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. № 6. С. 124-137

Выявление зависимостей между параметрами лесов Среднерусской лесостепи и спектральными отражательными свойствами на основе данных Sentinel-2

Э.А. Терехин 1 
1 Белгородский государственный национальный исследовательский университет, Белгород, Россия
Одобрена к печати: 28.10.2022
DOI: 10.21046/2070-7401-2022-19-6-124-137
Изложены результаты анализа зависимостей между биометрическими параметрами (возрастом, высотой, запасом стволовой древесины) широколиственных лесов, типичных для Среднерусской лесостепи, и спектральной отражательной способностью, измеренной по данным Sentinel-2. Возраст лесных массивов с преобладанием дуба находится в обратной зависимости со спектральной отражательной способностью в каналах сенсора. Наиболее сильная связь между возрастом и отражательными характеристиками выявлена в диапазонах красного и SWIR излучения (англ. short wave infrared, коротковолновый инфракрасный). Зависимости между возрастом леса и отражательной способностью в изученных каналах Sentinel-2 криволинейны и наиболее достоверно аппроксимируются логарифмической кривой. Высота и запас насаждений с преобладанием в древостое дуба также находятся в обратной криволинейной зависимости со спектрально-отражательными свойствами во всех диапазонах. Для высоты лесных массивов с преобладанием дуба в большинстве диапазонов характерна несколько более сильная связь с коэффициентами спектральной яркости, чем с возрастом насаждений. Для лесных участков с преобладанием ясеня характерны близкие зависимости между возрастом, высотой леса и спектральными характеристиками, так же как и для лесных массивов с преобладанием дуба. Для возраста и высоты лесных массивов с преобладанием ясеня наиболее сильная связь со значениями спектральной отражательной способности также установлена в SWIR каналах Sentinel-2.
Ключевые слова: возраст леса, высота леса, Среднерусская лесостепь, данные дистанционного зондирования, Sentinel-2
Полный текст

Список литературы:

