CC BY
1
ПРОБЛЕМЫ ЭКОЛОГИИ И РАЦИОНАЛЬНОГО ПРИРОДОПОЛЬЗОВАНИЯ. БИОТЕХНОЛОГИИ
PROBLEMS IN ECOLOGY AND RATIONAL NATURE MANAGMENT. BIOTECHNOLOGIES
Научная статья УДК 630*58:528.8
https://doi.Org/10.25686/2306-2827.2023.2.77
Оценка разносезонных изображений Sentinel-2 для классификации лесного покрова водоохранных зон рек Марийского Заволжья
Л. В. Тарасовам, Э. А. Курбанов, О. Н. Воробьёв, С. А. Лежнин
Поволжский государственный технологический университет,
Российская Федерация, 424000, Йошкар-Ола, пл. Ленина, 3 tarasoval@volgatech.netH
Введение. Водоохранные (защитные) леса являются уязвимыми экосистемами с характерными растительными сообществами, произрастающими на относительно богатых пойменных землях, что отличает их от других лесных насаждений. Оценка данных о лесном покрове водоохранных зон представляет собой ключевую информацию для понимания антропогенного и природного влияния на эти экосистемы. Для этих целей широко используются спутниковые изображения, которые доступны на облачной платформе Google Earth Engine (GEE) по обработке глобальных данных. Цель исследования — оценить применение спектральных каналов разносезонных снимков спутника Sentinel-2 для картографирования и оценки лесного покрова водоохранных зон рек в GEE. Объектами исследования явились лесные насаждения, произрастающие в двухсотметровой буферной (водоохранной) зоне участков рек Рутка, Парат, Большая Кокшага, Большой Кундыш, Волга, Малая Кок-шага, Малый Кундыш, Илеть, Юшут, Ошла, Большая Ошла Республики Марий Эл в рамках спутниковой сцены T38VPH Sentinel-2. Методы исследования. В работе была проведена управляемая классификация разносезонных спутниковых изображений Sentinel-2 методом «случайного леса» (RF англ. - Random Forest) в GEE по 9 классам наземного покрова (8 классов древесных пород и 1—нелесные территории). На первом этапе исследования созданы и классифицированы четыре разносезонных (зима, весна, лето, осень) изображения Sentinel-2 с использованием нескольких спектральных каналов. После этого выбраны по пять наиболее значимых каналов изображений каждого исследуемого сезона и создано одно комбинированное изображение на их основе. Результаты и выводы. Общая точность проведённой классификации составила 87,4 %, а коэффициент Каппа — 0,84. Наименьшая точность наблюдается по классам «Ольха» и «Осина» — около 64 %. Исследование показало, что для классификации породного состава водоохранных лесов наиболее приемлемы следующие спектральные каналы спутника Sentinel-2 — вегетационный крайний красный летнего и осеннего сезонов, а также коротковолновый инфракрасный диапазон весеннего и осеннего сезона. Использование облачных вычислений значительно упрощает процесс обработки и анализа спутниковых изображений, а применение разносезонных изображений и выбор подходящих каналов могут повысить точность классификации водоохранных лесов.
Ключевые слова: водоохранные леса; разносезонные спутниковые снимки; дистанционное зондирование; тематическое картографирование; Google Earth Engine (GEE); Sentinel-2; Random Forest (RF)
Финансирование: работа выполнена в рамках гранта Российского научного фонда № 22-16-00094, https://rscf.ru/project/22-16-00094/
© Тарасова Л. В., Курбанов Э. А., Воробьёв О. Н., Лежнин С. А., 2023.
Для цитирования: Тарасова Л. В., Курбанов Э. А., Воробьёв О. Н., Лежнин С. А. Оценка разносезонных изображений Sentinel-2 для классификации лесного покрова водоохранных зон рек Марийского Заволжья // Вестник Поволжского государственного технологического университета. Сер: Лес. Экология. Природопользование. 2023. № 2 (58) С. 77-92. https://doi.Org/10.25686/2306-2827.2023.2.77
Введение. Водоохранные (прирусловые) леса представляют собой сложные и уязвимые экосистемы с характерными растительными сообществами на относительно богатых пойменных землях, сформировавшихся в результате многолетних геоморфологических процессов, что отличает их от других лесных насаждений [1, 2]. Такие леса выполняют важные противоэрозионные, водорегулирующие, защитноаккумулятивные, санитарно-гигиенические и рекреационные функции [3 - 6]. В последние десятилетия в результате изменения водного режима, пожаров, эрозии, урбанизации, локального строительства и роста населения отмечается высокое антропогенное воздействие на прибрежные экосистемы, что приводит к их нарушениям и соответствующему снижению водоохранно-защитных функций [7 - 9]. Эти процессы, наблюдающиеся в прибрежных лесах во многих странах мира, важны и для Российской Федерации, входящей в тройку стран с самой протяжённой береговой линией [10 - 14].
Классификация землепользования (англ. Land Use and Land Cover / LULC) и получение данных о лесном покрове водоохранных зон представляет собой ключевую информацию для понимания влияния человека на прирусловые экосистемы [15 - 17]. Для картографирования наземного покрова широко используются методы дистанционного зондирования (ДЗЗ) и географические информационные системы (ГИС), что обусловлено их доступностью и широким охватом территории [18 - 21]. Появление в последнее десятилетие данных миссии Sentinel-2 Европейского космического агентства может значительно улучшить оценку и картографирование наземного покрова, определение лесного покрова по типу и породному составу [22 - 26]. Кроме того, временное разрешение Sentinel-2 составляет пять дней, что позволяет выбирать изображения с наименьшей облачностью [27, 28].
Для повышения точности классификации по породному составу применяется
сочетание изображений Sentinel-2 с другими спутниковыми данными и ЦММ (цифровая модель местности) [29 - 31], также комбинация спектральных, текстурных и экологических характеристик [32, 33]. Многие исследования свидетельствуют о том, что использование разносезонных снимков позволяет добиться более высокой точности картографирования лесных пород. Это связано с тем, что фенологические вариации на спутниковых изображениях могут повысить спектральную разделимость растительного покрова [34 - 37].
В последнее время для подбора и классификации разновременных снимков исследователями всё чаще применяется высокопроизводительная платформа для геопространственного анализа петабайтных данных ДЗЗ в планетарном масштабе (англ. Google Earth Engine, GEE) (https://earth-engine.google.com), которая использует облачные технологии и язык на основе JavaScript. Эта платформа базируется на вычислительной инфраструктуре Google, что позволяет сократить время работы и использовать депозитарий для хранения и совместного использования скриптов. С помощью каталога данных GEE появляется возможность получить доступ к множеству спутниковых изображений и продукции на их основе [38, 39].
Кроме того, GEE предлагает различные пакеты для сбора, анализа, обработки, классификации и экспорта изображений. В настоящее время эта облачная платформа широко используется для различных целей (классификации наземного покрова, оценки нарушенности лесов, анализа интенсивности пожаров, обнаружения поверхностных вод, картирования мангровых зарослей и береговой линии) как совместно с внешним программным обеспечением, так и без него [40, 41].
Цель работы - оценить возможность использования разносезонных снимков спутника Sentinel-2 для картографирования водоохранных зон в GEE на основе алгоритма классификации RF.
