CC BY
73
= RESEARCH ARTICLES -
==== ОРИГИНАЛЬНЫЕ СТАТЬИ =—
ОЦЕНКА ДИНАМИКИ ВОССТАНОВЛЕНИЯ ЛЕСОВ ПОСЛЕ ПОЖАРОВ В ОЛЕКМИНСКОМ ЗАПОВЕДНИКЕ (РОССИЯ) ПО КОСМИЧЕСКИМ СНИМКАМ LANDSAT
Ю. Ф. Рожков1, М. Ю. Кондакова2
1 Государственный природный заповедник «Олекминский», Россия e-mail: olekmazap-nauka@yandex. ru 2Гидрохимический институт, Россия e-mail: vesna-dm@mail.ru
Поступила: 09.07.2018. Исправлена: 07.02.2019. Принята к опубликованию: 21.02.2019.
Использование временных серий космических снимков позволяет проследить динамику процессов ле-совосстановления и лесообразования. Проведена оценка использования кластерного анализа распределения пикселей для мониторинга процесса восстановления лесов от пожара. Мультиспектральные космические снимки среднего разрешения Landsat 8, Landsat ТМ/ЕТМ+, Landsat MSS, сделанные в период с 1973 по 2016 гг. и их фрагменты подвергались обработке с использованием инструментов кластерного анализа: неуправляемой классификации методом ISODATA и тематической разности. Тематическая разность рассчитывалась между результатами классификации на два класса, четыре, шесть, десять классов. Показано, что процесс восстановления после пожара идет на разных участках гари с разной интенсивностью и зависит от доли послепожарных пустошей (чем больше доля послепожарных пустошей, тем больше масштабы нарушений после пожаров). На сильнонарушенных участках процесс зарастания гари идет с большей интенсивностью, чем на слабонарушенных участках. Рассчитан индекс, характеризующий лесистость участков гари. Показано его увеличение во времени. Рассмотрена взаимосвязь между изменением индекса, характеризующего лесистость во времени и тематической разностью пикселов.
Ключевые слова: дешифрирование космических снимков, индекс, характеризующий лесистость, классификация Isodata, тематическая разность, процесс лесовосстановления
Введение
В лесах Сибири ежегодно возникает от 4500 до 27 000 пожаров, которые охватывают площадь от 35 000 до 180 000 км2. Динамика горимости лесов Сибири за последние годы показывает устойчивую тенденцию роста как числа пожаров, так и площади, пройденной ими (Цветков, Буряк, 2014).
Для разработки теоретических основ таежного лесоводства и оптимального ведения лесного хозяйства большое значение имеют исследования роли пожаров в формировании лесов на крупных таежных территориях. Особенно актуально изучение влияния пожаров на лесообразовательный процесс, лесопожар-ные эмиссии, баланс углерода (Groisman et al., 2007; Hao et al., 2016; Alexander et al., 2018). В результате многолетних комплексных исследований были определены основные принципы и разработаны методы изучения послепожарного лесообразовательного процесса на ландшафтной основе с использованием аэрокосмических
снимков (Фуряев, 1996). Было проведено моделирование лесообразовательного процесса (Исаев и др., 2005).
Использование временных серий космических снимков позволяет проследить динамику процесса лесовосстановления после пожаров (Жирин и др., 2004), оценить различные аспекты процесса лесообразования (Жирин и др., 2013). С использованием разновременных серий космических снимков рассматриваются процессы лесовосстановления после рубок, после пожаров и ветровалов (Шихов и др., 2017), усыхания древостоев (Воробьев и др., 2016). По результатам анализа космических снимков разработаны шкалы нарушенности лесов (Терехин, 2017), дана оценка степени повреждения лесов по средневзвешенной категории состояния и по-жароустойчивости (Барталев и др., 2017).
Процессы лесовосстановления оцениваются по динамике изменений спектральной яркости мультиспектральных снимков и индексов (Жирин и др., 2011; Рожков, Кондакова, 2017),
по динамике изменений индекса вегетации Landsat ТМ/ЕТМ+, Landsat MSS, сделанных в
NDVI (Воробьев, Курбанов, 2017). период с 1973 по 2016 гг. Снимки были сделаны
Целью настоящего исследования было срав- во все четыре сезона (летние, осенние, зимние,
нение динамики лесовосстановления после по- весенние). При разрешающей способности
жаров сильнонарушенных и слабонарушенных снимка в 30 м размеры пиксела соответствуют
участков гари с использованием дешифриро- площади 900 м2. Все снимки прошли радио-
вания временных серий космических снимков. метрическую и геометрическую коррекцию.
