Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
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. 2022. Т. 19. № 3. С. 88-102

Обнаружение усыханий хвойных лесов по авиакосмическим данным

Л.В. Катковский 1 , О.О. Силюк 1 , Б.И. Беляев 1 , М.Ю. Беляев 2 , Э.Э. Сармин 2 , И.И. Бручковский 1 , С.И. Гуляева 1 , Г.С. Литвинович 1 , Ю.С. Давидович 1 
1 Институт прикладных физических проблем им. А.Н. Севченко БГУ, Минск, Беларусь
2 Ракетно-космическая корпорация «Энергия» имени С.П. Королёва, Королёв, Россия
Одобрена к печати: 20.06.2022
DOI: 10.21046/2070-7401-2022-19-3-88-102
В статье представлены методики и результаты дистанционного оптического зондирования хвойных насаждений в различных стадиях усыхания с использованием данных лабораторных измерений, авиационной и космической съёмки. Описана спектральная аппаратура, используемая в наземных, авиационных и космических измерениях спектров и изображений образцов хвойных деревьев в различных стадиях усыхания. Один из подходов поиска и классификации усыхающей хвои состоит в различных вариантах генерации и использования изображений вегетационных индексов и классификации на их основе. Определены наиболее информативные вегетационные индексы, имеющие высокие значения коэффициентов корреляции со стадиями усыхания и применимые как для данных высокого спектрального разрешения, так и для мультиспектральных спутниковых снимков. Проводится сравнительный анализ погрешностей классификации при использовании в качестве исходных признаков состояния спектров отражения и вегетационных индексов, а также различных классификаторов (линейного дискриминантного анализа, Random forest и максимального правдоподобия). Показана более высокая точность классификации при использовании векторов вегетационных индексов высокой размерности вместо спектров отражения хвойных деревьев. Другой подход включает преобразование мультиспектральных изображений в исходном спектральном пространстве с целью усиления имеющихся спектральных различий и классификацию преобразованных изображений спектральной яркости. Разработанные методики демонстрируют возможность выявления очагов усыхания в хвойных лесах на основе обработки единовременных космических изображений среднего пространственного разрешения (10–30 м) в видимом и ближнем ИК-диапазонах спектра.
Ключевые слова: коэффициент спектральной яркости, вегетационные индексы, усыхание растительности, спектры, дистанционное зондирование, методы классификации
Полный текст

Список литературы:

  1. Беляев Ю. В., Чумаков А. В., Попков А. П. Определение усыхающих ельников по изображениям аппаратуры «Мультискан» // Приборостроение-2020: материалы 13-й Международной научно-техн. конф. 18–20 нояб. 2020, Минск, Республика Беларусь. Минск: БНТУ, 2020. C. 171–173. https://rep.bntu.by/handle/data/86984.
  2. Бручковский И. И., Литвинович Г. С., Силюк О. О., Домарацкий А. В. Мультиканальный спектральный сенсор МКСС-1 // Приборостроение-2020: материалы 13-й Международной научно-техн. конф. 18–20 нояб. 2020, Минск, Республика Беларусь. Минск: БНТУ, 2020. С. 355–357. https://rep.bntu.by/handle/data/86863.
  3. Бручковский И. И., Силюк О. О., Литвинович Г. С., Ломако А. А., Станчик В. В., Гуляева С. И. Гониофотометр для измерения коэффициентов спектральной яркости и спектров пропускания // Журн. прикладной спектроскопии. 2021. Т. 88. № 2. C 303–310.
  4. Катковский Л. В., Мартинов А. О., Крот Ю. А., Бручковская С. И., Ломако А. А., Силюк О. О., Станчик В. В., Хомицевич А. Д. Солнечный спектрополяриметр ССП 600 // Приборостроение-2016: материалы 9-й Международной научно-техн. конф. 23–25 нояб. 2016 / Белорусский нац. техн. ун-т. Минск, 2016. С. 182–183.
  5. Катковский Л. В., Беляев Б. И., Сосенко В. А., Абламейко С. В. Аппаратно-программный комплекс «Калибровка» для наземного спектрометрирования подстилающей поверхности и атмосферы // 7-й Белорусский косм. конгресс: материалы конгресса. Минск, 24–26 окт. 2017. В 2-х т. Минск, 2017. Т. 2. С. 36–40.
  6. Bayat B., Tol C., Verhoef W. Remote Sensing of Grass Response to Drought Stress Using Spectroscopic Techniques and Canopy Reflectance Model Inversion // Remote Sensing. 2016. V. 8. Art. No. 557. 24 p. https://doi.org/10.3390/rs8070557.