  1. Бугаев В. А., Мусиевский А. Л., Царалунга В. В. Дубравы лесостепи. Воронеж: Воронежская гос. лесотехн. акад. 2013. 247 c.
  2. Гаврилюк Е. А., Королева Н. В., Карпухина Д. А., Сочилова Е. Н., Ершов Д. В. Геопространственное моделирование биометрических и структурных характеристик лесов Брянской области на основе спутниковых и выборочных лесотаксационных данных // Лесоведение. 2021. № 6. С. 609–626. DOI: 10.31857/S002411482106005X.
  3. Дегтярь А. В., Григорьева О. И. Изменение лесистости Белгородской области за 400-летний период // Науч. ведомости Белгородского гос. ун-та. Сер.: Естественные науки. 2018. Т. 42. № 4 С. 574–586. DOI: 10.18413/2075-4671-2018-42-4-574-586.
  4. 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. DOI: 10.21046/2070-7401-2018-15-1-157-168.
  5. Жирин В. М., Князева С. В., Эйдлина С. П. Эколого-динамическое исследование лесообразовательного процесса по космическим снимкам // Лесоведение. 2013. № 5. С. 76–85.
  6. Жирин В. М., Князева С. В., Эйдлина С. П. Динамика спектральной яркости породно-возрастной структуры групп типов леса на космических снимках Landsat // Лесоведение. 2014. № 5. С. 3–12.
  7. Реуцкая В. В., Арефьев Ю. Ф. Биоразнообразие и биоинтеграция в лесных экосистемах Среднерус­ской лесостепи // Проблемы региональной экологии. 2009. № 1. С. 125–129.
  8. Сочилова Е. Н., Ершов Д. В. Анализ возможности определения запасов древесных пород по спутниковым данным Landsat ETM+ // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 3. С. 277–282.
  9. Терехин Э. А. Оценка нарушенности лесов лесостепной зоны в начале XXI века по спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 2. С. 134–146. DOI: 10.21046/2070-7401-2020-17-2-134-146.
  10. Ahmed O. S., Franklin S. E., Wulder M. A., White J. C. Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the Random Forest algorithm // ISPRS J. Photogrammetry and Remote Sensing. 2015. V. 101. P. 89–101. DOI: 10.1016/j.isprsjprs.2014.11.007.
  11. Astola H., Häme T., Sirro L., Molinier M., Kilpi J. Comparison of Sentinel-2 and Landsat-8 imagery for forest variable prediction in boreal region // Remote Sensing of Environment. 2019. V. 223. P. 257–273. DOI: 10.1016/j.rse.2019.01.019.
  12. Cardille J. A., Perez E., Crowley M. A., Wulder M. A., White J. C., Hermosilla T. Multi-sensor change detection for within-year capture and labelling of forest disturbance // Remote Sensing of Environment. 2022. V. 268. Art. No. 112741. DOI: 10.1016/j.rse.2021.112741.
  13. Graf W., Kleinn C., Schall P., Nauss T., Detsch F., Magdon P. Analyzing the relationship between historic canopy dynamics and current plant species diversity in the herb layer of temperate forests using long-term Landsat time series // Remote Sensing of Environment 2019. V. 232. Art. No. 111305. DOI: 10.1016/j.rse.2019.111305.
  14. Hall R. J., Skakun R. S., Arsenault E. J., Case B. S. Modeling forest stand structure attributes using Landsat ETM+ data: Application to mapping of aboveground biomass and stand volume // Forest Ecology and Management. 2006. V. 225. No. 1–3. P. 378–390. DOI: 10.1016/j.foreco.2006.01.014.
  15. Kimes D. S., Holben B. N., Nickeson J. E., McKee W. A. Extracting forest age in a Pacific Northwest forest from Thematic Mapper and topographic data // Remote Sensing of Environment. 1996. V. 56. No. 2. P. 133–140. DOI: 10.1016/0034-4257(95)00230-8.
  16. Kuusinen N., Tomppo E., Shuai Y., Berninger F. Effects of forest age on albedo in boreal forests estimated from MODIS and Landsat albedo retrievals // Remote Sensing of Environment. 2014. V. 145. P. 145–153. DOI: 10.1016/j.rse.2014.02.005.
  17. Li A., Huang C., Sun G., Shi H., Toney C., Zhu Z., Rollins M. G., Goward S. N., Masek J. G. Modeling the height of young forests regenerating from recent disturbances in Mississippi using Landsat and ICESat data // Remote Sensing of Environment. 2011. V. 115. No. 8. P. 1837–1849. DOI: 10.1016/j.rse.2011.03.001.
  18. Lu D. The potential and challenge of remote sensing based biomass estimation // Intern. J. Remote Sensing. 2006. V. 27. No. 7. P. 1297–1328. DOI: 10.1080/01431160500486732.
  19. Lu D., Mausel P., Brondı́zio E., Moran E. Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin // Forest Ecology and Management. 2004. V. 198. No. 1. P. 149–167. DOI: 10.1016/j.foreco.2004.03.048.
  20. Matasci G., Hermosilla T., Wulder M. A., White J. C., Coops N. C., Hobart G. W., Bolton D. K., Tompalski P., Bater C. W. Three decades of forest structural dynamics over Canada’s forested ecosystems using Landsat time-series and lidar plots // Remote Sensing of Environment. 2018. V. 216. P. 697–714. DOI: 10.1016/j.rse.2018.07.024.
  21. Morresi D., Vitali A., Urbinati C., Garbarino M. Forest Spectral Recovery and Regeneration Dynamics in Stand-Replacing Wildfires of Central Apennines Derived from Landsat Time Series // Remote Sensing. 2019. V. 11. No. 3. Art. No. 308. DOI: 10.3390/rs11030308.
  22. Potapov P., Li X., Hernandez-Serna A., Tyukavina A., Hansen M. C., Kommareddy A., Pickens A., Turubanova S., Tang H., Silva C. E., Armston J., Dubayah R., Blair J. B., Hofton M. Mapping global forest canopy height through integration of GEDI and Landsat data // Remote Sensing of Environment. 2021. V. 253. Art. No. 112165. DOI: 10.1016/j.rse.2020.112165.
  23. Socha J., Pierzchalski M., Bałazy R., Ciesielski M. Modelling top height growth and site index using repeated laser scanning data // Forest Ecology and Management. 2017. V. 406. P. 307–317. DOI: 10.1016/j.foreco.2017.09.039.
  24. Zhang Y., Ling F., Wang X., Foody G. M., Boyd D. S., Li X., Du Y., Atkinson P. M. Tracking small-scale tropical forest disturbances: Fusing the Landsat and Sentinel-2 data record // Remote Sensing of Environment. 2021. V. 261. Art. No. 112470. DOI: 10.1016/j.rse.2021.112470.
  25. Zheng D., Rademacher J., Chen J., Crow T., Bresee M., Le Moine J., Ryu S.-R. Estimating aboveground biomass using Landsat-7 ETM+ data across a managed landscape in northern Wisconsin, USA // Remote Sensing of Environment. 2004. V. 93. No. 3. P. 402–411. DOI: 10.1016/j.rse.2004.08.008.