CC BY
60
ЛЕСНОЕ ХОЗЯЙСТВО FORESTRY
УДК 528.9:630.*1
DOI: 10.25686/2306-2827.2020.1.5
АЛГОРИТМ «ДЕРЕВО РЕШЕНИЙ» ДЛЯ КЛАССИФИКАЦИИ ЛЕСОВ СИРИЙСКОЙ АРАБСКОЙ РЕСПУБЛИКИ ПО СНИМКУ SENTINEL-2
М. С. Али, О. Н. Воробьёв, Э. А. Курбанов
Поволжский государственный технологический университет, Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3 E-mail: [email protected]; [email protected]
Спутниковые данные являются источником точной и своевременной информации, необходимой для исследования состояния и динамики лесного покрова. Это особенно актуально для средиземноморских лесов, которые характеризуются пространственно-временной разнородностью, обусловленной особым климатом, флористическим биоразнообразием и топографической изменчивостью. В работе выполнена оценка возможности использования спутниковых данных системы Sentinel для картографирования лесного покрова провинции Латакия Сирийской Арабской Республики. На территории исследования был заложен 261 тестовый участок (ТУ), что позволило сформировать 13 классов наземного покрова и провести оценку точности проведённой классификации. В работе был использован пошаговый алгоритм «дерево решений», в котором использовались предикторы: вегетационный индекс (NDVI), цифровая модель рельефа (DEM), высота растительности над уровнем моря, уклон и экспозиция местности. Предварительный анализ попарной оценки по методике Джеффрис-Матусита показал высокую степень разделимости большинства используемых классов наземного покрова классов. Общая точность проведённой тематической классификации по алгоритму «дерево решений» составила 82 %, а коэффициент Каппа - 0,79. Было установлено, что хвойные леса в горных районах Латакии представлены, в основном, высокополнотными насаждениями сосны калабрийской общей площадью 52,8 тыс. га. Дубовые леса расположены на площади 30 тыс. га, а пихта киликий-ская произрастает на небольшом участке 621 га. Древесно-кустарниковая растительность занимает площадь чуть более 13 тыс. га. Проведённые исследования и полученные результаты свидетельствуют о высоком потенциале спутниковых данных Sentinel для оценки труднодоступных горных лесных насаждений. Результаты исследования могут быть использованы для повышения точности оценки количественных характеристик и динамики растительности, а также способствовать развитию долгосрочного мониторинга лесного покрова в странах Средиземноморья.
Ключевые слова: Sentinel-2; дерево решений; DEM; Сирийская Арабская Республика; Латакия; управляемая классификация; NDVI; горные леса.
Введение. Данные спутниковой съёмки разного спектрального, временного и пространственного разрешения широко
используются исследователями всего мира для оценки и мониторинга растительного покрова, прогнозирования пожарной
© Али М. С., Воробьёв О. Н., Курбанов Э. А., 2020.
Для цитирования: Али М. С., Воробьёв О. Н., Курбанов Э. А. Алгоритм «дерево решений» для классификации лесов Сирийской Арабской Республики по снимку SENTINEL-2 // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2020. № 1 (45). С. 5-30. DOI: 10.25686/2306-2827.2020.1.5
опасности лесов, влияния климата на лесные насаждения, процессов деградации и опустынивания территорий [1-3]. Использование спутниковых мультиспектраль-ных изображений среднего и высокого пространственного разрешения в ближайшие годы позволит повысить точность распознавания структуры полога, состава лесных насаждений, оценки их таксационных показателей, биологической продуктивности и биоразнообразия [4, 5].
Более детальное дешифрирование лесов с выделением отдельных древесных пород и типов леса, отличающихся своей фенологической динамикой, может быть достигнуто за счёт использования разновременных спутниковых изображений [68]. Существуют исследования, использующие метод фьюжн (слияния) двух снимков (например, Landsat-8 и Sentinel-2) для повышения точности определения древесных пород при лесной инвентаризации [9, 10]. Также научно-практический интерес представляют исследования по разработке более точных моделей на основе многолетних спутниковых данных, прогнозирующие будущие сдвиги ареалов произрастания древесных пород в связи с глобальными климатическими процессами [11, 12]. Для повышения точности картографирования растительного покрова следует использовать спутниковые данные высокого пространственного разрешения Sentinel, которые предоставляют новые возможности для создания точных наборов мультиспектральных данных в готовом к использованию векторном формате [13, 14].
В середине 2010-х годов для решения вопросов в сельском и лесном хозяйстве всё большее применение находит спутниковая система Европейского космического агентства Sentinel, которая предназначена для обеспечения наземного мониторинга и продолжения миссий Landsat и SPOT [15]. Спутник Sentinel сочетает в себе высокое пространственное (до 10 м) и временное разрешение, новые мультис-
пектральные возможности и широкий охват территории, что даёт больше преимуществ перед спутниками американской программы Landsat в области регионального земле- и лесопользования, классификации и картографирования растительного покрова [16-18]. Несмотря на такой высокий потенциал спутниковой системы Sentinel, в последние годы немного исследований было посвящено лесному картографированию, классификационным методикам и дистанционному мониторингу с использованием его изображений. Среди научных публикаций в этой области стоит отметить изучение мониторинга состояния растительного (лесного) покрова саванн и пастбищ Северной Америки [19], оценку содержания хлорофилла в листьях и растительного (лесного) покрова [20, 21], классификацию альпийской тундровой растительности в Чехии [22] и наземного покрова в Румынском Закарпатье [23].
Исследования наземного покрова по данным спутниковой съёмки особенно актуальны для средиземноморских лесов, которые характеризуются пространственно-временной разнородностью, что обусловлено особым климатом, флористическим биоразнообразием и топографической изменчивостью [24, 25]. Высокое разнообразие и фрагментированность растительного покрова, сухость почв, известняки и высокая отражательная способность в этом регионе являются ограничивающими факторами, влияющими на точность картографирования лесных насаждений [26-28]. Решение этих вопросов обычно проводится на основе различных методов классификации изображений дистанционного зондирования [29] с целью получения тематических карт наземного покрова [30]. Классификация спутниковых изображений, основанная на различиях спектральных характеристик природных объектов, представляет собой процесс выделения (дешифрирования) тематических классов наземного покрова. В
дистанционном зондировании Земли принято различать два основных направления проведения этого процесса: 1) классификация на основе пикселей и 2) объектно ориентированная классификация [31-33].
Высокую точность и эффективность при автоматизации работ показывает метод классификации спутниковых снимков на основе алгоритма «дерево решений» (Decision Tree) (далее - DT), который является одним из самых простых и часто используемых для разработки правил классификации [34, 4]. Преимущества подхода DT включают в себя способность обрабатывать данные изображений, полученные с различным пространственным разрешением (масштабом), гибкость и способность обрабатывать нелинейные связи между объектами и классами [35, 36].
Для картографирования территории г. Сямынь (КНР) был применён комплексный подход, включающий обработку мультиспектральных спутниковых изображений Landsat, множественные вегетационные индексы и топографию местности (включая цифровую модель рельефа и уклон). Результаты на основе DT демонстрируют среднюю общую точность 92,13 % классификации за период с 2003 по 2015 гг., что превышает показатели по сравнению со значениями, рассчитанными с использованием классификации максимального правдоподобия [37]. Высокую точность классификации карт растительного покрова с использованием метода DT также показали исследования для территории дельты Красной реки (Вьетнам) на основе изображений Sentinel-2 [38].
В целом алгоритм классификации DT имеет большой потенциал для картографирования растительного покрова и землепользования [39, 40], особенно когда исследователи сталкиваются с проблемой смешивания классов растительного покрова [41, 42].
В данной работе был учтён опыт вышеприведённых исследователей при про-
ведении оценки состояния и картографирования растительного покрова в Сирийской Арабской Республике (САР).
Цель работы - провести оценку возможности использования мультиспек-тральных снимков спутника Sentinel, находящихся в открытом доступе, для картографирования типов лесного покрова на территории мухафаза1 (провинция) Латакия Сирийской Арабской Республики на основе алгоритма DT.
Для достижения данной цели были решены следующие задачи:
• подобран спутниковый снимок Sentinel-2 на территорию исследования;
• получена легенда классов наземного покрова на территорию САР;
• разработан пошаговый алгоритм «дерево решений» для управляемой классификации спутникового изображения;
• проведена управляемая классификация на основе полученного алгоритма;
• проведены оценка точности проведённого картографирования и анализ распределения древесных пород мухафаза Латакия по тематическим классам.
Материалы и методы
Объектами исследования явились лесные насаждения в манатике Латакия на территории мухафаза Латакия САР, расположенной на восточном побережье Средиземного моря (рис. 1). Горные цепи в САР тянутся с севера на юг страны и включают холмистую местность, расположенную параллельно границе побережья Средиземного моря, разделяющего страну на влажную, западную часть и засушливую, восточную. Лесные территории в основном расположены в прибрежной зоне [43].
Мухафаза Латакия характеризуется полусухим средиземноморским климатом и частыми периодами засухи в летний период, что приводит к опасности возникно-
1 Административно-территориальная единица в САР. Мухафазы в свою очередь делятся на мана-тики (районы).
вения лесных пожаров, и сложностью их предотвращения и ликвидации.
