CC BY
12ПРИРОДНЫЕ РЕСУРСЫ АРКТИКИ И СУБАРКТИКИ, 2020, Т. 25, № 2
УДК 57.036:504.064.37
DOI 10.31242/2618-9712-2020-25-2-10
Сравнительная характеристика лесных массивов с использованием дешифрирования снимков сверхвысокого разрешения
Ю.Ф. Рожков1*, М.Ю.Кондакова2
1ФГБУ «Государственный природный заповедник «Олекминский», Олекминск, Россия 2ФГБУ «Гидрохимический институт», Ростов-на-Дону, Россия
*olekmazap-nauka@yandex.ru
Аннотация. Для целей мониторинга состояния лесных экосистем наиболее эффективно использование возможностей дистанционных методов. На мультиспектральных космических снимках DigitalGlobe территории государственного природного заповедника «Олекминский» выделены фрагменты площадью 0,819 км2 (масштаб 1:3200) с доминированием сосны обыкновенной (Pinus sylvestris L.) и лиственницы Гмелина (Larix gmelinii Rupr.). Затем были сохранены полигоны по четырем уровням детализации - 4, 16, 64, 256 с масштабами 1:1600,1:800, 1:400, 1:200 соответственно. При дешифрировании проводилась неуправляемая классификация фрагмента полигонов методом ISODATA (Iterative Self-Organizing Data Analysis Technigue) на 2, 4, 10 классов. По результатам классификации на 2 класса показана взаимосвязь между индексом лесистости и количеством деревьев, отмеченных на полигонах. Были построены кривые распределения значений индекса лесистости для полигонов 4 уровня детализации. Характер кривых близок к нормальному распределению. По результатам классификации на 4 и 10 классов была проведена статобработка с расчетом показателей разности и подобия полигонов - дисперсии генеральной совокупности и теста Фишера (F-тест). Выделены наиболее похожие пары полигонов на разных уровнях детализации. Рассмотрены результаты изменения дисперсии генеральной совокупности и F-теста на разных уровнях детализации.
Ключевые слова: дешифрирование космических снимков, классификация Isodata, индекс лесистости, дисперсия, F-тест.
Введение
Для целей мониторинга состояния лесных экосистем наиболее эффективно использование дистанционных методов. В качестве реперов для оценки сохранности биоразнообразия лесов могут служить такие параметры, как общая лесистость, фрагментация лесного покрова, доля вторичных (мелколиственных) лесов, развитие антропогенной инфраструктуры и доля охраняемых территорий разного подчинения [1, 2]. Дистанционные методы анализа космических снимков используются при определении основных такса-ционно-дешифровочных показателей [3-8], трехмерном моделировании структуры и динамики таежных ландшафтов [9], почвенно-раститель-ного покрова [10]. Снимки сверхвысокого разрешения позволяют определять такие таксационные характеристики, как сомкнутость крон, класс бонитета [11], высота яруса, средний диаметр и высота древостоя, относительная полнота, запас,
сомкнутость полога, проекции крон [12, 13], проективное покрытие [14]. В качестве инструментов дешифрирования широко распространен кластерный анализ [15-18].
Целью настоящего исследования является сравнение двух лесных массивов с использованием инструментов дешифрирования космических снимков сверхвысокого разрешения.
Материалы и методы
При осуществлении непрерывного мониторинга за состоянием бореальных лесов использовалось дешифрирование RGB-покрытия Digi-talGlobe сверхвысокого разрешения (разрешение 0,6 м/пикс.), полученного в общедоступных сервисах GoogleEarth, SasPlanet. Исследования проводились на территории Олекминского заповедника Юго-Западной Якутии. Для сравнения были выбраны два полигона площадью 0,819 км2 (масштаб 1:3200) с доминированием лиственницы
Рис. 1. Район исследования. Fig. 1. Study area.
Рис. 2. Разбивка снимка DigitalGlobe масштаба 1:3200 на полигоны (4, 16 полигонов). а - лесной массив с доминированием лиственницы Гмелина; б - лесной массив с доминированием сосны обыкновенной.
Fig. 2. Breakdown of a DigitalGlobe image at a scale of 1: 3200 into polygons (4, 16 polygons). а - forest area with dominance of larch Gmelin; б - forest area with dominance of Scots pine.
Гмелина (Larix gmelinii Rupr.) и сосны обыкновенной (Pinus sylvestris L.) (рис. 1). Каждый из выбранных полигонов был разбит на четыре полигона масштаба 1:1600. Далее были получены 16 полигонов с масштабом 1:800. Способ получения полигонов разных масштабов описан ранее [19-21] (рис. 2). На третьем уровне детализации продолжалось разбиение на те-
трады. Получилось 64 полигона масштаба 1:400 (рис. 3). На четвертом уровне детализации получилось 256 полигонов масштаба 1:200 и площадью 3199 м2 (прямоугольник размером 45x70 м) (рис. 4). Деление на 8 секторов каждого из полигонов в программе Adobe Photoshop применялось для более точного подсчета деревьев по количеству крон.