При выполнении поставленной цели были ре- Исследование процесса восстановления лесов
шены следующие задачи: а) построение кине- после пожара было проведено на разновре-
тических кривых процесса лесовосстановления; менных снимках пожара 1985 г., охватившего
б) определение особенностей процесса лесо- огромную территорию 522 км2 (рис. 1). Состав
восстановления на сильно- и слабонарушенных древесных пород на площадях, пройденных по-
участках гари; в) оценка изменения индекса, ха- жаром, сравним с составом пород заповедника
рактеризующего лесистость и тематической раз- в целом. Основными лесообразующими по-
ности пикселов в процессе лесовосстановления. родами являются лиственница Гмелина (Larix
gmelinii Rupr.) и береза плосколистная (Betula
Материал и методы platyphylla Sukacz.), составляя 56.6%. Сосна
Для осуществления непрерывного монито- обыкновенная (Pinus sylvestris L.), ель сибир-
ринга за состоянием бореальных лесов Олек- ская (Picea obovata Ledeb.) составляют 28.9%.
минского заповедника, имеющего 87.9% общей Сосна кедровая (Pinus sibirica Du Tour), кедро-
лесистости, использовалось дешифрирование вый стланик (Pinus pumila (Pall.) Regel), пихта
мультиспектральных космических снимков сибирская (Abies sibirica Ledeb.) составляют в
среднего и высокого разрешения Landsat 8, совокупности 14.5%.
Рис. 1. Границы гари 1985 г. с анализируемыми участками на территории Олекминского заповедника: А -сильнонарушенный полигон; В - слабонарушенный полигон.
Fig. 1. The boundaries of analysed sites in the Olekminsky State Nature Reserve fire-damaged in 1985: A - severely fire-damaged polygon; B - slightly fire-damaged polygon.
Для обработки космических снимков использовался пакет программ ENVI-4.0, ArcGis 10.3, ArcView-3.3 c модулями Image Analyst, Spatial Analyst. В качестве показателей, с помощью которых осуществлялся мониторинг состояния лесов, был выбраны два инструмента кластерного анализа. Это классификация ISODATA и тематическая разность пикселов. В основу инструмента неуправляемой классификации мультиспектральных снимков заложен метод кластерного анализа ISODATA, который использует установленное число итераций (перегруппировка пикселов по классам) и порог сходимости для выбранных классов. Выбранный метод неуправляемой классификации является самоорганизующимся, так как исследователь указывает только количество классов, на которые нужно разбить весь массив данных. Инструмент тематической разницы позволяет перераспределить пикселы одного результата классификации относительно другого результата классификации, с которым проводят сравнение (Рожков, Кондакова, 2016).
При проведении неуправляемой классификации по методу ISODATA на два класса муль-тиспектральных снимков программа разделяет все пикселы по значениям спектральной яркости отраженного света на два диапазона: 0-50% и 50-100%. В 1-й класс попадают пикселы с наименьшими и малыми значениями спектральной яркости. В случае покрытых лесом территорий - это площади с густым древостоем. Во 2-м классе сосредоточены пикселы с высокими значениями спектральной яркости. Это площади с открытыми пространствами, редколесья и пустоши. Классификация на два класса позволяет определить индекс, характеризующий лесистость (Исаев и др., 2009) как отношение площади, покрытой лесной растительностью, к общей площади: D = df/S, где D - лесистость; df - пло-
щадь, покрытая лесной растительностью (м2); S - общая площадь территории (м2). Для установления связи между индексом, характеризующим лесистость и тематической разностью пикселов, была проведена классификация снимков на 2, 4, 6, 10 классов. При расчете тематической разности была определена разность разностей между подклассами тематической разности. При классификации на четыре класса получается пара разностей. Это разность между 1 и 4 рядом тематической разности и разность между 2 и 3 рядом тематической разности. При этом сумма двух разностей равна разности при классификации на два класса. При классификации на шесть классов формируются две пары разности разностей (табл. 1). Первая пара - разность между 1 и 6 рядом тематической разности и между 2-5 рядами тематической разности. Вторая пара - разность между суммой 1, 2 ряда и суммой 5, 6 ряда тематической разности и разность между 3-4 рядом тематической разности. Суммы двух разностей, также как в случае с классификацией на четыре класса равны разности при классификации на два класса. В случае классификации на 10 классов формируются три пары разностей.
Для проведения анализа использовались временные серии фрагментов космических снимков с одинаковой площадью, равной 35.45 км2 (масштаб 1:10 000). Было проведено сравнение двух участков гари (по летним снимкам Landsat). Это сильнонарушенный, с долей послепожарных пустошей, значительно превышающей долю древостоя (1 класс классификации ISODATA) и слабо-нарушенный, с долей послепожарных пустошей, немного превышающей долю древостоя в 1995 г. (табл. 2). Кроме того, были проанализированы временные серии весенних снимков Landsat c разными значениями индекса, характеризующего лесистость для сравнения с состоянием лесов до пожара (снимок Landsat май 1973 г.).
