Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 4. С. 165-174
Метод мониторинга лесовосстановления на основе совместного анализа оптико-микроволновых данных на плоскости NDVI – RVI
И.И. Кирбижекова
1 , Т.Н. Чимитдоржиев
1 , А.В. Дмитриев
1 1 Институт физического материаловедения СО РАН, Улан-Удэ, Россия
Одобрена к печати: 04.07.2023
DOI: 10.21046/2070-7401-2023-20-4-165-174
Предлагается метод комплексной оценки состояния и динамики лесного подроста на основе комбинирования мультиспектральных оптических снимков и данных спутниковой радиолокации дециметрового диапазона длин волн. Предварительно на примере участка восстановления леса после пожара было установлено, что при раздельном анализе вегетационного и радарного индексов (NDVI — англ. Normalized Difference Vegetation Index, RVI — англ. Radar Vegetation Index) прогноз лесовосстановления до уровня значений, соответствующих контрольному участку соснового леса, существенно разнится. Поэтому временную динамику участка лесовосстановления предлагается оценивать на плоскости NDVI – RVI относительно контрольных участков хвойного и смешанного леса, а также безлесного участка. Показано, что эти участки формируют подвижную треугольную зону, внутри которой изменения вегетационных индексов характеризуют увеличение проективного покрытия лесным подростом, рост надземной биомассы и замещение/восстановление основной породы. Для описания такой динамики введены два количественных индекса: DRI — показатель степени лесовосстановления и RSI — показатель степени восстановления основной породы. В качестве инструмента оперативной обработки, для возможного масштабирования результатов, использован современный функционал облачной платформы Google Earth Engine (GEE), при помощи которой получены значения NDVI по данным Landsat-5, -8 за 2007–2020 гг. зимнего (снежного) периода. Последнее позволило нивелировать влияние почвы и травы при оценке динамики крон лиственных деревьев (без листвы) и вечнозелёных хвойных насаждений. Радарный вегетационный индекс RVI для исследования изменений биомассы лесной растительности также был получен с использованием GEE по данным спутниковых радиолокаторов с синтезированной апертурой (РСА) L-диапазона ALOS 1 PALSAR 1 (англ. Advanced Land Observing Satellite, англ. Phased Array type L-band Synthetic Aperture Radar) (2006–2010) и ALOS 2 PALSAR 2 (2016–2020).
Ключевые слова: дистанционное зондирование, оптико-микроволновые данные, NDVI, RVI, временные ряды, послепожарное лесовосстановление
Полный текстСписок литературы:
- Барталев С. А., Ворушилов И. И., Егоров В. А. Построение и радиометрическая нормализация безоблачных композитных спутниковых изображений покрытой снегом земной поверхности для мониторинга лесов // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 2. С. 57–69. DOI: 10.21046/2070-7401-2022-19-2-57-69.
- Дмитриев А. В., Чимитдоржиев Т. Н., Дагуров П. Н. (2022а) Оптико-микроволновая диагностика восстановления леса после пожаров // Вычислительные технологии. 2022. Т. 27. № 2. С. 105–121. DOI: 10.25743/ICT.2022.27.2.009.
- Дмитриев А. В., Чимитдоржиев Т. Н., Добрынин С. И., Худайбердиева О. А., Кирбижекова И. И. (2022б) Оптико-микроволновая диагностика залесения сельскохозяйственных земель // Современные проблемы дистанционного зондирования земли из космоса. 2022. Т. 19. № 4. С. 168–180. DOI: 10.21046/2070-7401-2022-19-4-168-180.
- Родионова Н. В., Вахнина И. Л., Желибо Т. В. Оценка динамики послепожарного состояния растительности на территории Ивано-Арахлейского природного парка (Забайкальский край) по радарным и оптическим данным спутников Sentinel 1/2 // Исслед. Земли из космоса. 2020. № 3. С. 14–25. DOI: 10.31857/S0205961420030045.
- Ховратович Т. С., Барталев С. А., Кашницкий А. Б. Метод детектирования изменений лесов на основе подпиксельной оценки проективного покрытия древесного полога по разновременным спутниковым изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 4. С. 102–110. DOI: 10.21046/2070-7401-2019-16-4-102-110.