  7. Cheng T., Rivard B., Sanchez-Azofeifa G. A., Feng J., Calvo-Polanco M. Continuous wavelet analysis for the detection of green attack damage due to mountain pine beetle infestation // Remote Sensing of Environment. 2010. V. 114(4). P. 899–910. https://doi.org/10.1016/j.rse.2009.12.005.
  8. Dengel S., Grace J., Aakala T., Hari P., Newberry S. L., Mizunuma T. Spectral characteristics of pine needles at the limit of tree growth in subarctic Finland // Plant Ecology and Diversity. 2013. V. 6(1). P. 31–44. https://doi.org/10.1080/17550874.2012.754512.
  9. Fassnacht F., Latifi H., Ghosh A., Joshi P., Koch B. Assessing the potential of hyperspectral imagery to map bark beetle-induced tree mortality // Remote Sensing of Environment. 2014. V. 140. P. 533–548. https://doi.org/10.1016/j.rse.2013.09.014.
  10. Fernandez-Carrillo A., Patočka Z., Dobrovolný L., Franco-Nieto A., Revilla-Romero B. Monitoring Bark Beetle Forest Damage in Central Europe. A Remote Sensing Approach Validated with Field Data // Remote Sensing. 2020. V. 12(21). Art. No. 3634. https://doi.org/10.3390/rs12213634.
  11. Fletcher R. Using Vegetation Indices as Input into Random Forest for Soybean and Weed Classification // American J. Plant Sciences. 2016. V. 7(15). P. 2186–2198. DOI: 0.4236/ajps.2016.715193.
  12. Frolking S., Palace M. W., Clark D. B., Chambers J. Q., Shugart H. H., Hurtt G. C. Forest disturbance and recovery: A general review in the context of spaceborne remote sensing of impacts on aboveground biomass and canopy structure // J. Geophysical Research. 2009. V. 114. G00E02. https://doi.org/10.1029/2008JG000911.
  13. Guliaeva S., Bruchkousky I., Katkovsky L. Determining the Drying Out of Coniferous Trees Using Airborne and Satellite Data // Advances in Remote Sensing. 2021. V. 10. P. 25–46. DOI: 10.4236/ars.2021.102002.
  14. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. N. Y.: Springer, 2009. 2nd ed. 746 p.
  15. Hlásny T., Krokene P., Liebhold A., Montagné-Huck C., Müller J., Qin H., Raffa K., Schelhaas M. J., Seidl R., Svoboda M., Viiri H. Living with bark beetles: impacts, outlook and management options. From Science to Policy 8 / European Forest Inst. 2019. 52 p. DOI: 10.36333/fs08.
  16. Immitzer M., Atzberger C. Early Detection of Bark Beetle Infestation in Norway Spruce (Picea abies, L.) using WorldView-2 Data // Photogrammetrie – Fernerkundung – Geoinformation. 2014. V. 5. P. 351–367. DOI: 10.1127/1432-8364/2014/0229.
  17. Katkovsky L., Beliaev B., Siliuk V., Beliaev M., Sarmin E., Davidovich Y. Remote spectral methods for detecting stress coniferous // E3S Web Conf. 2020. V. 223. 02004. https://doi.org/10.1051/e3sconf/202022302004.
  18. Kharuk V. I., Im S. T., Dvinskaya M. L., Golukov A. S., Ranson K. J. Climate-induced mortality of spruce stands in Belarus // Environmental Research Letters. 2015. V. 10. No. 12. Art. No. 125006. DOI: 10.1088/1748-9326/10/12/125006.
  19. Kuhn M. Applied Predictive Modeling. N. Y.: Springer, 2013. 600 p.
  20. Lausch A., Heurich M., Gordalla D., Dobner H.-J., Gwillym-Margianto S., Salbach C. Forecasting potential bark beetle outbreaks based on spruce forest vitality using hyperspectral remote-sensing techniques at different scales // Forest Ecology and Management. 2013. V. 308. P. 76–89. https://doi.org/10.1016/j.foreco.2013.07.043.
  21. Liang L., Chen Y., Hawbaker T., Zhu Z., Gong P. Mapping Mountain Pine Beetle Mortality through Growth Trend Analysis of Time-Series Landsat Data // Remote Sensing. 2014. V. 6. P. 5696–5716. https://doi.org/10.3390/rs6065696.
