Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 5. С. 222-233
Оценка и верификация надземной фитомассы по данным БПЛА и глобальных наборов данных на примере южно-таёжной подзоны Западной Сибири
А.О. Елисеев
1 , Э.М. Бисирова
1, 2 , И.Г. Грачев
1 , И.А. Керчев
1 1 Институт мониторинга климатических и экологических систем СО РАН, Томск, Россия
2 Томский филиал Всероссийского центра карантина растений, Томск, Россия
Одобрена к печати: 27.08.2025
DOI: 10.21046/2070-7401-2025-22-5-222-233
Проведена комплексная оценка надземной фитомассы лесных насаждений южно-таёжной подзоны Западной Сибири (Томская область) на основе интеграции глобальных наборов данных (GlobBiomass, GEOCARBON, GFW (англ. Global Forest Watch)), полевых измерений и аэрофотосъёмки с беспилотного летательного аппарата (БПЛА) DJI Phantom 4 Multispectral. Разработан алгоритм экстраполяции фитомассы через цифровую модель местности (ЦММ), демонстрирующий высокую точность (коэффициент детерминации 0,89) при сопоставлении с наземными данными. Установлено, что глобальные продукты имеют систематические погрешности. Набор данных GlobBiomass имеет наименьшую погрешность, средняя абсолютная процентная ошибка MAPE (англ. Mean Absolute Percentage Error) составляет 32 %. Для остальных наборов данных погрешности были заметно выше, так для набора данных GEOCARBON средняя абсолютная погрешность равна 43 %, а для набора GFW погрешность (MAPE) — 44 %. Погрешности в первую очередь обусловлены грубым пространственным разрешением и недостаточной адаптацией алгоритмов к бореальным лесам. Ключевым результатом стала методика расчёта объёма древостоя по ЦММ с высоким пространственным разрешением, обеспечивающая детальную оценку фитомассы на площади 109 га. Показано, что сочетание данных БПЛА и локальных аллометрических моделей значительно повышает точность по сравнению с глобальными картами. Исследование подчёркивает важность верификации спутниковых продуктов и перспективность применения БПЛА для мониторинга углеродного пула в лесных экосистемах.
Ключевые слова: ЦММ, БПЛА, GlobBiomass, GEOCARBON, GFW, объём древесного полога, надземная фитомасса
Полный текстСписок литературы:
- Анучин Н. П. Лесная таксация: учеб. для вузов. 5-е изд. М.: Лесная промышленность, 1982. 352 с.
- Гопп Н. В., Смирнов В. В. Использование вегетационного индекса (NDVI) для оценки запасов надземной фитомассы тундровых сообществ растений // Интерэкспо Гео-Сибирь. 2009. Т. 4. № 1. С. 187–191.
- Данюлис Е. П., Жирин В. М., Сухих В. И., Эльман Р. И. Дистанционное зондирование в лесном хозяйстве: учеб. пособие. М.: Агропромиздат, 1989. 223 с.
- Замолодчиков Д. Г., Уткин А. И., Коровин Г. Н. Конверсионные коэффициенты фитомасса/запас в связи с дендрометрическими показателями и составом древостоев // Лесоведение. 2005. № 6. С. 73–81.
- Макарова М. А., Владимирова Н. А. Обзор ресурсов открытых пространственных данных о растительном покрове Земли в сети интернет // Ботанический журн. 2020. № 105(4). С. 387–407. DOI: 10.31857/S0006813620040067.
- ОСТ 56-69-83. Пробные площади лесоустроительные. Метод закладки. М.: Гослесхоз СССР, 1984. 59 с.
- Справочное пособие по таксации лесов Сибири / под ред. Э. Н. Фалалеева. Т. 1. Красноярск, 1974. 216 с.
