Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 3. С. 107-120
Возможности оценки лесистости овражно-балочных систем Среднерусской лесостепи по данным дистанционного зондирования Земли
1 Белгородский государственный национальный исследовательский университет, Белгород, Россия
Одобрена к печати: 17.04.2024
DOI: 10.21046/2070-7401-2024-21-3-107-120
Анализ связи между лесистостью ландшафтов и их спектрально-отражательными характеристиками выступает необходимым условием её моделирования и пространственно-временной оценки на основе спутниковых данных. Исследовано влияние лесистости овражно-балочных систем, типичных для лесостепной зоны, на их спектрально-отражательные характеристики, измеренные в периоды первой и второй половины лета по данным Sentinel-2. Установлено, что для отражательных характеристик августа наблюдается более сильная связь с величиной лесистости, чем для характеристик июня. Для августовских значений коэффициентов спектральной яркости в видимом и коротковолновом инфракрасном диапазонах установлена высокая чувствительность к величине покрытия древесной растительности. В каналах Sentinel-2, охватывающих их, характерна обратная, статистически значимая связь с лесистостью овражно-балочных систем. Коэффициентам спектральной яркости, измеренным в период июня, свойственны близкие закономерности изменения в зависимости от лесистости, при этом связь с ней выражена слабее. В каналах ближнего инфракрасного диапазона и расположенных рядом с ним крайних красных каналах устойчивой связи между лесистостью и спектрально-отражательными характеристиками не выявлено. Значения коэффициентов спектральной яркости зелёного, красного и первого коротковолнового инфракрасного каналов Sentinel-2, измеренных для овражно-балочных систем в период августа, могут выступать показателями пространственных различий их лесистости.
Ключевые слова: ландшафты лесостепи, спектрально-отражательные характеристики, лесистость, Sentinel-2
Полный текстСписок литературы:
- Гидрологическая роль лесных экосистем / Отв. ред. Снытко В. А. Новосибирск: Наука. Сибирское отд ние, 1989. 166 c.
- Груммо Д. Г. Оценка биоразнообразия наземных экосистем на основе цифровой карты растительности // Ботаника. Исслед. 2021. № 50. С. 155–170.
- Ершов Д. В., Исаев А. С., Лукина Н. В., Гаврилюк Е. А., Королева Н. В. Оценка биоразнообразия Центрального федерального округа по спутниковой карте // Лесоведение. 2015. № 6. С. 403–416.
- Замолодчиков Д. Г., Грабовский В. И., Курц В. Управление балансом углерода лесов России: прошлое, настоящее и будущее // Устойчивое лесопользование. 2014. № 2(39). С. 23–34.
- Крестовский О. И. Влияние вырубок и восстановление лесов на водность рек. Л.: Гидрометеоиздат, 1986. 118 c.
- Левицкая Н. Н., Черненькова Т. В. Применение системы индикаторов для оценки состояния лесов Московской области // Лесоведение. 2012. № 6. С. 14–29.
- Онучин А. А., Гапаров К. К., Михеева Н. А. Влияние лесистости и климатических факторов на годовой сток рек Прииссыккулья // Лесоведение. 2008. № 6. С. 45–52.
- Рыжова И. М., Ерохова А. А., Подвезенная М. А. Изменение запасов углерода в постагрогенных экосистемах в результате естественного восстановления лесов в Костромской области // Лесоведение. 2015. № 4. С. 307–317.
- Терехин Э. А. Индикация многолетних изменений в растительном покрове залежных земель лесостепи на основе рядов вегетационного индекса NDVI // Компьютерная оптика 2021. Т. 45. № 2. С. 245–252. DOI: 10.18287/2412-6179-CO-797.
- Терехин Э. А. Особенности лесовозобновления на залежных землях Среднерусской лесостепи // Изв. РАН. Сер. геогр. 2022. Т. 86. № 4. С. 594–604. DOI: 10.31857/S2587556622040112
- Цветков М. А. Изменение лесистости европейской России с конца XVII столетия по 1914 год. М: Изд-во АН СССР, 1957. 213 c.