Для достижения данной цели были решены следующие задачи:
• получены спутниковые данные Sentinel-2 на территорию исследования и разработан алгоритм для классификации спутниковых изображений;
• набраны участки ROI (область интереса - англ. Region of interest) на основе проведённых полевых исследований в лесных насаждениях водоохранных зон, данных ЦУДМЛ (Центра устойчивого управления и дистанционного мониторинга лесов ФГБОУ ВО «ПГТУ») и снимков высокого разрешения Google Earth;
• осуществлена последовательность процедур по классификации спутниковых снимков Sentinel-2 методом RF;
• получены тематические карты наземного покрова и проведена оценка точности и валидация полученных результатов с независимыми данными по лесному фонду исследуемого региона.
Объектами исследования явились лесные насаждения, произрастающие в двухсотметровой буферной (водоохранной) зоне участков рек Рутка, Парат, Большая Кокшага, Большой Кундыш, Волга, Малая Кокшага, Малый Кундыш, Илеть, Юшут, Ошла, Большая Ошла Республики Марий Эл, расположенных в пределах сцены T38VPH Sentinel-2.
Материалы и методы. В 2022-2023 гг. были проведены полевые исследования с закладкой тестовых участков на территории водоохранных лесов РМЭ (рис. 1). Закладка тестовых участков была проведена методом круговых реласкопических площадок [42] в древостоях основных лесообразующих пород. До начала полевых работ по данным космических снимков высокого разрешения (интернет-ресурсы Google Earth, Yandex) была определена степень однородности или неоднородности исследуемого лесного насаждения, приуроченность к элементам рельефа местности. Исходя из этих данных, а также данных лесоустройства, было определено общее количество и размещение ТУ, репрезентативно представленных во всех классах наземного покрова.
Географические координаты каждого тестового участка фиксировались на местности с помощью GPS-приёмника «GARMIN eTrex 20» с целью их последующей идентификации на спутниковых снимках [43]. Для каждого ТУ был описан основной набор таксационных показателей лесных насаждений: породный состав, средние высота и диаметр насаждения, полнота, сомкнутость полога, возраст преобладающей породы древостоя, состояние нижних ярусов, наличие следов различных природных и антропогенных нарушений.
Рис. 1. Распределение мест закладки тестовых участков на территории РМЭ
и исследуемая сцена T38VPH
Fig. 1. Distribution of locations for establishing test sites on the territory of the Republic of Mari El and the
studied scene T38VPH
Кроме того, для повышения точности управляемой классификации по данным ЦУДМЛ и снимкам высокого разрешения Google Earth были дополнительно набраны участки ROI (2 набора для обучения и валидации) в пакете Envi 5.2 (табл. 1), которые затем были сохранены в отдельные файлы по классам в формате *.shp.
В GEE доступны изображения Sentinel-2 уровня 2А, которые уже скорректированы с учётом атмосферы. Алгоритм классификации растительного покрова водоохранных зон рек по изображениям Sentinel-2 в GEE представлен на рис. 2. На первом этапе были импортированы файлы ROI для классов наземного покрова и 200-метровая буферная зона в векторном формате (.shp, .shx, .dbf, .prj) и загружены изображения Sentinel-2 уровня 2A из коллекции «COPER-NICUS/S2_SR_Harmonized» на территорию исследования за 2020 - 2023 гг. с минимальным процентом облачности.
Далее были созданы четыре набора изображений Sentinel-2 для различных сезонов:
1) зимний набор изображений, характеризующийся безлистным состоянием лиственных пород (ноябрь - март); 2) весенний набор изображений (апрель - май), представляющий период возобновления вегетации и роста; 3) летний набор, соответствующий максимальной потенциальной активности растительности (июнь - август); 4) осенний набор (сентябрь - октябрь), когда листья лиственных деревьев окрашиваются в жёлтый и красный цвета.
Для создания наборов данных из снимков Sentinel-2 различных периодов были установлены параметры фильтрации, основанные на анализе основных дат начала и окончания основных фенологических стадий лиственных видов из литературных источников [44, 45]. Характеристика полученных данных представлена в табл. 2.
Таблица 1. Описание участков ROI на территорию исследования
Table 1. Description of ROI sites in the study area
Классы наземного покрова ROI всего (количество точек в GEE) Цвет на тематической карте
Ольха 2 918
Берёза 5 315
Смешанные с преобладанием липы (Липа) 3 601
Смешанные с преобладанием дуба (Дуб) 5 445
Смешанные с преобладанием осины (Осина) 2 237
Древесно-кустарниковая растительность (ДКР) 2 952
Сосна 5 850
Молодняки 1 714
Участки, не покрытые лесом 12 006
Таблица 2. Описание наборов данных для сцены T38VPH
Table 2. Description of datasets for the scene T38VPH
Наименование набора Количество сцен Порог облачности, % Даты изображений
Зимний (305 - 90 дни года ) 5 2 11.12.2021, 25.01.2022, 01.03.2022, 23.03.2022, 09.01.2023
Весенний (91 - 151 дни года) 12 1 09.04.2020, 02.05.2020, 30.05.2020, 17.04.2021,20.04.2021, 19.05.2021, 20.05.2021, 27.05.2021, 20.04.2022, 09.05.2022, 04.04.2023, 05.04.2023
Летний (152 - 245 дни года) 11 0,25 08.07.2020, 05.08.2020,23.08.2020, 03.06.2021, 04.06.2021, 19.06.2021, 06.07.2021, 14.06.2022, 26.06.2022, 20.08.2022
Осенний (246 - 304 дни года) 3 2 04.10.2020, 29.10.2020, 07.10.2021
A
П
H
s
Ф
H
Ф
u
n
о
G
и
c.
о
VO
3
CO
5 s S я
a «
11
s c.
O VO
a о
та м
И В
с«
Vt
в
о
Я
О
S к
в в
S s
О 3
ш Г О Н
—
н
л
н
Nfi
Ч
м
о
РМ
^ис. 2. Алгоритм классификации водоохранных зон рек по данным Sentinel-2 в GEE Fig. 2. Algorithm for riparian zone classification based on Sentinel-2 data available in GEE
Для классификации водоохранных зон рек все временные ряды (наборы) должны быть сведены к одному изображению, содержащему обобщённую информацию о каждом из них. Чтобы снизить объём данных, применяется метод редукции, для выполнения которого могут использоваться медианное, среднее, мак-
симальное и минимальное значения. В данном исследовании редукция была проведена с использованием среднего значения. В результате были получены четыре изображения (одно изображение для каждого набора). Пример фрагмента четырёх разносезонных изображений в комбинации RGB представлен на рис. 3.
Рис. 3. Пример фрагмента 4 разносезонных изображений в RGB: зимний, весенний, летний, осенний Fig. 3. Sample fragment of 4 multi-season images in RGB: winter, spring, summer, autumn
Портал GEE позволяет применять различные алгоритмы классификации машинного обучения (CART, Random Forest, Naive Bayes и SVM). RF является наиболее используемым, позволяющим обрабатывать и классифицировать большие объёмы данных. Он представляет собой метод принятия решений, основанный на использовании множества «леса решений», которые работают как ансамбль. RF в GEE позволяет задавать различные параметры: количество «деревьев решений», минимальное число листьев, «долю мешка» (т. е. долю обучающих данных, которые будут использоваться при создании следующего дерева в бустинге), максимальное количество узлов в каждом дереве и начальное число рандомизации. GEE позволяет набирать ROI и создавать наборы тестовых участков по классам, но в данном исследовании использовались уже имеющиеся ROI по классам, сформированные в ArcGIS Pro 2.7 и отредактированные для дальнейшей работы в ENVI 5.2. Для каждой проведённой классификации была выполнена оценка точности на основе показателей общей точности (OA), коэффициента Каппа, точности производителя (PA) и точности пользователя (UA). OA - это общий процент классификации, определяемый отношением количества правильно классифицированных объектов к их общему количеству, в то время как UA и PA относятся к точности классификации одного класса. UA - доля объектов, отнесённых алгоритмом к данному классу и при этом действительно являющихся объектами данного класса, а PA показывает, какую долю объектов данного класса
из всех объектов данного класса нашёл алгоритм [46]. Эти показатели точности использовались для расчёта F-меры, которая представляет собой гармоническое среднее между полнотой / recall (PA) и точностью / precision (UA). F-мера для каждого класса рассчитывается по следующей формуле:
F-мера =2*(PA*UA)/(PA+UA).
