Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 2. С. 216-230
Пространственное моделирование надземной фитомассы лесов Костромской области по спутниковым данным высокого пространственного разрешения
Е.Н. Сочилова 1 , Д.В. Ершов 1 , Е.И. Белова 1 , Е.А. Гаврилюк 1 , Н.В. Королева 1 , С.В. Князева 1 1 Центр по проблемам экологии и продуктивности лесов им. А.С. Исаева РАН, Москва, Россия
Одобрена к печати: 27.01.2026
DOI: 10.21046/2070-7401-2026-23-2-216-230
Оценка и мониторинг динамики фитомассы лесов — актуальная задача для изучения их экосистемных функций и услуг на разных пространственных уровнях. В статье представлен метод и результаты пространственного моделирования надземной фитомассы древесной части лесов Костромской области на основе ключевых таксационных характеристик, полученных по результатам тематической обработки разносезонных безоблачных композитных изображений спутников Landsat-8 и -9 (2017–2021). Моделирование выполняется с помощью серии регрессионных моделей расчёта запасов фитомассы древостоя, подроста и подлеска, опубликованных А. З. Швиденко и Д. Г. Щепащенко в период с 2008 по 2023 г. Входные данные в модели — тематические продукты среднего возраста, относительной полноты, бонитета и запаса стволовой древесины преобладающих древесных пород лесов модельного региона, по которым в каждом пикселе с пространственным разрешением 30 м рассчитываются запасы надземной фитомассы. Классификация основных типов растительности наземных экосистем, лесообразующих древесных пород региона, среднего возраста насаждения, бонитетов и относительной полноты выполняется по спутниковым изображениям с помощью алгоритма машинного обучения Random Forest, а запасы стволовой древесины оцениваются методом восстановления нелинейной регрессионной зависимости между спектральной яркостью древостоев на зимних безоблачных композитных изображениях Landsat в красном канале и их таксационными характеристиками по выделам. Обучение классификатора осуществляется с помощью пространственной базы данных лесной таксации, актуальной по состоянию на 2015 г. Оценка точности спутникового продукта фитомассы лесов проводится с помощью независимого набора тестовых выделов, в границах которых оценён запас фитомассы по материалам таксации. В результате сравнения двух наборов данных средняя абсолютная ошибка фитомассы по породам находится в диапазоне 22,63–27,21 т/га. Наибольшая средняя абсолютная процентная ошибка приходится на сосну (31,6 %), наименьшая — на берёзу (20,9 %).
Ключевые слова: региональное картографирование лесов, характеристики лесов по ДЗЗ, запас биомассы в лесах, Random Forest, Костромская область
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.
- Данилин И. М., Медведев Е. М., Абэ Н. И., Худак А. Т., Санкт-Онге Б. Высокие технологии XXI века для аэрокосмического мониторинга и таксации лесов: Задачи исследований и перспективы использования// Лесная таксация и лесоустройство. 2005. Вып. 1(34). С. 28–38.
- Гаврилюк Е. А. Геопространственное моделирование запасов углерода в древесном пуле на основе данных ДЗЗ при использовании обучающих выборок наземных измерений с пробных площадей разного типа // Материалы 22-й Международ. конф. «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2024. С. 170. DOI: 10.21046/22DZZconf-2024a.
- Гаврилюк Е. А. Сравнительный анализ эффективности геопространственного моделирования запасов стволовой древесины и углерода древостоев на основе спутниковых данных и результатов воздушного лазерного сканирования // Материалы 9-й Всероссийской науч. конф. с международ. участием «Аэрокосмич. методы и геоинформац. технологии в лесоведении, лесном хозяйстве и экологии». М.: ЦЭПЛ РАН, 2025. С. 23–25.
- Гаврилюк Е. А., Королева Н. В., Карпухина Д. А. и др. Геопространственное моделирование биометрических и структурных характеристик лесов Брянской области на основе спутниковых и выборочных лесотаксационных данных // Лесоведение. 2021. № 6. С. 609–626. DOI: 10.31857/S002411482106005X.
- Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение: пер. с англ.; 2-е изд. М.: ДМК Пресс. 2018. 652 с.
- Ершов Д. В., Сочилова Е. Н., Королева Н. В. Методические подходы к картографированию лесных горючих материалов // Вопросы лесной науки. 2023. Т. 6. № 2. 128 c. DOI: 10.31509/2658-607x-202362-128.
- Замолодчиков Д. Г., Уткин А. И., Честных О. В. Коэффициенты конверсии запасов насаждений в фитомассу для основных лесообразующих пород России // Лесная таксация и лесоустройство. 2003. Вып. 1(32). С. 119–127.
- 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.
- Кузьмичев Е. П., Трушина И. Г., Трушина Н. И. Основные методические подходы к оценке экосистемных услуг в зарубежных странах: обзор проблемы // Лесохозяйственная информация. 2021. № 1. С. 144–164. DOI: 10.24419/LHI.2304-3083.2021.1.10.
