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 Номер 6
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. № 2. С. 177-195

Мониторинг лесного покрова водоохранных зон рек Марий Эл по спутниковым данным

Л.В. Тарасова 1 , Э.А. Курбанов 1 , О.Н. Воробьев 1 , Х. Бу 2 , С.А. Лежнин 1 , Д.М. Дергунов 1 
1 Поволжский государственный технологический университет, Йошкар-Ола, Россия
2 Вьетнамский национальный университет лесного хозяйства, Ханой, Вьетнам
Одобрена к печати: 13.03.2024
DOI: 10.21046/2070-7401-2024-21-2-177-195
Разновременные данные Landsat широко применяются для мониторинга лесного покрова. Использование облачной платформы Google Earth Engine (GEE) позволяет анализировать эти данные с помощью различных методов. Цель настоящей работы заключается в исследовании динамики и нарушенности лесного покрова водоохранных зон за период с 1984 по 2022 г. на основе разновременных снимков Landsat. Объектами исследования становятся лесные насаждения, расположенные в двухсотметровой буферной (водоохранной) зоне 23 наиболее крупных рек Республики Марий Эл. В работе проведена классификация разновременных данных Landsat на четыре класса наземного покрова с использованием метода случайного леса (англ. Random Forest — RF) в GEE. На первом этапе было классифицировано 85 разновременных изображений Landsat, проанализирована структура и динамика классов, а также создана карта изменений наземного покрова. На втором этапе с использованием алгоритма обнаружения тенденций нарушений LandTrendr (англ. Landsat-based Detection of Trends in Disturbance and Recovery) были выявлены участки нарушенности лесного покрова за исследуемый период. Анализ данных Landsat показал, что в целом за период с 1984 по 2022 г. на исследуемой территории наблюдается увеличение площади лесного покрова за счёт замены нелесных территорий и хвойных лесов мелколиственными породами. Наибольшие изменения индексов NDVI (англ. Normalized Difference Vegetation Index ― нормализованный разностный вегетационный индекс), NBR (англ. Normalized Burn Ratio ― нормализованный индекс гарей) и NDMI (англ. Normalized Difference Moisture Index ― стандартизованный индекс различий увлажнённости), свидетельствующие о нарушениях, были зафиксированы в периоды 1985–1992 и 2010–2011 гг., что связано с последствиями затопления водоохранных лесов и крупными пожарами 2010 г. Применение облачных технологий и методологических подходов для обнаружения изменений позволяет провести оценку динамики и нарушенности на основе разновременных спутниковых изображений в региональном масштабе.
Ключевые слова: водоохранные леса, ДЗЗ, Google Earth Engine, Landsat, Random Forest, LandTrendr
Полный текст

Список литературы:

  1. Барталев С. А., Лупян Е. А., Стыценко Ф. В., Панова О. Ю., Ефремов В. Ю. Экспресс-картографирование повреждений лесов России пожарами по спутниковым данным Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 1. С. 9–20.
  2. Воробьев О. Н., Курбанов Э. А., Полевщикова Ю. А., Лежнин С. А.. Оценка динамики и нарушенности лесного покрова в Среднем Поволжье по снимкам Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 4. С. 124–134. DOI: 10.21046/2070-7401-2016-13-3-124-134.
  3. Воробьёв О. Н., Курбанов Э. А., Демишева Е. Н., Меньшиков С. А., Али М. С., Смирнова Л. Н., Тарасова Л. В. Дистанционный мониторинг устойчивости лесных экосистем: монография, Йошкар-Ола: Поволжский гос. технолог. ун-т, 2019. 166 с.
  4. Воронков Н. А. Роль лесов в охране вод. Л.: Гидрометеоиздат, 1988. 279 с.
  5. Выприцкий А. А., Шинкаренко С. С. Анализ влияния почвенно-климатических условий на сохранность государственных защитных лесных полос на основе данных Sentinel-2 // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 5. С. 147–163. DOI: 10.21046/2070-7401-2022-19-5-147-163.
  6. Газизуллин А. Х. Почвенно-экологические условия формирования лесов Среднего Поволжья, Казань: РИЦ «Школа», 2005. 496 с.
  7. Гончаров Е. А., Ануфриев М. А., Обухов А. Г., Севостьянова Л. И. Характеристики пространственного распределения гидрологических и экологических показателей речной сети Республики Марий Эл // Вестн. Поволжского гос. технолог. ун-та. Сер.: Лес. Экология. Природопользование. 2020. № 4(48). C. 61–76. DOI: 10.25686/2306-2827.2020.4.61.
  8. Государственный доклад «О состоянии и использовании водных ресурсов Российской Федерации в 2009 году» / М-во природ. ресурсов и экологии Российской Федерации. М.: НИА-Природа, 2010. 288 с.
