Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
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. 2024. Т. 21. № 1. С. 31-50

Определение видового состава смешанного леса на основе совместной обработки публичных спутниковых карт и многовременных изображений Sentinel-2

Е.В. Дмитриев 1, 2 , Т.В. Кондранин 2 , П.Г. Мельник 3 , С.А. Донской 4 
1 Институт вычислительной математики им. Г.И. Марчука РАН, Москва, Россия
2 Московский физико-технический институт (НИУ), Долгопрудный, Московская обл., Россия
3 Мытищинский филиал Московского государственного технического университета имени Н.Э. Баумана, Московская обл., Мытищи, Россия
4 Рослесинфорг, Москва, Россия
Одобрена к печати: 21.11.2023
DOI: 10.21046/2070-7401-2024-21-1-31-50
Рассматривается задача определения видового состава смешанных лесов, характерных для европейской части России, с использованием находящихся в открытом доступе многовременных мультиспектральных изображений среднего пространственного разрешения (Sentinel-2) и спутниковых карт сверхвысокого пространственного разрешения открытых картографических сервисов (Bing Maps, Google Maps и др.). Основные этапы тематической обработки: текстурная сегментация древостоев и попиксельная классификации видов деревьев с использованием спектрально-временных признаков. Метод сегментации, основанный на совместном использовании статистических и спектральных методов извлечения текстурных признаков, позволяет снизить негативное влияние шумов, характерных для спутниковых карт. Результаты текстурной сегментации древостоев тестового участка (территория Бронницкого лесничества, Московская обл.) показали, что полная вероятность ошибки сегментации не превышает 3,5 % при естественном уровне ошибок за счёт граничных пикселей в 0,6 %. Приводятся оценки точности определения видового состава с использованием как вегетационных индексов, так и непосредственно данных спутниковых спектральных каналов. Результаты обработки во втором случае демонстрируют существенно более высокую достоверность. Ошибки классификации отдельных видов, оцениваемые по методу кросс-валидации, варьируют от 1 до 8 %. Сравнение с данными наземной лесотаксации показывает совпадение доминантного вида для 87 % от общей пощади лесотаксационных выделов тестового участка.
Ключевые слова: дистанционное зондирование, распознавание образов, тематическая обработка, текстурные признаки, многовременные мультиспектральные спутниковые изображения, видовой состав древостоев
Полный текст

Список литературы:

  1. Барталев С. А., Лупян Е. А. Исследования и разработки ИКИ РАН по развитию методов спутникового мониторинга растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 1. С. 197–214.
  2. Барталев С. А., Егоров В. А., Жарко В. О. и др. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 с.
  3. Белова Е. И., Ершов Д. В. Опыт оценки естественного лесовосстановления на сплошных вырубках по временным рядам Landsat // Лесоведение. 2015. № 5. С. 339–345.
  4. Гаврилюк Е. А., Ершов Д. В. Тематическое картографирование породной структуры лесов на основе спутниковых изображений Landsat-TM/ETM+ // 5-я Всероссийская конф. с международ. участием «Аэрокосм. методы и геоинформац. технологии в лесоведении и лесном хоз-ве»: сб. тр. 22–24 апр. 2013. М.: ЦЭПЛ РАН, 2013. С. 112–115.
  5. Гафферберг И. Г. Фенологический календарь основных древесных пород и некоторых, связанных с ними, животных мордовского государственного заповедника. 1945 год // Тр. Мордовского гос. природ. заповедника им. П. Г. Смидовича. 2020. № 25. С. 50–96.
  6. Елагин И. Н. Времена года в лесах России. Новосибирск: ВО «Наука», Сибирская изд. фирма, 1994. 272 с.
  7. 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.
  8. Замолодчиков Д. Г., Кобяков К. К., Кокорин А. О., Алейников А. А., Шматков Н. М. Лес и климат. М.: Всемирный фонд дикой природы (WWF), 2015. 40 с.
  9. Миклашевич Т. С., Барталев С. А., Плотников Д. Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 6. С. 143–154. DOI: 10.21046/2070-7401-2019-16-6-143-154.
  10. Миклашевич Т. С., Барталев С. А., Егоров В. А. Метод фенологического совмещения многолетних рядов спутниковых наблюдений на основе данных высокого временного разрешения // Материалы 20-й Международ. конф. «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2022. C. 319. DOI: 10.21046/20DZZconf-2022a.
