CC BY
158
ВОПРОСЫ лесной энтомологии
ВЫЯВЛЕНИЕ ОЧАГОВ КОРОЕДА-ТИПОГРАФА В МОСКОВСКОЙ ОБЛАСТИ С Использованием СНИМКОВ LANDSAT
А.М. КРЫЛОВ, нач. отдела ФГУ «Российский центр защиты леса»,
А.А. СОБОЛЕВ, асп. каф. экологии и защиты леса МГУЛ,
Н.А. ВЛАДИМИРОВА, науч. сотр. ФГУ «ВНИИЛМ»
caf-ecology@mgul.ac.ru
Площадь еловых насаждений в Московской области составляет 453.7 тыс. га (25,9 % от лесопокрытой площади). На состояние еловых лесов влияют загрязнение атмосферного воздуха, неорганизованная рекреация, механические повреждения стволов и крон деревьев, уплотнение почвы при строительстве жилья и объектов инфраструктуры, рубки, ежегодная вариация погодных условий и периодический подъем численности стволовых вредителей. С 2000 по 2009 гг. в Московской области от вредителей (главным образом короеда-типографа) погибло 27,8 тыс. га лесов (1,7 % от лесопокрытой площади или 67,9 % всех погибших лесов) [1].
Летом 2010 г. установилась аномально засушливая погода. Это послужило основной причиной массового размножения короеда-типографа. Второй по важности причиной, по-видимому, являлось наличие в насаждениях большого количества буреломной и ветровальной древесины. Общая площадь насаждений, пострадавших от ураганных ветров в 2008-2010 гг., составила 16100,7 га [2]. Основные крупные ветровалы были разработаны, однако осталось много неразработанных мелких ветровалов.
Учеты, проведенные на пунктах постоянного наблюдения в середине лета, показали значительное увеличение количества ослабленных и сильно ослабленных деревьев. После окончания вегетационного периода (в сентябре-ноябре 2010 г.) для оценки лесопатологического состояния в ельниках старше 60 лет было заложено 166 пробных площадей по принципу случайной выборки. На пробных площадях текущий отпад составил 9,6 %. Интерполяция данных пробных площадей на всю площадь еловых насаждений свидетельствует о том, что в конце 2010 г. в ельниках
Московской области уже сформировалось более 60 тыс. га очагов стволовых вредителей, а общую площадь куртин погибшей ели можно оценить приблизительно в 20 тыс. га.
При анализе насаждений с различной степенью повреждения не было отмечено какой-либо зависимости лесопатологического состояния от бонитета и возраста насаждений, от доли участия ели в составе и других таксационных показателей. Характер усыхания в ельниках в подавляющем большинстве случаев куртинный, очаги чаще фиксируются вокруг мелких участков ветровала. Так, заселенность деревьев вблизи свежего ветровала и бурелома выше в 2 раза. Очаги усыхания распределены по территории области неравномерно. Еловые насаждения в большей мере поражены на западе и востоке области, что можно связать как со спецификой почвенных и гидрологических условий, так и с пространственным распределением насаждений, поврежденных ветром в 20082010 гг.
Вероятность возникновения новых очагов короеда-типографа остается высокой на четверти миллиона гектаров ельников старше 60 лет. Возможности же оперативного наземного лесопатологического обследования на порядок меньше.
Применение дистанционных методов для мониторинга состояния ельников
Для выявления поврежденных насаждений применяются следующие виды дистанционного зондирования: авиационная и космическая съемка, аэровизуальное обследование.