Рис. 3. Разбивка фрагмента снимка (масштаб 1:800) на полигоны (4 и 16 полигонов). а - фрагмент 2 = 2 с доминированием лиственницы; б - фрагмент 4 = 2 с доминированием сосны обыкновенной.
Fig. 3. Breakdown of a fragment of the image (scale 1: 800) into polygons (4 and 16 polygons). а - fragment 2 = 2 with the dominance of larch; б - fragment 4 = 2 with the dominance of Scots pine.
Рис. 4. Полигоны масштаба 1:200 четвертого уровня детализации. а - полигон 4 = 4 - 1 - 2 с доминированием лиственницы Гмелина; б - полигон 4 = 4 - 4 - 3 с доминированием сосны обыкновенной
Fig. 4. Polygons of scale 1: 200 of the fourth level of detail. а - Polygon 4 = 4 - 1 - 2 with the dominance of larch Gmelin; б - Polygon 4 = 4 - 4 - 3 with the dominance of Scots pine.
При обработке космических снимков использовался пакет программ ENVI-4.0 (для преобразования RGB-покрытия в формат Geotif), ArcView-3.3 c модулями Image Analyst, Spatial Analyst (для дешифрирования полученных снимков). В качестве показателей, с помощью которых осуществлялся мониторинг состояния лесов, были выбраны два инструмента кластерного анализа: классификация ISODATA и тематическая разность пикселов [19, 22]. Была проведена классификация снимков на 2, 4, 10 классов. Классификация на два класса позволяет определить ин-
декс, характеризующий лесистость[2], который определяется как отношение площади, покрытой лесной растительностью, к общей площади: Б = df Б, где Б - лесистость; - площадь, покрытая лесной растительностью, м2; Б - общая площадь территории, м2.
Классификация на 4 и 10 классов была использована при статистическом анализе. Проводилось сравнение по дисперсии генеральной совокупности, тесту Фишера на подобие массивов ^-тест). До проведения статистического анализа все результаты расчета классификации были
Таблица 1
Результаты пересчета результатов классификации снимка DigitalGlobe на 10 классов для разных масштабов
Table 1
Results of recalculation of results of classification of a DigitalGlobe image into 10 classes for different scales
Класс Снимок DigitalGlobe лиственничник Снимок DigitalGlobe сосняк
Масштаб
исходный 4 4 = 4 4 = 4 - 1 4 = 1 - 1 - 3 исходный 2 2 = 2 2 = 2 - 1 2 = 2 - 1 - 2
1:3200 1:1600 1:800 1:400 1:200 1:3200 1:1600 1:800 1:400 1:200
1 20492 16876 30289 15848 24970 10997 12406 11143 12066 14480
2 30221 27097 29776 37941 28702 29663 25744 25807 26785 30904
3 32301 28785 21858 23871 28651 27768 27883 29967 29451 27180
4 26376 24549 31829 30782 21718 26720 21034 22270 21734 28151
5 16921 21570 19656 19770 24776 22522 24616 26356 20070 18513
6 28263 20397 13881 18916 18722 22532 21098 19735 24756 23466
7 19143 21642 14167 16751 20696 20929 29192 25453 28165 24620
8 13695 23717 21670 19551 15930 27551 29661 29790 28636 25530
9 23546 25029 23171 23444 27352 23600 21806 22726 21569 19276
10 10662 11959 15322 14746 10102 9339 8180 8373 8389 9499
Сумма пикселов 221620 221620 221620 221620 221620 221620 221620 221620 221620 221620
пересчитаны и приведены к размерности полигона масштаба 1:200. Результаты классификации на всех четырех уровнях детализации представлены в табл. 1.
Результаты и обсуждение
Особенности распределения полигонов лесного массива по значениям индекса лесистости. Были определены индексы лесистости на всем четырех уровнях детализации по масштабам. Особенности распределения полигонов по значениям индексов представлены в табл. 2.