Таблица 1. Распределение пикселов при проведении классификации и расчете тематической разности фрагмента космического снимка
Table 1. Pixel distribution under classifying and calculating the thematic difference for a satellite image fragment_
№ класса Классификация на 2 класса Классификация на 6 классов Тематическая разность результатов классификации на 6 классов Результаты расчета разности разностей подклассов Количество пикселов при расчете разности
1 подкласс 2 подкласс 2 класса (разность 1 и 2 класса) 32857
1 61529 8131 8131 0 6 классов разность 2-5 ряд 32803
2 28672 21994 21994 0 6 классов разность 1 и 6 ряд 54
3 21281 21281 0 6 классов сумма разностей 1 32857
4 17118 10123 6995 6 классов разность 3-4 ряд 24409
5 13600 0 13600 6 классов разность сумм 1, 2 и 5, 6 ряд 8448
6 8077 0 8077 6 классов сумма разностей 2 32857
Сумма 90201 90201 61529 28672
Результаты и обсуждение
Процесс восстановления после пожара идет на разных участках гари с разной интенсивностью. Он зависит от доли послепожарных пустошей - чем больше доля послепожарных пустошей, тем больше масштабы нарушений после пожаров. В свою очередь, масштабы нарушений зависят от типа пирогенного воздействия. Сильнонарушенные участки гари находятся там, где прошел низовой пожар высокой интенсивности или верховой пожар. В этом случае выгорает значительная часть древостоя и лесная подстилка. Слабонарушенные участки гари остаются после низового пожара слабой интенсивности. При этом повреждается подстилка леса, но сохраняется древостой.
По мере зарастания гари изменяется индекс, характеризующий лесистость анализируемых участков во времени. Рост индекса у сильнонарушенного полигона более выражен, чем у слабонарушенного (табл. 2).
Восстановление сильнонарушенного и слабонарушенного участков гари проходило по раз-
личным механизмам. Для сильнонарушенного участка гари характерно восстановление леса вокруг очагов лесовозобновления, которые возникли спустя десять лет после пожара (в 1995 г.). В то же время для слабонарушенного участка гари восстановление идет вокруг фрагментов леса, слабо поврежденных пожаром (низовой пожар слабой интенсивности). На рис. 2 и рис. 3 показаны четыре стадии лесовозобновления на сильнонарушенном участке гари. Спустя 10 лет после пожара вдоль ручьев возникают очаги лесовозобновления (рис. 2А), вокруг которых расширяется зона молодой поросли. К 2015 г. (т.е. спустя 30 лет после пожара) практически вся площадь сильнонарушенного участка гари покрыта лесом (рис. 3В).
Иная картина лесовозобновления отмечена на слабонарушенном участке (рис. 4). Площадь фрагментов леса, которые подверглись воздействию низового пожара слабой интенсивности, осталась неизменной спустя 20 лет (рис. 4А) и 30 лет после пожара (рис. 4В). Лесовозобновление идет вокруг этих фрагментов за счет молодой поросли (рис. 4В).
Таблица 2. Результаты классификации на два класса сильнонарушенного и слабонарушенного участков гари за период с 1995 по 2015 гг. (летние снимки Landsat)
Table 2. The classification results for severely fire-damaged sites and slightly fire-damaged sites over the period of 1995-2015 (summer Landsat images)
Показатель Годы
1995 г. 2000 г. 2004 г. 2010 г. 2015 г.
Сильнонарушенный участок
древостой (пикселы) 2742 3191 3464 3790 4020
пустоши (пикселы) 4111 3258 2986 2660 2430
индекс, характеризующий лесистость 0.40 0.50 0.54 0.59 0.62
Слабонарушенный участок
древостой (пикселы) 3179 3266 3415 3613 3690
пустоши (пикселы) 3674 3184 3035 2837 2760
индекс, характеризующий лесистость 0.47 0.50 0.53 0.56 0.57
Рис. 2. Сильнонарушенный участок гари на снимке Ландсат. Черный цвет обозначает очаги лесовозобновления в 1995 г.; серый цвет - прирост площадей, покрытых лесом. А -очаги зарастания гари в 1995 г.; В - очаги зарастания гари за период с 1995 по 2000 гг.
Fig. 2. Severely fire-damaged areas at the Landsat image. Black colour indicates areas of reforestation in 1995; blue colour indicates the increase of areas covered by forest. Designations: A - areas of the post-fire reforestation in 1995; B - areas of the post-fire restoration in 1995-2000.
Рис. 3. Сильнонарушенный участок гари. Черный цвет обозначает очаги лесовозобновления в 1995 г.; серый цвет - прирост площадей, покрытых лесом. А - зарастание гари за период с 1995 по 2004 гг.; В - зарастание гари за период с 1995 по 2015 гг.
Fig. 3. Severely fire-damaged areas at the Landsat image. Black colour indicates areas of reforestation in 1995; blue colour indicates the increase of areas covered by forest. Designations: A - areas of the post-fire restoration in 1995-2004; B - areas of the post-fire restoration in 1995-2015.