Кроме того, для классификатора RF рассчитывается «ошибка вне упаковки» OOB (англ. Out-of-Bag) - объективная оценка фактической ошибки предсказания RF и других алгоритмов машинного обучения.
Результаты и обсуждение. На первом этапе были классифицированы четыре изображения, содержащие 10 каналов Sentinel-2 (были исключены 1, 9 и 10 каналы с разрешением 60 м). Число «деревьев» RF было принято 200, остальные параметры установлены по умолчанию. Результаты классификации представлены в табл. 3.
Затем были выбраны по пять спектральных каналов каждого изображения, оказавшиеся наиболее значимыми по показателю importance, автоматически рассчитываемому при классификации. Наиболее значимыми спектральными каналами изображений всех сезонов явились коротковолновый инфракрасный диапазон / SWIR (11 и 12 каналы) и вегетационный крайний красный / Vegetation Red Edge (5 канал). Далее из 20 выбранных каналов формируется изображение, для которого проводится оценка разделимости ROI древесных пород по методике Джеффрис-Матусита (табл. 4). Значения статистической разделимости выбранных ROI могут варьировать от 0 до 2.
Таблица 3. Результаты классификации 4 разносезонных изображений
T able 3. Results of classification of 4 multi-season images
Используемое изображение Общая точность (OA) Коэффициент Каппа F-мера (средняя и минимальная по лесным классам) Ошибка ООВ Наиболее значимые каналы по показателю Importance (важность)
Зимнее среднее изображение 0,69 0,61 0,55 0,1053 B12, B5, B11, B8A, B7
Весеннее среднее изображение 0,73 0,67 0,60 0,0841 B12, B5, B11, B2, B3
Летнее среднее изображение 0,79 0,74 0,68 0,1031 B11, B12, B5, B4, B2
Осеннее среднее изображение 0,83 0,80 0,61 0,1095 B12, B11, B5, B6, B4
Таблица 4. Оценка разделимости ROI по методике Джеффрис-Матусита для комбинированного 20-канального изображения
T able 4. Estimation of ROI separability using the Jeffries-Matusita measure for a combined 20-channel image
Классы наземного покрова Ольха Осина Берёза Сосна Липа Дуб ДКР Молод- няки Участки, не покрытые лесом
Ольха 1,75 1,80 1,98 1,86 1,68 1,89 1,91 2,00
Осина 1,64 1,97 1,49 1,36 1,95 1,88 2,00
Берёза 1,98 1,77 1,76 1,96 1,91 2,00
Сосна 1,88 1,91 1,99 1,90 2,00
Липа 1,59 1,98 1,89 2,00
Дуб 1,93 1,88 2,00
ДКР 1,97 2,00
Молодняки 2,00
Участки, не покрытые лесом
Таблица 5. Оценка точности итоговой карты
Table 5. Accuracy assessment of the final map
Классы наземного покрова PA,% UA, % F-мера, %
Ольха 76,02 54,18 63,27
Осина 57,08 72,81 63,99
Берёза 90,18 79,99 84,78
Сосна 97,42 94,96 96,17
Липа 79,03 81,09 80,04
Дуб 71,99 81,57 76,49
ДКР 87,75 70,06 77,91
Молодняки 95,21 77,90 85,69
Участки, не покрытые лесом 93,27 99,90 96,47
Общая точность, % 87,39
Коэффициент Каппа 0,84
Ошибка Out-of-Bag (ООВ) 0,0231
Значения индекса выше 1,4 свидетельствуют о приемлемой спектральной разделимости исследуемых классов наземного покрова. Минимальная разделимость 1,36 наблюдается между классами «Дуб» и «Осина». Результаты классификации и оценка точности данного изображения представлены в табл. 5.
Наименьшая точность классификации наблюдается по классам «Ольха» и «Осина» - около 63 - 64 % (F-мера). В процессе классификации наблюдается некоторое перемешивание между классами лиственных пород, что объясняется схожестью спектральных характеристик и сложным составом водоохранных лесов. Оценка структу-
ры и площади наземного покрова по классам проводилась с использованием программного пакета ArcMap 10.8.1 (табл. 6). Значимость каналов для классификации приведена на рис. 4. Итоговая тематическая карта территории исследования представлена на рис. 5.
Лесистость 200-метровой водоохранной зоны для сцены T38VPH составила 49 %.
Наибольшую долю в структуре лесного покрова водоохранной зоны (рис. 6) занимают классы «Древесно-кустарниковая растительность» (26 %), «Берёза» (17 %о), «Дуб» (15 %), «Сосна» (13 %), «Ольха» (11 %), класс «Липа» занимает 8 %. Наименьшими по площади классами лесного покрова являются классы «Осина» (5 %) и «Молод-няки» (5 %).
Таблица 6. Площадь и структура наземного покрова по классам (сцена T38VPH)
Table 6. Area and structure of the land cover by class (scene T38VPH)
Классы наземного покрова Площадь, га % от общей площади
Лесные насаждения 32 773,46 49,09
Ольха 3 673,76 5,50
Осина 1 505,48 2,25
Берёза 5 494,42 8,23
Сосна 4 332,12 6,49
Липа 2 719,43 4,07
Дуб 4 979,59 7,46
ДКР 8 516,66 12,76
Молодняки 1 552,01 2,32
Участки, не покрытые лесом 33 994,63 50,91
Итого 66 768,09 100,00
Каналы комбинированного изображения
Рис. 4. Значимость для классификации каналов итогового комбинированного изображения Fig. 4. Classification significance of channels of the final combined image
Рис. 5. Итоговая тематическая карта области исследования (слева), пример фрагмента карты (справа) Fig. 5. Final thematic map of the study area (left), map fragment example (right)
Рис. 6. Структура лесного покрова водоохранной зоны (для сцены T38VPH) Fig. 6. Structure of the forest cover in the riparian zone (for scene T38VPH)
Выводы. Наиболее значимыми спектральными каналами Sentinel-2 для классификации водоохранных лесов явились: вегетационный крайний красный / Vegetation red edge летнего сезона (B5_summer) и осеннего сезона (B5_autumn, B6_au-tumn), коротковолнового инфракрасного диапазона / SWIR весеннего (B11_spring, B12_spring) и осеннего (B12_autumn) сезона. По этим спектральным каналам можно максимально оптимально выделить и описать породный состав водо-
охранных лесов. Менее значимым стал зелёный (Green) канал весеннего изображения (B3_spring). Использование платформы облачных вычислений GEE значительно упрощает процесс обработки и анализа спутниковых изображений, позволяя работать одновременно с разновременными данными большого объёма. Применение разносезонных изображений и выбор подходящих каналов могут способствовать повышению точности классификации защитных лесов.