  9. Демаков Ю. П., Исаев А. В. Структура и закономерности развития древостоев в пойменных лесах Республики Марий Эл // Сибирский лесной журн. 2019. № 6. С. 111–125. DOI: 10.15372/SJFS20190612.
  10. Дубенок Н. Н., Лебедев А. В., Гемонов А. В. Гидрологическая роль лесных насаждений малого водосборного бассейна // Российская с.-х. наука. 2021. № 3. С. 3–6. DOI: 10.31857/S2500262721030017.
  11. Кирбижекова И. И., Чимитдоржиев Т. Н., Дмитриев А. В. Метод мониторинга лесовосстановления на основе совместного анализа оптико-микроволновых данных на плоскости NDVI – RVI // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 4. С. 165–174. DOI: 10.21046/2070-7401-2023-20-4-165-174.
  12. Киреева М. Б., Илич В. П., Сазонов А. А., Михайлюкова П. Г. Оценка трансформации поверхности водосбора и её влияния на условия формирования стока в бассейне р. Дон на основе данных космической съёмки // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 191–200. DOI: 10.21046/2070-7401-2018-15-2-191-200.
  13. Курбанов Э. А., Воробьёв О. Н. Ретроспективный анализ потери растительного покрова в Республиках Марий Эл и Чувашия после затопления Чебоксарского водохранилища по данным Landsat/MSS // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 1. С. 127–137. DOI: 10.21046/2070-7401-2021-18-1-127-137.
  14. Курбанов Э. А., Воробьёв О. Н., Губаев А. В. и др. Четыре десятилетия исследований лесов по снимкам Landsat // Вестн. Поволжского гос. технолог. ун-та. Сер.: Лес. Экология. Природопользование. 2014. Т. 21. № 1. С. 18–32.
  15. Мелехов И. С. Лесоведение. М.: Лесная промышленность, 1980. 408 с.
  16. Остроухов А. В., Клевцов Д. Р. Информативность вегетационных индексов для оценки послерубочного восстановления темнохвойных лесов Северного Сихотэ-Алиня по данным со спутников серии Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 5. С. 194–204. DOI: 10.21046/2070-7401-2023-20-5-194-204.
  17. Раевский Б. В., Тарасенко В. В., Петров Н. В. Оценка современного состояния и динамики растительных сообществ Онежского полуострова по разновременным спутниковым снимкам Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 5. С. 145–155. DOI: 10.21046/2070-7401-2021-18-5-145-155.
  18. Тарасова Л. В., Курбанов Э. А., Воробьёв О. Н., Лежнин С. А. Оценка разносезонных изображений Sentinel-2 для классификации лесного покрова водоохранных зон рек Марийского Заволжья // Вестн. Поволжского гос. технолог. ун-та. Сер: Лес. Экология. Природопользование. 2023. № 2(58) С. 77–93. DOI: 10.25686/2306-2827.2023.2.77.
  19. Шинкаренко С. С., Барталев С. А., Васильченко А. А. Метод картографирования защитных лесных насаждений на основе разновременных спутниковых изображений высокого пространственного разрешения и бисезонного индекса леса // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 207–222. DOI: 10.21046/2070-7401-2022-19-4-207-222.
  20. Янец П. К., Иванова С. А., Данилов Ю. Г. Использование Google Earth Engine (GEE) и спутниковых снимков Landsat для определения характеристик лесных пожаров // Вестн. Северо-Восточного федер. ун-та им. М. К. Аммосова. Сер.: Науки о Земле. 2022. № 2(26). С. 22–31. DOI: 10.25587/SVFU.2022.26.2.003.
  21. Breiman L. Random forests // Machine Learning. 2001. No. 45. P. 5–32. DOI: 10.1023/A:1010933404324.
  22. Breiman L. Classification and regression trees (eBook). Routledge, 2017. 368 p. DOI: 10.1201/9781315139470.
  23. Chen S., Woodcock C. E., Bullock E. L. et al. Monitoring temperate forest degradation on Google Earth Engine using Landsat time series analysis // Remote Sensing of Environment. 2021. V. 265. Article 12648. DOI: 10.1016/j.rse.2021.112648.
  24. Cutler D. R., Edwards T. C., Beard K. H. et al. Random forests for classification in ecology // Ecology. 2007. V. 88. Iss. 11. P. 2783–2792. DOI: 10.1890/07-0539.1.
  25. Fragal E. H., Silva T. S. F., Novo E. Reconstructing historical forest cover change in the Lower Amazon floodplains using the LandTrendr algorithm // Acta Amazonica. 2016. V. 46. No. 1. P. 13–24. DOI: 10.1590/1809-4392201500835.
  26. Gao B. NDWI — A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment. 1996. V. 58. No. 3. P. 257–266. DOI: 10.1016/S0034-4257(96)00067-3.