Общая площадь естественных лесных насаждений САР лесов оценивается в 240 650 га, из которых на мухафазу Лата-кия приходится 37 %, что эквивалентно 85 000 га. Большие площади высокопол-нотных лесов в мухафазе Латакия расположены в горных районах с крутыми склонами [44]. Лесорастительные условия этой территории различаются в зависимости от географического положения: высоты над уровнем моря, удалённости от прибрежной зоны, степени влияния воздушных масс и осадков [45]. Близость лесов на отдельных участках к сельскохозяйственным угодьям повышает вероятность их нарушений в результате антропогенной деятельности, включая пожары. Лесные насаждения САР, произрастающие на горных массивах, распределяются на два типа:
1) лесные земли в западной части предгорных и горных районов Латакии. Их выделяют по границам высотных ярусов:
• высоты до 200-300 м над уровнем моря. На этой площади расположены небольшие участки местности, которые занимают леса с преобладанием Цератонии стручковой (Ceratonia Siliqua) и зарослей Фисташки мастичной (Pistacia Lentiscus). На этих участках лесные земли в основном имеют сельскохозяйственное назначение;
• высоты от 300 до 750 м. Этот уровень занимают насаждения с преобладанием Дуба кустарникового (Queues calli-prinos) и Фисташки палестинской (Pistacia Palaestina);
• высоты от 750 до 850 м представлены Дубом инфекторным (Quercus infectoria). На этом уровне почти не осталось леса, за исключением отдельных участков, разбросанных между сельхоз-угодиями и садами;
• высоты от 850 до 1200 м заняты насаждениями Дуба австрийского (Quer-cus cerris);
• на высотах от 1200 до 1570 м встречается Пихта киликийская (Abies cilicica);
2) восточные склоны горных массивов представлены участками лесных массивов:
• на высотах от 300 до 900 м над уровнем моря с преобладанием Дуба кустарникового (Queues calliprinos) и Фисташки палестинской (Pistacia palaestina). Начиная с 900 до 1100 м встречаются дре-востои, представленные Дубом австрийским (Quercus cerris);
• на высотах от 1100 до 1570 м на жёстких известняковых скалах произрастают насаждения с преобладанием Кедра ливанского (Cedrus Libani), а также Грабом восточным (Carpinus orientalis), Дубом ливанским (Quercus libani), Ясенем манновым (Fraxinus ornus), Дубом скальным (Quercus cedrorum) и др.
Рис. 1. Манатика Латакия на карте Сирийской Арабской Республики (Yandex карта)
Методика исследования и материалы. В работе было использовано безоблачное изображение спутника Sentinel-2B, сделанное 03.09.2017 на территорию му-хафаза Латакия [46]. Снимок участка T36SYE (Tile) Sentinel -2B MSI получен с уровнем обработки Level-1C. Работа с изображением проводилась в программных комплексах ENVI и ArcGIS. Для исследования были использованы 4 из 13 возможных спектральных каналов Sentinel-2B с пространственным разрешением 10 м (табл. 1).
Таблица 1
Характеристика спектральных каналов мультиспектрального прибора (MSI) Sentinel-2В
Снимок Sentinel-2B прошёл предварительную радиометрическую и атмосферную коррекцию. В результате этих действий на основе спектральных каналов 2, 3, 4 (RGB) и 8 (NIR) был сформирован мультиспек-тральный композит с пространственным разрешением 10 м/пкс. Для оценки растительного покрова нами был использован фрагмент сцены Sentinel-2B только на территорию мухафаза Латакия САР.
Полевые исследования. В 2018 году аспирантом Поволжского государственного технологического университета М.С. Али в районе исследования были заложены тестовые участки (ТУ) или эталоны. Подбор ТУ осуществлялся для последующей классификации, валидации и оценки точности разрабатываемого картографического материала лесного покрова мухафаза Латакия [24]. Для этого использовались существующие карты лесных насаждений на территорию исследования и материалы спутниковой съёмки высокого разрешения (Yandex, Google, SAS Planet, Sentinel-2). Главным условием при подборе ТУ была их
репрезентативная представленность во всех классах наземного покрова и равномерное распределение по территории исследования. Для идентификации на спутниковом снимке Sentinel площадь ТУ составляла на местности не менее 0,5 га. Оценка древостоев проводилась методом наземной глазомерно-измери-тельной таксации. Для выбранного ТУ определялся состав (не менее 70 % главной породы), величина проекционного покрытия, средние высота и диаметр насаждения, а также возраст преобладающей породы древостоя [47]. В течение полевого сезона 2018 года было исследовано 115 ТУ в лесных насаждениях, представленных следующими классами древесных пород:
Древостои с преобладанием Сосны калабрийской (Pinus bruita) - наиболее широко распространённой древесной породы Сирии, произрастающей в субгу-мидных и полузасушливых биоклиматических зонах от побережья Латакии в горных районах. Деревья этой породы могут достигать средней высоты 20-22 м. В зависимости от условий местопроизрастания в подлеске древостоя встречаются различные кустарники.
Древостои с преобладанием Дуба австрийского (турецкого) (Quercus cerris) занимают участки в западных предгорьях на высотах от 900 до 1250 м и между 900 и 1100 м над уровнем моря на восточных склонах. Высота деревьев может достигать до 40 м. Насаждения, представленные Дубом австрийским, могут произрастать совместно с некоторыми другими древесными породами: Дуб инфекторный/лузитанский (Quercus infectoria), Граб восточный (Carpinus orientalis), Хмелеграб обыкновенный (Ostrya carpinifolia), Багрянник европейский (Cercis siliquastrum), Ясень белый (Fraxinus ornus).
Древостои с преобладанием Кипариса вечнозелёного (Cupressus sempervirens), произрастающего на сирийско-турецкой границе. Данные древостои довольно часто имеют в подросте и подлеске следующие
Sentinel-2 Спектральный Пространственное
Karachi диапазон (мкм) разрешение, м
Band 2 - Blue 0.490 10
Band 3 - Green 0.560 10
Band 4 - Red 0.665 10
Band 8 - NIR 0.842 10
древесно-кустарниковые породы: Дуб кермесовый (Quercus calliprinos), Церато-ния стручковая (Ceratonia Siliqua), Лавр благородный (Laurus nobilis), Фисташка палестинская (Pistacia palaestina). Такие древостой в последнее время находятся в нарушенном состоянии.
Смешанные леса открытого типа (полнота менее 50 %) представляют собой древостои, состоящие из двух типов древесных пород - лиственные и хвойные. Лиственные породы могут быть представлены листопадными, например, Лавром благородным, лиственными вечнозелёными, например, Цератонией стручковой и другими породами. Хвойные насаждения представлены Соснами калабрийской (Pinus brutia) и итальянской (Pinus pinea), имеющими как естественное, так и искусственное происхождение. Все смешанные древостои могут иметь более сложный породный состав за счёт большого разнообразия в составе древостоев других древесных и кустарниковых пород.
Древесно-кустарниковая растительность имеет высоту до 3 м, включая все вышеперечисленные породы, а также Можжевельник колючий (Juniperus oxyce-drus), Цератония стручковая (Ceratonia Siliqua), Клён сирийский (Acer syriacum) и другие, которые характеризуются невысокой производительностью, что связано с худшими условиями места произрастания. В этом классе представлены, в основном, засухоустойчивые растения. Кроме того, растения этого класса обычно являются пионерами после лесных пожаров. Смешанная с деревьями кустарниковая растительность представлена породами высотой до 2 м: Ракитник мохнатый (Calycotome villosa), Дрок колюче-ветвистый (Genista acanthoclada), Ладанник (Cistus villosus). Наличие в составе такой растительности Черноголовника колючего (Poterium spinosum) указывает на сухость почвы, что может сказаться на ухудшении общего состояния лесных насаждений.
Тестовые участки в количестве 146 штук были также заложены на исследуемой территории, не покрытой древесной растительностью. Из них в дальнейшем были сформированы следующие классы наземного покрова: травянистый покров, населённые пункты, водные объекты и не покрытые растительностью. В целом для проведения классификационных процедур был заложен 261 ТУ. Все участки были равномерно распределены по всей территории исследования (рис. 2). Для управляемой классификации было отобрано 181 ТУ и 80 ТУ для оценки точности. На рис. 3 представлено пространственное и количественное распределение ТУ на территорию мухафаза Латакия.
В основу формирования классов легенды для тематических карт была положена методика международной организации FAO (Food and Agricultural Organization) LCCS (Land Cover Classification System) [48]. Предложенная методика классификации позволяет сравнивать классы (лесные страты) различных тематических карт наземного покрова, независимо от их масштаба, типа растительного покрова, метода сбора данных и географического местоположения. Кроме того, использование этой методики позволяет приблизить стандарты классификаций, применяемые различными странами, и обеспечить сопоставимость данных лесного покрова для взаимодействия между растущим количеством совместных международных программ. На основе вновь заложенных ТУ и системы классификации наземного покрова LCCS в работе были выделены доминирующие классы наземного растительного покрова. Легенда для классификации сцены Sentinel-2 была также разработана с учётом рекомендаций FAO [49] по созданию глобальных карт наземного покрова, а также снимков более высокого разрешения (табл. 2). Для валидации тематических карт были также использованы данные описания растительного покрова Министерства сельского хозяйства и аграрной реформы САР [50].