Индекс лесистости соснового массива в целом равен 0,600. Первая тетрада из полигонов масштаба 1:1600 имеет разброс по значениям индекса лесистости от 0,567 до 0,645, серия из 16 полигонов масштаба 1:800 - от 0,527 до 0,663. Наконец, серия из 64 полигонов масштаба 1:400 имеет разброс индекса лесистости от 0,498 до 0,667, а из 256 полигонов масштаба 1:200 - от 0,471 до 0,740. Индекс лесистости лиственничного массива показывает похожий характер распределения. Исходный полигон имеет индекс лесистости выше среднего - 0,578. Но разброс
Таблица 2
Характеристика полигонов лесных массивов по значениям индекса лесистости
Table 2
Characteristics of forest sites for forestation index values
Масштаб Площадь Лиственничник Сосняк
полигона, м Диапазон значений Разброс значений Диапазон значений Разброс значений
1 3200 819000 0,578 1 полигон 0,600 1 полигон
1 1600 204750 0,562-0,600 0,038 из 4 0,567-0,645 0,078 из 4
1 800 51188 0,539-0,614 0,075 из 16 0,527-0,663 0,136 из 16
1 400 12797 0,544-0,630 0,086 из 64 0,498-0,667 0,199 из 64
1 200 3199 0,517-0,661 0,143 из 256 0,471-0,740 0,271 из 256
Связь между индексом лесистости и количеством деревьев, отмеченных на полигоне. Для установления связи между значениями индекса лесистости и количеством деревьев были выбраны в сосняке и лиственничнике по две тетрады с максимальными и минимальными значениями индекса. Затем подсчитано количество деревьев в каждом из выбранных полигонов по кронам. Результаты сравнения показаны в табл. 3. Как в сосняке, так и в лиственничнике наблюдается прямая положительная связь между индексом лесистости и количеством деревьев. Чем больше значения индекса лесистости, тем больше количество деревьев, подсчитанных в пределах полигона.
Сравнение полигонов лесного массива с помощью статистических методов. Каждый полигон тетрады с масштабом 1:200, 1:400, 1:800, 1:1600 подвергался обработке с определением дисперсии генеральной совокупности и F-теста на подобие. Ранее [23] определение F-теста массивов данных позволило оценить, насколько похожи исследуемые лесные массивы. Если для однородного лесного массива все значения F-теста выше 0,90, а для некоторых полигонов этот показатель выше 0,99 (полное подобие 1,0), то для неоднородного лесного массива значения F-теста изменяются в широком диапазоне от 0,55 до 0,94. Сравнение по показателю дисперсии при классификации на 10 классов показало пятикратное ее превышение дисперсии полигонов для неоднородных над однородными массивами. В настоящей ра-
Таблица 3
Сравнение полигонов лесных массивов по индексу лесистости и количеству деревьев
Table 3
Comparison of forest polygons by forest cover index and number of trees
Показатель Лиственничник Сосняк
Номер полигона 4 = 4 - 1 - 1 4 = 4 - 1 - 2 4 = 4 - 1 - 3 4 = 4 - 1 - 4 2 = 1 - 2 - 1 2 = 1 - 2 - 2 2 = 1 - 2 - 3 2 = 1 - 2 - 4
Индекс лесистости 0.633 0.589 0.548 0.585 0.708 0.713 0.707 0.701
Количество деревьев 149 146 146 147 96 122 126 112
Номер полигона 4 = 3 - 3 - 1 4 = 3 - 3 - 2 4 = 3 - 3 - 3 4 = 3 - 3 - 4 3 = 4 - 3 - 1 3 = 4 - 3 - 2 3 = 4 - 3 - 3 3 = 4 - 3 - 4
Индекс лесистости 0.533 0.514 0.486 0.471 0.537 0.488 0.481 0.489
Количество деревьев 101 103 104 107 76 71 75 86
T-00(D(D(D^tCMOCOtD^-CMOO)h~
ь-ат-союь-ат-сч^-юсоот-го o" o" o" o" o" o" o" o" cf o" o" o" o" o" o"
Рис. 5. Распределение полигонов масштаба 1:200 (256 шт.) по значениям индексов лесистости.
Fig. 5. Polygons distribution of scale 1: 200 (256 pcs.) from the values of the forest cover index.
значений на каждом из последующих уровней почти в два раза ниже, чем у полигонов соснового массива: 0,078 и 0,038 для первого уровня, 0,136 и 0,075 для второго, 0,199 и 0,086 для третьего уровня, соответственно.
В целом, при сравнении распределения индекса лесистости по значениям видно (рис. 5), что обе кривые близки к кривым нормального распределения, но кривая для соснового массива положе, что говорит о более равномерном распределении индекса лесистости по всем диапазонам значений.
Таблица 4
Сравнение полигонов первого уровня детализации по статистическим характеристикам
Table 4
Comparison of polygons of the first level of detail according to statistical characteristics
Номер Дисперсия F-тест (подобие)
полигона Лиственничник Сосняк Лиственничник Сосняк
1 24622015 32261852 0,769 0,734
2 21414155 26285049 0,430 0,804
3 28163432 29754189 0,912 0.903
4 21790515 31757086 0,471 0,765
Таблица 5
Сравнение тетрад лиственничника с разным уровнем детализации по показателю дисперсии генеральной совокупности (полигоны 1 = 1, 2, 3, 4; 1 = 3 - 1, 2, 3, 4, 1 = 3 - 3 - 1, 2, 3, 4)
Table 5
Comparison of larch tetrads with different levels of detail in terms of the dispersion of the general aggregate (polygons 1 = 1, 2, 3, 4; 1 = 3 - 1, 2, 3, 4; 1 = 3 - 3 - 1, 2, 3, 4)
Детализация 4-го уровня
С 1 = 3 - 3 Разность дисперсий С 1 = 3 Разность дисперсий С 1 Разность дисперсий С 1:3200 Исходи. Номер полигона
24397816 -461918 24859733 -1050228 25909961 -2473282 28383243 1 = 3 - 3 - 1
17405720 -461918 17867638 -1050228 18917866 -2473282 21391148 1 = 3 - 3 - 2
19202048 -461918 19663966 -1050228 20714194 -2473282 23187476 1 = 3 - 3 - 3
17056239 -461918 17518157 -1050228 18568385 -2473282 21041667 1 = 3 - 3 - 4
19515456 -461918 19977373 -1050228 21027602 -2473282 23500884 Средн.