  22. Lukes P., Stenberg P., Rautiainen M., Mottus M., Vanhatalo K. M. Optical properties of leaves and needles for boreal tree species in Europe // J. Remote Sensing Letters. 2013. V. 4. Iss. 7. P. 667–676. https://doi.org/10.1080/2150704X.2013.782112.
  23. Meddens A. J. H., Hicke J. A., Vierling L. A., Hudak A. T. Evaluating methods to detect bark beetle-caused tree mortality using single-date and multi-date Landsat imagery // Remote Sensing of Environment. 2013. V. 132. P. 49–58. https://doi.org/10.1016/j.rse.2013.01.002.
  24. Mery G., Katila P., Galloway G., Alfaro R. I., Kanninen M., Lobovikov M., Varjo J. Forests and Society — Responding to Global Drivers of Change // Air pollution impacts on forests in changing climate. Vienna, 2010. IUFRO World Ser. P. 55–74.
  25. Mohammed G. H., Noland T. L., Irving D., Sampson P. H., Zarco-Tejada P. J., Miller J. R. Natural and stress-induced effects on leaf spectral reflectance in Ontario species / Ontario Forest Research Inst. 2000. 42 p.
  26. Ollinger S. V. Sources of variability in canopy reflectance and the convergent properties of plants // New Phytologist. 2011. V. 189. No. 2. P. 375–394. https://doi.org/10.1111/j.1469-8137.2010.03536.x.
  27. Ortiz S. M., Breidenbach J., Kändler G. Early Detection of Bark Beetle Green Attack Using TerraSAR-X and RapidEye Data // Remote Sensing. 2013. V. 5(4). P. 1912–1931. https://doi.org/10.3390/rs5041912.
  28. Pause M., Schweitzer C., Rosenthal M., Keuck V., Bumberger J., Dietrich P., Heurich M., Jung A., Lausch A. In Situ/Remote Sensing Integration to Assess Forest Health — A Review // Remote Sensing. 2016. V. 8(6). Art. No. 471. 21 p. https://doi.org/10.3390/rs8060471.
  29. Rodman K. C., Andrus R. A., Butkiewicz C. L., Chapman T. B., Gill N. S., Harvey B. J., Kulakowski D., Tutland N. J., Veblen T. T., Hart S. J. Effects of Bark Beetle Outbreaks on Forest Landscape Pattern in the Southern Rocky Mountains, U. S.A. // Remote Sensing. 2021. V. 13(6). Art. No. 1089. 18 p. https://doi.org/10.3390/rs13061089.
  30. Stone C., Mohammed C. Application of remote sensing technologies for assessing planted forests damaged by insect pests and fungal pathogens: A review // Current Forestry Reports. 2017. V. 3. P. 75–92. http://dx.doi.org/10.1007/s40725-017-0056-1.
  31. Synek M., Janda P., Mikoláš M., Nagel T. A., Schurman J. S., Pettit J. L., Trotsiuk V., Morrissey R. C., Bače R., Čada V., Brang P., Bugmann H., Begovič K., Chaskovskyy O., Dušátko M., Frankovič M., Kameniar O., Kníř T., Kozák D., Langbehn T., Málek J., Rodrigo R., Saulnier M., Teodosiu M., Vostarek O., Svoboda M. Contrasting patterns of natural mortality in primary Picea forests of the Carpathian Mountains // Forest Ecology and Management. 2020. V. 457. https://doi.org/10.1016/j.foreco.2019.117734.
  32. Trumbore S., Brando P., Hartmann H. Forest health and global change // Science. 2015. V. 349(6250). P. 814–818. DOI: 10.1126/science.aac6759.
  33. Waser L. T., Küchler M., Jütte K., Stampfer T. Evaluating the Potential of WorldView-2 Data to Classify Tree Species and Different Levels of Ash Mortality // Remote Sensing. 2014. V. 6(5). P. 4515–4545. https://doi.org/10.3390/rs6054515.
  34. White J. C., Wulder M. A., Brooks D., Reich R., Wheate R. D. Detection of red attack stage mountain pine beetle infestation with high spatial resolution satellite imagery // Remote Sensing of Environment. 2005. V. 96. P. 340–351. https://doi.org/10.1016/j.rse.2005.03.007.
  35. Wulder M. A., White J. C., Carroll A. L., Coops N. C. Challenges for the operational detection of mountain pine beetle green attack with remote sensing // The Forestry Chronicle. 2009. V. 85(1). P. 32–38. https://doi.org/10.5558/tfc85032-1.