Рис. 2. Примеры тестовых участков: а) Пихта киликийская, б) Сосна калабрийская (с преобладанием этой породы), в) Дуб австрийский, г) Дуб кермесовый, д) древесно-кустарниковая растительность, е) травянистый сомкнутый, ж) цитрусовые, з) сельскохозяйственные земли, и) фруктовые деревья (оливковые сады), к) открытые участки (без растительности), л) водный объект,
м) населённый пункт
730ÛW
Класс объекта Количество ТУ Код класса для модуля DT в ENVI
ПК 4 AC
СК 41 PB
ДА 21 QPC
ДК 26 QC
ДКР 17 TS
ТС 30 HC
Ц 17 С
ППД 24 AF
СЗ 21 FT
ОУ 15 BL
НП 33 ST
В 12 W
Облака 4 CL
Рис. 3. Распределение тестовых участков на территории мухафаза Латакия по тематическим классам наземного покрова
Таблица 2
Легенда тематической карты наземного покрова мухафаза Латакия САР
Наименование класса Код класса Описание
Пихта киликийская (Abies cilicica) ПК Основной ярус представлен древостоем хвойных пород, более 7 единиц в составе насаждения высотой более 2 м и сомкнутостью полога более 60 %. Преобладающая порода - Пихта киликийская
Сосна калабрийская (Pinus brutia) СК Основной ярус представлен древостоем хвойных вечнозелёных пород, более 7 единиц в составе насаждения высотой более 3 м и сомкнутостью полога более 70 %. Преобладающая порода - Сосна калабрийская
Дуб австрийский (Quercus cerris) ДА Основной ярус представлен сомкнутым древостоем широколиственных пород деревьев высотой более 3 м и сомкнутостью полога более 70 %. Более 7 единиц в составе насаждения. Преобладающая порода - Дуб австрийский
Дуб калепринский (Quercus calliprinus) ДК Основной ярус представлен древостоем лиственных пород высотой более 2 м и сомкнутостью полога более 65 %. Преобладающая порода - Дуб калепринский составляет более 70 % от состава насаждения
Древесно-кустарниковая растительность ДКР Класс представлен низкорастущими деревьями высотой до 3 м: Pinus brutia, Quercus calliprinos, Ceratonia siliqua, Arbutus andrachne, Cotinus coggygria, и др. Преобладающая порода - Pinus brutia составляет более 50 % от состава насаждения
Травянистый сомкнутый ТС Основной ярус представлен сомкнутой многолетней травянистой растительностью, с проективным покрытием более 65 %
Цитрусовые Ц Основной ярус представлен цитрусовыми деревьями высотой более 1,5 м и сомкнутостью полога 60-80 %
Сельскохозяйственные земли СЗ Сезонный максимум сельхозрастений соответствует 60-100 % занимаемой площади. Земли, в основном, используются под выращивание злаковых и овощных культур
Плантации плодовых деревьев ППД В основном класс представлен оливковыми насаждениями высотой более 2 ми сомкнутостью полога 30-60 %. Земли используются также под посадку и других фруктовых деревьев
Без растительности (открытые участки) ОУ Участки без растительного покрова или с покровом менее 10 % в течение 10 и более месяцев в году (песчаные карьеры, суглинистые почвы)
Населённые пункты (города, посёлки) НП Класс представлен искусственными объектами, где площадь зданий и сооружений составляет более 40 %; включает смешанный древесный растительный покров с высотой деревьев выше 3 м и сомкнутостью полога менее 10 %
Водный объект В Класс представлен водоёмами с наличием воды более 11 месяцев в году
Облака О Класс представлен облачным покровом и тенями от облаков
Методика оценки наземного покрова мухафаза Латакия САР состояла из четырёх основных этапов (рис. 4):
1. Предварительная подготовка спутникового изображения.
2. Формирование набора данных для проведения классификации спутникового
изображения методом DT (обучающей выборки на основе DEM местности) и разработка легенды классов наземного растительного покрова.
3. Проведение классификации методом DT.
4. Оценка точности классификации.
Рис. 4. Блок-схема алгоритма тематического картографирования
Обучающая выборка. Набор данных для проведения классификации фрагмента сцены Sentinel-2B методом DT включал в себя обучающую и контрольную выборку (для классификации и оценки точности) в виде отдельных ROI (Region of interest), полученных ранее для каждого тематического класса наземного покрова на основе тестовых участков. Эти данные позволяют оценить морфологические особенности исследуемой растительности, а также выявить структурные и физические характеристики объектов, не попадающих в класс «лесная растительность». Точность тематической классификации в основном определяется степенью спектральной разделимости ROI.
Определение спектральной разделимости природных объектов на местности с высокой степенью фрагментаций или сложным рельефом на спутниковых изображениях с низким или средним разрешением является непростой задачей. Поэтому в исследовании для оценки подобранных ТУ и возможности их выделения на спутниковом снимке Sentinel-2B проводился предварительный анализ спектральной разделимости изучаемых классов наземного покрова. Для этого подго-
товленные ТУ в виде ROI были проанализированы на спектральную разделимость по методике Джеффрис-Матусита (JM) (мера межкластерного расстояния), которая вычисляется путём сравнения каждой пары ТУ [51, 52]. Значения статистической разделимости выбранных ROI могут варьировать от 0 до 2, а значение индекса выше 1,4 свидетельствует о приемлемой спектральной разделимости исследуемых классов наземного покрова [53].
Параметры (предикторы) классификации. Для повышения точности и эффективности разделимости классов разработанной легенды с учётом всех возможных факторов, влияющих на пространственное распределение растительного покрова, в исследовании при составлении алгоритма классификации были использованы несколько дополнительных параметров (предикторов). Для оценки биологической продуктивности и различимости растительного полога по группам относительных полнот был использован вегетационный индекс NDVI (нормализованный разностный вегетационный индекс).
Важным предиктором при классификации, особенно для условий горной части
Латакии, является рельеф местности. В работе в качестве данного параметра в алгоритме классификации была использована DEM, полученная с сайта USGS [54]. В работе учитывались следующие особенности местности на основе DEM: высота над уровнем моря, уклон и экспозиция местности. Кроме того, были использованы спектральные характеристики классов объектов наземного покрова в каналах RED и NIR спутника Sentinel-2B.
Классификация спутникового изображения. В работе был применён метод DT, который широко используется в машинном обучении, классификации изображений ДЗЗ, интеллектуальном анализе данных и статистике. К преимуществам DT относится возможность объединения сложных параметров, связанных с рельефом местности, текстурой, спектральным и пространственным распределением объектов наземного покрова, используемых для повышения точности классификации спутниковых изображений [55].
Модель DT может быть выражена в виде простого набора правил принятия решений и модифицирована под требуе-
мые задачи [56]. Графическая структура дерева состоит из «листьев» и «веток». На «ветках» DT вписывают показатели (параметры), которые задают целевую функцию. В структуру «листья» записывают значения самой функции. Сам классификатор DT является непараметрическим классификатором, не требующим априорной статистики и предположений относительно распределения имеющихся данных. В нашем случае в алгоритме DT использованы выделенные ROI. В конечном итоге, на основании этой структуры создаётся модель, которая предсказывает значение целевой переменной на основе нескольких переменных на входе.
Алгоритм, используемый для классификации спутникового изображения в виде архитектуры DT показан на рис. 5. Классификатор DT выполняет многоступенчатые классификации с использованием серии бинарных решений для объединения пикселей в различные классы. Каждое решение (шаг) делит пиксели в наборе изображений на два класса. В классификаторе применена кодировка классов в англоязычной версии (см. рис. 3).
Рис. 5. Общий алгоритм «дерево решений». Классификаторы: а) блок дифференциации классов по пороговым значениям NDVI, б) блок дифференциации лесных территорий (NDVI > 0,8) по пороговым значениям ЦМР (DEM), экспозиции и уклонов местности, значениям RED и NIR; в) блок дифференциации лесных и нелесных классов наземного покрова (NDVI < 0,8) по пороговым значениям
ЦМР (DEM), экспозиции, значениям RED и NIR
В исследовании при формировании пошаговой архитектуры DT использовались целевые переменные пороговых значений спектральных данных, полученные на основании распределения пикселей тематических классов в пространстве признаков. Для этого использовались значения NDVI [57] растительного покрова местности, спектральных диапазонов NIR и RED, а также DEM (рис. 5). Для предиктора NDVI было задано пороговое значение выше 0,8 ед., что позволило при классификации выделить участки местности с максимальным покрытием растительности, которые в последующем были отнесены к классу «лесные земли» (рис. 6, а).
Таким образом, в процессе этого шага классификации по алгоритму DT было проведено первое бинарное разделение исследуемой территории на лесные (NDVI > 0,8) и нелесные участки (NDVI < 0,8). Каждый последующий корректирующий шаг выделения масок участков лесных или нелесных земель в процессе классификации проводился на основе фиксированных спектральных пороговых значений ROI, полученных в результате анализа данных в пространстве признаков (предикторы NDVI, DEM, RED и NIR). В частности, для повышения точности дешифрирования породного состава лесного покрова применялась дифференцированная система масок различных классов лесных участков, полученных в соответствии с разработанной легендой. При этом во внимание принимались такие предикторы, как высотная зональность распределения лесных классов над уровнем моря DEM, значения NDVI (запас и полнота растительности), уклоны местности (пологие склоны лучше освещены) и экспозиция (в горной местности в зависимости от сторон света произрастают разные породы деревьев). Таким образом, удалось выявить выдела доминирующих лесных пород, характеризующихся значительными различиями как по условиям место-
произрастания, так и по спектральным характеристикам.
В процессе классификации в первую очередь были выделены участки средне- и высокополнотных древостоев хвойных пород, представленные Пихтой киликий-ской ПК (АС) и Сосной калабрийской СК (PB) (обозначения см. на рис. 3). Такие лесные участки чаще всего встречаются на разных высотах западных и северозападных склонов гор. Дубовые леса ДА (QPC) и ДК (QC) произрастают на восточных и юго-восточных склонах гор Латакии в диапазоне высот от 200 до 1000 м над уровнем моря, склоны которых достигают уровня выше 450. Разделимость по породному составу лесов с преобладанием дуба (Q) и смешанных хвойно-лиственных ДКР (TS) проводилась по пороговым значениям их средних спектральных характеристик в красной (RED) и ближней инфракрасной (NIR) зонах спектра спутника Sentinel-2 (рис. 6, б). В пошаговую схему классификации методом DT также включался показатель DEM и его производные - карта уклонов и экспозиции (рис. 6 б, в).
Подобным же образом по заданному алгоритму DT проводилась классификация участков, имеющих значения NDVI < 0,8. В этот тематический класс исследуемой территории вошли лесные насаждения низкой полноты, кустарниковая растительность и травянистый покров. Разделимость древесных пород на лесной выдел также проводилась на основе высотного распределения места их произрастания и экспозиции склона местности. Чем выше располагался участок, тем более он был покрыт древесной растительностью, представленной в основном дубовыми, хвойными или смешанными насаждениями (PB, QPC и TS). В предгорье и на высотах от 100 до 700 м встречаются низко- и среднеполнотные лесные насаждения, а также плантации цитрусовых насаждений.
