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. № 5. С. 125-135

Классификация стрессовых состояний ели обыкновенной по спектральным характеристикам при дистанционных измерениях

О.О. Силюк 1 , Г.С. Литвинович 1 , И.И. Бручковский 1 , Л.В. Катковский 1 , М.Ю. Беляев 2 , Э.Э. Сармин 2 
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: 19.08.2022
DOI: 10.21046/2070-7401-2022-19-5-125-135
Работа посвящена исследованиям спектральных характеристик хвои ели обыкновенной (лат. Pícea ábies) и поиску признаков стресса и усыхания хвои в видимом и ближнем ИК диапазонах коэффициентов спектральной яркости (КСЯ). Приводятся результаты лабораторных измерений КСЯ образцов хвои, принадлежащих разным классам состояния (здоровый, стрессовый, больной). Найдены следующие наиболее информативные вегетационные индексы, позволяющие определять принадлежность хвои к одному из выделяемых классов: TVI, SR800/500, NDVI, SR800/635, ND790/670, SR800/675, SR800/650, ND800/675, ND800/650, ND800/500, SR800/470, ND800/635, ND800/470. Для данных индексов определены диапазоны значений, соответствующие разным классам состояния хвои. Предложенный метод позволяет отделить здоровую хвою от хвои на начальной стадии стресса, когда она ещё является зелёной, что повышает точность метода по сравнению с визуальной оценкой дерева специалистом-лесопатологом. Приводятся результаты применения классификатора, разработанного на основе предлагаемого метода, для данных дистанционного авиационного зондирования хвойных лесов. Неопределённость, рассчитанная как процент от общего числа тех спектров, для которых присвоенные им классы не совпали при классификации по разработанному методу и по альтернативному методу (без обучения), составила 10,1 %.
Ключевые слова: ель обыкновенная, коэффициент спектральной яркости, вегетационные индексы, усыхание растительности, спектры, дистанционное зондирование, авиационные съёмки, методы классификации
Полный текст

Список литературы:

  1. 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.
  2. Станчик В. В., Хомицевич А. Д. Фотоспектрорадиометр для полевых измерений спектров отражения объектов // Прикладные проблемы оптики, информатики, радиофизики и физики конденсированного состояния: материалы 4-й Международ. научно-практ. конф. Минск, 11–12 мая 2017. Минск: НИИПФП им. А. Н. Севченко БГУ, 2017. С. 145–147.
  3. Abdullaha H., Skidmoreab A. K., Darvishzadeha R., Heurich M. Timing of red-edge and shortwave infrared reflectance critical for early stress detection induced by bark beetle (Ips typographus L.) attack // Intern. J. Applied Earth Observation and Geoinformation. 2019. V. 82. Art. No. 101900. DOI: 10.1016/j.jag.2019.101900.
  4. Beniušienė L., Šilinskas B., Beniušis R., Aleinikovas M., Petrauskas E., Varnagirytė-Kabašinskienė I. Scots Pine Stem Parameters in Sites with Different Stand Densities in Lithuania // Forests. 2020. V. 11(7). Art. No. 716. DOI: 10.3390/f11070716.
  5. Beniušienė L., Petrauskas E., Aleinikovas M., Varnagirytė-Kabašinskienė I., Beniušis R., Šilinskas B. Norway Spruce Stem Parameters in Sites with Different Stand Densities in Lithuanian Hemiboreal Forest // Forests. 2021. V. 12(2). Art. No. 201. DOI: 10.3390/f12020201.
  6. Boloorani A. D., Ranjbareslamloo S., Mirzaie S., Bahramic H. A., Mirzapour F., Tehrani N. A. Spectral behavior of Persian oak under compound stress of water deficit and dust storm // Intern. J. Applied Earth Observation and Geoinformation. 2020. V. 88. Art. No. 102082. DOI: 10.1016/j.jag.2020.102082.
  7. Chi D., Degerickx J., Yu K., Somers B. Urban Tree Health Classification Across Tree Species by Combining Airborne Laser Scanning and Imaging Spectroscopy // Remote Sensing. 2020. V. 12(15). Art. No. 2435. DOI: 10.3390/rs12152435.
  8. Foster A. C., Walter J. A., Shugart H. H., Sibold J., Negron J. Spectral evidence of early-stage spruce beetle infestation in Engelmann spruce // Forest Ecology and Management. 2017. V. 384. P. 347–357. DOI: 10.1016/j.foreco.2016.11.004.
  9. Gamon J. A., Huemmrich K. F., Wong C. Y. S., Ensminger I., Garrity S., Hollinger D. Y., Noormets A., Peñuelas J. A remotely sensed pigment index reveals photosynthetic phenology in evergreen conifers // Proc. National Academy of Sciences. 2016. V. 113(46). P. 13087–19092. DOI: 10.1073/pnas.1606162113.
  10. Guliaeva S. I., Bruchkousky I. I., Katkovsky L. V. Determining the Drying Out of Coniferous Trees Using Airborne and Satellite Data // Advances in Remote Sensing. 2021. V. 10. No. 2. DOI: 10.4236/ars.2021.102002.
  11. Huo L., Persson H. J., Lindberg E. Early detection of forest stress from European spruce bark beetle attack and a new vegetation index: Normalized distance red and SWIR (NDRS) // Remote Sensing of Environment. 2021. V. 255. Art. No. 112240. DOI: 10.1016/j.rse.2020.112240.
  12. Kharuk V. I., Im S. T., Ranson K. J., Yagunov M. N. Climate-Induced Northerly Expansion of Siberian Silkmoth Range // Forests. 2017. V. 8. Art. No. 301. DOI: 10.3390/f8080301.
  13. Lausch A., Erasmi S., King D., Magdon P., Heurich M. Understanding forest health with remote sensing-part II — A review of approaches and data models // Remote Sensing. 2017. V. 9(2). Art. No. 129. DOI: 10.3390/rs9020129.
  14. Lin Q., Huang H., Wang J., Huang K., Liu Y. Detection of Pine Shoot Beetle (PSB) Stress on Pine Forests at Individual Tree Level using UAV-Based Hyperspectral Imagery and Lidar // Remote Sensing. 2019. V. 11(21). Art. No. 2540. DOI: 10.3390/rs11212540.
  15. Rautiainen M., Lukeš P., Homolová L., Hovi A., Pisek J., Mõttus M. Spectral Properties of Coniferous Forests: A Review of In Situ and Laboratory Measurements // Remote Sensing. 2018. V. 10(2). Art. No. 207. DOI: 10.3390/rs10020207.
  16. 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. DOI: 10.3390/rs13061089.
  17. 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. DOI: 10.1007/s40725-017-0056-1.
  18. Trumbore S., Brando P., Hartmann H. Forest health and global change // Science. 2015. V. 349(6250). P. 814–818. DOI: 10.1126/science.aac6759.
  19. Varo-Martínez M. Á., Navarro-Cerrillo R. M. Stand Delineation of Pinus sylvestris L. Plantations Suffering Decline Processes Based on Biophysical Tree Crown Variables: A Necessary Tool for Adaptive Silviculture // Remote Sensing. 2021. V. 13(3). Art. No. 436. DOI: 10.3390/rs13030436.
  20. Wulder M. A., Dymond C. C., White J. C., Leckie D. G., Carroll A. L. Surveying mountain pine beetle damage of forests: A review of remote sensing opportunities // Forest Ecology and Management. 2006. V. 221(1–3). P. 27–41. DOI: 10.1016/j.foreco.2005.09.021.