обозначает участки, слабо поврежденные пожаром; светло-серый цвет обозначает прирост площадей, покрытых лесом. А - полигон после пожара (снимок Ландсат, 2005 г.); В - полигон после пожара; зарастание гари (снимок Ландсат, 2015 г.). Fig. 4. Slightly fire-damaged areas. Dark-grey colour indicates slightly fire-damaged areas; light-grey colour indicates the increase of areas covered by forest. Designations: A - the post-fire polygon (2005 Landsat image); B - the post-fire polygon. Reforestation of fire-damaged areas (2015 Landsat image).
Сравнение двух участков гари по интенсивности процесса восстановления лесов подтвердило положение о том, что на сильнонару-шенных участках процесс зарастания гари идет с большей интенсивностью, чем на слабонару-шенных участках (Рожков, Кондакова, 2016).
Ход процесса лесовосстановления является результирующим нескольких, часто разнонаправленных процессов. Наряду с процессом восстановления древостоя, который характеризуется увеличением количества пикселов в первом классе (при классификации на два класса), отмечается процесс уменьшения количества пикселов во втором классе. Последний характеризует уменьшение количества послепожарных пустошей и открытых пространств.
Более того, при рассмотрении динамики процесса уменьшения количества послепо-жарных пустошей и открытых пространств во временных сериях космических снимков было показано (Рожков, Кондакова, 2017), что при классификации на 10 классов в седьмом и восьмом классах нет уменьшения количества пикселов во времени. Это позволяет предположить, что в седьмой и восьмой классы включены пикселы, отвечающие за территории с большой долей открытых пространств, которые имелись на выбранном фрагменте снимка до пожара. Это пустоши, связанные с естественными особенностями ландшафта. Также отмечено значительное уменьшение количества пикселов в девятом и десятом классах. Именно эти классы харак-
теризуют уменьшение площадей послепо-жарных пустошей по мере зарастания гари.
Если представить процесс восстановления лесов только как восстановление древостоя, то за период с 1995 по 2015 гг. средняя скорость восстановления составила 0.0629 км2 / год в случае сильнонарушенных участков гари для полигона площадью 35.45 км2 (рис. 5). Для слабонарушенных участков гари средняя скорость восстановления древостоя составила 0.0260 км2 / год для полигона площадью 35.45 км2 (рис. 5).
Расчет тематической разности при распределении пикселов по подклассам класса «древостой» показал различие распределения пикселов во времени для слабонарушен-ных и сильнонарушенных участков гари. Для сильнонарушенного участка гари характерна двухкратная разность между количеством пикселов 1 и 2 подкласса. Для слабонарушен-ного участка разность между количеством пикселов первого и второго подкласса незначительна. Причем, неоднородность распределения пикселов по значениям спектральной яркости сохраняется на протяжении всего периода наблюдения с 1995 по 2015 гг. А также при расчете тематической разности на 4, 6, 10 подклассов (табл. 3, 4, 5). Причиной подобного различия может быть неравномерное распределение деревьев по возрасту после пожара. Сильнонарушеный участок потерял в результате пожара почти все старовозрастные деревья. Поэтому, пропорция распределения между молодой порослью и старовозрастными деревьями резко изменилась. В первый класс входят преимущественно оставшиеся после пожара старовозрастные деревья, а во второй класс - молодая поросль. В случае слабонарушенного участка (низовой пожар слабой интенсивности) сохранилась пропорция в распределении древостоя по возрастам, которая была до пожара. А прирост за счет молодой поросли происходит вокруг фрагментов, слабо поврежденных пожаром.
Для оценки динамики процесса лесовос-становления были выбраны четыре полигона одинаковой площади, но с разным индексом, характеризующим лесистость. Полигоны выделены на весенних снимках Landsat 2005 г. (наиболее нарушенные леса - спустя 20 лет после пожара); 2009 г., 2016 г. (леса спустя 24 г. и 31 г. после пожара) и 1973 г. (за 12 лет до пожара) (рис. 6).
древостой (сильнонарушенный полигон)
древостой (слабонарушенный полигон)
1995г. 2000г. 2004г. 2010г. 2015г.
Рис. 5. Сравнение динамики восстановления древостоя сильнонарушенного и слабонарушенного полигонов в Олек-минском заповеднике (Площадь полигонов - 35.45 км2). Fig. 5. Comparison of the restoration dynamics of the forest stand in the severely fire-damaged polygons and slightly fire-damaged polygons in the Olekminsky State Nature Reserve (polygon's area is 35.45 km2).
Рис. 6. Границы пожара 1985 года на весенних снимках: в 1973 г. - за 12 лет до пожара; в 2005 г. - спустя 20 лет после пожара; в 2016 г. - спустя 31 год после пожара. Fig. 6. The boundaries of 1985 wildfire on spring satellite images: in 1973 - 12 years before the wildfire impact; in 2005 - 20 years after the wildfire impact; in 2016 - 31 years after the wildfire impact.