в) I г)
Рис. 6. Предикторы в модели DT: а) NDVI, б) карта экспозиции, в) карта уклонов местности,
г) DEM (высота над уровнем моря)
На равнинной местности доминируют сельскохозяйственные и плодоовощные культуры, смешивающиеся в процессе классификации с кустарниковой и травянистой растительностью. Разделимость объектов на тематические классы для равнинной местности проводилась по пороговым значениям их спектральных характеристик в каналах NIR и RED. Участки со значением NDVI < 0,25 были идентифицированы как земли, не покрытые растительным по-
кровом (выход грунта, песчаные поверхности, объекты искусственного происхождения, транспортные сети и т. п., рис. 6, в).
После проведения классификации снимка Sentinel-2B полученные тематические классы прошли процедуру генерализации в программном пакете ENVI с плавающим окном 3х3 пикселя и векторизацию в программном пакете ArcMap.
Результаты и обсуждение. Проведение предварительной попарной оценки
разделимости ROI по методике Джефф-рис-Матусита позволило проанализировать её эффективность при последующей попарной оценке всех объектов разработанной легенды для мухафаза Латакии, вовлечённых в процесс классификации. Результат этого анализа разделимости представлен в табл.3.
Анализ попарной разделимости по методике JM свидетельствует о высокой разделимости для большинства рассматриваемых ROI, значения статистической разделимости для которых составляют выше 1,4. Значения расстояния JM в пределах 1,6-1,8 для классов ДК-ДА, ДК-ДКР, ДКР-Ц,
ДК-Ц (обозначения в табл. 2). показывают сложность выявления различий между ними, несмотря на использование оптимально подобранных классификационных признаков (анализ пороговых спектральных значений, DEM, уклон местности и т. п.). Экспертный анализ в программном пакете ENVI позволяет визуально оценить степень разделимости классов наземного покрова в пределах облака спектральных значений по данным набранных ROI четырёх спектральных каналов Sentinel-2. Диаграмма рассеяния для 6 и 2 классов растительного покрова в пространстве спектральных значений показана на рис. 7.
Таблица 3
Разделимость классов наземного покрова Латакии по методике Джеффрис - Матусита
ПК СК ДА ДК ДКР ТС Ц СЗ ППД ОУ НП В О
ПК 1,79 1,94 1,87 1,94 1,99 1,99 1,99 1,99 2,00 1,99 2,00 2,00
СК 1,72 1,68 1,66 1,98 1,82 1,98 2,00 2,00 2,00 2,00 2,00
ДА 1,66 1,72 1,87 1,94 1,99 1,76 1,99 1,97 2,00 1,99
ДК 1,57 1,87 1,64 2,00 1,99 2,00 2,00 2,00 2,00
ДКР 1,77 1,65 1,85 1,87 1,99 1,88 1,98 2,00
ТС 1,81 1,65 1,88 1,96 2,00 1,86 1,99
Ц 1,90 1,99 1,99 2,00 1,99 2,00
СЗ 1,72 1,93 1,90 1,99 2,00
ППД 1,99 1,78 2,00 2,00
ОУ 1,91 2,00 2,00
НП 2,00 2,00
В 2,00
О
ППД СЗ
ДРК Ц
ДК ДА
СК ТС
Рис. 7. Диаграмма рассеяния спектральных .значений: а) 6 классов растительного покрова мухафаза Латакия САР, б) двух классов: лес (СК) и травянистая растительность (ТС) (обозначения и характеристику классов наземного покрова см. в табл. 2)
0,6
Рис. 8. Кривые спектральной яркости для 13
оцениваемых классов наземного покрова территории исследования по спектральным каналам
Как видно из рис. 7, в некоторых случаях границы перехода одного класса в другой достаточно условны. Для близких по породному составу классов ДК и ДА наблюдается относительное смешивание, что связано со схожестью в вегетации и спектральных характеристиках. Тем не менее, эти классы лесного покрова могут отличаться по форме крон, пространственному распределению, текстуре рисунка полога, а также спектральными характеристиками в каждом канале. Иначе говоря, несмотря на близость спектральных значений для оцениваемых классов древесно-растительного покрова, они имеют свои индивидуальные особенности. Это позволяет выделить их при сравнительном статистическом анализе спектральных данных.
По рис. 8 видно, что на снимке Senti-пе1-2В классы наземного покрова, представленные растительностью высокой густоты (особенно в красной - Ь3, зелёной -Ь2 и синей - Ь1 зонах электромагнитного спектра), имеют также близкие спектральные значения. Тем не менее, даже визуально (графически) наблюдается чёткое различие между всеми классами
наземного покрова мухафаза Латакия. За исключением классов «населённые пункты» и «открытые участки», значение JM для которых в большинстве случаев приближается к 2.
Анализ спектральных кривых (рис. 8) показывает, что при явной близости спектральных значений для классов с высокой степенью вегетации, особенно в видимой зоне спектра, в целом наблюдается разделимость между исследуемыми классами. Всё это свидетельствует о том, что группы подобранных ROI (ТУ) для обучающей выборки и оценки точности могут быть использованы для проведения дальнейшей процедуры управляемой классификации изображения Sentinel-2.
В связи со сложностью рельефа му-хафаза Латакия, а также перемешиванием пикселей некоторых классов в пространстве признаков (рис. 7) процесс классификации проводился в несколько этапов. К ним относятся классы наземного покрова: травянистая растительность (ТС), дубовые насаждения (ДА и ДК), древесно-кустар-никовая растительность (ДКР). Для повышения точности тематических карт близкие по спектральным характеристикам классы растительного покрова, расположенные в диапазоне 0,01 - 0,15 мкм, прошли вторичную классификацию. Для этого были проведены соответствующие этапы пошаговой классификации (выделение отдельных кластеров, вторичная классификация, объединение или разъединение классов, промежуточная оценка точности и т. п.).
После проведения всех этих процедур классификации был получен картографический материал на территорию мухафаза Латакия (рис. 9).
Оценка точности. Точность тематического картографирования была проведена с использованием матрицы различий. Для проведения процедуры оценки точности классификации были использованы данные ТУ со средним размером не менее 9^9 пикселей. В табл. 4 приведены данные подробной оценки точности проведённой классификации типов наземного покрова, включая точность пользователя и произво-
дителя. Из данных матрицы различий (табл. 4) следует, что практически каждый из 13 полученных классов наземного покрова имеет незначительные ошибки, возникшие в процессе классификации. Например, для хвойных и лиственных дре-востоев классов ПК, СК, ДА, ДК точности производителя и пользователя показали уровень более 80 %. Между тем класс ДКР получил наименьшую точность производителя (76,2 %), и, следовательно, он имел наибольшую «ошибку пропуска» среди всех лесных классов при классификации. Иначе говоря, при классификации часть пикселей, предназначенных для ДКР, была ошибочно не отнесена (пропущена) к этому классу наземного покрова.
Точность производителя для представленных классов варьирует от 51,1 до 99,8 %, а точность пользователя - от 60,1 до 94,2 % соответственно. Такое расхождение в критериях оценки точности объясняется сложностью исследуемого рельефа местности и вероятностью перемешивания тематических классов, близких по своим спектральным характеристикам. Тем не менее, общая точность классификации составила 0,82. Значение коэффициента Каппа достигает 0,79, что говорит о высокой степени точности полученной тематической карты на территорию исследования [58].
Классы Ц (цитрусовые), В (водные объекты) и О (облака) имеют наибольшую точность производителя (более 90 %), что свидетельствует о наименьшей ошибке пропуска. Для классов ТС и ППД точность производителя составила лишь 51,1 и 56,5 % соответственно. В процессе классификации часть пикселей класса ТС были ошибочно отнесены к классу ДКР, а пиксели класса ППД к классу ТС. Это объясняется схожестью спектральных характеристик этих классов. Смешивание пикселей тематических классов древостоев лиственных и хвойных пород является обычным явлением при таком методе классификации, потому что большинство исследуемых древостоев имели в примеси другие древесные породы, влияющие на смежные группы пикселей.
Кроме того, изменения в спектральной отражательной способности для одного и того же объекта местности, вызванные углом наклона солнца и уклоном на местности в разное время, также могут привести к вероятной ошибке (смешиванию пикселей) при классификации. Некоторые объекты наземного покрова или типы лесной древесно-кустарниковой растительности могут быть весьма неоднородны на спутниковом изображении с точки зрения ландшафта и отсутствия явных границ между классами (пример СЗ и ТС или ДА и ДК), что повышает сложность классификации.
По результатам классификации были получены пространственные и количественные характеристики распределения классов наземного покрова на территории мухафаза Латакия (табл. 5).
Анализ распределения тематических классов на вновь полученной карте наземного (растительного) покрова показал, что лесные участки (ПК, СК, ДА, ДК и ДКР) занимают 37,1 % площади му-хафаза Латакия (табл. 5). Большая часть лесных участков, представленная в основном хвойными породами, расположена в северной части Латакии. Смешанные и условно чистые дубовые древостои произрастают как в центральной, так и юго-восточной части территории исследования (см. рис. 9).
В последние десятилетия в САР одним из главных факторов потери лесных насаждений является активный перевод лесных участков под сельскохозяйственные земли, что обусловлено экономическими условиями этой страны и ростом численности её населения [26]. Согласно полученным нами данным, из 62,9 % не покрытых древесной растительностью земель более половины (106344 га, или 70 %) приходится на земли садов и сельскохозяйственных угодий, на которых выращиваются плодовые деревья (классы Ц и ППД) и овощные культуры (СЗ). Это особенно характерно для прибрежной зоны мухафаза Латакия, на которой расположены значительные площади цитрусовых садов.