СПИСОК ИСТОЧНИКОВ
1. Исследование лесогидрологических про-
цессов на водосборах рек бассейна Амура по данным спутниковых и гидрометеорологических наблюдений / А. Л. Верхотуров, Г. В. Соколова,
С. А. Барталев и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 142-154. DOI: 10.21046/2070-7401-2018-15-4-142-154
2. Оценка противоэрозионной защиты лесными насаждениями прибрежной территории рек Предволжья Республики Татарстан / С. С. Рязанов, А. Т. Сабиров, Р. А. Ульданова и др. // Ученые записки Крымского федерального университета имени В. И. Вернадского. География. Геология. 2022. № 2. С. 99-114.
3. Global overview of ecosystem services provided by riparian vegetation / T. Riis, M. Kelly-Quinn, F. C. Aguiar et al. // BioScience. 2020. Vol. 70. № 6. Pp. 501-514. DOI: 10.1093/biosci/biaa041
4. Воронков Н. А. Роль лесов в охране вод. Л.: Гидрометеоиздат, 1988. 279 с.
5. Денисов А. К. Защитно-водоохранная роль прирусловых лесов. М.-Л.: Гослесбумиздат, 1963. 140 с.
6. Кошелева О. Ю. Районирование водосборов малых рек Юга Приволжской возвышенности по водоохранно-защитной роли лесов // Известия высших учебных заведений. Лесной журнал. 2021. № 1. С. 99-111. DOI 10.37482/0536-1036-2021-1-99-111
7. Выприцкий А. А., Шинкаренко С. С. Анализ влияния почвенно-климатических условий на сохранность государственных защитных лесных полос на основе данных Sentinel-2 // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 5. С. 147-163. DOI: 10.21046/2070-7401-2022-19-5-147-163
8. Демаков Ю. П., Исаев А. В. Структура и закономерности развития древостоев в пойменных лесах Республики Марий Эл // Сибирский лесной журнал. 2019. № 6. С. 111-125. DOI: 10.15372/SJF-S20190612
9. Land cover changes (1963-2010) and their environmental factors in the upper Danube floodplain / F. Xu, A. Otte, K. Ludewig et al. // Sustainability. 2017. Vol. 9. № 6. Art. No. 943. Pp. 1-37. DOI: 10.3390/su9060943
10. Лесной кодекс (утв. 04.12.2006) № 200-ФЗ в ред. от 13.06.2023. http://www.consultant.ru/docu-ment/cons_doc_LAW_64299/
11. Водный кодекс Российской Федерации. № 74-ФЗ (утв. 03.06.2006) в ред. от 13.06.2023. http://www.consultant.ru/document/cons_doc_LAW_ 60683/
12. Распоряжение от 11 февраля 2021 года № 312-р Правительства Российской Федерации
«Об утверждении Стратегии развития лесного комплекса Российской Федерации до 2030 года». https://docs.cntd.ru/document/573658653
13. Приказ Минприроды России от 27.09.2021 № 686 «Об утверждении Порядка проведения государственной инвентаризации лесов». https://docs. cntd.ru/document/727092651
14. Приказ Минприроды России от 08.10.2014 № 432 «Об утверждении Методических указаний по осуществлению государственного мониторинга водных объектов в части наблюдений за состоянием дна, берегов, состоянием и режимом использования водоохранных зон и изменениями морфометрических особенностей водных объектов или их частей». https://docs.cntd.ru/document/420227238
15. Воробьёв О.Н., Курбанов Э.А. Оценка затопления растительного покрова в республиках Марий Эл и Чувашия при подъёме Чебоксарского водохранилища до отметки 68 м по данным ДЗЗ // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 3. С. 214-225. DOI: 10.21046/2070-7401 -2021 -18-3-214-225
16. Temporal variations in rainfall and temperature and their effects on the river discharge in the Mara river basin / I. Ayuyo, G. Krhoda, S. Mukhovi et al. // East African journal of science, technology and innovation. 2020. Vol. 2. № 1. Pp. 1-23. DOI: 10.37425/ eajsti.v2i1.215
17. Assessing the efficacy of phenological spectral differences to detect invasive alien Acacia dealbata using Sentinel-2 data in southern Europe / D. Domingo, F. Perez-Rodriguez, E. Gomez-Garcia et al. // Remote Sensing. 2023. Vol. 15. № 3. Art. No. 722. DOI: 10.3390/rs15030722
18. Пространственно-временной анализ фрагментации лесного покрова Среднего Поволжья с использованием ландшафтных индексов и спутниковых данных Landsat / О. Н. Воробьёв, Э. А. Курбанов, С. А. Лежнин и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 1. С. 144-159. DOI: 10.21046/2070-7401-2023-20-1-144-159
19. Чеплянский И.Я., Турчин Т.Я., Ермолова А.С. Дистанционный мониторинг государственных защитных лесных полос степной зоны европейской части России // Известия высших учебных заведений. Лесной журнал. 2022. № 3. С. 44-59. DOI: 10.37482/0536-1036-2022-3-44-59
20. Detection and characterization of coastal tidal wetland change in the northeastern US using Landsat time series / X. Yang, Z. Zhu, S. Qiu et al. // Remote sensing of environment. 2022. Vol. 276. Art No. 113047. DOI: 10.1016/j.rse.2022.113047
21. Udali A., Lingua E., Persson H.J. Assessing Forest Type and Tree Species Classification Using Sentinel-1 C-Band SAR Data in Southern Sweden //
Remote Sensing. 2021. Vol. 13. № 16. Art. No. 3237. DOI: 10.3390/rs13163237
22. Fine-scale detection of vegetation in semiarid mountainous areas with focus on riparian landscapes using Sentinel-2 and UAV data / A. Daryaei, H. Sohrabi, C. Atzberger et al. // Computers and Electronics in Agriculture. 2020. Vol. 177. Art No. 105686, Pp. 1-13. DOI: 10.1016/j .compag.2020.105686
23. Пространственная классификация преобладающих древесных пород на территории Самарской области по данным Sentinel-2 и таксации леса / А. Ю. Денисова, Л. М. Кавеленова, Е. С. Корчиков и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 4. С. 86-101. DOI: 10.21046/2070-7401-2019-16-4-86-101
24. Распознавание лесных насаждений и доминирующих древесных пород Пензенской области по данным спутника Sentinel-2 / Э. А. Курбанов, О. Н. Воробьёв, C. А. Меньшиков и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5. С. 154-166. DOI: 10.21046/2070-7401-2018-15-5-154-166
25. Forest tree species classification based on Sentinel-2 images and auxiliary data / H. You, Y. Huang, Z. Qin et al. // Forests. 2022. Vol. 13. № 9. Art. No. 1416. DOI: 10.3390/f13091416
26. Optimal input features for tree species classification in Central Europe based on multi-temporal Sentinel-2 data / M. Immitzer, M. Neuwirth, S. Bock et al. // Remote sensing. 2019. Vol. 11. № 22. Art. No. 2599. Pp. 1-23. DOI: 10.3390/rs11222599
27. Persson M., Lindberg E., Reese H. Tree species classification with multi-temporal Sentinel-2 data // Remote sensing. 2018. Vol. 10. № 11. Art. No. 1794. DOI: 10.3390/rs10111794