Таблица 3. Распределение пикселов во времени для класса «Древостой» при расчете тематической разности на четыре подкласса (полигон площадью 35.45 км2)
Table 3. The pixel distribution over the time for the «Forest Stand» class to calculate the thematic difference for four subclasses (polygon's area is 35.45 km2)_
Год / количество пикселов Слабона рушенный полигон Сильнонарушенный полигон
1995 г. 2000 г. 2004 г. 2010 г. 2015 г. 1995 г. 2000 г. 2004 г. 2010 г. 2015 г
1 подкласс 1367 1690 1691 1644 1598 752 802 905 891 899
2 подкласс 1794 1447 1464 1598 1825 1967 2259 2045 2047 2743
3 подкласс 18 129 260 371 269 23 130 514 852 378
4 подкласс 0 0 0 0 0 0 0 0 0 0
Сумма 3179 3266 3415 3613 3692 2742 3191 3464 3790 4020
Таблица 4. Распределение пикселов во времени класса «Древостой» при расчете тематической разности на шесть подклассов (полигон площадью 35.45 км2)
Table 4. The pixel distribution over the time for the «Forest Stand» class to calculate the thematic difference for six subclasses (polygon's area is 35.45 km2)
Год / количество пикселов Слабона рушенный полигон Сильнонарушенный полигон
1995 г. 2000 г 2004 г 2010 г 2015 г 1995 г. 2000 г. 2004 г. 2010 г. 2015 г.
1 подкласс 1018 1101 1448 1178 1086 470 515 410 608 538
2 подкласс 815 882 826 1338 1133 1146 1266 1297 1375 1591
3 подкласс 1131 1063 776 612 1122 952 1238 1257 1168 1355
4 подкласс 215 220 365 485 351 174 173 500 639 436
5-6 подкласс 0 0 0 0 0 0 0 0 0 0
Сумма 3179 3266 3415 3613 3692 2742 3192 3464 3790 4020
Таблица 5. Распределение пикселов во времени класса «Древостой» при расчете тематической разности на 10 подклассов (полигон площадью 35.45 км2)
Table 5. The pixel distribution over the time for the «Forest Stand» class to calculate the thematic difference for ten subclasses (polygon's area is 35.45 km2)_
Год / количество пикселов Слабона рушенный полигон Сильнонарушенный полигон
1995 г 2000 г. 2004 г 2010 г. 2015 г. 1995 г. 2000 г. 2004 г. 2010 г. 2015 г.
1 подкласс 572 708 692 632 482 365 273 270 218 205
2 подкласс 666 818 830 842 641 539 656 497 526 580
3 подкласс 739 584 674 700 894 552 422 766 807 850
4 подкласс 578 583 643 706 575 781 565 795 639 924
5 подкласс 489 431 453 300 773 440 691 531 751 787
6 подкласс 135 142 123 433 401 65 585 605 849 674
7-10 подкласс 0 0 0 0 0 0 0 0 0 0
Сумма 3179 3266 3415 3613 3692 2742 3192 3464 3790 4020
По мере восстановления лесов после пожара лесистость увеличивалась. Однако, спустя 31 г. после пожара (2016 г.) значения индекса, характеризующего лесистость, не достигли уровня 1973 г. (допожарного) для всех четырех исследуемых полигонов (табл. 6). Если скорость восстановления лесов останется на уровне 2016 г., то индекс, характеризующий лесистость, достигнет «допожарного» уровня в период 2020-2023 гг.
В результате анализа процесса лесовосста-новления были установлены следующие закономерности изменения индекса, характеризующего лесистость и разности между классами тематической разности пикселов:
1. Индекс изменяется в широких пределах в диапазоне от 0 до +1. При этом синхронно изменяется показатель тематической разности между 1 и 2 классами при классификации на два класса. От отрицательных значений до 0 при значениях индекса, равных 0.50. Все положительные значения тематической разности отмечены при значениях индекса, характеризующего лесистость выше 0.5 (табл. 7).
2. При восстановлении лесов после пожара увеличивается индекс лесистости во времени и показатель тематической разности между 1 и
2 классами при классификации на два класса. Чем более интенсивно идет процесс зарастания гари, тем более резко увеличивается индекс, характеризующий лесистость и разность между 1 и 2 классами (рис. 7).
3. В случае отрицательных значений разности между классами тематической разности увеличивается разброс между долей смешанных подклассов и долей подклассов с максимальными и минимальными значениями спектральной яркости пикселов при уменьшении индекса, характеризующего лесистость. При этом доля подклассов с минимальными и максимальными значениями спектральной яркости всегда больше доли смешанных подклассов с промежуточными значениями спектральной яркости пикселов (рис. 8).
4. В случае положительных значений разности между классами тематической разности увеличивается разброс между долей смешанных подклассов и долей подклассов с максимальными и минимальными значениями спектральной яркости пикселов с увеличением индекса, характеризующего лесистость (от 0.5 и выше). При этом доля смешанных подклассов всегда больше доли подклассов с минимальными и максимальными значениями спектральной яркости (рис. 8).