- Шинкаренко С. С., Барталев С. А. Возможности оценки сомкнутости защитных лесных насаждений на основе бисезонного индекса леса и материалов съёмки БПЛА // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 1. С. 189–202. DOI: 10.21046/2070-7401-2023-20-1-189-202.
- Bera D., Das Chatterjee N., Bera S. et al. Comparative performance of Sentinel-2 MSI and Landsat-8 OLI data in canopy cover prediction using Random Forest model: Comparing model performance and tuning parameters // Advances in Space Research. 2023. V. 71. No. 11. P. 4691–4709. DOI: 10.1016/j.asr.2023.01.027.
- Chendev Y. G., Hubbart J. A., Terekhin E. A. et al. Recent afforestation in the Iowa river and Vorskla river basins: A comparative trends analysis // Forests. 2016. V. 7. No. 11. Article 278. DOI: 10.3390/f7110278.
- Eskandari S., Ali Mahmoudi Sarab S. Mapping land cover and forest density in Zagros forests of Khuzestan province in Iran: A study based on Sentinel-2, Google Earth and field data // Ecological Informatics. 2022. V. 70. Article 101727. DOI: 10.1016/j.ecoinf.2022.101727.
- Feng M., Sexton J. O., Huang C. et al. Earth science data records of global forest cover and change: Assessment of accuracy in 1990, 2000, and 2005 epochs // Remote Sensing of Environment. 2016. V. 184. P. 73–85. DOI: 10.1016/j.rse.2016.06.012.
- Fortin J. A., Cardille J. A., Perez E. Multi-sensor detection of forest-cover change across 45 years in Mato Grosso, Brazil // Remote Sensing of Environment. 2020. V. 238. Article 111266. DOI: 10.1016/j.rse.2019.111266.
- Gao J., Liu Y. De(re)forestation and climate warming in subarctic China // Applied Geography. 2012. V. 32. No. 2. P. 281–290. DOI: 10.1016/j.apgeog.2011.04.002.
- Gudex-Cross D., Pontius J., Adams A. Enhanced forest cover mapping using spectral unmixing and object-based classification of multi-temporal Landsat imagery // Remote Sensing of Environment. 2017. V. 196. P. 193–204. DOI: 10.1016/j.rse.2017.05.006.
- Kalinaki K., Malik O. A., Lai D. T. C. et al. Spatial-temporal mapping of forest vegetation cover changes along highways in Brunei using deep learning techniques and Sentinel-2 images // Ecological Informatics. 2023. V. 77. Article 102193. DOI: 10.1016/j.ecoinf.2023.102193.
- Lisetskii F. N., Buryak Z. A., Marinina O. A. et al. Features of Soil Organic carbon transformations in the southern area of the East European plain // Geosciences. 2023. V. 13. No. 9. Article 278. DOI: 10.3390/geosciences13090278.
- Lu C., Wang K. Natural resource conservation outpaces and climate change: Roles of reforestation, mineral extraction, and natural resources depletion // Resources Policy. 2023. V. 86. Article 104159. DOI: 10.1016/j.resourpol.2023.104159.
- Pickell P. D., Hermosilla T., Frazier R. J. et al. Forest recovery trends derived from Landsat time series for North American boreal forests // Intern. J. Remote Sensing. 2016. V. 37. No. 1. P. 138–149. DOI: 10.1080/2150704X.2015.1126375.
- Senf C., Laštovička J., Okujeni A. et al. A generalized regression-based unmixing model for mapping forest cover fractions throughout three decades of Landsat data // Remote Sensing of Environment. 2020. V. 240. Article 111691. DOI: 10.1016/j.rse.2020.111691.
- Yu L., Fan L., Ciais P. et al. Carbon dynamics of Western North American boreal forests in response to stand-replacing disturbances // Intern. J. Applied Earth Observation and Geoinformation. 2023. V. 122. Article 103410. DOI: 10.1016/j.jag.2023.103410.