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
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. № 4. С. 115-130

Прогнозный анализ лесного покрова Среднего Поволжья на основе временных рядов и климатических сценариев

О.Н. Воробьёв 1 , С.А. Лежнин 1 , Э.А. Курбанов 1 , А.Б. Яхьяев 2 , Д.М. Дергунов 1 , Л.В. Тарасова 1 , А.В. Ястребова 1 
1 Поволжский государственный технологический университет, Йошкар-Ола, Россия
2 Западно-Каспийский университет, Баку, Азербайджан
Одобрена к печати: 20.06.2024
DOI: 10.21046/2070-7401-2024-21-4-115-130
Проведён прогнозный анализ лесного покрова Среднего Поволжья с 2021 по 2050 г. по данным вегетационного индекса NDVI (англ. Normalized Difference Vegetation Index), среднемесячной температуры атмосферы LST (англ. Land Surface Temperature) и осадков Pr (англ. Precipitation). Для прогнозирования изучаемых данных была применена модель временной свёрточной сети TCN (англ. Temporal Convolutional Networks) и разработана модель множественной линейной регрессии, описывающая связь NDVI с LST и Pr на исследуемой территории. Полученная модель была использована для моделирования динамики NDVI лесного покрова в зависимости от показателей трёх сценариев изменения климата межправительственной группы экспертов по изменению климата IPCC (англ. Intergovernmental Panel on Climate Change), которые основаны на репрезентативных траекториях концентрации парниковых газов в атмосфере RCP (англ. Representative Concentration Pathway). Анализ трендов NDVI до 2050 г., полученных по всем трём климатическим сценариям IPCC, в целом демонстрирует устойчивый рост лесного покрова на территории Среднего Поволжья, что особенно характерно для сценария RCP8.5 (высокий уровень выбросов парниковых газов). Максимальные значения пространственного тренда NDVI характерны для центральной и восточной части исследуемой территории. Тренд LST также показывает тенденцию к увеличению к середине XXI столетия по всем трём сценариям. Пространственный тренд осадков до 2050 г., особенно для сценария RCP8.5, имеет явную тенденцию к снижению. Анализ данных показывает, что интервал между засушливыми периодами в исследуемом регионе сократился с 10 лет до 4–6 лет, что представляет серьёзные риски для лесных экосистем исследуемой территории. Полученные зависимости и тренды могут быть использованы при планировании долгосрочного устойчивого лесопользования на территории Среднего Поволжья.
Ключевые слова: лесные экосистемы, прогнозный анализ, IPCC, RCP, MODIS, NDVI, LST, Pr
Полный текст

Список литературы:

  1. Алексеев А. С., Черниховский Д. М. Анализ связей структуры и продуктивности лесов с морфометрическими характеристиками рельефа на примере ландшафтов Ленинградской области // Лесоведение. 2020. № 2. С. 99–114. DOI: 10.31857/S0024114820020035.
  2. Барталев С. А., Стыценко Ф. В., Хвостиков С. А., Лупян Е. А. Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 6. С. 176–193. DOI: 10.21046/2070-7401-2017-14-6-176-193.
  3. Воробьёв О. Н., Курбанов Э. А., Полевщикова Ю. А., Лежнин С. А. Пространственно-временной анализ динамики лесного покрова в Среднем Поволжье по спутниковым данным / под общ. ред. проф. Э. А. Курбанова. Йошкар-Ола: Поволжский гос. технол. ун-т, 2019. 200 с.
  4. Воробьёв О. Н., Курбанов Э. А., Ша Д. и др. Анализ трендов временных рядов вегетационных индексов по данным MODIS для оценки влияния засух на лесные насаждения Среднего Поволжья с 2000 по 2020 год // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 181–194. DOI: 10.21046/2070-7401-2022-19-4-181-194.
  5. Губаев А. В., Лежнин С. А., Воробьев О. Н., Курбанов Э. А., Дергунов Д. М., Тарасова Л. В. Модуль QGIS Forecast_CSFM&RS для прогнозирования сезонных параметров. Свидетельство о гос. регистрации программы для ЭВМ № 2023684190. Рег. 14.11.2023.
  6. Елсаков В. В. Спутниковая съемка в оценке продуктивности экосистем Европейского Севера // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 1. С. 71–79.
  7. Елсаков В. В., Щанов В. М. Современные изменения растительного покрова пастбищ северного оленя Тиманской тундры по результатам анализа данных спутниковой съёмки // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 2. С. 128–142. DOI: 10.21046/2070-7401-2019-16-2-128-142.
  8. Ершов Д. В., Бурцева В. С., Гаврилюк Е. А. и др. Диагностика современного сукцессионного состояния лесных экосистем Печоро-Илычского заповедника по спутниковым тематическим продуктам // Лесоведение. 2017. № 5. С. 3–15. DOI: 10.7868/S0024114817050011.