28. WesselM., Brandmeier M., Tiede D. Evaluation of different machine learning algorithms for scalable classification of tree types and tree species based on Sentinel-2 data // Remote sensing. 2018. Vol. 10. № 9. Art. No. 1419. DOI: 10.3390/rs10091419
29. Combination of Sentinel-1 and Sentinel-2 data for tree species classification in a Central European biosphere reserve / M. Lechner, A. Dostalova, M. Ho-llaus et al. // Remote sensing. 2022. Vol. 14. № 11. Art. No. 2687. DOI: 10.3390/rs14112687
30. Mapping tree species proportions from satellite imagery using spectral-spatial deep learning / C. Bolyn, P. Lejeune, A. Michez et al. // Remote sensing of environment. 2022. Vol. 280. Art. No. 113205. DOI: 10.1016/j.rse.2022.113205
31. Tree-fruits crop type mapping from Sentinel-1 and Sentinel-2 data integration in Egypt's New Delta project / M. Nabil, E. Farg, S. M. Arafat. et al. // Remote Sensing Applications: Society and Environment. 2022. Vol. 27. Art. No. 100776. DOI: 10.1016/j.rsase. 2022.100776
32. Machine Learning for Tree Species Classification Using Sentinel-2 Spectral Information, Crown Tex-
ture, and Environmental Variables / J. Lim, K.-M. Kim, E.-H. Kim et al. // Remote Sensing. 2020. Vol. 12. No. 12, Art. No. 2049. DOI: 10.3390/rs12122049
33. Повышение информативности мультиспектральных спутниковых изображений с использованием данных текстурного анализа / С. А. Зотов, Е. В. Дмитриев, П. Г. Мельник и др. // Известия вузов. Лесной журнал. 2022. № 2. С. 84-104. DOI: 10.37482/0536-1036-2022-2-84-104
34. Macintyre P., van Niekerk A., Mucina L. Efficacy of multi-season Sentinel-2 imagery for compositional vegetation classification // International Journal of Applied Earth Observation and Geoinformation. 2020. Vol. 85. Art. No. 101980. DOI: 10.1016/ j.ja.g.2019.101980
35. Assessing Landsat-8 and Sentinel-2 spectral-temporal features for mapping tree species of northern plantation forests in Heilongjiang Province, China / M. Wang, Y. Zheng, C. Huang et al. // Forest Ecosystems. 2022. Vol. 9. Art. No. 100032. DOI: 10.1016/ j.fecs.2022.100032
36. Mapping tree species of forests in southwest France using Sentinel-2 image time series / N. Kara-siak, D. Sheeren, M. Fauvel et al. // Proceedings of the 2017 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp). Brugge. Belgium, 2017. Pp. 1-4. DOI: 10.1109/Multi-Temp.2017.8035215
37. Forest Stand Species Mapping Using the Sentinel-2 Time Series / E. Grabska, P. Hostert, D. Pflug-macher et al. // Remote Sensing. 2019. Vol. 11, № 10. Art. No. 1197. DOI: 10.3390/rs11101197
38. Eskandari S., Sarab S. A. M. Mapping land cover and forest density in Zagros forests of Khuzestan province in Iran: A study based on Sentinel-2, Google Earth and field data // Ecological informatics. 2022. Vol. 70. Art. No. 101727. Pp. 1-18. DOI: 10.1016/j.ecoinf.2022.101727
39. Phan T.N., Kuch V., LehnertL.W. Land cover classification using Google Earth Engine and Random Forest classifier - the role of image composition // Remote sensing. 2020. Vol. 12. № 15. Art. No. 2411. DOI: 10.3390/rs12152411
40. Mangrove ecosystem mapping using Sentinel-1 and Sentinel-2 satellite images and Random Forest algorithm in Google Earth Engine / A. Ghor-banian, S. Zaghian, R. M. Asiyabi et al. // Remote sensing. 2021. Vol. 13. № 13. Art. No. 2565. DOI: 10.3390/rs13132565
41. Machine learning classification of Mediterranean forest habitats in Google Earth Engine based on seasonal Sentinel-2 time-series and input image composition optimization / S. Pratico, F. Solano, S. Di Fazio et al. // Remote sensing. 2021. Vol. 13. № 4. Art. No. 586. DOI: 10.3390/rs13040586
42. Приказ Министерства природных ресурсов и экологии РФ от 5 августа 2022 г. № 510 «Об утверждении Лесоустроительной инструкции».
43. Дистанционный мониторинг устойчивости лесных экосистем: монография / О. Н. Воробьёв,
Э. А. Курбанов, Е. Н. Демишева и др., под общ. ред. проф. Э. А. Курбанова. Йошкар-Ола: Поволжский государственный технологический университет, 2019. 166 с.
44. Гафферберг И. Г. Фенологический ка-
лендарь основных древесных пород и некоторых, связанных с ними, животных Мордовского государственного заповедника. 1945 год // Труды
Мордовского государственного природного заповедника им. П. Г. Смидовича. 2020. № 25. С. 50-96.
45. Мухаметова С. В. Сезонное развитие древесных видов в Республике Марий Эл // Материалы межрегиональной научно-методической конференции «Фенологические исследования: история, методика, практика», Йошкар-Ола, 27-28 октября 2022 года. Йошкар-Ола: Поволжский государственный технологический университет, 2022. С. 92-97.
46. 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: Поволжский государственный технологический университет, 2015. 131 с.
Статья поступила в редакцию 03.05.2023; одобрена после рецензирования 17.05.2023;
принята к публикации 05.06.2023.
Информация об авторах
ТАРАСОВА Людмила Владимировна - младший научный сотрудник (без степени) сектора госбюджетных НИР, старший лаборант кафедры садово-паркового строительства, ботаники и дендрологии, Поволжский государственный технологический университет. Область научных интересов - дистанционное зондирование лесов и ГИС, мониторинг лесных экосистем. Автор 13 научных публикаций. ORCID: https://orcid.org/0000-0001-6405-820X
КУРБАНОВ Эльдар Аликрамович - доктор сельскохозяйственных наук, профессор кафедры лесоводства и лесоустройства, руководитель международного центра устойчивого управления и дистанционного мониторинга лесов, Поволжский государственный технологический университет. Область научных интересов - устойчивое управление лесами, дистанционное зондирование земли и ГИС, биологическая продуктивность лесных экосистем, депонирование углерода лесными экосистемами. Автор более 180 научных и учебнометодических публикаций. ORCID: https://orcid.org/0000-0001-5330-9990
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 более 80 научных и учебно-методических публикаций. ORCID: https://orcid.org/0000-0002-4897-677X
ЛЕЖНИН Сергей Анатольевич - кандидат сельскохозяйственных наук, доцент кафедры лесоводства и лесоустройства, Поволжский государственный технологический университет. Область научных интересов - дистанционное зондирование земли, биологическая продуктивность лесных экосистем. Автор более 40 научных публикаций. ORCID: https://orcid.org/0000-0001-6319-4752
Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации.
Авторы заявляют об отсутствии конфликта интересов.
Все авторы прочитали и одобрили окончательный вариант рукописи.