Детализация 3-го уровня
С 1 = 3 Разность дисперсий С 1 Разность дисперсий С 1:3200 Исходн. Номер полигона
19759423 -1050228 20809651 -2473282 23282933 1 = 3 - 1
20779152 -1050228 21829380 -2473282 24302662 1 = 3 - 2
19586360 -1050228 20636588 -2473282 23109870 1 = 3 - 3
22916424 -1050228 23966652 -2473282 26439934 1 = 3 - 4
20760340 -1050228 21810568 -2473282 24283850 Средн.
Детализация 2-го уровня
С 1 Разность дисперсий С 1:3200 Исходн. Номер Полигона
21483754 -2473282 23957036 1 = 1
18697430 -2473282 21170712 1 = 2
21098505 -2473282 23571787 1 = 3
21347715 -2473282 23820997 1 = 4
20656851 -2473282 23130133 Средн.
боте проводилось определение статистических Полигон масштаба 1:200 последовательно характеристик каждого полигона по уровням сравнивался с полигонами масштаба 1:400, 1:800, детализации. 1:1600 и исходным полигоном масштаба 1:3200.
Таблица 6
Сравнение тетрад сосняка с разным уровнем детализации по показателю дисперсии (полигоны 3 = 1, 2, 3, 4; 3 = 3 - 1, 2, 3, 4, 3 = 3 - 3 - 1, 2, 3, 4)
Table 6
Comparison of pine tetrads with different levels of detail in terms of dispersion (polygons 3 = 1, 2, 3, 4; 3 = 3 - 1, 2, 3, 4, 3 = 3 - 3 - 1, 2, 3, 4
Детализация 4 -го уровня
С 3 = 3 - 3 Разность дисперсий C 3 = 3 Разность дисперсий С 3 Разность дисперсий С 1:3200 Исходи. Номер полигона
39150722 1462806 37687916 478038 37209878 1238208 35971670 3 = 3 - 3 - 1
37398832 1462806 35936026 478037 35457989 1238209 34219780 3 = 3 - 3 - 2
30442550 1462806 28979744 478037 28501707 1238209 27263498 3 = 3 - 3 - 3
27028476 1462806 25565670 478037 25087633 1238209 23849424 3 = 3 - 3 - 4
33505145 1462806 32042339 478037 31564302 1238209 30326093 Средн.
Детализация 3-го уровня
С 3 = 3 Разность дисперсий С 3 Разность дисперсий С 1:3200 Исходн. Номер полигона
31138958 478037 30660921 1238217 29422704 3 = 3 - 1
30199344 478037 29721307 1238208 28483099 3 = 3 - 2
33411278 478037 32933241 1238208 31695033 3 = 3 - 3
28834443 478037 28356406 1238209 27118197 3 = 3 - 4
30896006 478037 30417969 1238211 29179758 Средн.
Детализация 2-го уровня
С 3 Разность дисперсий С 1:3200 Исходн. Номер полигона
31918793 1238209 30680584 3 = 1
30347547 1238209 29109338 3 = 2
31470435 1238209 30232226 3 = 3
29443508 1238209 28205299 3 = 4
30795071 1238209 29556862 Средн.
На первом уровне детализации (табл. 4) сравнение первой тетрады с исходным полигоном масштаба 1:3200 показало, что по результатам классификации на 10 классов в лиственничнике и сосняке наиболее подобны исходным полигонам полигоны № 3. Для них характерны максимальные значения F-теста (0,912 и 0,903 соответственно). Наименее похожи на исходный полигон в лиственничнике - полигоны 2 и 4, а в сосняке -полигоны 1 и 4 с наименьшими значениями F-те-ста. По значениям дисперсии генеральной совокупности наибольшая изменчивость результатов классификации характерна для сосняков (дисперсия изменяется от 26285049 до 32261852), тогда как в лиственничниках она изменяется от 21414155 до 28163432.