  27. Hird J. N., Kariyeva J., McDermid G. J. Satellite time series and Google Earth Engine democratize the process of forest-recovery monitoring over large areas // Remote Sensing. 2021. V. 13. No. 23. Article 4745. DOI: 10.3390/rs13234745.
  28. Islam M. R., Khan M. N. I., Khan M. Z., Roy B. A three-decade assessment of forest cover changes in Nijhum dwip national park using remote sensing and GIS // Environmental Challenges. 2021. V. 4. Article 100162. DOI: 10.1016/j.envc.2021.100162.
  29. Jamaluddin I., Chen Y.-N., Ridha S. M. et al. Two decades mangroves loss monitoring using random forest and Landsat data in east Luwu, Indonesia (2000–2020) // Geomatics. 2022. V. 2. No. 3. P. 282–296. DOI: 10.3390/geomatics2030016.
  30. Kennedy R. E., Yang Z., Gorelick N. et al. Implementation of the LandTrendr algorithm on Google Earth Engine // Remote Sensing. 2018. V. 10. No. 5. Article 691. DOI: 10.3390/rs10050691.
  31. Key C. H., Benson N. C. Landscape Assessment (LA): Sampling and Analysis Methods // FIREMON: Fire Effects Monitoring and Inventory System. General Technical Report RMRS-GTR-164-CD / eds. Lutes D. C., Keane R. E., Caratti J. F., Key C. H., Benson N. C., Sutherl S., Gangi L. J.; Department of Agriculture, USDA Forest Service. Rocky Mountain Research Station. Fort Collins, CO, USA, 2006. V. 164. 55 p.
  32. Li Y., Wu Z., Xu X. et al. Forest disturbances and the attribution derived from yearly Landsat time series over 1990–2020 in the Hengduan Mountains Region of Southwest China // Forest Ecosystems. 2021. V. 8. Article 73. DOI: 10.1186/s40663-021-00352-6.
  33. Pasquarella V. J., Arévalo P., Bratley K. H. et al. Demystifying LandTrendr and CCDC temporal segmentation // Intern. J. Applied Earth Observation and Geoinformation. 2022. V. 110. Article 102806. DOI: 10.1016/j.jag.2022.102806.
  34. Pericolo O., Camarero J. J., Colangelo M. et al. Species specific vulnerability to increased drought in temperate and Mediterranean floodplain forests // Agricultural and Forest Meteorology. 2023. V. 328. Article 109238. DOI: 10.1016/j.agrformet.2022.109238.
  35. Phan T. N., Kuch V., Lehnert L. W. Land cover classification using Google Earth Engine and Random Forest classifier — the role of image composition // Remote Sensing. 2020. V. 12. No. 15. Article 2411. DOI: 10.3390/rs12152411.
  36. Praticò S., Solano F., Di Fazio S., Modica G. Machine learning classification of Mediterranean forest habitats in Google Earth Engine based on seasonal Sentinel-2 time series and input image composition optimization // Remote Sensing. 2021. V. 13. No. 4. Article 586. DOI: 10.3390/rs13040586.
  37. Purwanto A. D., Wikantika K., Deliar A., Darmawan S. Decision tree and random forest classification algorithms for mangrove forest mapping in Sembilang national park, Indonesia // Remote Sensing. 2023. V. 15. No. 1. Article 16. DOI: 10.3390/rs15010016.
  38. Tucker C. J. Red and photographic infrared linear combinations for monitoring vegetation // Remote Sensing of Environment. 1979. V. 8. No. 2. P. 127–150. DOI: 10.1016/0034-4257(79)90013-0.
  39. Viana-Soto A., Aguado I., Salas J., García M. Identifying post-fire recovery trajectories and driving factors using Landsat time series in fire-prone Mediterranean pine forests // Remote Sensing. 2020. V. 12. No. 9. Article 1499. DOI: 10.3390/rs12091499.
  40. Vorobev O. N., Kurbanov E. A., Lezhnin S. A. et al. Monitoring and assessment of forest cover disturbance in the Middle Volga region of Russia using Landsat images // IOP Conf. Series: Earth and Environmental Science (FORECO 2021). 2021. V. 932. Article 012007. DOI: 10.1088/1755-1315/932/1/012007.
  41. Xu F., Otte A., Ludewig K. et al. Land cover changes (1963–2010) and their environmental factors in the upper Danube floodplain // Sustainability. 2017. V. 9. No. 6. Article 943. DOI: 10.3390/su9060943.
  42. Zhu Z., Woodcock C. E., Olofsson P. Continuous monitoring of forest disturbance using all available Landsat imagery // Remote Sensing of Environment. 2012. V. 122. P. 75–91. DOI: 10.1016/j.rse.2011.10.030.