Таблица 6. Изменение индекса лесистости в лесных массивах в процессе лесовосстановления после пожара 1985 г. Table 6. Changes in the index characterising the forest cover during reforestation after the 1985 wildfire
Год Индекс лесистости
Полигон 1 Полигон 2 Полигон 3 Полигон 4
1973 0.57 0.68 0.80 0.84
2005 0.24 0.33 0.40 0.42
2009 0.43 0.46 0.48 0.50
2016 0.53 0.55 0.58 0.69
Таблица 7. Связь между индексом, характеризующем лесистость и разностью между 1 классом (древостой) и 2 классом (пустоши)
Table 7. The relationship between the forest cover index and the difference between class 1 (forest stand) and class 2 (wastelands)
показатель / полигон 2005 .1 2005.2 2005.3 2005.4 2009.1 2009.2 2009.3 2009.4 2016.1 2016.2 2016.3 1973.2 1973.3 1973.4
разность 1-2 класс -3291 -2169 -1315 -993 -907 -467 -294 91 355 593 1021 2517 3771 4398
индекс лесистости 0.24 0.33 0.39 0.42 0.43 0.46 0.48 0.50 0.52 0.55 0.58 0.68 0.79 0.84
1973r.
2016 г.
2005 г.
-полигон 1(разность 1-2 кл.) 925 355 -907 -3291
-полигон 2 (разность 1-2 кл.) 2517 593 -467 -2169
полигон 3 (разность 1-2 кл.) 3771 1021 -294 -1315
-ПОЛИГОН4 (разность 1-2кл.) 4398 2514 91 -993
2005 2005 2005 2005 200i> 200? 200? 200? 201(5 2015 2015 1973 1973 1973
1021 2517 3771 439S 574 1742 2340 2507 445 773 1430 1791
Рис. 8. Соотношение между подклассами тематической
Рис. 7. Изменение тематической разности по мере лесовосстановления после пожара при классификации на два класса. Fig. 7. Change of thematic difference during post-fire reforestation by classifying into two classes.
разности при классификации на шесть классов.
Fig. 8. The ratio between subclasses of thematic difference
by classifying into six classes.
Заключение
В результате проведенных исследований показано, что процесс восстановления после пожара идет на разных участках гари с разной интенсивностью и зависит от доли послепо-жарных пустошей. Так, чем больше доля по-слепожарных пустошей, тем больше масштабы нарушений после пожаров. На сильнонарушен-ных участках процесс зарастания гари идет с большей интенсивностью, чем на слабонару-шенных участках.
Восстановление сильнонарушенного и сла-бонарушенного участков гари идет по различным механизмам. Если для сильнонарушенного участка гари характерно восстановление леса вокруг очагов лесовозобновления, которые возникли спустя десять лет после пожара (в 1995 г.), то для слабонарушенного участка гари восстановление идет вокруг фрагментов леса, слабо поврежденных пожаром.
Ход процесса лесовосстановления является результирующим нескольких, часто разнонаправленных процессов. Если учитывать изменения только в классе «древостой», средняя скорость за период с 1995 по 2015 гг. составила в случае сильнонарушенных участков гари -0.0629 км2 / год. Для слабонарушенных участков гари средняя скорость восстановления древостоя составила 0.0260 км2 / год.
Рассчитан индекс, характеризующий лесистость участков гари. Показано его увеличение во времени. Причем рост индекса у сильнона-рушенного полигона более выражен, чем у сла-бонарушенного. В результате анализа разности между классами тематической разности пикселов и закономерности изменения индекса, ха-растеризующего лесистость, были установлены особенности процесса лесовосстановления в Олекминском заповеднике.
Литература
Барталев С.А., Стыценко Ф.В., Хвостиков С.А., Лупян Е.А. 2017. Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. Т. 14(6). С. 176-193. Воробьев О.Н., Курбанов Э.А., Полевщикова Ю.А., Лежнин С.А. 2016. Оценка динамики и нарушен-ности лесного покрова в Среднем Поволжье по снимкам Landsat // Современные проблемы дистанционного зондирования Земли из космоса. Т. 13(4). С. 124-134.
Воробьев О.Н., Курбанов Э.А. 2017. Дистанционный мониторинг восстановительной динамики растительности на гарях Марийского лесного Заволжья // Современные проблемы дистанционного зондирования Земли из космоса. Т. 14(2). С. 84-97.
Жирин В.М., Сухих В.И., Шаталов А.В., Бутусов О.Б., Эйдлина С.П. 2004. Использование космических снимков для изучения динамики зарастания гарей // Исследование Земли из космоса. №5. С. 69-76.
Жирин В.М., Князева С.В., Эйдлина С.П. 2011. Дистанционное сопровождение лесообразовательного процесса в послерубочных таежных лесах Русской равнины // Лесоведение. №6. С. 29-38.
Жирин В.М., Князева С.В., Эйдлина С.П. 2013. Эколого-динамическое исследование лесообразовательного процесса по космическим снимкам // Лесоведение. №5. С. 76-85.