Scientific article UDC 630*58:528.8
https://doi.Org/10.25686/2306-2827.2023.2.77
Assessment of Multi-Season Sentinel-2 Images for Classification of Forest Cover in Riparian
Zones of Mari Zavolzhye
L. V. TarasovaE. A. Kurbanov, O. N. Vorobiev, S. A. Lezhnin
Volga State University of Technology,
3, Lenin Sq., Yoshkar-Ola, 424000, Russian Federation tarasoval@volgatech.netH
ABSTRACT
Introduction. Riparian forests are vulnerable ecosystems with specific plant communities growing in relatively rich floodplain soils, which distinguishes them from other forest plantations. The assessment of data on forest cover in riparian zones provides the key information for understanding anthropogenic and natural impacts on these ecosystems. For these purposes, satellite images are widely used, which are available on the Google Earth Engine (GEE) cloud platform for global data processing. The aim of the study is to evaluate the use of spectral bands of Sentinel-2 satellite multiseason images for mapping and assessing the forest cover of riparian zones in GEE. The objects of the study were forest plantations growing in a 200-meter buffer (water protection) zone of the rivers Rutka, Parat, Bolshaya Kokshaga, Bolshoy Kundysh, Volga, Malaya Kokshaga, Maly Kundysh, Ilet, Yushut, Oshla, and Bolshaya Oshla of the Republic of Mari El, within the framework of Sentinel-2 satellite scene T38VPH. Research methods. Supervised classification of Sentinel-2 satellite multi-season images was carried out on the basis of the random forest (RF) method in GEE according to 9 classes of land cover (8 classes of tree species and 1 - non-forest areas). At the first stage of the study, four multiseason (winter, spring, summer, autumn) Sentinel-2 images were created and classified using several spectral bands. After that, five most significant bands of the images for each studied season were selected and one combined image was created based on them. Results and conclusions. The overall accuracy of the classification was 87.4%, and the Kappa coefficient was 0.84. The lowest accuracy rate of approximately 64% was found for the Alder and Aspen classes. The study showed that the following spectral bands of the Sentinel-2 satellite are most suitable for classifying the species composition of riparian forests: the vegetation red edge band of the summer and autumn seasons, as well as the shortwave infrared range of the spring and autumn seasons. The use of cloud computing greatly simplifies satellite image processing and analysis, while the use of multi-season images and the selection of appropriate bands can improve the accuracy of riparian forest classification.
Keywords: riparian forests; multi-season satellite images; remote sensing; thematic mapping; Google Earth Engine (GEE); Sentinel-2; Random Forest (RF)
Funding: The study was carried out within the framework of Russian Science Foundation Grant No. 22-16-00094, https://rscf.ru/project/22-16-00094/
REFERENCES
1. Verkhoturov A. L., Sokolova G. V., Barta-lev S. A., et al. Issledovanie lesogidrologicheskikh protsessov na vodosborakh rek basseina Amura po dannym sputnikovykh i gidrometeorologicheskikh na-blyudenii [Investigation of Forest Hydrological Processes in Watersheds of the Amur River Basin According to Satellite and Hydrometeorological Observations]. Sov-remennye problemy distantsionnogo zondirovaniya Zem-li iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2018. Vol. 15. No 4. Pp. 142-154. DOI: 10.21046/2070-7401-2018-15-4-142-154 (In Russ.).
2. Ryazanov S. S., Sabirov A. T., Ul'danova R. A., et al. Otsenka protivoerozionnoi zashchity lesnymi nasa-zhdeniyami pribrezhnoi territorii rek Predvolzh'ya Respu-bliki Tatarstan [Evaluation of Anti-Erosion Protection by Forest Plants of the Coastal Territory of the Predvoljie
Rivers of the Republic of Tatarstan] Uchenye zapiski Krymskogo federal’nogo universiteta imeni V. I. Vernads-kogo. Geografiya. Geologiya [Scientific Notes of the Crimean Federal University named after V. I. Vernadsky. Geography. Geology]. 2022. No 2. Pp. 99-114. (In Russ.).
3. Riis T., Kelly-Quinn M., Aguiar F. C., et al. Global overview of ecosystem services provided by riparian vegetation. BioScience. 2020. Vol. 70. No 6. Pp. 501-514. DOI: 10.1093/biosci/biaa041
4. Voronkov N. A. Rol' lesov v okhrane vod [The Role of Forests in Water Protection]. Leningrad: Gidrometeoizdat, 1988. 279 p. (In Russ.).
5. Denisov A. K. Zashchitno-vodookhrannaya rol' priruslovykh lesov [Protective and Water Protection Role of Riverine Forests]. Moscow-Leningrad: Goslesbumizdat, 1963. 140 p. (In Russ.)
6. Kosheleva O. Yu. Raionirovanie vodosborov malykh rek Yuga Privolzhskoi vozvyshennosti po vo-dookhranno-zashchitnoi roli lesov [Zoning of Catchments of Small Rivers in the South of the Volga Upland by the Water Protection Role of Forests]. Izvestiya vys-shikh uchebnykh zavedenii. Lesnoy Zhurnal [Russian Forestry Journal]. 2021. No 1. Pp. 99-111. DOI: 10.37482/0536-1036-2021-1-99-111 (In Russ.).
7. Vypritskiy A. A., Shinkarenko S. S. Analiz vliyaniya pochvenno-klimaticheskikh uslovii na sokh-rannost' gosudarstvennykh zashchitnykh lesnykh polos na osnove dannykh Sentinel-2 [Analysis of Soil and Climatic Factors Influence on the Protective Forest Condition Based on Sentinel-2 Data]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kos-mosa [Current Problems in Remote Sensing of the Earth from Space]. 2022. Vol. 19. No 5. Pp. 147-163. DOI: 10.21046/2070-7401-2022-19-5-147-163 (In Russ.).
8. Demakov Yu. P., Isaev A. V. Struktura i za-konomernosti razvitiya drevostoev v poimennykh lesakh Respubliki Marii El [Structure and Regularities of Tree Stand Development in Flood-Plain Forests of Mari El Republic]. Sibirskii lesnoi zhurnal [Siberian Journal of Forest Science]. 2019. No 6. Pp. 111-125. DOI: 10.15372/SJFS20190612 (In Russ.).
9. Xu F., Otte A., Ludewig K., et al. Land cover changes (1963-2010) and their environmental factors in the upper Danube floodplain. Sustainability. 2017. Vol. 9. No 6. Art. No. 943. Pp. 1-37. DOI: 10.3390/su9060943
10. Lesnoi kodeks [Forest Code] (approved on December 4, 2006) No. 200-FZ, as amended from 13.06.2023. Available at: http://www.consultant.ru/ document/cons_doc_LAW_64299/ (In Russ.)
11. Vodnyi kodeks Rossiiskoi Federatsii [Water Code of the Russian Federation] No. 74-FZ (approved on 06.03.2006) as amended. from 13.06.2023. Available at: http://www.consultant.ru/document/cons_doc_LAW_ 60683/ (In Russ.)
12. Rasporyazheniye Pravitel'stva Rossiyskoy
Federatsii ot 11 fevralya 2021 goda № 312-r "Ob utver-zhdenii Strategii razvitiya lesnogo kompleksa Ros-siyskoy Federatsii do 2030 goda" [Decree of the Government of the Russian Federation of February 11, 2021 N 312-r "On Approval of the Strategy for the Development of the Forest Complex of the Russian Federation Until 2030”]. Available at: https://docs.cntd.ru/-
document/573658653. (In Russ.).
13. Prikaz Ministerstva prirodnykh resursov i ekologii Rossiyskoy Federatsii ot 27.09.2021 № 686 "Ob utverzhdenii poryadka provedeniya gosudar-stvennoy inventarizatsii lesov” [Order of the Ministry of Natural Resources of Russia dated September 27, 2021 No. 686 “On Approval of the Procedure for Conducting State Forest Inventory”]. Available at: https://docs.cntd.ru/document/727092651. (In Russ.).
