Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 6. С. 171-187
Картографирование наземного покрова заповедника «Кивач» и прилегающих территорий с использованием данных дистанционного зондирования
Б.В. Раевский
1 , В.В. Тарасенко
2 1 Институт леса Карельского научного центра РАН, Петрозаводск, Россия
2 Отдел комплексных научных исследований Карельского научного центра РАН, Петрозаводск, Россия
Одобрена к печати: 30.09.2024
DOI: 10.21046/2070-7401-2024-21-6-171-187
Разработка цифровых векторных карт растительного покрова на основе дешифрирования данных дистанционного зондирования имеет исключительное значение с точки зрения организации мониторинга природной и антропогенной динамики лесных сообществ. На примере заповедника «Кивач» и окружающей его территории выполнен сравнительный анализ эффективности применения ряда алгоритмов контролируемой классификации, а именно: «минимальное расстояние», «дерево решений» и «случайный лес», реализованных в среде облачного сервиса GEE (англ. Google Earth Engine). Показано, что при классификации снимков спутника Sentinel-2 среди них лучшие результаты по показателям точности принадлежали алгоритму «дерево решений». Это позволило создать актуальную цифровую карту растительности исследуемой территории, по своей детализации близкую к такому ведомственному картографическому продукту, как план лесонасаждений (M 1:50 000). Верификация итогов дешифрирования разновременных снимков Landsat на основе лесоустроительной информации выявила, что в сравнении с другими использованными алгоритмами метод «минимального расстояния» оказался способен сформировать более достоверную модель динамики растительного покрова исследуемой территории. Дешифрирование разновременных данных дистанционного зондирования дало возможность отразить скрытый процесс увеличения доли ели в структуре массива производных лесов. Полученные данные свидетельствуют, что на современном возрастном этапе развития исследованных лесов сукцессионные процессы ведут к сокращению в их структуре площади насаждений с преобладанием лиственных пород.
Ключевые слова: многозональные космические снимки, Landsat, Sentinel-2, классификация с обучением, наземный покров, производные леса, данные дистанционного зондирования, дешифрирование
Полный текстСписок литературы:
- Али М. С., Воробьёв О. Н., Курбанов Э. А. Алгоритм «дерево решений» для классификации лесов Сирийской Арабской Республики по снимку Sentinel-2 // Вестн. Поволжского гос. техн. ун-та. Сер.: Лес. Экология. Природопользование. 2020. № 1(45). С. 5–30. DOI: 10.25686/2306-2827.2020.1.5.
- Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А., Шабанов Н. В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 с.
- Волков А. Д., Громцев А. Н., Еруков Г. В., Караваев В. Н., Коломыцев В. А., Курхинен Ю. П., Лак Г. Ц., Пыжин А. Ф., Сазонов С. В., Шелехов А. М. Экосистемы ландшафтов запада средней тайги (структура, динамика). Петрозаводск: КарНЦ РАН, 1990. 284 с.
- Демидов И. Н., Лукашов А. Д., Ильин В. А. Рельеф заповедника «Кивач» и история геологического развития северо-западного Прионежья в четвертичном периоде // Тр. Карельского науч. центра РАН. 2006. № 10. С. 22–33.
- Курбанов Э. А., Воробьев О. Н. Дистанционные методы в лесном хозяйстве: учеб. пособие. Йошкар-Ола: Поволжский гос. техн. ун-т, 2020. 268 с.
- Кутенков А. П. Водопад Кивач: справ. Петрозаводск: Форевер, 2018. 80 с.
- Кутенков А. П. Заповедник «Кивач»: уникальность сочетания типичного // Природное и историко-культурное наследие северо-запада России. Петрозаводск: КарНЦ РАН, 2000. Вып. 1. С. 20–33.
- Малышева Н. В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений: метод. пособие. М.: Изд-во МГУЛ, 2012. 154 с.
- Раевский Б. В., Тарасенко В. В. Изучение динамики лесных массивов карельской части Зеленого пояса Фенноскандии методами дистанционного зондирования // Тр. Карельского науч. центра РАН. 2019. № 4. С. 89–99. DOI: 10.17076/them1023.
- Раевский Б. В., Тарасенко В. В., Петров Н. В. Оценка современного состояния растительных сообществ заповедника «Костомукшский» по спутниковым снимкам системы Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 3. С. 47–61. DOI: 10.21046/2070-7401-2022-19-3-47-61.
- Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2013. 592 с.
- Alcaras E., Costantino D., Guastaferro F. et al. Normalized Burn Ratio Plus (NBR+): A new index for Sentinel-2 imagery // Remote Sensing. 2022. V. 14. No. 7. Article 1727. https://doi.org/10.3390/rs14071727.
- Breiman L. Random forests // Machine Learning. 2001. V. 45. Iss. 1. P. 5–32. DOI: 10.1023/A:1010933404324.
- Şatır O., Berberoğlu S. Land use/cover classification techniques using optical remotely sensed data in landscape planning // Landscape Planning / ed. M. Ozyavuz. 2012. P. 21–54. https://cdn.intechopen.com/pdfs/37553.
- Loh W. Y. Classification and regression trees // Wiley interdisciplinary reviews: data mining and knowledge discovery. 2011. V. 1, Iss. 1. P. 14–23. https://doi.org/10.1002/widm.8.
- Zamolodchikov D., Shvidenko A., Bartalev S., Kulikova E., Held A., Valentini R., Lindner M. State of Russian forests and forestry // Russian Forests and Climate Change. What Science Can Tell Us. European Forest Institute, 2020. P. 17–44.