Таблица 4
Матрица различий точности классификации спутникового изображения Sentinel
Классы ПК СК ДА ДК ДКР ТС Ц ППД СЗ ОУ НП В О Всего Точность пользователя иА, %
ПК 147 0 55 42 0 0 0 0 0 0 0 0 0 202 72,7
СК 0 2608 8 205 213 5 29 0 4 0 1 0 0 3073 84,8
ДА 5 0 1727 239 0 0 0 0 0 0 0 0 0 1971 87,6
ДК 21 90 197 5185 10 0 0 0 0 0 0 0 0 5503 94,2
ДКР 0 201 1 0 1287 415 0 0 64 0 0 0 0 2016 63,8
ТС 0 4 0 0 131 1334 0 1 43 0 6 0 0 1519 87,8
Ц 0 0 0 0 0 31 2795 0 74 0 0 0 0 2900 96,3
ППД 0 0 0 0 0 12 0 1608 132 39 37 0 0 1828 87,9
СЗ 0 2 0 2 0 529 173 11 1172 1 12 0 0 1948 60,1
ОУ 0 0 0 0 0 0 0 1346 0 442 174 0 1 1963 22,5
НП 0 0 0 0 0 35 0 41 6 10 1025 0 0 1117 91,7
В 0 0 5 0 0 0 0 0 0 0 0 3344 0 3556 94,0
О 0 0 0 207 0 0 0 134 0 32 3 0 773 942 82,0
Всего 173 2905 1993 5880 1687 2361 2997 3141 1495 524 1264 3344 774
Точность производителя, РА% 84,9 89,7 86,6 88,1 76,2 51,1 93,2 56,5 78,3 84, 3 81,0 99,8 99, 8
Примечание: обозначения и характеристика классов наземного покрова см. в табл. 2
Рис. 9. Итоговая тематическая карта на территорию Латакии: а) с легендой на 13 классов (см. табл. 2), б) пространственное распределение лесных пород
Таблица 5
Распределение классов наземного покрова мухафаза Латакия по площади
Код по легенде Площадь, га Площадь,%
ПК 621 0,3
CK 39 006,6 16,3
ДА 5 960,2 2,5
ДК 29 985,8 12,5
ДКР 13 190,6 5,5
ТС 27 167,1 11,3
Ц 18 779 7,9
ППД 26 834,2 11,2
СЗ 60 730,69 25,4
ОУ 1 926,15 0,8
НП 12 840,4 5,4
В 1 366,93 0,6
О 697,29 0,3
Итого 239 106,1 100,0
Вторым фактором, влияющим на лесистость САР, являются лесные пожары. В горных районах страны пожары происходят в основном на южных склонах, температурный режим на которых гораздо выше в течение года (особенно в летний период). За последние 10 лет (с 2007 по 2017 гг.) в стране выгорело около 14 000 га лесных земель [44]. Естественное лесовозобновление на гарях происходит в основном за счёт сосны калабрий-ской и разных видов дуба, а также кустарниковой растительности, что связано с особенностями структуры горных ландшафтов и почвенными условиями.
Анализ распределения классов лесного покрова показал, что большинство лесов мухафаза Латакия расположены в горных районах с высоким углом уклона (высокие горы и крутые склоны). Хвойные леса в Латакии представлены в основном высо-кополнотными насаждениями общей площадью 52,8 тыс. га. Подлесок таких насаждений представлен различными кустарниками и травянистой растительностью, что характерно для лесов с повышенным уровнем пожароопасности.
В естественном распространении лесных пород на территории Латакии решающую роль играют высотная зональность и почвы. Дуб кустарниковый произрастает обычно на бедных поверхностных почвах и, следовательно, занимает обширные территории южных горных цепей мухафа-за Латакия на западных и восточных склонах. Хвойные леса, представленные в основном Сосной калабрийской (16,3 % от всех исследуемых классов наземного покрова и 43 % от лесных участков), произрастают на площади 39 000 га от прибрежной части Латакии до горных склонов высотой 950 м над уровнем моря. Сосна калабрийская встречается как в чистых, так и в смешанных насаждениях. Пихта киликийская произрастает на небольшом участке в 621 га восточной части Латакии, что составляет 0,7 % от всей её лесной площади.
Использованная методика пошаговой классификации позволила выделить участки дубовых древостоев с преобладанием Дуба кермесового на площади 29 985,8 га (12,5 %) лесной территории и насаждения Дуба австрийского, произрастающего на площади 5 960,2 га (2,5 %). Эти два вида дуба встречаются в основном в восточной и юго-восточной части территории исследования. Всего лиственные дубовые леса занимают почти 36 тыс. га, или 15 % от общей лесной площади мухафаза Латакия (табл. 5).
Выводы. Предложено использовать алгоритм «дерево решений» для картографирования труднодоступных горных экосистем мухафаза Латакия САР по данным спутниковых изображений Sentinel-2. Иерархическая классификация методом DT основана на синергетическом подходе, объединяющем управляемую и неуправляемую классификацию с системой поддержки принятия решений. Такой метод показал большой потенциал для иерархической классификации спутниковых данных среднего разрешения с высокой точностью картографирования наземного покрова (общая точность классификации -82 %, Каппа 0,79).
Повышению точности управляемой классификации по алгоритму DT способствует использование дополнительных данных (предикторов), к которым в нашем исследовании относятся цифровая модель рельефа, высотная зональность, экспозиция местности, склоны горных участков, вегетационный индекс NDVI, спектральные характеристики объектов в каналах RED и NIR. Эти данные позволили повысить общую точность и эффективность дешифрирования типов леса, что особенно важно при оценке пространственного распределения классов растительного покрова на горных участках. Объектно ориентированные классификаторы могут обеспечить более быстрые и точные результаты применительно к лесным насаждениям. Результаты исследования также показывают, что инте-
грация функций пространственного анализа и ГИС повышают общую точность классификации спутникового изображения Sen-Йпе1-2В по предложенному алгоритму, что подчёркивает важность использования топографических и фенологических данных для идентификации типа леса.
Спутниковые данные временных рядов Sentinel-2 ввиду высокого пространственного разрешения предоставляют новые возможности для проведения долгосрочного мониторинга наземного покрова
в целом для всей Сирийской Арабской Республики. Использование данных спутника Sentinel-2 в сочетании с ГИС-технологиями позволяет проводить высококачественный мониторинг окружающей среды с целью обнаружения изменений, которые могут помочь при оценке процесса сведения и деградации лесов. Предложенный алгоритм «дерево решений» позволяет дешифрировать типы лесов на территории всей Сирийской Арабской Республики и соседних стран региона.
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-55-80010\19.
Список литературы
1. Land management and the impact of the 2010 extreme drought event on the agricultural and ecological systems of European Russia / T. Loboda, O. Krankina, I. Savin et al. // Land-Cover and Land-Use Changes in Eastern Europe after the Collapse of the Soviet Union in 1991. Eds. G. Gutman, R. Volker. 2017. P. 173-192.
2. Терехин Э.А. Оценка нарушенное™ лесных экосистем юго-запада Среднерусской возвышенности с применением материалов космических съёмок // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 4. С. 112-124.
3. Дистанционный мониторинг устойчивости лесных экосистем: монография / О.Н. Воробьёв Э.А .Курбанов, Е.Н. Демишева и др. Йошкар-Ола: Поволжский государственный технологический университет, 2019. 166 с.
4. Review of studies on tree species classification from remotely sensed data / E.F. Fassnacht, H. Latifi, K. Sterenczak, et al. // Remote Sensing of Environment. 2016. Vol. 186. P. 64-87.
5. Pouteau R., Gillespie W. T., Birnbaum P. Predicting Tropical Tree Species Richness from Normalized Difference Vegetation Index Time Series: The Devil Is Perhaps Not in the Detail // Remote Sensing. 2018. Vol. 10 (5). P.698.
6. Жарко В.О., Барталев С. А. Оценка распознаваемости древесных пород леса на основе спутниковых данных о сезонных изменениях их спек-тральноотражательных характеристик // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 3. С. 159-170.
7. Mapping tree species of forests in southwest France using Sentinel-2 image time series. 9th International Workshop on the Analysis of Multitemporal / N. Karasiak, D. Sheeren, M. Fauvel et al. // Remote Sensing Images (MultiTemp). Brugge. 2017. Pp. 1- 4.
8. Распознавание лесных насаждений и доминирующих древесных пород Пензенской области по данным спутника Sentinel-2 / Э.А. Курбанов, О.Н. Воробьёв, С.А. Меньшиков и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5.
C. 154-166.
9. Wang Q., Blackburn A G., Onojeghuo O. A. Fusion of Landsat 8 Oli and Sentinel-2 MSI data // IEEE Trans Geosci. Remote Sensing. 2017. P. 1-15.
10. Wang Q., Atkinson M. P. Spatiotemporal fusion for daily Sentinel-2 images // Remote Sensing of Environment. 2018. Vol. 204. P. 31- 42.
11. Tree species classification in temperate forests using Formosat-2 satellite image time series /
D. Sheeren, M. Fauvel, V. Josipovic et al. // Remote Sensing. 2016. Vol. 8. № 734. P. 1-29.
12. Wang Y., Lu D. Mapping Torreya Grandis spatial distribution using high spatial resolution satellite imagery with the expert rules-based approach // Remote Sensing. 2017. Vol 9. (564). Pp. 1-19.
13. Puletti N., Chianucci F., Castaldi C. Use of Sen-tinel-2 for forest classification in Mediterranean environments // Annals of silvicultural research. 2017. P. 1 - 7.
14. Belgiua M., Csillik O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis // Remote Sensing of Environment. 2018. Vol. 204. P. 509-523.
15. ESA Introducing Sentinel-2. URL: http://www.esa.int/Our_Activities/Observing_the_Eart h/Copernicus/Sentinel-2/Introducing_Sentinel-2
16. Immitzer M., Vuolo F., Atzberger C. First Experience with Sentinel-2 data for crop and tree species classifications in Central Europe // Remote Sensing. 2016. Vol 8 (166). P. 1-27.
17. Performance evaluation of downscaling Sentinel-2 imagery for Land Use and Land Cover classification by Spectral-Spatial features / H. Zheng,
P. Du, J. Chen et al. // Remote Sensing. 2017. Vol. 9 (1274). P. 1-17.
18. Четыре десятилетия исследований лесов по снимкам Landsat / Э.А. Курбанов, О.Н. Воробьёв, А. В. Губаев и др. // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2014. № 1(21). С. 18-32.
