Метод отнесения земель к землям, занятым лесной растительностью, по аэрокосмическим снимкам Landsat (перевод статьи)

УДК

630*1

DOI:

10.37482/0536-1036-2020-3-83-92

Аннотация

Спутниковые данные становятся важным инструментом для мониторинга изменений, происходящих в лесном покрове. Дальнейшее развитие технологий дистанционного зондирования Земли создает возможности для решения более сложных задач, требующих многократного анализа спутниковых данных. Оценка успешности лесовосстановления после возникновения нарушений в лесном покрове является такой задачей. Традиционный метод оценки успешности лесовозобновления – закладка пробных площадей – требует значительных временных затрат и ресурсов. Полевые работы и отнесение земель к землям, занятым лесными насаждениями, через закладку пробных площадей производятся по методике, разработанной Федеральным агентством лесного хозяйства России. Данная методика имеет различные критерии успешного лесовозобновления для каждого региона. Территориями исследования стали Архангельская и Вологодская области, а также Республика Карелия. Растительность данного региона относится к таежной зоне и разделяется на пять групп: районы притундровых лесов и редкостойной тайги, северо-таежный, среднетаежный и южно-таежный районы. Международная классификация относит данные леса к группе бореальных. Использование спутниковых данных позволит оптимизировать мероприятия по отнесению лесных участков к землям, занятым лесными насаждениями. Проведен анализ индексов восстановления NDVI, SWVI и NBR на объектах лесовозобновления. На каждый исследуемый объект получены полевые данные о количестве подроста, средней высоте древостоя и породном составе. Обработка большого количества спутниковых снимков требует значительных вычислительных мощностей, поэтому для проведения анализа использовалась платформа Google Earth Engine. На основе полученных данных выбран наиболее пригодный для создания автоматической методики по переводу земель в лесопокрытую площадь индекс SWVI как наилучший спектральный индекс для разделения земель на достигшие и не достигшие критериев отнесения к землям, занятым лесными насаждениями. Оптимальным порогом для перевода земель стало достижение 80 % восстановления от первоначальных значений индекса до возникновения нарушений в лесном покрове. Использование метода k-средних и пороговых значений индекса для перевода позволило создать автоматизированную методику.
Финансирование: Данное исследование проведено в рамках проекта «Мониторинг лесов в Архангельской области с использованием данных мультисенсорного дистанционного зондирования», финансируемого Министерством образования и науки России и Германской службой академических обменов в рамках программы «Михаил Ломоносов» (проект № АААА-А19-119020590052-2).

Сведения об авторах

А. Карпов, аспирант-стажер; ResearcherID: H-1915-2019,
ORCID: https://orcid.org/0000-0002-9087-8399
Б. Васке, д-р геогр. наук, проф.
Оснабрюкский университет, ул. Ваксблайхе, д. 27, Оснабрюк, Германия, 49090; e-mail: lesnoy.monitoring@gmail.com

Ключевые слова

землепользование, лесное хозяйство, лесовосстановление, Landsat

Для цитирования

Karpov A., Waske B. Method for Transferring Non-Forest Cover to Forest Cover Land Using Landsat Imageries // Изв. вузов. Лесн. журн. 2020. № 3. С. 83–92. DOI: 10.37482/0536-1036-2020-3-83-92