Исаев А.С., Суховольский В.Г., Хлеборос Р.Г., Бузыкин А.И, Овчинникова Т.М. 2005. Моделирование лесо-ообразовательного процесса: феноменологический подход // Лесоведение. №1. С. 3-11.
Исаев А.С., Князева С.В., Пузаченко М.Ю., Черненькова Т.В. 2009. Использование спутниковых данных для мониторинга биоразнообразия лесов // Исследование Земли из космоса. №2. С. 55-66.
Рожков Ю.Ф., Кондакова М.Ю. 2016а. Оценка возможности использования показателя симметрии распределения пикселей в мониторинге состояния лесов при дешифрировании космических снимков среднего и высокого разрешения // Nature Conservation Research. Заповедная наука. Вып. 1(1). С. 98-107. DOI: 10.24189/ncr.2016.008
Рожков Ю.Ф., Кондакова М.Ю. 2016б. Мониторинг состояния лесов с использованием кластерного анализа при дешифрировании космических снимков среднего и высокого разрешения // Наука и образование. №3. С. 95-101.
Рожков Ю.Ф., Кондакова М.Ю. 2017. Оценка процесса восстановления лесов после пожара с использованием кластерного анализа при дешифрировании космических снимков // Вестник Северо-Восточного федерального университета. №2(58). С. 38-49.
Терехин Э.А. 2017. Оценка нарушенности лесных экосистем юго-запада Среднерусской возвышенности с применением материалов космических съемок // Современные проблемы дистанционного зондирования Земли из космоса. Т. 14(4). С. 112-124.
Цветков П.А., Буряк Л.В. 2014. Исследования природы пожаров в лесах Сибири // Сибирский лесной журнал. №3. С. 25-42.
Фуряев В.В. 1996. Роль пожаров в процессе лесообразо-вания. Новосибирск: Наука. 253 с.
Шихов А.Н., Перминов С.И., Киселева Е.С. 2017. Оценка подверженности бореальных лесов Урала воздействию лесных пожаров и ветровалов по многолетним рядам спутниковых наблюдений // Со-
временные проблемы дистанционного зондирования Земли из космоса. Т. 14(4). С. 87-102. Alexander H.D., Natali S.M., Loranty M.M., Ludwig S.M., Spektor W, Davydov S., Zimov N., Trujillo I., Mack M.C. 2018. Impacts of increased soil burn severity on larch forest regeneration on permafrost soils of far northeastern Siberia // Forest Ecology and Management. Vol. 417. P. 144-153. DOI: 10.1016/j. foreco.2018.03.008 Groisman P.Ya., Sherstyukov B.G., Razuvaev V.N., Knight R.W., Enloe J.G., Stroumentova N.S., Whitfield P.H., F0rland E., Hannsen-Bauer I., Tuomenvirta H., Aleksandersson H., Mescherskaya A.V., Karl T.R. 2007. Potential forest fire danger over Northern Eurasia: Changes during the 20th century // Global and Planetary Change. 2007. Vol. 56(3-4). P. 371-386. DOI: 10.1016/j.gloplacha.2006.07.029 Hao W.M., Petkov A., Nordgren B.L., Corley R.E., Silverstein R.P., Urbanski S.P., Evangeliou N., Balkanski Y., Kinder B.L. 2016. Daily black carbon emissions from fires in northern Eurasia for 2002-2015 // Geoscientific Model Development. Vol. 9(12). P. 4461-4474. DOI: 10.5194/ gmd-9-4461-2016
References
Alexander H.D., Natali S.M., Loranty M.M., Ludwig S.M., Spektor VV, Davydov S., Zimov N., Trujillo I., Mack M.C. 2018. Impacts of increased soil burn severity on larch forest regeneration on permafrost soils of far northeastern Siberia. Forest Ecology and Management 417: 144-153. DOI: 10.1016/j.foreco.2018.03.008 Bartalev S.A, Stytsenko F.V, Khvostikov S.A., Lupyan E.A. 2017. Methodology of post-fire tree mortality monitoring and prediction using remote sensing data. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 14(6): 176-193. [In Russian] Furyaev VV. 1996. The wildfire role in the process of forest
formation. Novosibirsk: Nauka. 253 p. [In Russian] Groisman P.Ya., Sherstyukov B.G., Razuvaev V.N., Knight R.W., Enloe J.G., Stroumentova N.S., Whitfield P.H., F0rland E., Hannsen-Bauer I., Tuomenvirta H., Aleksandersson H., Mescherskaya A.V., Karl T.R. 2007. Potential forest fire danger over Northern Eurasia: Changes during the 20th century. Global and Planetary Change 56(3-4): 371-386. DOI: 10.1016/j. gloplacha.2006.07.029 Hao W.M., Petkov A., Nordgren B.L., Corley R.E., Silverstein R.P., Urbanski S.P., Evangeliou N., Balkanski Y., Kinder B.L. 2016. Daily black carbon emissions from fires in northern Eurasia for 2002-2015. Geoscientific Model Development 9(12): 4461-4474. DOI: 10.5194/ gmd-9-4461-2016 Isaev A.S., Knyazeva S.V., Puzachenko M.Yu., Chernenkova T.V. 2009. Use of satellite data for monitoring of forest
biodiversity. Issledovanie Zemli iz Kosmosa 2: 55-66. [In Russian]