14. Prikaz Ministerstva prirodnykh resursov i ekologii Rossiyskoy Federatsii ot 08.10.2014 № 432 "Ob utverzhdenii Metodicheskikh ukazaniy po osu-
shchestvleniyu gosudarstvennogo monitoringa vod-nykh ob"yektov v chasti nablyudeniy za sostoyaniyem dna, beregov, sostoyaniyem i rezhimom ispol'zovani-ya vodookhrannykh zon i izmeneniyami morfo-metricheskikh osobennostey vodnykh ob"yektov ili ikh chastey [Order of the Ministry of Natural Resources of Russia dated 08.10.2014 No. 432 “On Approval of the Methodological Instructions for the Implementation of State Monitoring of Water Bodies in Terms of Observations of the State of the Bottom, Banks, the State and Mode of Use of Water Protection Zones and Changes in the Morphometric Features of Water Bodies or Their Parts”]. Available at: https://docs.cntd.ru/document/420227238. (In Russ.).
15. Vorobiev O. N., Kurbanov E. A. Otsenka za-topleniya rastitel'nogo pokrova v respublikakh Marii El i Chuvashiya pri pod"eme Cheboksarskogo vodokhranilishcha do otmetki 68 m po dannym DZZ [Assessment of Vegetation Cover Flooding in the Republics of Mari El and Chuvashia in Case of Cheboksary Reservoir Rise to a Mark of 68 m with the Use of Remote Sensing]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2021. Vol. 18. No 3. Pp. 214-225. DOI: 10.21046/2070-7401-2021-18-3-214-225 (In Russ.).
16. Ayuyo I., Krhoda G., Mukhovi S., et al. Temporal variations in rainfall and temperature and their effects on the river discharge in the Mara River basin. East African Journal of Science, Technology and Innovation. 2020. Vol. 2. No 1. Pp. 1-23. DOI: 10.37425/eajsti.v2i1.215
17. Domingo D., Perez-Rodriguez F., Gomez-Garcia E., et al. Assessing the efficacy of phenological spectral differences to detect invasive alien Acacia dealbata using Sentinel-2 data in southern Europe. Remote Sensing. 2023. Vol. 15. No 3. Art. No. 722. DOI: 10.3390/rs15030722
18. Vorobyov O. N., Kurbanov E. A., Lezhnin S. A., et al. Prostranstvenno-vremennoi analiz fragmentatsii lesnogo pokrova Srednego Povolzh'ya s ispol'zo-vaniem landshaftnykh indeksov i sputnikovykh dannykh Landsat [Spatio-temporal Analysis of Forest Cover in the Middle Volga Using Landscape Indices and Landsat Satellite Data]. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2023. Vol. 20. No 1. Pp. 144-159. DOI: 10.21046/2070-7401 -2023-20-1-144-159 (In Russ.).
19. Cheplyanskii I. Ya., Turchin T. Ya., Ermolo-va A. S. Distantsionnyi monitoring gosudarstvennykh zashchitnykh lesnykh polos stepnoi zony evropeiskoi chasti Rossii [Remote Monitoring of State Forest Shelterbelts in the Steppe Zone of European Russia]. Izvestiya vysshikh uchebnykh zavedenii. Lesnoi zhurnal [Bulletin of Higher Educational Institutions. Russian Forestry Journal]. 2022. No 3. Pp. 44-59. DOI: 10.37482/0536-1036-2022-3-44-59 (In Russ.).
20. Yang X., Zhu Z., Qiu S., et al. Detection and characterization of coastal tidal wetland change in the northeastern US using Landsat time series. Remote sensing of environment. 2022. Vol. 276. Art No. 113047. DOI: 10.1016/j.rse.2022.113047
21. Udali A., Lingua E., Persson H. J. Assessing Forest Type and Tree Species Classification Using Sentinel-1 C-Band SAR Data in Southern Sweden. Remote Sensing. 2021. Vol. 13. No 16. Art No. 3237. DOI: 10.3390/rs13163237
22. Daryaei A., Sohrabi H., Atzberger C., et al. Fine-scale detection of vegetation in semi-arid mountainous areas with focus on riparian landscapes using Sentinel-2 and UAV data. Computers and Electronics in Agriculture. 2020. Vol. 177. Art No. 105686, Pp. 1-13. DOI: 10.1016/j.compag.-2020.105686
23. Denisova A. Yu., Kavelenova L. M., Korchi-kov E. S., et al. Prostranstvennaya klassifikatsiya preobladayushchikh drevesnykh porod na territorii Samarskoi oblasti po dannym Sentinel-2 i taksatsii lesa [Tree Species Classification in Samara Region Using Sentinel-2 Remote Sensing Images and Forest Inventory Data). Sovremennye problemy distantsion-nogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2019. Vol. 16. No. 4. Pp. 86-101. DOI: 10.21046/-2070-7401-2019-16-4-86-101 (In Russ.).
24. Kurbanov E. A., Vorobiev O. N., Men'shikov C. A., et al. Raspoznavanie lesnykh nasazhdenii i dominiruyushchikh drevesnykh porod Penzenskoi oblasti po dannym sputnika Sentinel-2 [Identification of Forest Stands and Dominant Tree Species in Penza Region Using Sentinel-2 Imagery]. Sovremennye problemy dis-tantsionnogo zondirovaniya Zemli iz kosmosa [Current Problems in Remote Sensing of the Earth from Space]. 2018. Vol. 15, No. 5. Pp. 154-166. DOI: 10.21046/2070-7401-2018-15-5-154-166 (In Russ.).
25. You H., Huang Y., Qin Z., et al. Forest tree species classification based on Sentinel-2 images and auxiliary data. Forests. 2022. Vol. 13. No 9. Art. No. 1416. DOI: 10.3390/f13091416
26. Immitzer M., Neuwirth M., Bock S., et al. Optimal input features for tree species classification in Central Europe based on multi-temporal Sentinel-2 data. Remote sensing. 2019. Vol. 11. No 22. Art. No. 2599. Pp. 1-23. DOI: 10.3390/rs11222599
27. Persson M, Lindberg E, Reese H. Tree species classification with multi-temporal Sentinel-2 data. Remote sensing. 2018. Vol. 10. No 11. Art. No. 1794. DOI: 10.3390/rs10111794
28. Wessel M, Brandmeier M, Tiede D. Evaluation of different machine learning algorithms for scalable classification of tree types and tree species based on Sentinel-2 data. Remote sensing. 2018. Vol. 10. No 9. Art. No. 1419. DOI: 10.3390/rs10091419
29. Lechner M., Dostalova A., Hollaus M., et al. Combination of Sentinel-1 and Sentinel-2 data for tree species classification in a Central European biosphere
reserve. Remote sensing. 2022. Vol. 14. No 11. Art. No. 2687. DOI: 10.3390/rs14112687
30. Bolyn C., Lejeune P., Michez A., et al. Mapping tree species proportions from satellite imagery using spectral-spatial deep learning. Remote sensing of environment. 2022. Vol. 280. Art. No. 113205. DOI: 10.1016/j.rse.2022.113205
31. Nabil M., Farg E., Arafat S. M., et al. Tree-fruits crop type mapping from Sentinel-1 and Sentinel-2 data integration in Egypt's New Delta project. Remote Sensing Applications: Society and Environment. 2022. Vol. 27. Art. No. 100776. DOI: 10.1016/j.rsase.2022.100776
32. Lim J., Kim K.-M., Kim E.-H., et al. Machine Learning for Tree Species Classification Using Sentinel-2 Spectral Information, Crown Texture, and Environmental Variables. Remote Sensing. 2020. Vol. 12. No. 12, Art. No. 2049. DOI: 10.3390/rs12122049
33. Zotov S. A., Dmitriev E. V., Mel'nik P. G., et al. Povyshenie informativnosti mul'tispektral'nykh sputnikovykh izobrazhenii s ispol'zovaniem dannykh teksturnogo analiza [Increasing the Informativity of Multispectral Satellite Images Using Texture Analysis Data]. Russian Forestry Journal. [Bulletin of Higher Educational Institutions. Russian Forestry Journal] 2022. No. 2. Pp. 84-104. DOI: 10.37482/0536-1036-2022-2-84-104 (In Russ.).