По показателю дисперсии генеральной совокупности проведено сравнение тетрад разного
уровня детализации. Было показано, что дисперсия тетрады каждого уровня изменяется на постоянную величину при переходе между уровнями детализации (табл. 5, 6). Тетрада, независимо от значений дисперсии каждого из полигонов, при переходе с первого уровня детализации ко второму изменяется на величину -2473282 для полигона 1 лиственничника и на величину 1238209 для полигона 3 сосняка. При переходе со второго к третьему уровню детализации тетрада выступает также как единое целое с постоянной величиной переходного коэффициента, который составляет -1050228 для лиственничника и 478038 для сосняка. Наконец, при переходе между третьим и четвертым уровнем детализации коэффициент перехода также одинаков для всех четырех полигонов тетрады и составляет -461918 для лиственничника и 1462806 для сосняка.
60-1
m о 50-
X
е
5 40-
§
С
О 30-
m
Б
ID т 20-
S
§
¡2 ю-
' Лиственница
" Сосна
о о
"Г"
о
о
CSI
о"
о
о"
о о
со
о см о"
о о
о"
о о
Ю
о ■ч-о"
о о со
о о
о о
СО
о о о о О) о
Рис. 6. Сравнение лесных массивов по кривым распределения значений F-теста.
Fig. 6. Compare forest areas of value distribution curves F-test.
Величина переходных коэффициентов при переходе между уровнями детализации не зависит от изменений дисперсии в пределах тетрады, а является разностью между средними значениями дисперсий каждого из уровней детализации.
Возможным объяснением такого изменения дисперсии при переходах между уровнями детализации является фрактальная структура организации как самих растений, так и растительных сообществ [24, 25], основанная на принципе самоподобия.
Сравнение каждого из полигонов четвертого уровня детализации с исходным полигоном по F-тесту показало, что массивы с доминированием сосны и лиственницы имеют похожие кривые распределения полигонов по значениям F-теста (рис. 6). Полигоны, мало подобные исходному полигону масштаба 1:3200 (с диапазоном значений от 0,100 до 0,500), составляют только пятую часть (51 полигон для соснового массива и 55 полигонов для лиственничного). Большая часть полигонов сосредоточена в диапазоне значений F-теста от 0,800 до 0,999, т. е. с высоким уровнем подобия исходному полигону. Для соснового массива это 138 полигонов из 256, для лиственничника - 139 полигонов из 256.
Заключение
В результате использования кластерного анализа в дешифрировании снимков сверхвысокого разрешения DigitalGlobe лесных экосистем Олекминского заповедника была дана сравни-
тельная характеристика двух лесных массивов площадью 0,819 км2 с доминированием лиственницы Гмелина (Larix gmelinii Rupr.) и сосны обыкновенной (Pinus sylvestris L.) на четырех уровнях детализации на 4, 16, 64, 256 полигонов. Показано, что кривые распределения полигонов по значениям индексов лесистости близки к кривым нормального распределения, но кривая для массива с сосной более пологая, что говорит о более равномерном распределении индекса лесистости по всем диапазонам значений.
Как в сосняке, так и в лиственничнике наблюдается прямая положительная связь между индексом лесистости и количеством деревьев. Чем больше значения индекса лесистости, тем больше количество деревьев, подсчитанных в пределах полигона.
Каждый полигон тетрады с масштабами 1:200, 1:400, 1:800, 1:1600 подвергался статистической обработке с определением показателей разности и подобия полигонов - дисперсии генеральной совокупности и F-теста на подобие. Определялось, насколько полигоны схожи с исходным полигоном, между собой в тетраде и с полигонами второго, третьего и четвертого уровней детализации. На первом уровне детализации сравнение первой тетрады с исходным полигоном масштаба 1:3200 показало, что по результатам классификации на 10 классов наиболее подобны исходному полигону полигоны № 3 сосняка и лиственничника. Для них характерны максимальные значения F-теста (0,912 и 0,903). Наименее похожи на исходный полигон - полигоны 2, 4 для лиственничника и 1, 4 для сосняка - с наименьшими значениями F-теста.
По показателю дисперсии генеральной совокупности было проведено сравнение тетрад разного уровня детализации. Было показано, что дисперсия тетрады каждого уровня изменяется на постоянную величину при переходе между уровнями детализации независимо от значений дисперсии в пределах тетрады. Величина переходных коэффициентов при переходе между уровнями детализации является разностью между средними значениями дисперсий каждого из уровней.
Сравнение каждого из полигонов четвертого уровня детализации с исходным полигоном по F-тесту показало, что массивы с доминированием сосны и лиственницы имеют похожие кривые
распределения полигонов по значениям F-теста. Большая часть полигонов сосредоточена в диапазоне значений F-теста от 0,800 до 0,999, т. е. с высоким уровнем подобия исходному полигону (для соснового массива это 138 полигонов, для лиственничника - 139 полигонов из 256).
Литература
1. Мониторинг биологического разнообразия лесов России: методология и методы / Под ред. А.С. Исаева. М.: Наука, 2008. 453 с.
