. пособие. Йошкар-Ола: Марийский гос. техн. ун-т, 2006. 212 с.
- Перепечина Ю. И., Глушенков О. И., Корсиков Р. С. Учет и оценка лесов, возникших на сельскохозяйственных землях с использованием данных дистанционного зондирования Земли // Лесной журн. 2016. № 4. С. 71–80.
- Положение о лесном мониторинге. Федеральная служба лесного хозяйства России. Письмо от 29.11.95 года № МГ-1-17-6/287.
- Таранков В. И. Мониторинг лесных экосистем. СПб.: Лань, 2006. 299 с.
- Троц В. Б., Валиуллина А. Т., Моисеева И. С. Таксация леса: Методические указания для выполнения курсовой работы по теме «Таксация и материально-денежная оценка делянки». Кинель: РИЦ СГСХА, 2015. 392 с.
- Arthur D., Vassilvitskii S. k-means++: The Advantages of Careful Seeding // Proc. 18th Annual ACM SIAM Symp. Discrete Algorithms. 2007. P. 1027–1035.
- Bavrina A., Denisova A., Kavelenova L., Korchikov E., Kuzovenko O., Prokhorova N., Terentyeva D., Fedoseev V. Some problems of regional reference plots system for ground support of remote sensing materials processing // Information Technologies in the Research of Biodiversity: Springer Proc. Earth and Environmental Sciences. 2018. P. 131–143.
- Corbane C., Lang S., Pipkins K., Alleaume S., Deshayes M., García Millán V. E., Michael F. Remote sensing for mapping natural habitats and their conservation status – New opportunities and challenges // Intern. J. Applied Earth Observation and Geoinformation. 2015. V. 37. P. 7–16.
- Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press, 2000. 216 p.
- Dalponte M., Ørka H. O., Ene L. T., Gobakken T., Næsset E. Tree crown delineation and tree species classification in boreal forests using hyperspectral and ALS data // Remote Sensing of Environment. 2014. V. 140. P. 306–317.
- Denisova A. Y., Sergeyev V. V. EM clustering algorithm modification using multivariate hierarchical histogram in the case of undefined cluster number // Proc. SPIE. 2018. V. 10806. P. 108064H.
- Drusch M., Del Bello U., Carlier S., Colin O., Fernandez V., Gascon F., Bargellini P. Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services // Remote Sensing of Environment. 2012. V. 120. P. 25–36.
- Fedoseev V. Hyperspectral satellite image classification using small training data from its samples // J. Physics: Conf. Series. 2018. V. 1096. P. 012042.
- 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. No. 3. P. 166.
- Karlson M., Ostwald M., Reese H., Sanou J., Tankoano B., Mattsson E. Mapping tree canopy cover and aboveground biomass in sudano-sahelian woodlands using Landsat 8 and Random Forest // Remote Sensing. 2015. V. 7. No. 8. P. 10017–10041.
- Puliti S., Ørka H., Gobakken T., Næsset E., Inventory of Small Forest Areas Using an Unmanned Aerial System // Remote Sensing. 2015. V. 7. No. 8. P. 9632–9654.
- Waring R. H., Coops N. C., Fan W., Nightingale J. M. MODIS enhanced vegetation index predicts tree species richness across forested ecoregions in the contiguous U. S. A. // Remote Sensing of Environment. 2006. V. 103. No. 2. P. 218–226.
- Xiao X., Boles S., Liu J., Zhuang D., Liu M. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 vegetation sensor data // Remote Sensing of Environment. 2002. V. 82. No. 2–3. P. 335–348.
- Zhang T., Su J., Liu C., Chen W.-H., Liu H., Liu G. Band selection in Sentinel-2 satellite for agriculture applications // 23rd Intern. Conf. Automation and Computing (ICAC). Huddersfield, United Kingdom: IEEE, 2017. P. 1–6.