Традиционно в России преобладает применение аэровизуальной таксации. Ее преимуществом является относительно низкая стоимость, возможность выявления
54
ЛЕСНОЙ ВЕСТНИК 4/2011
ВОПРОСЫ лесной энтомологии
Таблица 1
Точность выявления сухостоя с использованием различных данных и методик (по Coggins S.B и др., 2008)
Масштаб Методика Источник Декларируемая точность
Региональный Аэровизуальное обследование - Оценка точности не проводилась
Ландшафтный Единичные снимки Landsat TM Franklin et al. (2003) 73 % (± 7 %)
Серия снимков Landsat TM (TCT and EWDI) Skakun et al. (2003) 76 % (± 12 %) (куртины из 10-29 деревьев)
81 % (± 11 %) (куртины 30-50деревьев)
Landsat ETM+ (TCT and EWDI) Wulder etal. (2006) 86 % (± 7 %)
Локальный Картирование с вертолета, оснащенного GPS оборудованием Nelson et al. (2006) 92.6 % (± 10 деревьев)
IKONOS White et al. (2005) 71 % (±8 %) (слабая степень очагов: 1-5 % текущего отпада)
92 % (± 5 %) (средняя степень очагов 5-20 % текущего отпада)
даже единичных погибших деревьев [3]. Недостатки: невысокая точность оценки площади, низкая точность позиционирования, большая вероятность пропуска участков погибших насаждений при их большом числе. Дешифрирование материалов аэрофотосъемки позволяет добиваться очень высокой точности , однако низка оперативность этого метода. В ряде случаев использование современной космической съемки и методов ее обработки позволяет достичь оптимального сочетания оперативности, точности и стоимости работ.
Погибшие деревья надежно дешифрируются на спектрозональных аэрофотоснимках (АФС) и космических снимках с разрешением 0,4-4 м, когда кроне дерева соответствует 1 и более пикселя. Отдельные работы, проведенные с использованием космической съемки сверхвысокого разрешения, показали высокую точность результатов [4,5]. Так White [8] (2005), используя снимки Iconos, получил 71 % точность оценки площади усыхания хвойных древостоев для низкой степени поражения лубоедом и 92 % для высокой. Однако, во-первых, современные средства ДЗЗ часто не могут оперативно обеспечить съемку большой территории с подобным разрешением, во-вторых, задача автоматизированного дешифрирования снимков сверхвысокого разрешения на порядок сложнее, чем дешифрирование снимков более низкого разрешения и, в-третьих, подобная съемка весьма дорога.
Альтернативой выступает применение спектрозональных космических снимков с разрешением 6-30 м. Положительные их качества являются следствием высокой оперативности и производительности систем съемки. Такие системы выполняют большой объем плановой съемки - за год формируется многократное покрытие территории Российской Федерации. Стоимость данного вида космической съемки относительно низкая, а данные Landsat TM/ETM+ (разрешение 30 м) предоставляются Геологической службой США бесплатно. Эффективность использования снимков Landsat для выявления погибших от стволовых вредителей участков подтверждается многочисленными исследования канадских ученых [9].
И наконец, в исключительных случаях, огромные масштабы очагов стволовых вредителей делают целесообразным использование съемки низкого разрешения (MODIS) [6, 7].
При использовании данных Landsat необходимо учитывать, что крона единичного дерева занимает на таких снимках меньше одного пикселя, что делает весьма затруднительным выделение отдельных погибших деревьев. Однако, как отмечалось ранее, в нашем случае преобладает куртинное усыхание. Дешифрируя снимок, мы имеем дело со сложной комбинацией отраженного излучения от крон здоровых и поврежденных деревьев, крон 2-го яруса, подроста, подлеска, живого напочвенного покрова, почвы и теней деревьев. При повреждении деревьев
ЛЕСНОИ ВЕСТНИК 4/2011
55
Рисунок. Спектральная отражательная способность поврежденных и здоровых насаждений по данным Landsat TM: Примечание: По оси ординат отложена спектральная отражательная способность участков-эталонов. Столбцы соответствуют спектральному каналу Landsat TM (c 1 по 7) и группе эталонов: с индексом а (красные) относятся к поврежденным короедом участкам, с индексом b (зеленые) к неповрежденным. Параллелепипед соответствует границам квантилей (x25, x75), горизонтальные штрихи крайним значениям, жирная черта - медиана, звездочками обозначены выбросы
изменяется отражательная способность крон ели, уменьшается вклад верхнего полога в отраженное излучение и увеличивается вклад почвы, подроста, подлеска и живого напочвенного покрова. С другой стороны, кроме гибели деревьев, изменения в спектральной отражательной способности участков леса в течение вегетационного сезона вызывают смена фенологических фаз, влажность почвы, содержание влаги в растительности и некоторые другие факторы.
