Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 4. С. 236-252
Картографирование уязвимости лесов к ветровому воздействию на основе спутниковых данных (на примере Пермского края)
А.В. Семакина
1 , А.Н. Шихов
1 , Е.А. Климина
1 1 Пермский государственный национальный исследовательский университет, Пермь, Россия
Одобрена к печати: 20.05.2025
DOI: 10.21046/2070-7401-2025-22-4-236-252
Ветровалы являются наиболее значимым видом природных нарушений для темнохвойных и смешанных лесов, занимающих обширные площади на европейской территории России (ЕТР) и, в частности, в Пермском крае. Оценка их риска предполагает определение опасности, подверженности и уязвимости, и ранее для крупных регионов на территории России не проводилась. В рамках настоящей работы на основе открытых спутниковых данных, продуктов их обработки и цифровых моделей рельефа создана обучающая выборка, включающая свыше 102 тыс. объектов, и на её основе обучена модель Random Forest Regressor для оценки уязвимости лесов к ветровому воздействию. Предикторами были 16 характеристик лесного покрова (преобладающие породы, возраст, запас, высота древостоя) и рельефа местности. Наиболее значимыми из них оказались запас древесины по данным проекта GlobBiomass, средняя высота древостоя, доля площади сосновых и темнохвойных лесов. На основе модели случайного леса выполнен расчёт уязвимости лесов Пермского края к ветровому воздействию и создана соответствующая карта. Показано, что модель не позволяет корректно оценить пространственное распределение повреждения леса на локальном уровне (для отдельного ветровала), поскольку не учитывает неоднородное распределение скорости ветра. Однако для территории Пермского края в целом полученная оценка хорошо согласуется с наблюдаемым пространственным распределением ветровалов за последние 40 лет. Также созданная модель может быть использована для решения аналогичной задачи в других регионах с похожими характеристиками лесных насаждений, прежде всего в лесной зоне ЕТР.
Ключевые слова: ветровалы, уязвимость, подверженность, риск, предикторы, характеристики насаждений, картографирование, машинное обучение, случайный лес
Полный текстСписок литературы:
- 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.
- Курбанов Э. А., Воробьев О. Н., Лежнни С. А., Губаев А. В., Полевщикова Ю. А. Тематическое картирование растительного покрова по спутниковым снимкам: валидация и оценка точности. Йошкар-Ола: Поволжский гос. технолог. ун-т, 2015. 132 с.
- Петухов И. Н. Роль массовых ветровалов в формировании лесного покрова в подзоне южной тайги (Костромская область): дис. … канд. биол. наук. Кострома, 2016. 150 с.
- Скворцова Е. Б., Уланова Н. Г., Басевич В. Ф. Экологическая роль ветровалов. М.: Лесная пром-сть, 1983. 192 с.
- Шихов А. Н., Дремин Д. А. Закономерности повреждения ветровалами лесов европейской территории России и Урала: анализ по спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 3. С. 153–168. DOI: 10.21046/2070-7401-2021-18-3-153-168.
- Шихов А. Н., Семакина А. В. Картографирование растительного покрова Пермского края по спутниковым снимкам Landsat // Геогр. вестн. 2022. № 1. С. 150–164. DOI: 10.17072/2079-7877-2022-1-150-164.
- Шихов А. Н., Чернокульский А. В., Калинин Н. А., Пьянков С. В. Ветровалы в лесной зоне России и условия их возникновения. Пермь: Пермский гос. нац. исслед. ун-т, 2023. 284 с.
- Albrecht A. T., Jung C., Schindler D. Improving empirical storm damage models by coupling with high-resolution gust speed data // Agricultural and Forest Meteorology. 2019. V. 268. P. 23–31. DOI: 10.1016/j.agrformet.2018.12.017.
- Dobbertin M. Influence of stand structure, site factors on wind damage comparing the storms Vivian and Lothar // Forest, Snow and Landscape Research. 2002. V. 77(1–2). P. 187–205.
- Gardiner B., Byrne K., Hale S. et al. A review of mechanistic modelling of wind damage risk to forests // Forestry. 2008. V. 81. No. 3. P. 447‒463. DOI: 10.1093/forestry/cpn022.
- Hanewinkel M., Kuhn T., Bugmann H. et al. Vulnerability of uneven-aged forests to storm damage // Forestry. 2014. V. 87. No. 4. P. 525–534. DOI: 10.1093/forestry/cpu008/.
- Hansen M.C, Potapov P. V., Moore R. et al. High-resolution global maps of 21st-century forest cover change // Science. 2013. V. 342. No. 6160. P. 850–853. DOI: 10.1126/science.1244693.
- Hart E., Sim K., Kamimura K. et al. Use of machine learning techniques to model wind damage to forests // Agricultural and Forest Meteorology. 2019. V. 265. P. 16–29. DOI: 10.1016/j.agrformet.2018.10.022.
- Hawker L., Uhe P., Paulo L et al. A 30 m global map of elevation with forests and buildings removed // Environmental Research Letters. 2022. V. 17. Article 024016. DOI: 10.1088/1748-9326/ac4d4f.