34. Macintyre P., van Niekerk A., Mucina L. Efficacy of multi-season Sentinel-2 imagery for compositional vegetation classification. International Journal of Applied Earth Observation and Geoinformation. 2020. Vol. 85. Art. No. 101980. DOI: 10.1016/j .j ag.2019.101980
35. Wang M., Zheng Y., Huang C., et al. Assessing Landsat-8 and Sentinel-2 spectral-temporal features for mapping tree species of northern plantation forests in Heilongjiang Province, China. Forest Ecosystems. 2022. Vol. 9. Art. No. 100032. DOI: 10.1016/j.fecs.2022.100032
36. Karasiak N., Sheeren D., Fauvel M., et al. Mapping tree species of forests in southwest France using Sentinel-2 image time series. Proceedings of the 2017 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp). Brugge, Belgium. 2017. Pp. 1-4. DOI: 10.1109/Multi-Temp.2017.8035215
37. Grabska E., Hostert P., Pflugmacher D., et al. Forest Stand Species Mapping Using the Sentinel-2 Time Series. Remote Sensing. 2019. Vol. 11, No 10. Art. No. 1197. DOI: 10.3390/rs11101197
38. Eskandari S., Sarab S. A. M. Mapping land cover and forest density in Zagros forests of Khuzestan province in Iran: A study based on Sentinel-2, Google Earth and field data. Ecological informatics. 2022. Vol. 70. Art. No. 101727. Pp. 1-18. DOI: 10.1016/j.ecoinf.2022.101727
39. Phan T. N., Kuch V., Lehnert L. W. Land cover classification using Google Earth Engine and Random Forest classifier - the role of image composition. Remote sensing. 2020. Vol. 12. No 15. Art. No. 2411. DOI: 10.3390/rs12152411
40. Ghorbanian A., Zaghian S., Asiyabi R. M., et al. Mangrove ecosystem mapping using Sentinel-1 and Sentinel-2 satellite images and Random Forest algorithm in Google Earth Engine. Remote sensing. 2021. Vol. 13. No 13. Art. No. 2565. DOI: 10.3390/rs13132565
41. Pratico S., Solano F., Di Fazio S., et al. Machine learning classification of Mediterranean forest habitats in Google Earth Engine based on seasonal Sentinel-2 time-series and input image composition optimization. Remote sensing. 2021. Vol. 13. No 4. Art. No. 586. DOI: 10.3390/rs13040586
42. Prikaz Ministerstva prirodnykh resursov
i ekologii Rossiyskoy Federatsii ot 5 avgusta 2022 g. № 510 "Ob utverzhdenii Lesoustroitel'noi instruktsii" [Order of the Ministry of Natural Resources and Ecology of the Russian Federation from 5 August 2022 г. № 510 "About the Approval of the Wood-Building Instructions"]. Available at: http://publication.-
pravo.gov.ru/Document/View/0001202209300058 (In Russ.).
43. Vorobyev O. N. Kurbanov E. A., Demishe-va E. N., et al. Distantsionnyi monitoring ustoichivosti lesnykh ekosistem: monografiya [Remote Monitoring of Forest Ecosystems Sustainability: monograph]. Yoshkar-Ola: Volga State University of Technology, 2019. 166 p. (In Russ.).
44. Gafferberg I. G. Fenologicheskii kalendar' os-novnykh drevesnykh porod i nekotorykh, svya-zannykh s nimi, zhivotnykh Mordovskogo gosudarstvennogo zapovednika. 1945 god [Phenological Calendar of the Main Woody Plant Species and Some Associated Animals in the Mordovia State Nature Reserve. 1945]. Trudy Mordovskogo gosudarstvennogo prirodnogo zapovednika im. P. G. Smidovicha [Proceedings of the Mordovia State Nature Reserve]. 2020. No 25. Pp. 50-96. (In Russ.).
45. Mukhametova S. V. Sezonnoe razvitie dre-
vesnykh vidov v Respublike Marii El [Seasonal Development of Tree Species in the Republic of Mari El]. Materialy mezhregional’noy nauchno-metodiches-koy konferentsii «Fenologicheskiye issledovaniya: istoriya, metodika, praktika», Yoshkar-Ola, 27—28 oktyabrya 2022 goda [Proceedings of the Interregional Scientific and Methodological Conference “Phenological Research: History, Methodology, Practice”,
Yoshkar-Ola, 27-28 October 2022]. Yoshkar-Ola: PGTU Publ. Pp. 92-97. (In Russ.).
46. Kurbanov E. A., Vorobev O. N., Lezh-nin S. A. et al. Tematicheskoe kartirovanie ras-titel'nogo pok-rova po sputnikovym snimkam: vali-datsiya i otsenka tochnosti. Monografiya [Thematic Land Ground Cover Mapping in Satellite Images: Validation and Accuracy Appraisal. Monograph]. Yoshkar-Ola: PGTU Publ., 2015. 131 p. (In Russ.).
The article was submitted 03.05.2023; approved after reviewing 17.05.2023;
accepted for publication 05.06.2023
For citation: Tarasova L.V., Kurbanov E.A., Vorobiev O.N., Lezhnin S.A. Assessment of Multi-Season Sentinel-2 Images for Classification of Forest Cover in Riparian Zones of Mari Zavolzhye. Vestnik of Volga State University of Technology. Ser.: Forest. Ecology. Nature Management. 2023. № 2 (58). Pp. 77-92. (In Russ.). https://doi.org/10.25686/2306-2827.2023.2.77
Information about the authors
Ludmila V. Tarasova - Junior Researcher (without a degree) in the state budget research sector, Senior Laboratory Assistant of the Chair of Landscape design, Botanics and Dendrology, Volga State University of Technology. Research interests - remote sensing of forests and GIS, forest ecosystems monitoring. Author of 13 scientific publications. ORCID: https://orcid.org/0000-0001-6405-820X
Eldar A. Kurbanov - Doctor of Agricultural Sciences, Professor at the Chair of Silviculture and Forest Inventory; Head of the International Center for Sustainable Forest Management and Remote Sensing, 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, time series analysis. The author of more than 160 scientific publications and textbooks. ORCID: https://orcid.org/0000-0001-5330-9990
Oleg N. Vorobiev - Candidate of Agricultural Sciences, Associate Professor at the Chair of Silviculture 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 80 scientific publications and textbooks. ORCID: https://orcid.org/0000-0002-4897-677X
Sergey A. Lezhnin - Candidate of Agricultural Sciences, Associate Professor at the Chair of Silviculture and Forest Inventory, Volga State University of Technology. Research interests - forest remote sensing, biological productivity of forests. The author of more than 40 scientific publications. ORCID: https://orcid.org/0000-0001-6319-4752
Contribution of the authors: All authors made equal contributions to the paper preparation.
The authors declare that they have no conflict of interest.
All authors read and approved the final manuscript.