Если разрешение позволяет различать кроны отдельных деревьев, то погибшие деревья заметны и в видимом диапазоне. При использовании данных более низкого разрешения наибольшую информативность имеют ближний и средние инфракрасные каналы. Участки погибших насаждений имеют су-
щественно большую отражательную способность в 5 и 7 каналах (рисунок).
Методика выявления очагов стволовых вредителей по космической съемке
При применении космических снимков для выявления очагов стволовых вредителей возможно использование как визуального, так и автоматизированного метода дешифрирования. Визуальное дешифрирование обеспечивает получение более быстрых результатов и требует меньше наземных эталонов. Существенными его недостатками являются сложность решения проблемы пропуска участков, особенно мелких, и нестабильность результатов дешифрирования, выполненного разными исполнителями. Автоматизированное дешифрирование требует больших затрат на подбор
56
ЛЕСНОЙ ВЕСТНИК 4/2011
ВОПРОСЫ лесной энтомологии
необходимого алгоритма и его параметров, достаточно большой обучающей выборки и трудоемкой верификации результатов, однако в перспективе обладает более высокой производительностью и стабильностью результатов. Целесообразность применения визуального или автоматического дешифрирования зависит от ситуации.
При автоматизированном выявлении поврежденных участков применяются различные методы компьютерной классификации изображений. Для одиночных снимков, в основном, используются алгоритмы классификации с применением эталонов, например, по методу максимального правдоподобия
[10] . Выявление изменений с помощью анализа серий снимков обычно показывает более высокую точность. Различными исследователями использовались критерии на основе разницы вегетационных индексов NDVI, SWVI и результатов преобразования Tasselled Cap
[11] . Также возможно применение метода опорных векторов (SVM), нейронных сетей. Преимуществом этих более сложных методов является использование информации во всех спектральных каналах и, как следствие, более точное выявление изменений. Недостаток этих методов в том, что критерии выделения специфичны для каждой серии снимков, и соответственно для каждой серии необходим подбор эталонов.
Наиболее распространенным вегетационным индексом является NDVI (Normalized Difference Vegetation Index) - нормализованный относительный индекс растительности. NDVI вычисляется по следующей формуле
NDVI = (NIR - RED) / (NIR + RED), (1) где NIR - отражение в ближней инфракрасной области спектра;
RED - отражение в красной области спектра.
NDVI основан на наиболее стабильных участках кривой спектральной яркости растительности. В красной области спектра (0,6-0,7 мкм) лежит максимум поглощения солнечной радиации хлорофиллом, а в инфракрасной области (0,7-1,0 мкм) находится область максимального отражения клеточных структур листа. Высокая фотосинтетическая
активность растительности, как правило, ведет к меньшему отражению в красной области спектра и большему в инфракрасной. Наибольшую точность этот индекс показывает при оценке биомассы сельскохозяйственных культур, продуктивности луговых и степных экосистем. В случае лесов из-за сложной структуры полога, влияния теней деревьев, крон 2-го яруса линейная зависимость NDVI от биомассы часто нарушается.
Другим распространенным индексом, характеризующим состояние растительного покрова, является коротковолновый вегетационный индекс SWVI, известный также как NDWI (Normalized Difference Water Index) нормализованный относительный индекс влагосодержания, разработанный Gao в 1996 г.
[12]. SWVI вычисляется по аналогии с NDVI по формуле
SWVI = (NIR - SWIR) / (NIR + SWIR), (2) где NIR - отражение в ближней инфракрасной области спектра;
SWIR - отражение в средней инфракрасной области спектра.
Средняя инфракрасная область спектра отражает изменения влагосодержания растения, а также изменения структуры полога насаждения и структуры листьев, в то время как отражение в ближнем инфракрасном диапазоне спектра зависит от внутренней структуры листа и не зависит от насыщенности его водой. Таким образом, совместное использование двух этих областей спектра улучшает точность определения влагосодержания растения с помощью компенсации влияния, оказываемого структурой листа [13].