  11. Сезонная жизнь природы Русской равнины. Календари природы Нечерноземной зоны РСФСР за 1960–1972 гг. / ред. Тавровский В. А. Л.: Наука, 1979. 163 с.
  12. Сёмкин Б. И. О связи между средними значениями двух мер включения и мерами сходства // Бюл. Ботанического сада-института ДВО РАН. 2009. № 3. С. 91–101.
  13. 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.
  14. Al-Janobi A. Performance evaluation of cross-diagonal texture matrix method of texture analysis // Pattern Recognition. 2001. V. 34. No. 1. P. 171–180. https://doi.org/10.1016/s0031-3203(99)00206-x.
  15. Astola H., Hame T., Sirro L. et al. 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. https://doi.org/10.1016/j.rse.2019.01.019.
  16. Banskota A., Kayastha N., Falkowski M. J. et al. Forest monitoring using Landsat time series data: A review // Canadian J. Remote Sensing. 2014. V. 40. No. 5. P. 362–384. https://doi.org/10.1080/07038992.2014.987376.
  17. Barnes E. M., Clarke T. R., Richards S. E. et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data // Proc. 15th Intern. Conf. Precision Agriculture. Bloomington, MN, USA, 2000. V. 1619. 15 p.
  18. Bartalev S. A., Belward A. S., Erchov D. V., Isaev A. S. A new SPOT4-Vegetation derived land cover map of Northern Eurasia // Intern. J. Remote Sensing. 2003. V. 24. No. 9. P. 1977–1982. https://doi.org/10.1080/0143116031000066297.
  19. Bonan G. B. Forests and climate change: forcings, feedbacks, and the climate benefits of forests // Science. 2008. V. 320. No. 5882. P. 1444–1449. https://doi.org/10.1126/science.1155121.
  20. Clark M. L. Comparison of multi-seasonal Landsat-8, Sentinel-2 and hyperspectral images for mapping forest alliances in Northern California // ISPRS J. Photogrammetry and Remote Sensing. 2020. V. 159. P. 26–40. https://doi.org/10.1016/j.isprsjprs.2019.11.007.
  21. Dietterich T. G., Bakiri G. Solving Multiclass Learning Problems via Error-Correcting Output Codes // J. Artificial Intelligence Research. 1995. No. 2. P. 263–286. https://doi.org/10.1613/jair.105.
  22. Dmitriev E. V. Classification of the Forest Cover of Tver’ Region Using Hyperspectral Airborne Imagery // Izvestiya, Atmospheric and Oceanic Physics. 2014. V. 50. No. 9. P. 929–942. https://doi.org/10.1134/s0001433814090072.
  23. Dmitriev E. V., Kondranin T. V., Zotov S. A. Segmentation of Natural and Anthropogenic Objects by Panchromatic Satellite Images Using Statistical Textural Features // Optoelectronics, Instrumentation and Data Processing. 2022. V. 58. No. 2. P. 167–179. https://doi.org/10.3103/s8756699022020029.
  24. Effiom A. E., van Leeuwen L. M., Nyktas P. et al. Combining unmanned aerial vehicle and multispectral Pleiades data for tree species identification, a prerequisite for accurate carbon estimation // J. Applied Remote Sensing. 2019. V. 13. No. 3. Article 034530. https://doi.org/10.1117/1.jrs.13.034530.
  25. Galloway M. M. Texture analysis using gray level run lengths // Computer graphics and image processing. 1975. V. 4. No. 2. P. 172–179. https://doi.org/10.1016/s0146-664x(75)80008-6.
  26. Gitelson A., Merzlyak M., Chivkunova O. Optical Properties and Nondestructive Estimation of Anthocyanin Content in Plant Leaves // Photochemistry and Photobiology. 2001. V. 71. P. 38–45. https://doi.org/10.1562/0031-8655(2001)0740038opaneo2.0.co2.
  27. Gitelson A. A., Zur Y., Chivkunova O. B., Merzlyak M. N. Assessing carotenoid content in plant leaves with reflectance spectroscopy // Photochemistry and Photobiology. 2002. V. 75. No. 3. P. 272–281. https://doi.org/10.1562/0031-8655(2002)0750272accipl2.0.co2.