19. Hill M.J. Vegetation index suites as indicators of vegetation state in grassland and savanna: An analysis with simulated Sentinel-2 data for a North American transect // Remote Sensing of Environment. 2013. Vol. 137. P. 94-111.
20. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation / W.J. Frampton, J. Dash, G. Watmough et al. // ISPRS Journal of Photogrammetry and Remote Sensing. 2013. Vol. 82. P. 83-92.
21. Chlorophyll content estimation in an open-canopy conifer forest with Sentinel-2A and hyperspec-tral imagery in the context of forest decline / P.J. Zarco-Tejada, A. Hornero, P.S.A. Beck et al. // Remote Sensing of Environment. 2019. Vol. 223. P. 320-335.
22. Classification of tundra vegetation in the Krkonose Mts. National Park using APEX, AISA Dual and Sentinel-2A data / L. Kupkova, L. Cervena, R. Sucha et al. // European Journal of Remote Sensing. 2017. Vol. 50. P. 29-46.
23. Land cover classification in Romanian Carpathians and Subcarpathians using multi-date Sentinel-2 remote sensing imagery / M.R. Rujoiu-Mare,
B. Olariu, B. A. Mihai et al. // European Journal of Remote Sensing. 2017. Vol. 50. P. 496-508.
24.Али М.С. Картографирование растительного покрова Сирийской Арабской Республики по данным спутника MODIS // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей [Электронный ресурс]. Йошкар-Ола: ПГТУ. 2017. № 3. С. 74-84.
25. Воробьёв О.Н., Али М.С. Классификация лесного покрова мухафаза Латакия Сирийской Арабской Республики по данным спутника Sentinel-2 // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей. Йошкар-Ола: ПГТУ, 2018. № 4. С. 110-122.
26. Evaluating Hyperion capability for land cover mapping in a fragmented ecosystem: Pollino National Park, Italy / S. Pignatti, R. M. Cavalli, V. Cuomo et al. // Remote Sensing of Environment. 2009. Vol. 113 (3). P. 622-634.
27. Mediterranean forest mapping using hyper-spectral satellite imagery / S. Etteieb, M. Louhaichi,
C. Kalaitzidis, et al. // Arabian Journal of Geoscienc-es. 2013. Vol. 6. Iss. 12. P. 5017-5032.
28. Gomariz-Castillo F., Alonso-Sarria F., Canovas-Garcia F. Improving Classification Accuracy of
Multi-Temporal Landsat Images by Assessing the Use of Different Algorithms, Textural and Ancillary Information for a Mediterranean Semiarid Area from 2000 to 2015 // Remote Sensing. 2017. Vol. 9 (1058). P. 1-23.
29. Noi P.T., Kappas M. Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery // Sensors. 2017. Vol. 18 (1). P. 1-20.
30. Спутниковое картографирование растительного покрова России / С.А. Барталев, В. А. Егоров,
B. О. Жарко и др. М.: ИКИ РАН, 2016. 208 с.
31. Geographic object-based image analysis- towards a new paradigm / T. Blaschke, G. J. Hay, M. Kelly et al. // ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 87. Pp. 180-191.
32. Курбанов Э.А. Два десятилетия исследований растительного покрова по MODIS // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей [Электронный ресурс]. Йошкар-Ола: ПГТУ, 2016. С. 123-132.
33. Enhancing Land Cover Mapping through Integration of Pixel-Based and Object-Based Classifications from Remotely Sensed Imagery / Y. Chen, Y. Zhou, Y. Ge et al. // Remote Sensing. 2018. Vol 10 (77). P. 1-15.
34. Classification of land-cover types in muddy tidal flat wetlands using remote sensing data /
C. Wang, H. Y. Liu, Y. Zhang et al. // Journal of applied Remote Sensing. 2013. Vol. 7. ID. 073457.
35. Pal M., Mather P. M. An Assessment of the effectiveness of decision tree methods for land cover classification // Remote Sensing of Environment. 2003. № 86 (4). P. 554-565.
36. Verma N., Mishra P., Purohit N. Development of a knowledge based decision tree classifier using hybrid polarimetric SAR observables // International Journal of Remote Sensing. 2020. Vol. 41. № 4. P. 1302-1320.
37. A feature-based approach of decision tree classification to map time series urban Land Use and Land Cover with Landsat 5 TM and Landsat 8 OLI in a coastal city, China / L. Hua, X. Zhang, X. Chen et al. // International Journal of Geo-Information. 2017. Vol. 6. № 331. ID: 0331. P. 1-18.
38. Thanh N.P., Kappas M. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sen-tinel-2 imagery // Sensors. 2018. Vol. 18(18). P. 1 - 20.
39. Srimani P.K., Prasad S. N. Decision tree classification model for land use and land cover mapping - a case study // International Journal of Current Research. 2012. Vol. 4. № 5. P. 177-181.
40. Improving land use/land cover classification by integrating pixel unmixing and decision tree methods / C. Yang, G. Wu, K. Ding et al. // Remote Sensing. 2017. Vol. 9. № 12. P. 1222.
41. Land use/cover change modelling in a Mediterranean rural landscape using multi-layer perception and Markov chain (mlp-mc) / M.E. Mirici, S.Beiberoglu,
A.Akin et al. // Applied Ecology and Environmental research. 2017. Vol. 16. № 1. P. 467-486.
42. Accuracy assessment of a 122 classes land cover map based on Sentinel-2, Landsat 8 and Dei-mos-1 images and ancillary data / V.P. Gómez, V. D.
B. Medina, J. L. Bengoa et al. // IGARSS. 2018. № 12. P. 5457-5460.
43. Атлас Мира. Азия - географический атлас. http://world-karta.ru/syria-map.html.
44. Lattakia agriculture directorate. Forest Fire Management Plan / 2018 / Lattakia 2018. P. 1- 48.
45. Хуссейн А., Моваффак Д., Юсеф В. Национальный доклад о биологическом разнообразии генетических ресурсов для производства продовольствия и ведения сельского хозяйства в Сирийской Арабской Республике. Дамаск, 2016. 212 C. (перевод с арабского) http://www.fao.org/3/ca4785ar/ca4785ar.pdf
46. Copernicus scientific data hub [Electronic resource]. URL: https://scihub.copernicus.eu/
47. Оценка точности и сопоставимости тематических карт лесного покрова разного пространственного разрешения на примере Среднего Поволжья / Э.А. Курбанов, О. Н. Воробьёв, А. В. Гу-баев и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 1. С. 36-48.
48. Система классификации земного покрова (LCCS): Понятия классификации и руководство пользователя / Организация ООН по вопросам продовольствия и сельского хозяйства. Рим, 2005. 108 с.
49. Legend of the global CCI-LC maps, based on LCCS [Electronic resource]. URL: https://maps.elie.ucl.ac.be/CCI/viewer/. 25.12.2019.
50. Али М.С. Спектральная разделимость классов наземного покрова мухафаза Латакия Сирийской Арабской Республики по данным спутника Sentinel-2 // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: сборник научных статей [Электронный ресурс]. Йошкар-Ола: ПГТУ, 2019. № 5. С. 114-125.
51. Separability analysis of Sentinel-2A multi-spectral instrument (MSI) data for burned area discrimination / H. Huang, D. P. Roy, L. Boschetti et al. // Remote Sensing. 2016. Vol. 8. № 10. 873.
52. Tree species classification with Sentinel-2 data in European part of Russia / E.A. Kurbanov, O. N. Vorobev, S. A. Menshikov et al. // Earth observation advancements in a changing world. 2019. Vol. 1. Pp. 33-36.
53. Chuvieco E. Fundamentals of satellite remote sensing: an environmental approach. Second Edition. Boca Raton. London. New York: CRC Press Taylor & Francis. 2016. 468 p.
54. SRTM 1 Arc-Second Global (Digital Object Identifier (DOI) number: /10.5066/F7PR7TFT)
55. Persson M. E., Lindberg E. H., Reese H. Tree species classification using multi-temporal Sentinel-2 data // Remote Sensing. 2018. Vol. 10(11). 1794 P.
56. Forest Type Identification with Random Forest Using Sentinel-1A, Sentinel-2A, Multi-Temporal Landsat-8 and DEM Data / Y. Liu, W. Gong, X. Hu et al. // Remote Sensing. 2018. Vol. 10 (946). P. 2-25
57. Pettorelli N. The Normalized Difference Vegetation Index. Oxford, 2013. 194 p.
58. Тематическое картирование растительного покрова по спутниковым снимкам: валидация и оценка точности. Монография / Э.А. Курбанов, О.Н. Воробьёв, С.А. Лежнин и др. Йошкар-Ола: ПГТУ, 2015. 131 с.
Статья поступила в редакцию 12.02.20.
Принята к публикации 16.03.20.
Информация об авторах
АЛИ Махер Саид - аспирант кафедры лесоводства и лесоустройства, Поволжский государственный технологический университет. Область научных интересов - дистанционное зондирование лесов и ГИС, борьба с лесными пожарами, мониторинг лесных экосистем. Автор шести научных публикаций.
ВОРОБЬЁВ Олег Николаевич - кандидат сельскохозяйственных наук, доцент кафедры лесоводства и лесоустройства, Поволжский государственный технологический университет. Область научных интересов - дистанционное зондирование лесов и ГИС, депонирование углерода лесными экосистемами, мониторинг лесных экосистем. Автор 70 научных и учебно-методических публикаций.
КУРБАНОВ Эльдар Аликрамович - доктор сельскохозяйственных наук, профессор кафедры лесоводства и лесоустройства, руководитель Международного центра совершенства им. Жана Моне, Поволжский государственный технологический университет. Область научных интересов - устойчивое управление лесами, дистанционное зондирование земли и ГИС, биологическая продуктивность лесных экосистем, депонирование углерода лесными экосистемами, леса Киото. Автор 160 научных и учебно-методических публикаций.