2. Исаев А.С., Князева С.В., Пузаченко М.Ю. и др. Использование спутниковых данных для мониторинга биоразнообразия лесов // Исследование Земли из космоса. 2009. № 2. С. 1-12.
3. Толкач И.В. Методы основных таксационно-де-шифровочных показателей на цифровых снимках // Труды БГТУ 2012. № 1. С. 63-65.
4. Жарко В.О., Барталев С.А., Егоров В.А. Исследование возможностей оценки запасов древесины в лесах Приморского края по данным спутниковой системы Proba-V // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15, № 1. С. 157-168.
5. Ховратович Т.С., Барталев С.А., Кашницкий А.В. Метод детектирования изменений лесов на основе подпиксельной оценки проективного покрытия древесного полога по разновременным спутниковым изображениям // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16, № 4. С. 102-110.
6. Денисова А.Ю., Кавеленова Л.М., Корчиков Е.С. и др. Пространственная классификация преобладающих древесных пород на территории Самарской области по данным Sentinel-2 и таксации леса // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16, № 4. С. 86-101.
7. Фомин В.В., Залесов С.В., Магасумова А.Г. Методики оценки густоты подроста и древостоев при зарастании сельскохозяйственных земель древесной растительностью с использованием космических снимков высокого пространственного разрешения // Аграрный вестник Урала. 2015. № 1. С. 125-129.
8. Данилин И.М., Медведев Е.М., Абе Н.И. и др. Высокие технологии XXI века для аэрокосмического мониторинга и таксации лесов. Задачи исследований и перспективы использования // Лесная таксация и лесоустройство. 2005. Вып. 1(34). С. 28-30.
9. Исаев А.С., Суховольский В.Г., Хлеборос Р.Г. и др. Моделирование лесоообразовательного процесса: Феноменологический подход // Лесоведение. 2005. № 1. С. 3-11.
10. Козодеров В.В., Кондранин Т.В. Методы оценки состояния почвенно-растительного покрова по дан-
ным оптических систем дистанционного аэрокосмического зондирования. М: МФТИ, 2008. 222 с.
11. Методика лесного стереоскопического дешифрирования аэро- и космических снимков. СПб.: Лес-проект, 2015. 23 с.
12.Ожич О.С. Измерительное дешифрирование чистых сосновых древостоев на цифровых аэро- и космических снимках: Автореф. дисс. ... канд. сельскохозяйственных наук. Минск, 2017. 24 с.
13. Малышева Н.В. Дешифрирование древесной растительности на сверхдетальных изображениях [Электронный ресурс]: методическое пособие: учебное электронное издание. М.: ФГБОУ ВПО МГУЛ 2014. 40 с.
14. Терехин Э.А. Сезонная динамика проективного покрытия растительности агроэкосистем на основе спектральной спутниковой информации // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16, № 4. С. 111-123.
15. Жирин В.М., Князева С.В., Эйдлина С.П. Эко-лого-динамическое исследование лесообразователь-ного процесса по космическим снимкам // Лесоведение. 2013. № 5. С.76-85.
16. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2010. 560 с.
17. Кочуб Е.В., ТопазА.А. Анализ методов обработки материалов дистанционного зондирования Земли // Вестник Полоцкого государственного университета. Сер. F. Строительство. Прикладные науки. Геодезия. 2012. № 16. С. 132-140.
18. Шумаков Ф.Т., ТолстохатькоВ.А., МалецА.Ю. Классификация космических снимков с использованием методов кластерного анализа // ВосточноЕвропейский журнал передовых технологий. 2011. Вып. 3/4 (51). С. 58-62.
19. Рожков Ю.Ф., Кондакова М.Ю. Оценка возможности использования показателя симметрии распределения пикселей в мониторинге состояния лесов при дешифрировании космических снимков среднего и высокого разрешения // Nature Conservation Research. Заповедная наука. 2016. Вып. 1(1). С. 98-107. DOI: 10.24189/ncr.2016.008
20. Рожков Ю.Ф., Кондакова М.Ю. Мониторинг состояния лесов с использованием кластерного анализа при дешифрировании космических снимков среднего и высокого разрешения // Наука и образование. 2016. № 3. С. 95-101.
21. Рожков Ю.Ф. Мониторинг состояния лесных экосистем с использованием космических снимков высокого и сверхвысокого разрешения // Вестник СВФУ Сер. Науки о Земле. 2019. № 4(16). С. 71-81. D0I:10.25587/SVFU.2020.16.49741
22. Рожков Ю.Ф., Кондакова М.Ю. Оценка динамики восстановления лесов после пожаров в Олек-
минском заповеднике (Россия) по космическим снимкам Landsat// Nature Conservation Research. Заповедная наука. 2019. Вып. 4(1). С. 1-10. D01:10.24189/ ncr.2019.014
23. Рожков Ю.Ф., Кондакова М.Ю. Оценка структурных характеристик лесных экосистем с использованием дешифрирования космических снимков высокого и сверхвысокого разрешений // Вестник
СВФУ 2018. № 1 (63). С. 38-51. D01:10.25587/ SVFU.2018.63.10539
24. Мандельброт Б.Б. Фрактальная геометрия природы. М: Институт компьютерных исследований, 2002. 656 с.