Чтобы изучить возможность использования снимков Landsat TM для выявления очагов короеда-типографа в условиях Московской области, нами был выбран участок Свердловского участкового лесничества Московского учебно-опытного лесничества. На его территории в настоящий момент действуют мощные очаги короеда-типографа. Очаги приурочены к участкам ветровалов 2009-2010 гг. и хорошо прогреваемым опушкам леса.
На эту территорию доступен безоблачный снимок Landsat TM за 22 июня 2010 г.,
ЛЕСНОЙ ВЕСТНИК 4/2011
57
ВОПРОСЫ лесной энтомологии
Таблица 2
Вероятность выделения куртин погибших деревьев в зависимости от их площади
Площадь куртин в пикселях изображения Landsat TM Число пропущенных куртин Число правильно выделенных куртин Общее число куртин Процент правильно выделенных куртин
Менее 1 343 41 384 и
1(0,09 га) 117 21 138 15
2 (0,18 га) 31 16 47 34
3 (0,27 га) 21 8 29 28
4-7(0,36-0,63 га) 29 38 67 57
8-14 (0,72-126 га) 9 35 44 80
Свыше 15 (более 1,35 га) 1 13 14 93
когда процесс усыхания еще не проявился, а также снимок за 18 августа 2010 г., когда стали заметными куртины усыхания. Одновременно на 18 августа 2010 г., в сервисах GoogleEarth, на изучаемую территорию доступен снимок сверхвысокого разрешения GeoEye, который использовался для подбора эталонов.
Были отобраны 100 точек-эталонов внутри наиболее крупных усыханий и 150 точек в неповрежденной части насаждений. Для данных точек извлечены значения яркости изображения в различных каналах и рассчитаны индексы SWVI и NDVI. Нами опробованы несколько методов выявления поврежденных участков с применением критериев на основе линейной комбинации значений каналов и индекса SWVI.
Для предварительной обработки снимков использовался свободный пакет программ GRASS 6.41 для визуального дешифрирования Quantum GIS. Статистический анализ проводился с использованием пакетов R и Statistica 6.0. Для расчета уравнений критериев выделения поврежденных участков использовался дискриминантный анализ.
результаты и обсуждение
Проведенный дискриминантный анализ показал, что для разделения участков на поврежденные и неповрежденные индекс NDVI обладает низкой информативностью (точность разделения эталонов 73 %, критерий F=0.22). Наибольшей информативностью обладает индекс SWVI, рассчитанный
для изображения за август (критерий F=26.5, точность разделения, используя только SWVI
- 95 %). Несколько меньшей информативностью обладают сами значения каналов 5го (F=10), 4-го (F=9) и 7-го (F=4.3) за август и 1-го за июнь (F=5.5). Пошаговый анализ с последовательным включением переменных позволил прийти к простому уравнению, обеспечивающему разделение эталонных точек с точностью 97 %. При положительных значениях уравнения участок относится к поврежденным, при отрицательных - к неповрежденным
I= - 97.77-SWVI -
август
- 167-5канал + 44.24. (3)
97 % точности получены для разделения эталонов: наиболее характерных пикселей из центра куртин усыхания и неповрежденных участков. Часто куртины усыхания имеют размер меньше пикселя, и границы более крупных куртин не совпадают с границами пикселя. В этом случае пиксели представляют смесь отраженного излучения от поврежденных и неповрежденных участков. Нами проведен анализ, показавший линейную зависимость вероятности выявления куртины от ее размера (табл. 2). В целом по снимкам Landsat достоверно выделено 66 % процентов куртин усыхания по площади и 28 % по числу куртин. Таким образом, основным фактором, влияющим на вероятность выявления куртины, является ее площадь, а первый и главный источник ошибок пропуска объектов
- недостаточное разрешение сенсора для выявления мелких куртин.