Isaev A.S., Sukhovolsky VG., Khlebopros R.G., Buzykin A.I., Ovchinnikova T.M. 2005. Modeling of Forest-forming Process: Phenomenological Approach. Russian Journal of Forest Science 1: 3-11. [In Russian] Rozhkov Yu.F., Kondakova M.Yu. 2016a. Estimates of changes of structural parameters of forest ecosystems in decoding high resolution satellite images. Nature Conservation Research 1(1): 98-107. DOI: 10.24189/ ncr.2016.008 [In Russian] Rozhkov Yu.F., Kondakova M.Yu. 2016b. Monitoring of Forest Condition Using Cluster Analysis in Interpretation Process of Middleand High-Resolutions Satellite Images. Nauka i Obrazovanie 3: 95-101. [In Russian] Rozhkov Yu.F., Kondakova M.Yu. 2017. Evaluation of Recovery after Forest Fire with Cluster Analysis in Interpretation of Sattelite Images. Vestnik of NorthEastern Federal University 2(58): 38-49. [In Russian] Shikhov A.N., Perminov S.I., Kiseleva E.S. 2017. Assessment of boreal forests vulnerability to fire- and wind-induced disturbances from long-term series of satellite observations within the Urals region. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 14(4): 87-102. [In Russian] Terekhin E.A. 2017. Estimation of forest ecosystems disturbance in the southwest of Central Russian Upland using remote sensing data. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 14(4): 112-124. [In Russian] Tsvetkov P.A., Buryak L.V. 2014. Studies of Fire Nature in the Forests of Siberia. Siberian Forest Journal 3: 2542. [In Russian] Vorobev O.N., Kurbanov E.A. 2017. Remote monitoring of vegetation regeneration dynamics on burnt areas of Mari Zavolzhje forests. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 14(2): 84-97. [In Russian] Vorobev O.N., Kurbanov E.A., Polevshikova Yu.A., Lezhnin S.A. 2016. Assessment of dynamics and disturbance of forest cover in the Middle Povolzhje by Landsat images. Sovremennye Problemy Distantsionnogo Zondirovaniya Zemli iz Kosmosa 13(4): 124-134. [In Russian] Zhirin V.M., Knyazeva S.V., Eidlina S.P. 2011. Remote Maintenance of Forest-Forming Process in Taiga Forests After Their Cutting in the Russian Plain. Russian Journal of Forest Science 6: 29-38. [In Russian] Zhirin VM., Knyazeva S.V., Eidlina S.P. 2013. The Eco-dynamical Study of Forest-forming Process with Space Imagery. Russian Journal of Forest Science 5: 76-85. [In Russian]
Zhirin V.M., Sukhikh VI., Shatalov A.V, Butusov O.B., Eidlina S.P. 2004. The use of space images to study the dynamics of the overgrowing of the fires. Issledovanie Zemli iz Kosmosa 5: 69-76. [In Russian]
ASSESSMENT OF THE POST-FIRE FOREST RESTORATION DYNAMICS IN THE OLEKMINSKY STATE NATURE RESERVE (RUSSIA) ACCORDING TO DATA OF LANDSAT SATELLITE IMAGES
Yuri F. Rozhkov1, Maria Yu. Kondakova2
lState Nature Reserve «Olekminsky», Russia e-mail: olekmazap-nauka@yandex.ru 2Hydrochemical Institute, Russia e-mail: vesna-dm@mail.ru
The use of time series of satellite images allows us to trace the dynamics in the processes of reforestation and forest formation. We estimated the use of the results of cluster analysis of the pixel distribution in the monitoring of post-fire forest restoration. We processed multispectral mid-resolution satellite images (and their fragments) of Landsat 8, Landsat TM/ETM+, Landsat MSS taken in 1973-2016 using the following cluster analysis tools: unmanaged ISODATA classification and thematic difference. The thematic difference was calculated between the results of classifying data into two, four, six, and ten classes. We demonstrated that the post-fire forest restoration takes place in different burned areas with different wildfire intensity. It also depends on the proportion of post-fire wastelands. For example, greater areas of post-fire disturbance have been noted in conditions of a larger proportion of post-fire wastelands. In severely fire-damaged areas, the post-fire vegetation restoration was more intense than in slightly fire-damaged. We calculated the index characterising the forest cover in burned areas. We demonstrated its increase over the time. We considered the relationship between the change in the index charac-tensing the forest cover over the time and the thematic difference of pixels.
Key words: index characterising the forest cover, Isodata classification, satellite image interpretation, thematic difference, reforestation process