  9. Зуев В. В., Короткова Е. М., Павлинский А. В. Климатически обусловленные изменения растительного покрова тайги и тундры Западной Сибири в 1982–2015 гг. по данным спутниковых наблюдений // Исслед. Земли из космоса. 2019. № 6. С. 66–76. DOI: 10.31857/S0205-96142019666-76.
  10. Им С. Т., Харук В. И., Ли В. Г. Миграция северной границы вечнозелёных хвойных древостоев в Сибири в XXI столетии // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 1. С. 176–187. DOI: 10.21046/2070-7401-2020-17-1-176-187.
  11. Коломыц Э. Г., Шарая Л. С. Вегетационный индекс NDVI как индикатор фотосинтетического потенциала бореальных лесов Волжского бассейна // Лесоведение. 2020. № 4. С. 301–313. DOI: 10.31857/S0024114820040075.
  12. 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.
  13. Лежнин С. А., Губаев В. А., Воробьев О. Н. и др. Прогноз состояния лесных экосистем Среднего Поволжья с использованием самообучающихся моделей // Лесные экосистемы в условиях изменения климата: биолог. продуктивность и дистанц. мониторинг. 2022. № 8. С. 106–118. DOI: 10.25686/10.25686.2022.48.81.010.
  14. Мамедалиева В. М. Изменение лесных массивов северо-восточного региона Азербайджана по космическим снимкам // Лесной журн. 2022. № 1. С. 88–97. DOI: 10.37482/0536-1036-2022-1-88-97.
  15. Миклашевич Т. С., Барталев C. 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.
  16. Терехин Э. А. Пространственный анализ особенностей формирования древесной растительности на залежах лесостепи Центрального Черноземья с использованием их спектральных признаков // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 142–156. DOI: 10.21046/2070-7401-2020-17-5-142-156.
  17. Терехин Э. А. Оценка влияния типов нарушенности хвойных лесов лесостепи на спектрально-отражательные характеристики // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 3. С. 164–175. DOI: 10.21046/2070-7401-2023-20-3-164-175.
  18. Терехов А. Г., Витковская И. С., Абаев Н. Н., Долгих С. А. Многолетние тренды в состоянии растительности хребтов Тянь-Шаня и Джунгарского Алатау по данным eMODIS NDVI C6 (2002–2019) // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 6. С. 133–142. DOI: 10.21046/2070-7401-2019-16-6-133-142.
  19. Chen Z., Liu H., Xu C. et al. Modeling vegetation greenness and its climate sensitivity with deep-learning technology // Ecology and Evolution. 2021. V. 11(12). P. 7335–7345. DOI: 10.1002/ece3.7564.
  20. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change/ Eds. T. F. Stocker, D. Qin, G.-K. Plattner et al., Cambridge: Cambridge Univ. Press, 2013, 1535 p.
  21. Collins W. J., Bellouin N., Doutriaux-Boucher M. et al. Development and evaluation of an Earth-System model — HadGEM2 // Geoscientific Model Development. 2011. V. 4(4). P. 1051–1075. DOI: 10.5194/gmd-4-1051-2011.
  22. Cong X., Du S., Li F., Ding Y. Study of mesoscale NDVI prediction models in arid and semiarid regions of China under changing environments // Ecological Indicators. 2021. No. 131. Article 108198. P. 1–18. DOI: 10.1016/j.ecolind.2021.108198.
  23. Decuyper M., Chávez R. O., Lohbeck M. et al. Continuous monitoring of forest change dynamics with satellite time series // Remote Sensing of Environment. 2022. V. 269. Article 112829. DOI: 10.1016/j.rse.2021.112829.
  24. Fernández-Manso A., Quintano C., Fernández-Manso O. Forecast of NDVI in coniferous areas using temporal ARIMA analysis and climatic data at a regional scale // Intern. J. Remote Sensing. 2011. V. 32(6). P. 1595–1617. DOI: 10.1080/01431160903586765.
  25. Frazier R. J., Coops N. C., Wulder M. A. et al. Analyzing spatial and temporal variability in short-term rates of post-fire vegetation return from Landsat time series // Remote Sensing of Environment. 2018. V. 205. P. 32–45. DOI: 10.1016/j.rse.2017.11.007.
  26. Frieler K., Lange S., Piontek F. et al. Assessing the impacts of 1.5 °C global warming — simulation protocol of the Inter-Sectoral Impact Model Intercomparison Project (ISIMIP2b) // Geoscientific Model Development. 2017. V. 10(12). P. 4321–4345. DOI: 10.5194/gmd-10-4321-2017.