UDC 528.9:630.*1
DOI: 10.25686/2306-2827.2020.1.5
DECISION TREE ALGORITHM FOR FOREST CLASSIFICATION OF SYRIAN ARAB REPUBLIC WITH THE USE OF SENTINEL-2 IMAGE
M. S. Ali, O. N. Vorobev, E. A. Kurbanov
Volga State University of Technology, 3, Lenin Sq., Yoshkar-Ola, 424000, Russian Federation E-mail: [email protected]; [email protected]
Keywords: Sentinel-2; decision tree; DEM; Syrian Arab Republic; Latakia; supervised classification; NDVI; mountain forests.
ABSTRACT
Satellite data are important source of accurate and timely information needed to estimate the state and dynamics of forest cover. This is especially true for Mediterranean forests, which are characterized by spatio-temporal heterogeneity due to the special climate, floristic biodiversity and topographic variability. The research was carried out to estimate possibility of using Sentinel satellite data for mapping the forest cover of Latakia province of the Syrian Arab Republic. On the investigated territory, 261 test (field) plots were established, which made it possible to distinguish 13 classes of Land cover and evaluate the accuracy of the classification. A step-by-step "Decision tree " algorithm was applied for the classification, in which four main predictors were used: NDVI vegetation index, digital elevation model DEM, vegetation position above the sea level, slope and terrain exposition. A preliminary analysis of the pairwise estimation according to the Jeffries-Matusita distance method showed a high degree of separability of the most land cover classes used in the research. The overall accuracy of the thematic classification by the decision tree algorithm was 82%, and the Kappa coefficient was 0.79. It was found that coniferous forests in the Latakia mountainous regions are represented mainly by high-density Calabria pine plantations with a total area of 52.8 thousand ha. Oak forests are located on an area of 30 thousand hectares, and Cilician fir grows on a small area of 621 hectares. Trees and shrubs cover an area of just about 13 thousand ha. The conducted studies and the results obtained show the high potential of Sentinel satellite data for assessing difficult to approach forest stands in the mountain areas. The results of the study can be used to improve the accuracy of assessing the quantitative characteristics and dynamics of vegetation, as well as contribute to the development of long-term monitoring offorest cover in the countries of the Mediterranean countries.
Acknowledgments: The reported study was funded by RFBR, project number 19-55-80010\19
REFERENCE
1. Loboda T., Krankina O., Savin I. et al. Land management and the impact of the 2010 extreme drought event on the agricultural and ecological systems of European Russia. Land-Cover and Land-Use Changes in Eastern Europe after the Collapse of the Soviet Union in 1991. Eds. G. Gutman, R. Volker. 2017. P. 173-192.
2. Terekhin E. A. Otsenka narushennosti le-snykh ekosistem yugo-zapada Srednerusskoy vozvyshennosti s primeneniem materialov kosmich-eskikh s'emok [The assessment of forest ecosystems disturbance in the south-west of the Central Russian Upland with the data of satellite observations]. Sov-remennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2017. Vol. 14. No 4. Pp. 112-124. (In Russ.).
3. Vorobev O.N., Kurbanov E.A., Demi-sheva E.N. et al. Distantsionnyy monitoring ustoychivosti lesnykh ekosistem: monografiya [Remote sensing of forest ecosystems sustainability: monograph]. Yoshkar-Ola: Povolzhskiy gosudarstvennyy tekhnologicheskiy universitet, 2019. 166 p. (In Russ.).
4. Fassnacht E.F., Latifi H., Sterenczak K., et al. Review of studies on tree species classifica-tion from remotely sensed data. Remote Sensing of Environment. 2016. Vol. 186. P. 64-87.
5. Pouteau R., Gillespie W. T., Birnbaum P. Pre-dicting Tropical Tree Species Richness from Normal-ized Difference Vegetation Index Time Series: The Devil Is Perhaps Not in the Detail. Remote Sensing. 2018. Vol. 10 (5). P.698.
6. Zharko V. O., Bartalev S. A. Otsenka raspoz-navaemosti drevesnykh porod lesa na osnove sput-
nikovykh dannykh o sezonnykh izmeneniyakh ikh spektral'nootrazhatel'nykh kharakteristik [The assessment of woody species recognizability using the satellite data on the seasonal changes of their spectrum-reflective characteristics]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2014. Vol. 11. No 3. Pp. 159-170. (In Russ.).
7. Karasiak N., Sheeren D., Fauvel M. et al. Mapping tree species of forests in southwest France using Sentinel-2 image time series. 9th Interna-tional Workshop on the Analysis of Multitemporal. Remote Sensing Images (MultiTemp). Brugge. 2017. Pp. 1- 4.
8. Kurbanov E.A., Vorobev O.N., Men-shikov S.A. et al. Raspoznavanie lesnykh nasazhdeniy i dominiruyushchikh drevesnykh porod Penzenskoy ob-lasti po dannym sputnika Sentinel-2 [Detection of forest stands and predominate woody species in Penza oblast with the Sentinel-2 data]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2018. Vol. 15. No 5. Pp. 154-166. (In Russ.).
9. Wang Q., Blackburn A G., Onojeghuo O. A. Fusion of Landsat 8 Oli and Sentinel-2 MSI data. IEEE Trans Geosci. Remote Sensing. 2017. P. 1-15.
10. Wang Q., Atkinson M. P. Spatiotemporal fusion for daily Sentinel-2 images. Remote Sensing of Environment. 2018. Vol. 204. P. 31- 42.
11. Sheeren D., Fauvel M., Josipovic V. et al. Tree species classification in temperate for-ests using Formosat-2 satellite image time series. Remote Sensing. 2016. Vol. 8. № 734. P. 1-29.
12. Wang Y., Lu D. Mapping Torreya Grandis spatial distribution using high spatial resolution satellite imagery with the expert rules-based approach. Remote Sensing. 2017. Vol 9 (564). Pp. 1-19.
13. Puletti N., Chianucci F., Castaldi C. Use of Sentinel-2 for forest classification in Mediterranean environments. Annals of silvicultural research. 2017.
14. Belgiua M., Csillik O. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis. Remote Sensing of Environment. 2018. Vol. 204. P. 509-523.
15. ESA Introducing Sentinel-2. URL: http://www.esa.int/Our_Activities/Observing_the_Eart h/Copernicus/Sentinel-2/Introducing_Sentinel-2
16. Immitzer M., Vuolo F., Atzberger C. First Ex-perience with Sentinel-2 data for crop and tree species classifications in Central Europe. Remote Sensing. 2016. Vol 8 (166). P. 1-27.
17. Zheng H., Du P., Chen J. et al.Performance evaluation of downscaling Sentinel-2 imagery for Land Use and Land Cover classification by Spectral-Spatial features. Remote Sensing. 2017. Vol. 9 (1274). P. 1-17.
18. Kurbanov E.A., Vorobev O.N., Gubaev A.V. et al. Chetyre desyatiletiya issledovaniy lesov po snimkam Landsat [Four decades of forest research with the use of Landsat images]. Vestnik Povolzh-
skogo gosudarstvennogo tekhnologicheskogo. univer-siteta. Seriya: Les. Ekologiya. Prirodopolzovanie [Vestnik of Volga State University of Technology. Series: Forest. Ecology. Nature Management]. 2014. No 1(21). Pp. 18-32. (In Russ.).
19. Hill M.J. Vegetation index suites as indicators of vegetation state in grassland and savanna: An analysis with simulated Sentinel 2 data for a North American transect. Remote Sensing of Environment. 2013. Vol. 137. P. 94-111.
20. Frampton W.J., Dash J., Watmough G. et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation. ISPRS Journal of Photogrammetry and Remote Sensing. 2013. Vol. 82. P. 83-92.
21. Zarco-Tejada P.J., Hornero A., Beck P.S.A. et al. Chlorophyll content estimation in an open-canopy conifer forest with Sentinel-2A and hyper-spectral imagery in the context of forest decline. Remote Sensing of Environment. 2019. Vol. 223. P. 320-335.
22. Kupkova L., Cervena L., Sucha R. et al. Classification of tundra vegetation in the Krkonose Mts. National Park using APEX, AISA Dual and Sen-tinel-2A data. European Journal of Remote Sensing. 2017. Vol. 50. P. 29-46.
23. Rujoiu-Mare M.R., Olariu B., Mihai B. A. et al. Land cover classification in Romanian Carpathians and Subcarpathians using multi-date Senti-nel-2 remote sensing imagery. European Journal of Remote Sensing. 2017. Vol. 50. P. 496-508.
24. Ali M.S. Kartografirovanie rastitel'nogo pokrova Siriyskoy Arabskoy Respubliki po dannym sputnika MODIS [The Syrian Arab Republic vegetation cover mapping with the MODIS data.]. Lesnye ekosistemy v usloviyakh izmeneniya klimata: biolog-icheskaya produktivnost' i distantsionnyy monitoring: sbornik nauchnykh statey (Elektronnyy resurs) [Forest Ecosystems in the Conditions of Climate Change: Biological Productivity and Remote Sensing: collected papers (e-source)]. Yoshkar-Ola: PGTU. 2017. No 3. Pp. 74-84. (In Russ.).
25. Vorobev O.N., Ali M.S. Klassifikatsiya le-snogo pokrova mukhafaza Latakiya Siriyskoy Ar-abskoy Respubliki po dannym sputnika Sentinel-2 [The classification of forest cover of mohafadha of Latakia in the Syrian Arab Republic with the Sentinel-2 data.]. Lesnye ekosistemy v usloviyakh izmeneniya klimata: biologicheskaya produktivnost' i dis-tantsionnyy monitoring: sbornik nauchnykh statey (Elektronnyy resurs) [Forest Ecosystems in the Conditions of Climate Change: Biological Productivity and Remote Sensing: collected papers (e-source)]. Yosh-kar-Ola: PGTU, 2018. No 4. Pp. 110-122. (In Russ.).
26. Pignatti S., Cavalli R. M., Cuomo V. et al. Evaluating Hyperion capability for land cover mapping in a fragmented ecosystem: Pollino National Park, Italy. Remote Sensing of Environment. 2009. Vol. 113 (3). P. 622-634.