  28. Gitelson A. A., Vina A., Ciganda V. et al. Remote estimation of canopy chlorophyll content in crops // Geophysical Research Letters. 2005. V. 32. No. 8. Article L08403. DOI: 10.1029/2005GL022688.
  29. Grabska E., Hostert P., Pflugmacher D., Ostapowicz K. Forest stand species mapping using the Sentinel-2 time series // Remote Sensing. 2019. V. 11. No. 10. Article 1197. https://doi.org/10.3390/rs11101197.
  30. Haralick R. M., Shanmugam K., Dinstein I. H. Textural features for image classification // IEEE Trans. Systems, Man, and Cybernetics. 1973. No. 6. P. 610–621. https://doi.org/10.1109/tsmc.1973.4309314.
  31. Hastie T., Tibshirani R., Friedman J. H. The elements of statistical learning: data mining, inference, and prediction. 2nd ed. N. Y.: Springer, 2009. 745 p. DOI: 10.1007/978-0-387-84858-7.
  32. Isaacson B. N., Serbin S. P., Townsend P. A. Detection of relative differences in phenology of forest species using Landsat and MODIS // Landscape Ecology. 2012. V. 27. P. 529–543. https://doi.org/10.1007/s10980-012-9703-x
  33. Kerr J. T., Ostrovsky M. From space to species: ecological applications for remote sensing // Trends in Ecology and Evolution. 2003. V. 18. No. 6. P. 299–305. https://doi.org/10.1016/s0169-5347(03)00071-5.
  34. Lutz D. A., Washington-Allen R. A., Shugart H. H. Remote sensing of boreal forest biophysical and inventory parameters: a review // Canadian J. Remote Sensing. 2008. V. 4. No. sup2. P. S286–S313. https://doi.org/10.5589/m08-057.
  35. Main-Knorn M., Pflug B., Louis J. et al. Sen2Cor for sentinel-2 // Image and Signal Processing for Remote Sensing XXIII: Proc. SPIE. 2017. V. 10427. P. 37–48. https://doi.org/10.1117/12.2278218.
  36. Nelson M. D., McRoberts R. E., Holden G. R., Bauer M. E. Effects of satellite image spatial aggregation and resolution on estimates of forest land area // Intern. J. Remote Sensing. 2009. V. 30. No. 8. P. 1913–1940. https://doi.org/10.1080/01431160802545631.
  37. Pasquarella V. J., Holden C. E., Woodcock C. E. Improved mapping of forest type using spectral-temporal Landsat features // Remote Sensing of Environment. 2018. V. 210. P. 193–207. https://doi.org/10.1016/j.rse.2018.02.064.
  38. Rouse J. W., Haas R. H., Scheel J. A., Deering D. W. Monitoring Vegetation Systems in the Great Plains with ERTS // Proc. 3rd Earth Resource Technology Satellite (ERTS) Symp. 1974. V. 1. P. 48–62.
  39. Sibiya B., Lottering R., Odindi J. Discriminating commercial forest species using image texture computed from a WorldView-2 pan-sharpened image and partial least squares discriminant analysis // Remote Sensing Applications: Society and Environment. 2021. No. 23. Article 100605. https://doi.org/10.1016/j.rsase.2021.100605.
  40. Wang M., Zheng Y., Huang C. et al. Assessing Landsat-8 and Sentinel-2 spectral-temporal features for mapping tree species of northern plantation forests in Heilongjiang Province, China // Forest Ecosystems. 2022. V. 9. Article 100032. https://doi.org/10.1016/j.fecs.2022.100032.
  41. Weszka J. S., Dyer C. R., Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Trans. Systems, Man, and Cybernetics. 1976. No. 4. P. 269–285. https://doi.org/10.1109/tsmc.1976.5408777.
  42. Wolter P. T., Mladenoff D. J., Host G. E., Crow T. R. Using multi-temporal Landsat imagery // Photogrammetric Engineering and Remote Sensing. 1995. V. 61. P. 1129–1143.
  43. Wu H., Li M., Zhang M., Zheng J., Shen J. Texture segmentation via scattering transform // Intern. J. Signal Processing, Image Processing and Pattern Recognition. 2013. V. 6. No. 2. P. 165–174.