- Чимитдоржиев Т. Н., Ефременко В. Об использовании различных индексов вегетации в дистанционном зондировании экосистем // Исслед. Земли из космоса. 1998. № 3. С. 49–56.
- Чимитдоржиев Т. Н., Дмитриев А. В., Кирбижекова И. И. и др. Дистанционные оптико-микроволновые измерения параметров леса: современное состояние исследований и экспериментальная оценка возможностей // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 9–26. DOI: 10.21046/2070-7401-2018-15-4-9-24.
- Banda F., Giudici D., Le Toan T. et al. The BIOMASS Level 2 Prototype Processor: Design and Experimental Results of Above-Ground Biomass Estimation // Remote Sensing. 2020. V. 12. No. 6. Article 985. DOI: 10.3390/rs12060985.
- Bellassen V., Luyssaert S. Carbon sequestration: Managing forests in uncertain times // Nature. 2014. V. 506. No. 7487. P. 153–155. DOI: 10.1038/506153a.
- Bondur V. G., Chimitdorzhiev T. N., Kirbizhekova I. I., Dmitriev A. V. Estimation of Postfire Reforestation with SAR Polarimetry and NDVI Time Series // Forests. 2022. V. 13. No. 5. Article 814. DOI: 10.3390/f13050814.
- Chazdon R. L., Broadbent E. N., Rozendaal D. M. A. et al. Carbon sequestration potential of second-growth forest regeneration in the Latin American tropics // Science Advances. 2016. V. 2. No. 5. Article e1501639. DOI: 10.1126/sciadv.1501639.
- Dobson M. C., Ulaby F. T., Le Toan T. et al. Dependence of Radar Backscatter on Coniferous Forest Biomass // IEEE Trans. Geoscience and Remote Sensing. 1992. V. 30. No. 2. P. 412–415. DOI: 10.1109/36.134090.
- Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. V. 202. P. 18–27. DOI: 10.1016/j.rse.2017.06.031.
- Jiang M., Medlyn B. E., Drake J. E. et al. The fate of carbon in a mature forest under carbon dioxide enrichment // Nature. 2020. V. 580. No. 7802. P. 227–231. DOI: 10.1038/s41586-020-2128-9.
- Le Toan T., Beaudoin A., Riom J., Guyon D. Relating Forest Biomass to SAR Data // IEEE Trans. Geoscience and Remote Sensing. 1992. V. 30. No. 2. P. 403–411. DOI: 10.1109/36.134089.
- Lehmann E. A., Caccetta P., Lowell K. et al. SAR and optical remote sensing: Assessment of complementarity and interoperability in the context of a large-scale operational forest monitoring system // Remote Sensing of Environment. 2015. V. 156. P. 335–348. DOI: 10.1016/j.rse.2014.09.034.
- Pinnington E. M., Casella E., Dance S. L. et al. Understanding the effect of disturbance from selective felling on the carbon dynamics of a managed woodland by combining observations with model predictions // J. Geophysical Research: Biogeosciences. 2017. V. 122. No. 4. P. 886–902. DOI: 10.1002/2017JG003760.
- Pugh T. A. M., Lindeskog M., Smith B. et al. Role of forest regrowth in global carbon sink dynamics // Proc. National Academy of Sciences. 2019. V. 116. No. 10. P. 4382–4387. DOI: 10.1073/pnas.1810512116.
- Santoro M., Cartus O., Mermoz S. et al. GlobBiomass — global above-ground biomass and growing stock volume datasets. 2018. https://doi.org/10.1594/PANGAEA.894711.
- Yadav V. P., Prasad R., Bala R. et al. Appraisal of Dual Polarimetric Radar Vegetation Index in First Order Microwave Scattering Algorithm Using Sentinel-1A (C-Band) and ALOS 2 (L-Band) SAR Data // Geocarto Intern. 2022. V. 37. P. 6232–6250. DOI: 10.1080/10106049.2021.1933209.
- Yu Y., Saatchi S. Sensitivity of L-Band SAR Backscatter to Aboveground Biomass of Global Forests // Remote Sensing. 2016. V. 8. No. 6. Article 522. DOI: 10.3390/rs8060522.