  27. Herzen J., Lässig F., Piazzetta S. G. et al. Darts: user-friendly modern machine learning for time series // J. Machine Learning Research. 2022. No. 23. P. 1–6 DOI: 10.48550/arXiv.2110.03224.
  28. Kendall M. G. Rank correlation methods. Oxford: Charles Griffin, 955. 196 p.
  29. Lai S., El-Adawy A., Sha J. et al. Towards an integrated systematic approach for ecological maintenance: Case studies from China and Russia // Ecological Indicators. 2022. V. 140. Article 108982. DOI: 10.1016/j.ecolind.2022.108982.
  30. Lan H., Stewart K., Sha Z. et al. Data gap filling using cloud-based distributed Markov chain cellular automata framework for land use and land cover change analysis: inner Mongolia as a case study // Remote Sensing. 2022. V. 14(3). Article 445. DOI: 10.3390/rs14030445.
  31. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521(7553). P. 436–444. DOI: 10.1038/nature14539.
  32. Mann H. B. Nonparametric tests against trend // Econometrica. 1945. V. 13. P. 245–259. DOI: 10.2307/1907187.
  33. Na R., Na L., Du H. et al. Vegetation greenness variations and response to climate change in the arid and semi-arid transition zone of the Mongolian plateau during 1982–2015 // Remote Sensing. 2021. V. 13(20). Article 4066. DOI: 10.3390/rs13204066.
  34. Pahlavani P., Askarian O. H., Bigdeli B. A multiple land use change model based on artificial neural network, Markov chain, and multi objective land allocation // Earth Observation and Geomatics Engineering. 2017. V. 1(2). P. 82–99. DOI: 10.22059/eoge.2017.220342.1006.
  35. Reddy D. S., Prasad P. Prediction of vegetation dynamics using NDVI time series data and LSTM // Modeling Earth Systems and Environment. 2018. V. 4(5). P. 409–419. DOI: 10.1007/s40808-018-0431-3.
  36. Talukdar S., Singha P., Mahato S. et al. Land-use land-cover classification by machine learning classifiers for satellite observations — a review // Remote Sensing. 2020. V. 12(7). Article 1135. DOI: 10.3390/rs12071135.
  37. Tang Z., Xia X., Huang Y. et al. Estimation of national forest aboveground biomass from multi-source remotely sensed dataset with machine learning algorithms in China // Remote Sensing. 2022. V. 14(21). Article 5487. DOI: 10.3390/rs14215487.
  38. Tian M., Wang P., Khan J. Drought forecasting with vegetation temperature condition index using ARIMA models in the Guanzhong plain // Remote Sensing. 2016. V. 8. Iss. 9. Article 690. DOI: 10.3390/rs8090690.
  39. Tian L., Tao Y., Fu W. et al. Dynamic simulation of land use/cover change and assessment of forest ecosystem carbon storage under climate change scenarios in Guangdong Province, China // Remote Sensing. 2022. No. 14(10). Article 2330. DOI: 10.3390/rs14102330.
  40. Touhami I., Moutahir H., Assoul D. et al. Multi-year monitoring land surface phenology in relation to climatic variables using MODIS-NDVI time-series in Mediterranean forest, Northeast Tunisia // Acta Oecologica. 2022. V. 114. Article 103804. DOI: 10.1016/j.actao.2021.103804.
  41. van Duynhoven A., Dragicevic S. Assessing the impact of neighborhood size on temporal convolutional networks for modeling land cover change // Remote Sensing. 2022. V. 14(19). Article 4957. DOI: 10.3390/rs14194957.
  42. Yli-Heikkilä M., Wittke S., Luotamo M. et al. Scalable crop yield prediction with Sentinel 2 time series and temporal convolutional network // Remote Sensing. 2022. V. 14(17). Article 4193. DOI: 10.3390/rs14174193.
  43. Yuan J., Bian Z., Yan Q. et al. An approach to the temporal and spatial characteristics of vegetation in the growing season in Western China // Remote Sensing. 2020. V. 12(6). Article 945. DOI: 10.3390/rs12060945.
  44. Zhang C., Sargent I., Pan X. et al. Joint deep learning for land cover and land use classification // Remote Sensing of Environment. 2019. V. 221. P. 173–187. DOI: 10.1016/j.rse.2018.11.014.
  45. Zhou Z., Ding Y., Shi H. et al. Analysis and prediction of vegetation dynamic changes in China: Past, present and future // Ecological Indicators. 2020. V. 117. Article 106642. P. 1–11. DOI: 10.1016/j.ecolind.2020.106642.
  46. The study was supported by the grant of Russian Science Foundation No. 22-16-00094 (https://rscf.ru/project/22-16-00094/).