27. Etteieb S., Louhaichi M., Kalaitzidis C. et al. Mediterranean forest mapping using hyper-spectral satellite imagery. Arabian Journal of Geosciences. 2013. Vol. 6. Iss. 12. P. 5017-5032.
28. Gomariz-Castillo F., Alonso-Sarria F., Canovas-Garcia F. Improving Classification Accuracy of Multi-Temporal Landsat Images by Assessing the Use of Different Algorithms, Textural and Ancillary Information for a Mediterranean Semiarid Area from 2000 to 2015. Remote Sensing. 2017. Vol. 9 (1058). P. 1-23.
29. Noi P.T., Kappas M. Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery. Sensors. 2017. Vol. 18 (1). P. 1-20.
30. Bartalev S.A., Egorov V.A., Zharko V.O. et al. Sputnikovoe kartografirovanie rastitel'nogo pokrova Rossii [Vegetation cover satellite mapping in Russia]. Moscow: IKI RAN, 2016. 208 p. (In Russ.).
31. Blaschke T., Hay G. J., Kelly M. et al.Geographic object-based image analysis- to-wards a new paradigm. ISPRS Journal of Photogrammetry and Remote Sensing. 2014. Vol. 87. Pp. 180-191.
32. Kurbanov E.A. Dva desyatiletiya issledovaniy rastitel'nogo pokrova po MODIS [Two decades of vegetation cover research with MODIS]. Lesnye ekosistemy v usloviyakh izmeneniya klimata: biologicheskaya produk-tivnost' i distantsionnyy monitoring: sbornik nauchnykh statey (Elektronnyy resurs) [Forest Ecosystems in the Conditions of Climate Change: Biological Productivity and Remote Sensing: collected papers (e-source)]. Yosh-kar-Ola: PGTU, 2016. Pp. 123-132. (In Russ.).
33. Chen Y., Zhou Y., Ge Y.et al. Enhancing Land Cover Mapping through In-tegration of Pixel-Based and Object-Based Classifications from Remotely Sensed Imagery. Remote Sensing. 2018. Vol 10 (77). P. 1-15.
34. Wang C., Liu H. Y., Zhang Y. et al. Classification of land-cover types in muddy tidal flat wetlands using remote sensing data. Journal of applied Remote Sensing. 2013. Vol. 7. ID. 073457.
35. Pal M., Mather P. M. An Assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment. 2003. № 86 (4). P. 554-565.
36. Verma N., Mishra P., Purohit N. Development of a knowledge based decision tree classifier using hybrid polarimetric SAR observables // International Journal of Remote Sensing. 2020. Vol. 41. № 4. P. 1302-1320.
37. Hua L., Zhang X., Chen X. et al. A feature-based approach of decision tree classification to map time series urban Land Use and Land Cover with Landsat 5 TM and Landsat 8 OLI in a coastal city, China. International Journal of Geo-Information. 2017. Vol. 6. № 331. ID: 0331. P. 1-18.
38. Thanh N.P., Kappas M. Comparison of random forest, k-nearest neighbor, and support vector ma-
chine classifiers for land cover classification using Sentinel-2 imagery. Sensors. 2018. Vol. 18(18). P. 1 - 20.
39. Srimani P.K., Prasad S. N. Decision tree classification model for land use and land cover mapping -a case study. International Journal of Current Research. 2012. Vol. 4. № 5. P. 177-181.
40. Yang C., Wu G., Ding K. et al. Improving land use/land cover classification by integrating pixel unmixing and decision tree methods. Remote Sensing. 2017. Vol. 9. № 12. P. 1222.
41. Mirici M.E., Berberoglu S., Akin A. et al. Land use/cover change modelling in a Medi-terranean rural landscape using multi-layer perceptron and Markov chain (mlp-mc). Applied Ecology and Environmental research. 2017. Vol. 16. № 1. P. 467-486.
42. Gómez V.P., Medina V. D. B., Bengoa J. L. et al. Accuracy assessment of a 122 classes land cover map based on Sentinel-2, Landsat 8 and Deimos-1 images and ancillary data. IGARSS. 2018. № 12. P. 5457-5460.
43. Atlas of the World. Asia - Geographical Atlas. http://world-karta.ru/syria-map.html. (In Russ.).
44. Lattakia agriculture directorate. Forest Fire Management Plan / 2018 / Lattakia 2018. P. 1- 48.
45. Khussein A., Movaffak D., Iusef V. Natsion-al'nyy doklad o biologicheskom raznoobrazii genetich-eskikh resursov dlya proizvodstva prodovol'stviya i vedeniya sel'skogo khozyaystva v Siriyskoy Arabskoy Respublike [A national report on the biodiversity of genetic resources for food production and farmery in the Syrian Arab Republic]. Damascus, 2016. 212 p. (translated from Arabic into Russian) URL: http://www.fao.org/3/ca4785ar/ca4785ar.pdf (In Russ.).
46. Copernicus scientific data hub [Electronic resource]. URL: https://scihub.copernicus.eu/
47. Kurbanov E.A., Vorobev O.N., Gubaev A.V. et al. Otsenka tochnosti i sopostavimosti tematich-eskikh kart lesnogo pokrova raznogo prostranstven-nogo razresheniya na primere Srednego Povolzh'ya [An assessment of accuracy and compatibility of thematic maps of forest cover of various space resolution based on the example of the Middle Volga Region]. Sovremennye problemy distantsionnogo zondirovani-ya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2016. Vol. 13. No 1. Pp. 36-48. (In Russ.).
48. Sistema klassifikatsii zemnogo pokrova (LCCS): Ponyatiya klassifikatsii i rukovodstvo pol'zovatelya [Land cover classification system (LCCS): the ideas on classification and user guide]. Organizatsiya OON po voprosam prodovol'stviya i sel'skogo kho-zyaystva [FAO]. Rome, 2005. 108 p. (In Russ.).
49. Legend of the global CCI-LC maps, based on LCCS [Electronic resource]. - URL: https://maps.elie.ucl.ac.be/CCI/viewer/. 25.12.2019
50. Ali M.S. Spektral'naya razdelimost' klassov nazemnogo pokrova mukhafaza Latakiya Siriyskoy Arabskoy Respubliki po dannym sputnika Sentinel-2
[The spectral divisibility of ground cover types of mo-hafadha of Latakia in the Syrian Arab Republic with the Sentinel-2 data]. Lesnye ekosistemy v usloviyakh izmeneniya klimata: biologicheskaya produktivnost' i distantsionnyy monitoring: sbornik nauchnykh statey (Elektronnyy resurs) [Forest Ecosystems in the Conditions of Climate Change: Biological Productivity and Remote Sensing: collected papers (e-source)]. Yosh-kar-Ola: PGTU, 2019. № 5. Pp. 114-125. (In Russ.).
51. Separability analysis of Sentinel-2A multi-spectral instrument (MSI) data for burned area discrimination / H. Huang, D. P. Roy, L. Boschetti et al. // Remote Sensing. 2016. Vol. 8. № 10. 873.
52. Kurbanov E.A., Vorobev O. N., Menshikov S. A. et al.Tree species classification with Sentinel-2 da-ta in European part of Russia. Earth observation advancements in a changing world. 2019. Vol. 1. Pp. 33-36.
53. Chuvieco E. Fundamentals of satellite remote sensing: an environmental approach. Second
Edition. Boca Raton. London. New York: CRC Press Taylor & Francis. 2016. 468 p.
54. SRTM 1 Arc-Second Global (Digital Object Identifier (DOI) number: /10.5066/F7PR7TFT)
55. Persson M. E., Lindberg E. H., Reese H. Tree species classification using multi-temporal Sentinel-2 data. Remote Sensing. 2018. Vol. 10(11). 1794 P.
56. Liu Y., Gong W., Hu X.et al Forest Type Identification with Random For-est Using Sentinel-1A, Sen-tinel-2A, Multi-Temporal Landsat-8 and DEM Data. Remote Sensing. 2018. Vol. 10 (946). P. 2-25.
57. Pettorelli N. The Normalized Difference Vegetation Index. Oxford, 2013. 194 p.
58. Kurbanov E.A., Vorobev O.N., Lezhnin S.A. et al. Tematicheskoe kartirovanie rastitel'no-go pokrova po sputnikovym snimkam: validatsiya i otsenka tochnosti. Monografiya [Thematic land ground cover mapping in satellite images: validation and accuracy appraisal. Monograph]. Yoshkar-Ola: PGTU, 2015. 131 p. (In Russ.).
The article was received 12.02.20.
Accepted for publication 16.03.20.
For eitation: Ali M. S., Vorobev O. N., Kurbanov E. A. Decision Tree Algorithm for Forest Classification of Syrian Arab Republic with the Use of Sentinel-2 Image. Vestnik of Volga State University of Technology. Ser.: Forest. Ecology. Nature Management. 2020. No 1 (45). Pp. 5-30. DOI: 10.25686/2306-2827.2020.1.5
Information about the authors
Makher Said Ali - Postgraduate student of the Chair of Forestry and Forest Surveying, Volga State University of Technology. Research interests - remote sensing of forests and GIS, fire control, monitoring of forest ecosystems. The author of six scientific publications.
Oleg N. Vorobev - Candidate of Agricultural Sciences, Associate Professor at the Chair of Sylviculture and Forest Inventory, Volga State University of Technology. Research interests - forest remote sensing and GIS, carbon sequestration by the forest ecosystems, forest eco-systems monitoring, time series analyses. The author of more than 70 scientific publications and textbooks.
Eldar A. Kurbanov - Doctor of Agricultural Sciences, Professor at the Chair of Sylviculture and Forest Inventory, Head of the Jean Monnet Centre of Excellence, Volga State University of Technology. Research interests - sustainable forest management, remote sensing and GIS, biological productivity of forest ecosystems, carbon sequestration by the forest ecosystems, Kyoto forests. The author of 150 scientific publications and textbooks.