- Усольцев В. А., Часовских В. П., Норицина Ю. В., Норицин Д. В. Аллометрические модели фитомассы деревьев для лазерного зондирования и наземной таксации углеродного пула в лесах Евразии // Сибирский лесной журн. 2016. № 4. С. 68–76. DOI: 10.15372/SJFS20160407.
- Усольцев В. А., Цепордей И. С., Норицин Д. В. Аллометрические модели биомассы деревьев лесообразующих пород Урала // Леса России и хоз-во в них. 2022. № 1. С. 4–14. DOI: 10.51318/FRET.2022.85.72.001.
- Чмыр А. Ф., Маркова И. А., Сенов С. Н. Методология лесоводственных исследований: учеб. пособие. СПб.: ЛТА, 2000. 96 с.
- Швиденко А. З., Щепащенко Д. Г., Нильссон С., Булуй Ю. И. Система моделей роста и динамики продуктивности лесов России (таблицы и модели биопродуктивности) // Лесное хоз-во. 2004. № 2. С. 40–44.
- Щепащенко Д. Г., Швиденко А. З., Пергер К. и др. Изучение фитомассы лесов: текущее состояние и перспективы // Сибирский лесной журн. 2017. № 4. С. 3–11. DOI: 10.15372/SJFS20170401.
- Anuar N. I., Khalid N., Tahar K. N., Othman A. N. Analyze the relationship between aboveground biomass and NDVI values derived from UAV multispectral imagery // IOP Conf. Series: Earth and Environmental Science. 2023. V. 1240. No. 1. Article 012015. DOI: 10.1088/1755-1315/1240/1/012015.
- Araza A., de Bruin S., Herold M. et al. A comprehensive framework for assessing the accuracy and uncertainty of global above-ground biomass maps // Remote Sensing of Environment. 2022. V. 272. Article 112917. DOI: 10.1016/j.rse.2022.112917.
- Avitabile V., Herold M., Heuvelink G. An integrated pan-tropical biomass map using multiple reference datasets // Global Change Biology. 2016. V. 22. P. 1406–1420. DOI: 10.1111/gcb.13139.
- Hese S., Lucht W., Schmullius C. et al. Global biomass mapping for an improved understanding of the CO2 balance — the Earth observation mission carbon-3D // Remote Sensing of Environment. 2005. V. 94. P. 94–104. DOI: 10.1016/j.rse.2004.09.006.
- Houghton R. A., Butman D., Bunn A. G. et al. Mapping Russian forest biomass with data from satellites and forest inventories // Environmental Research Letters. 2007. V. 2. Article 045032. DOI: 10.1088/1748-9326/2/4/045032.
- Kumar P., Krishna A. P., Rasmussen T. M., Pal M. K. Rapid evaluation and validation method of above ground forest biomass estimation using optical remote sensing in Tundi reserved forest area, India // ISPRS Intern. J. Geo-Information. 2021. V. 10. Article 29. DOI: 10.3390/ijgi10010029.
- Li Y., Li C., Cheng Q. et al. Estimating maize crop height and aboveground biomass using multi-source unmanned aerial vehicle remote sensing and Optuna-optimized ensemble learning algorithms // Remote Sensing. 2024. V. 16. Article 3176. DOI: 10.3390/rs16173176.
- Santoro M. GlobBiomass — global datasets of forest biomass. PANGAEA, Data Publisher for Earth and Environmental Science, 2018. DOI: 10.1594/PANGAEA.894711.
- Silva C. A., Hudak A. T., Vierling L. A. et al. Imputation of individual longleaf pine (Pinus palustris Mill.) tree attributes from field and LiDAR data // Canadian J. Remote Sensing. 2016. V. 42. No. 5. P. 554–573. DOI: 10.1080/07038992.2016.1196582.
- Zarin D. J., Harris N. L., Baccini A. et al. Can carbon emissions from tropical deforestation drop by 50% in 5 years? // Global Change Biology. 2016. V. 22. P. 1336–1347. DOI: 10.1111/gcb.13153.