- Медведев Е. М., Данилин И. М., Мельников С. Р. Лазерная локация земли и леса: учеб. пособие; 2-е изд., перераб. и доп. М.: Геолидар, Геокосмос; Красноярск: Институт леса им. В. Н. Сукачева СО РАН, 2007. 230 с.
- Михайлов В. В., Спесивцев А. В., Соболевский В. А. и др. Многомодельное оценивание динамики фитомассы растительных сообществ тундры на основе спутниковых снимков // Исслед. Земли из космоса. 2021. № 2. С. 15–30. DOI: 10.31857/S0205961421020056.
- Рашка С., Лю Ю., Мирджалили В. Машинное обучение с PyTorch и Scikit-Learn; пер. с англ. Астана: Фолиант, 2024. 688 с.
- Сочилова Е. Н., Ершов Д. В. Анализ возможности определения запасов древесных пород по спутниковым данным Landsat ETM // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 3. С. 277–282.
- Сочилова Е. Н., Сурков Н. В., Ершов Д. В., Хамедов В. А. Оценка запасов фитомассы лесных пород по спутниковым изображениям высокого пространственного разрешения (на примере лесов Ханты-Мансийского АО) // Вопросы лесной науки. 2018. Т. 1. № 1. 22 с. DOI: 10.31509/2658-607X-2018-1-1-1-23.
- Усольцев В. А. Фитомасса модельных деревьев лесообразующих пород Евразии: база данных, климатически обусловленная география, таксационные нормативы. Екатеринбург: Уральский гос. лесотехн. ун-т, 2016. 338 с.
- Швиденко А. З., Щепащенко Д. Г., Нильссон С., Булуй Ю. И. Таблицы и модели хода роста и продуктивности насаждений основных лесообразующих пород Северной Евразии (нормативно-справочные материалы); 2-е изд., доп. М.: Федер. агентство лесного хоз-ва, 2008. 886 с.
- Щепащенко Д. Г., Мухортова Л. В., Швиденко А. З., Ведрова Э. Ф. Запасы органического углерода в почвах России // Почвоведение. 2013. № 2. С. 123–132. DOI: 10.7868/S0032180X13020123.
- 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.
- Breiman L. Random Forests // Machine Learning. 2001. V. 45. No. 1. P. 5–32. DOI: 10.1023/A:1010933404324.
- Breiman L., Friedman J., Olshen R. A., Stone C. J. Classification and regression trees. N. Y.: Chapman and Hall/CRC, 1984. 368 p. DOI: 10.1201/9781315139470.
- Cortes C., Vapnik V. Support-vector networks // Machine Learning. 1995. V. 20. No. 3. P. 273–297. DOI: 10.1023/A:1022627411411.
- Dorogush A. V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support // https:// arxiv.org/. arXiv:1810.11363. 2018. 7 p. DOI: 10.48550/arXiv.1810.11363.
- Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. 2006. V. 63. No. 1. P. 3–42. DOI: 10.1007/s10994-006-6226-1.
- Gorelick N., Hancher M., Dixon M. et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone // Remote Sensing of Environment. 2017. V. 202. P. 18–27. DOI: 10.1016/j.rse.2017.06.031.
- Hansen M. C., Potapov P. V., Moore R. et al. High-resolution global maps of 21st-century forest cover change // Science. 2013. V. 342. P. 850–853. DOI: 10.1126/science.1244693.
- Jos G., Mansor S., Matthew N. K. A review: Forest Aboveground Biomass (AGB) estimation using satellite remote sensing // J. Remote Sensing and GIS. 2021. V. 10. Iss. 8. Article 1000P241.
- Meinshausen N. Quantile Regression Forests // J. Machine Learning Research. 2006. No. 7. P. 983–999.
- Santoro M., Beaudoin A., Beer C. et al. Forest growing stock volume of the northern hemisphere: Spatially explicit estimates for 2010 derived from Envisat ASAR // Remote Sensing of Environment. 2015. V. 168. P. 316–334. https://doi.org/10.1016/j.rse.2015.07.005.
- Schepaschenko D., Moltchanova E., Shvidenko A. et al. Improved estimates of biomass expansion factors for Russian forests // Forests. 2018. V. 9. No. 6. Article 312. DOI: 10.3390/f9060312.
- Shvidenko A., Mukhortova L., Kapitsa E. et al. A modelling system for dead wood assessment in the forests of Northern Eurasia // Forests. 2023. V. 14. No. 1. Article 45. DOI: 10.3390/f14010045.
- Song L., Langfelder P., Horvath S. Random generalized linear model: a highly accurate and interpretable ensemble predictor // BMC Bioinformatics. 2013. V. 14. Article 5. DOI: 10.1186/1471-2105-14-5.
- Thurner M., Beer C., Santoro M. et al. Carbon stock and density of northern boreal and temperate forests // Global Ecology and Biogeography. 2014. V. 23. Iss. 3. P. 297–310. DOI: 10.1111/geb.12125.
- Tian L., Wu X., Tao Y. et al. Review of remote sensing-based methods for forest aboveground biomass estimation: Progress, challenges, and prospects // Forests. 2023. V. 14. No. 6. Article 1086. DOI: 10.3390/ f14061086.