58
ЛЕСНОЙ ВЕСТНИК 4/2011
ВОПРОСЫ лесной энтомологии
По спектральным характеристикам участки погибших насаждений достаточно близки к вырубкам, гарям, сельскохозяйственным землям. Отделение усыханий от таких участков достаточно хорошо проводится путем использования границ лесопокрытой площади, полученных с помощью дешифрирования снимков, предшествующих усыханию, или из материалов лесоустройства. Однако сложности возникают на границах леса с непокрытыми лесом и нелесными землями, так как границы не совпадают с границами пикселов, и происходит смешение спектральных свойств граничащих участков. Проблема может решаться исключением из анализа всех пограничных пикселей, но тогда мы пропускаем достаточно много куртин, так как усыхание очень часто приурочено к опушкам леса. Таким образом, второй источник ошибок - это краевые эффекты на границах с нелесными участками.
Третий источник ошибок - заселенные вредителями усыхающие деревья с зеленой кроной, незаметные даже по эталонному снимку GeoEye. Выявление «сухостоя с зеленой кроной», по-видимому, возможно по специфическим изменениям в узких спектральных диапазонах, но на практике представляется весьма затруднительным. Оценки этой ошибки могут быть сделаны как по более поздним снимкам сверхвысокого разрешения, сделанным в период, когда проявится весь сухостой, так и по данным наземных обследований. Проведенные в апреле 2011 г. выборочные наземные обследования путем оконтуривания куртин с помощью GPS показывали на 2030 % большую площадь, чем отдешифриро-ванная по снимкам GeoEye за август 2010 года. Более точно можно будет оценить эту ошибку после появления снимков и данных массовых площадных лесопатологических обследований 2011 г.
Заключение
Исходя из всего вышеизложенного можно считать доказанной возможность выявления крупных куртин погибших от ство-
ловых вредителей елей по снимкам Landsat TM. Выявление таких куртин возможно после высыхания кроны деревьев, заселенных стволовыми вредителями. Наиболее быстрый способ - визуальное дешифрирование. При наличии маски леса хороший эффект дает автоматизированное выделение куртин с использованием критерия на основе индекса SWVI. В насаждениях Свердловского участкового лесничества Московского учебноопытного лесничества по снимкам Landsat TM этим способом было выделено 66 % площади куртин погибших деревьев ели с высохшей кроной. Достоверность дешифрирования может быть увеличена при применении данных более высокого разрешения, таких как Rapid Eye, SPOT-5 или ALOS AVNIR-2. В то же время достаточно большой процент куртин деревьев ели, заселенных короедом типографом, но не изменивших цвет хвои, остался невыявленным. Таким образом, площадь усыхания ели, определенная по данным дистанционного зондирования, достаточно сильно занижена. При использовании данных дистанционного зондирования для планирования наземного обследования важно то, что пропущенные куртины «сухостоя с зеленой кроной» часто расположены рядом с выявленными по снимкам куртинами ели с пожелтевшими кронами.
В таких условиях наибольшего эффекта можно добиться путем совместного применения наземных и дистанционных данных. Оперативную оценку общей площади очагов короеда-типографа и погибших насаждений целесообразно делать на основе данных пробных площадей, заложенных по принципу стратифицированной выборки. Данные дистанционного зондирования, совместно с данными сигнализации, необходимо использовать для определения кварталов с наиболее сильным усыханием и планирования в них наземного лесопатологического обследования, по результатам которого назначаются санитарно-оздоровительные мероприятия. Также можно ожидать положительный эффект от использования дистанционных методов для более точной оценки площади погибших насаждений после окончания вспышки. В
ЛЕСНОЙ ВЕСТНИК 4/2011
59
ВОПРОСЫ лесной энтомологии
настоящее время сотрудниками ФГУ «Росле-созащита» производится выделение куртин усыхания ели по снимкам Landsat TM на территории всей Московской области методом визуального дешифрирования. Так, по снимкам 2010 г. выявлено 2360 куртин общей площадью 933 га. Также в продолжение опытных работ на территории Свердловского участкового лесничества ведутся подготовительные работы по выделению куртин усыхания на территории всей области в автоматическом режиме.