25. Mandelbrot B.B. The fractal geometry of trees and other natural phenomena // Lecture Notes in Bio-mathematics. 1978. Vol. 23. P. 235-249.
Поступила в редакцию 26.03.2020 Принята к публикации 19.05.2020
Об авторах
РОЖКОВ Юрий Филиппович, кандидат химических наук, заместитель директора по научной работе ФГБУ «Государственный природный заповедник «Олекминский», Россия, 678100, Олекминск, ул. Филатова, 6,
https://orcid.org/0000-0002-6830-9130, olekmazap-nauka@yandex.ru;
КОНДАКОВА Мария Юрьевна, кандидат биологических наук, старший научный сотрудник, ФГБУ «Гидрохимический институт», Россия, 344090, Ростов-на Дону, проспект Стачки, 198, vesna-dm@mail.ru.
Информация для цитирования Рожков Ю.Ф., Кондакова М.Ю. Сравнительная характеристика лесных массивов с использованием дешифрирования снимков сверхвысокого разрешения // Природные ресурсы Арктики и Субарктики. 2020. Т. 25, № 2. С. 125-136. https://doi.org/10.31242/2618-9712-2020-25-2-10
DOI 10.31242/2618-9712-2020-25-2-10
Comparative characterization of forests using the interpretation of ultra-high resolution images
Yu.F. Rozhkov1*, M.Yu. Kondakova2
1 State Nature Reserve «Olekminsky», Olekminsk, Russia 2Hydrochemical Institute, Rostov-on-Don, Russia
*olekmazap-nauka@yandex.ru
Abstract. For the purpose of monitoring the state of forest ecosystems, it is most effective to use the capabilities of remote sensing methods. Fragments of 0.819 km2 (scale 1: 3200) with the dominance of Scots pine (Pinus sylvestris L.) and Gmelin larch (Larix gmelinii Rupr.) were identified on DigitalGlobe multispectral satellite images of the territory of the Olekminsky State Nature Reserve. Then, the polygons were saved at four levels of detail - 4.16.64.256 with scales of1: 1600.1: 800, 1: 400, 1: 200. When decoding, an uncontrolled classification of the fragment and polygons was carried out using the ISODATA (Iterative Self-Organizing Data Analysis Technigue) method for 2,4,10 classes. According to the results of classification into 2 classes, the relationship between the forest cover index and the number of trees marked on the landfills is shown. The distribution curves for forest cover index values were constructed for polygons at level 4 of detail. The nature of the curves is close to the normal distribution. According to the classification results for grades 4 and 10, statistical processing was carried out with the calculation of the indicators of the difference and similarity of the polygons - the dispersion of the general aggregate and the
Fisher test (F-test). The most similar pairs ofpolygons at different levels of detail are highlighted. The results of changes in the dispersion and the F-test at different levels of detail are considered.
Key words: satellite image interpretation, Isodata classification, forest cover index, dispersion, F-test.
References
1. Monitoring biologicheskogo raznoobraziya lesov Rossii: metodologiya i metody / red. A.S. Isaeva. M.: Nauka, 2008. 453 p.
2. Isaev A.S., Knyazeva S.V, Puzachenko M.Yu. et al. Ispol'zovanie sputnikovykh dannykh dlya monitoringa bioraznoobraziya lesov // Issledovanie Zemli iz kosmosa. 2009. No. 2. P. 1-12.
3. Tolkach I.V Metody osnovnykh taksatsionno-deshifrovochnykh pokazatelei na tsifrovykh snimkakh// Trudy BGTU. 2012. No. 1. P. 63-65.
4. Zharko V.O., Bartalev S.A., Egorov V.A. Issledovanie vozmozhnostei otsenki zapasov drevesiny v le-sakh Primorskogo kraya po dannym sputnikovoi siste-my Proba-V // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2018. V. 15, No. 1. P. 157-168.
5. Khovratovich T. S., Bartalev S.A., Kashnitskii A.V. Metod detektirovaniya izmenenii lesov na osnove podpiksel'noi otsenki proektivnogo pokrytiya drevesno-go pologa po raznovremennym sputnikovym izobraz-heniyam // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2019. Vol. 16, No. 4. P. 102-110.
6. Denisova A.Yu., Kavelenova L.M., Korchikov E.S. et al. Prostranstvennaya klassifikatsiya preobladayush-chikh drevesnykh porod na territorii Samarskoi oblasti po dannym Sentinel-2 i taksatsii lesa // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2019. Vol. 16, No. 4. P. 86-101.