Литература

1. Алешко Р.А., Алексеева А.А., Шошина К.В., Богданов А.П., Гурьев А.Т. Разработка методики актуализации информации о лесном участке с использованием снимков со спутников и малых БПЛА // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 5. С. 87–99. [Aleshko R.A., Alekseeva A.A., Shoshina K.V., Bogdanov A.P., Guriev A.T. Development of the Methodology to Update the Information on a Forest Area Using Satellite Imagery and Small UAVs. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sensing of the Earth from space], 2017, vol. 14, no. 5, pp. 87–99]. DOI: 10.21046/2070-7401-2017-14-5-87-99
2. Алешко Р.А., Гурьев А.Т., Шошина К.В., Щеников В.С. Разработка методики визуализации и обработки геопространственных данных // Научная визуализация. 2015. № 1. С. 20–29. [Aleshko R.A., Guriev A.T., Shoshina K.V., Schenikov V.S. Development of Methodology for Visualization and Processing of Geospatial Data. Nauchnaya vizualizatsiya [Scientific Visualization], 2015, no. 1, pp. 20–29].
3. Богданов А.П., Карпов А.А., Демина Н.А., Алешко Р.А. Совершенствование мониторинга лесов путем использования облачных технологий как элемента устойчивого лесоуправления // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15, № 1. С. 89–100. [Bogdanov A.P., Karpov A.A., Demina N.A., Aleshko R.A. Improving Forest Monitoring by Using Cloud Technologies as an Element of Sustainable Forest Management. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sensing of the Earth from space], 2018, vol. 15, no. 1, pp. 89–100]. DOI: 10.21046/2070-7401-2018-15-1-89-100
4. Приказ М-ва природных ресурсов и экологии Российской Федерации от 29 июня 2016 г. № 375 «Об утверждении Правил лесовосстановления»: Доступ из справ.- правовой системы «Консультант Плюс». [Order of the Ministry of Natural Recourses and Ecology of the Russian Federation “On the Approval of the Rules of Reforestation” on June 29, 2016 no. 375].
5. Aicardi I., Garbarino M., Lingua A., Lingua E., Marzano R., Piras M. Monitoring Post-Fire Forest Recovery Using Multi-Temporal Digital Surface Models Generated from Different Platforms. EARSeL eProceedings, 2016, vol. 15, no. 1, pp. 1–8.
6. Chu T., Guo X., Takeda K. Remote Sensing Approach to Detect Post-Fire Vegetation Regrowth in Siberian Boreal Larch Forest. Ecological Indicators, 2016, vol. 62, pp. 32–46. DOI: 10.1016/j.ecolind.2015.11.026
7. Frazier R.J., Coops N.C., Wulder M.A. Boreal Shield Forest Disturbance and Recovery Trends Using Landsat Time Series. Remote Sensing of Environment, 2015, vol. 170, pp. 317–327. DOI: 10.1016/j.rse.2015.09.015
8. Gauthier M.-M., Barrette M., Tremblay S. Commercial Thinning to Meet Wood Production Objectives and Develop Structural Heterogeneity: A Case Study in the Spruce-Fir Forest, Quebec, Canada. Forests, 2015, vol. 6(2), pp. 510–532. DOI: 10.3390/f6020510
9. Gradel A., Ammer C., Ganbaatar B., Nadaldorj O., Dovdondemberel B., Wagner S. On the Effect of Thinning on Tree Growth and Stand Structure of White Birch (Betula platyphylla Sukaczev) and Siberian Larch (Larix sibirica Ledeb.) in Mongolia. Forests, 2017, vol. 8(4), art. 105. DOI: 10.3390/f8040105
10. Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A. et al. High-Resolution Global Maps of 21st-Century Forest Cover Change. Science, 2013, vol. 342, iss. 6160, pp. 850–853. DOI: 10.1126/science.1244693
11. Keshava N., Mustard J.F. Spectral Unmixing. IEEE Signal Processing Magazine, 2002, vol. 19, iss. 1, pp. 44–57. DOI: 10.1109/79.974727
12. Pickell P.D., Andison D.W., Coops N.C. Characterizations of Anthropogenic Disturbance Patterns in the Mixedwood Boreal Forest of Alberta, Canada. Forest Ecology and Management, 2013, vol. 304, pp. 243–253. DOI: 10.1016/j.foreco.2013.04.031
13. Pickell P.D., Hermosilla T., Frazier R.J., Coops N.C., Wulder M.A. Forest Recovery Trends Derived from Landsat Time Series for North American Boreal Forests. International Journal of Remote Sensing, 2015, vol. 37, iss. 1, pp. 138–149. DOI: 10.1080/2150704X.2015.1126375
14. Potapov P., Turubanova S., Hansen M.C. Regional-Scale Boreal Forest Cover and Change Mapping Using Landsat Data Composites for European Russia. Remote Sensing of Environment, 2011, vol. 115, iss. 2, pp. 548–561. DOI: 10.1016/j.rse.2010.10.001
15. Turner B.L., Lambin E.F., Reenberg A. The Emergence of Land Change Science for Global Environmental Change and Sustainability. PNAS, 2007, vol. 104(52), pp. 20666–20671. DOI: 10.1073/pnas.0704119104
16. Vila J.P.S., Barbosa P. Post-Fire Vegetation Regrowth Detection in the Deiva Marina Region (Liguria-Italy) Using Landsat TM and ETM+ Data. Ecological Modelling, 2010, vol. 221, iss. 1, pp. 75–84. DOI: 10.1016/j.ecolmodel.2009.03.011
17. White J.C., Saarinen N., Kankare V., Wulder M.A., Hermosilla T., Coops N.C. et al. Confirmation of Post-Harvest Spectral Recovery from Landsat Time Series Using Measures of Forest Cover and Height Derived from Airborne Laser Scanning Data. Remote Sensing of Environment, 2013, vol. 216, pp. 262–275. DOI: 10.1016/j.rse.2018.07.004
18. Yi K., Tani H., Zhang J., Guo M., Wang X., Zhong G. Long-Term Satellite Detection of Post-Fire Vegetation Trends in Boreal Forests of China. Remote Sensing, 2013, vol. 5, iss. 12, pp. 6938–6957. DOI: 10.3390/rs5126938
19. Zhao F.R., Meng R., Huang C., Zhao M., Zhao F.A., Gong P., Yu L., Zhu Z. LongTerm Post-Disturbance Forest Recovery in the Greater Yellowstone Ecosystem Analyzed Using Landsat Time Series Stack. Remote Sensing, 2016, vol. 8(11), art. 898. DOI: 10.3390/rs8110898