- IPCC, 2022: Climate change 2022: Impacts, adaptation, and vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, N. Y.: Cambridge University Press, 2022. 3056 p. DOI: 10.1017/9781009325844.
- Krejci L., Kolejka J., Vozenilek V., Machar I. Application of GIS to empirical windthrow risk model in mountain forested landscapes // Forests. 2018. V. 9. No. 2. Article 96. DOI: 10.3390/f9020096.
- Kupfer J. A., Myers A. T., McLane S. E., Melton G. N. Patterns of forest damage in a southern Mississippi landscape caused by Hurricane Katrina // Ecosystems. 2008. V. 11. No. 1. P. 45–60. DOI: 10.1007/s10021-007-9106-z.
- Lässig R., Močalov S. A. Frequency and characteristics of severe storms in the Urals and their influence on the development, structure and management of the boreal forests // Forest Ecology and Management. 2000. V. 135. P. 179–194. DOI: 10.1016/S0378-1127(00)00309-1.
- Lindemann J. D., Baker W. L. Using GIS to analyse a severe forest blowdown in the Southern Rocky Mountains // Intern. J. Geographical Information Science. 2002. V. 16. No. 4. P. 377–399. DOI: 10.1080/13658810210136069.
- Mitchell S. J. Wind as a natural disturbance agent in forests: a synthesis // Forestry. 2013. V. 86. No. 2. P. 147–157. DOI: 10.1093/forestry/cps058.
- Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine learning in Python // J. Machine Learning Research. 2011. V. 12. P. 2825–2830.
- Peltola H., Kellomäki S., Väisänen H., Ikonen V.-P. A mechanistic model for assessing the risk of wind, snow damage to single trees and stands of Scots pine, Norway spruce and birch // Canadian J. Forest Research. 1999. V. 29. No. 6. P. 647–661. DOI: 10.1139/x99-029.
- Potapov P. V., Turubanova S. A., Tyukavina A. et al. Eastern Europe’s forest cover dynamics from 1985 to 2012 quantified from the full Landsat archive // Remote Sensing of Environment. 2015. V. 159. P. 28–43. DOI: 10.1016/j.rse.2014.11.027.
- Potapov P., Li X., Hernandez-Serna A. et al. Mapping and monitoring global forest canopy height through integration of GEDI and Landsat data // Remote Sensing of Environment. 2021. V. 253. Article 112165. DOI: 10.1016/j.rse.2020.112165.
- Saad C., Boulanger Y., Beaudet M. et al. Potential impact of climate change on the risk of windthrow in eastern Canada’s forests // Climatic Change. 2017. V. 143. P. 487–501. DOI: 10.1007/s10584-017-1995-z.
- Saarinen N., Vastaranta M., Honkavaara E. et al. Using multi-source data to map and model the predisposition of forests to wind disturbance // Scandinavian J. Forest Research. 2016. V. 31. No. 1. P. 66–79. DOI: 10.1080/02827581.2015.1056751.
- Santoro M. GlobBiomass — global datasets of forest biomass. PANGAEA, 2018. https://doi.org/10.1594/PANGAEA.894711.
- Schindler D., Grebhan K., Albrecht A. et al. GIS-based estimation of the winter storm damage probability in forests: a case study from Baden-Wuerttemberg (Southwest Germany) // Intern. J. Biometeorology. 2012. V. 56. P. 57–69. DOI: 10.1007/s00484-010-0397-y.
- Seidl R., Fernandes P. M., Fonseca T. F. et al. Modelling natural disturbances in forest ecosystems: A review // Ecological Modelling. 2011. V. 222. No. 4. P. 903–924. DOI: 10.1016/j.ecolmodel.2010.09.040.
- Senf C., Seidl R. Storm and fire disturbances in Europe: Distribution and trends // Global Change Biology. 2021. V. 27. P. 3605–3619. DOI: 10.1111/gcb.15679.
- Shikhov A., Chernokulsky A., Kalinin N. et al. Climatology and formation environments of severe convective windstorms and tornadoes in the Perm region (Russia) in 1984–2020 // Atmosphere. 2021. V. 12. No. 11. Article 1407. DOI: 10.3390/atmos12111407.
- Suvanto S., Henttonen H. M., Nöjd P., Mäkinen H. Forest susceptibility to storm damage is affected by similar factors regardless of storm type: Comparison of thunder storms and autumn extra-tropical cyclones in Finland // Forest Ecology and Management. 2016. V. 381. P. 17‒28. DOI: 10.1016/j.foreco.2016.09.005.
- Suvanto S., Peltoniemi M., Tuominen S. et al. High-resolution mapping of forest vulnerability to wind for disturbance-aware forestry // Forest Ecology and Management. 2019. V. 453. Article 117619. DOI: 10.1016/j.foreco.2019.117619.
- Ulanova N. G. The effects of windthrow on forests at different spatial scales: a review // Forest Ecology and Management. 2000. V. 135. P. 155–167. DOI: 10.1016/S0378-1127(00)00307-8.