Перспективным направлением является совместный анализ в среде ГИС данных наземных наблюдений, данных дистанционного зондирования, данных о хозяйственной деятельности и данных об ослабляющих факторах. Для прогноза ситуации необходим максимум информации о факторах, влияющих на лес: метеорологических, почвенных, гидрологических, антропогенных. Такая интеграция возможна при условии открытости самих данных и форматов их распространения.
Спутниковые данные уже сейчас играют большую роль в мониторинге состояния темнохвойных лесов России. Однако наибольшего эффекта мы можем достичь, создав автоматизированную систему обработки спутниковых данных высокого разрешения и интегрировав такие данные с данными наземного мониторинга и максимальным количеством внешних данных, необходимых для прогноза лесопатологической ситуации.
Библиографический список
1. Обзор лесопатологического и санитарного состояния лесов в 2009 году в Московской области и прогноз лесопатологической ситуации на 2010 год. - Пушкино: ФГУ «Рослесозащита» 2010.
2. Обзор лесопатологического и санитарного состояния лесов в 2010 году в Московской области и прогноз лесопатологической ситуации на 2011 год. - Пушкино: ФГУ «Рослесозащита» 2011.
3. Маслов, А.Д. Методические рекомендации по надзору, учету и прогнозу массовых размножений стволовых вредителей и санитарного состояния лесов / А.Д. Маслов. - М.: ВНИЛМ, 2006. - С. 5
4. Налдеев, Д.Ф. Вспышка массового размножения короеда-типографа в национальном парке «Вод-
лозерский» Республики Карелия // Вестник Московского государственного университета леса / Д.Ф. Налдеев // Вестник МГУЛ - Лесной вестник.
- 2009. - № 5. - С. 126-127.
5. Полевой, А.В. Подходы к определению степени повреждения ельников в случае вспышки массового размножения короеда-типографа с помощью дистанционных методов / А.В. Полевой, А.Э. Ху-мала, А.Н. Щербаков и др. // Известия Санкт-Петербургской лесотехнической академии. - Вып. 187. - 2009. - C. 240-248.
6. Девятова, Н.В. Применение данных спутниковой съемки при мониторинге массового размножения сибирского шелкопряда / Н.В. Девятова, Д.В. Ершов // Известия ВУЗов. Геодезия и аэрофотосъемка. - 2008. - № 2. - С. 161-167.
7. Девятова, Н.В. Определение масштабов усыхания хвойных лесов европейского севера России по данным спутниковых наблюдений / Н.В. Девятова, Д.В. Ершов, Н.И. Лямцев и др. // Современные проблемы дистанционного зондирования Земли из космоса: сборник научных статей.
- Вып. 4. - М.: ООО «Азбука-2000», 2007. -С. 204-211
8. White, J.C., Wulder, M.A., Brooks, D., Reich, R., Wheate, R.D. 2005. Detection of red attack stage mountain pine beetle infestation with high spatial resolution satellite imagery. Remote Sensing of Environment. 96(3-4): 340 - 351.
9. Coggins, S.B., Wulder, M.A., Coops, N.C. 2008. Linking survey detection accuracy with ability to mitigate populations of mountain pine beetle. Forestry Chronicle. 84(6): 905.
10. Franklin, S.E., Wulder, M.A., Skakun, R.S. & Carroll, A.L. Mountain pine beetle red attack forest damage classification using stratified Landsat TM data in British Columbia, Canada. // Photogrammetric Engineering and Remote Sensing, 2003 №69(3): 283-288.
11. Skakun, R.S., Wulder, M.A., Franklin, S.E. Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red attack damage//Remote Sensing of Environment. 2003 №86(4): 433-443.
12. Gao B., NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment, 58, 1996, pp. 257-266.
13. Ceccato, P., Flasse, S., Tarantola, S., Jacquemond, S., Gregoire, J., Detecting vegetation water content using reflectance in the optical domain, Remote Sensing of Environment, 77, 2001, pp. 22-33
14. Wulder, M.A., White, J.C., Bentz, B.J. & Ebata, T. Augmenting the existing survey hierarchy for mountain pine beetle red attack damage with satellite remotely sensed data// The Forestry Chronicle 2006 №82(2): 187-202.
60
ЛЕСНОЙ ВЕСТНИК 4/2011