METHOD FOR TRANSFERRING NON-FOREST COVER TO FOREST COVER LAND USING LANDSAT IMAGERIES

A. Karpov, PhD Intern; ResearcherID: H-1915-2019,
ORCID: https://orcid.org/0000-0002-9087-8399
B. Waske, Doctor of Geography, Prof.
Osnabrück University, Wachsbleiche 27, Osnabruck, 49090, Germany; e-mail: lesnoy.monitoring@gmail.com

Satellite data becomes an important tool for monitoring global change in forest cover. Further development of remote sensing technologies creates opportunities for solving more complex problems requiring multi-time analysis of satellite data. Assessment of success reforestation after a disturbance in forest cover is such an important task. The traditional method of an assessment of successful reforestation is laying out the ground plots, which task requires significant time and resources. Fieldworks and transfer of land to forest cover land is carried out according to the method, which is developed by the Federal Agency for Forestry of Russia. This method has various criteria of success reforestation for every region. Arkhangelsk region, Vologda region and Republic of Karelia became the territories for research. Forest vegetation of this region belongs to the taiga zone and is divided into five groups: the area of pre-tundra forests and sparse taiga, northern taiga, middle taiga and south taiga. International forest classification relates this area to boreal forest. The task of transfer land to forest cover land can be optimized by using remote sensing data. This research shows analysis of recovery of the normalized difference vegetation index, the shortwave vegetation index and the normalized burn ratio in the framework of reforestation objects. Filed data was collected for every object and this data includes a number of young trees, average height and species composition. Processing of a considerable number of satellite imageries requires significant computing power because of the Google Earth Engine platform using for analysis data. The most suitable index was chosen in the analysis of the obtained data for the development of an automatic method for transfer land to forest cover land. The most suitable index for dividing lands on forest cover and nonforest cover lands is the shortwave vegetation index. Optimal threshold for transferring land is achievement of recovery index of 80 % from initial values before disturbance. The automatic method was developed using unsupervised classification and threshold values of recovery index.
For citation: Karpov A., Waske B. Method for Transferring Non-Forest Cover to Forest Cover Land Using Landsat Imageries. Lesnoy Zhurnal [Russian Forestry Journal], 2020, no. 3, pp. 83–92. DOI: 10.37482/0536-1036-2020-3-83-92
Funding: This research was undertaken as part of the project “Forest Monitoring in the Arkhangelsk Region, Using Multisensory Remote Sensing Data” funded by the Russian Ministry of Education and Science and the German Academic Exchange Service in the framework of the Michail‐Lomonosov‐Programme (project no. АААА-А19-119020590052-2).

Keywords: land management, forest management, reforestation, Landsat.

Поступила 03.04.19 / Received on April 3, 2019