7. Fomin V.V., Zalesov S.V., MagasumovaA.G. Me-todiki otsenki gustoty podrosta i drevostoev pri zar-astanii sel'skokhozyaistvennykh zemel' drevesnoi rastitel'nost'yu s ispol'zovaniem kosmicheskikh snim-kov vysokogo prostranstvennogo razresheniya // Agrarnyi vestnik Urala. 2015. No. 1. P. 125-129.
8. Danilin I.M., Medvedev E.M., Abe N.I. et al. Vysokie tekhnologii XXI veka dlya aerokosmicheskogo monitoringa i taksatsii lesov. Zadachi issledovanii i pers-pektivy ispol'zovaniya// Lesnaya taksatsiya i lesou-stroistvo. 2005. Vol. 1(34). P. 28-30.
9. Isaev A.S., Sukhovol'skii V.G., Khleboros R.G. et al. Modelirovanie lesooobrazovatel'nogo protsessa: Fenom-enologicheskii podkhod // Lesovedenie. 2005. No. 1. P. 3-11.
10. Kozoderov V.V., Kondranin T.V. Metody otsenki sostoyaniya pochvenno-rastitel'nogo pokrova po dan-nym opticheskikh sistem distantsionnogo aerokosmich-eskogo zondirovaniya. M.: MFTI. 2008. 222 p.
11. Metodika lesnogo stereoskopicheskogo deshifri-rovaniya aero- i kosmicheskikh snimkov. SPb.: Lesproekt. 2015. 23 p.
12. Ozhich O.S. Izmeritel'noe deshifrirovanie chistykh sosnovykh drevostoev na tsifrovykh aero- i kosmicheskikh snimkakh: Avtoref. diss. ... kand. sel'skokhozyaistvennykh nauk. Minsk, 2017. 24 p.
13. Malysheva N.V Deshifrirovanie drevesnoi rastitel'nosti na sverkhdetal'nykh izobrazheniyakh [Elektronnyi resurs]: metodicheskoe posobie: ucheb-noe elektronnoe izdanie; M.: FGBOU VPO MGUL, 2014. 40 p.
14. Terekhin E. A. Sezonnaya dinamika proektivnogo pokrytiya rastitel'nosti agroekosistem na osnove spektral'noi sputnikovoi informatsii // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2019. Vol. 16, No. 4. P. 111-123
15. Zhirin V.M., Knyazeva S.V., Eidlina S.P. Ekologo-dinamicheskoe issledovanie lesoobrazovatel'nogo protsessa po kosmicheskim snimkam // Lesovedenie. 2013. No. 5. P. 76-85.
16. Shovengerdt R.A. Distantsionnoe zondirovanie. Modeli i metody obrabotki izobrazhenii. M.: Tekhnos-fera, 2010. 560 p.
17. Kochub E.V., Topaz A.A. Analiz metodov obrabot-ki materialov distantsionnogo zondirovaniya Zemli // Vestnik Polotskogo gosudarstvennogo universiteta. Ser. F. Stroitel'stvo. Prikladnye nauki. Geodeziya. 2012. No. 16. P. 132-140.
18. Shumakov F.T., Tolstokhat'ko V.A., Malets A.Yu. Klassifikatsiya kosmicheskikh snimkov s ispol'zovaniem metodov klasternogo analiza // Vostochno-Evropeiskii zhurnal peredovykh tekhnologii. 2011. V. 3/4 (51). P. 58-62.
19. Rozhkov Yu.F., Kondakova M.Yu. Otsenka voz-mozhnosti ispol'zovaniya pokazatelya simmetrii raspre-deleniya pikselei v monitoringe sostoyaniya lesov pri deshifrirovanii kosmicheskikh snimkov srednego i vysokogo razresheniya // Nature Conservation Research. Zapovednaya nauka. 2016. V. 1(1). P. 98-107. DOI: 10.24189/ncr.2016.008
20. Rozhkov Yu.F., Kondakova M.Yu. Monitoring sos-toyaniya lesov s ispol'zovaniem klasternogo analiza pri deshifrirovanii kosmicheskikh snimkov srednego i vysokogo razresheniya // Nauka i obrazovanie. 2016. No. 3. P.95-101.
21. Rozhkov Yu.F. Monitoring sostoyaniya lesnykh ekosistem s ispol'zovaniem kosmicheskikh snimkov vysokogo i sverkhvysokogo razresheniya // Vestnik SVFU. Ser. Nauki o Zemle. 2019. No. 4(16). P. 71-81. D0I:10.25587/SVFU.2020.16.49741
22. Rozhkov Yu.F., Kondakova M.Yu. Otsenka dina-miki vosstanovleniya lesov posle pozharov v Olekmin-skom zapovednike (Rossiya) po kosmicheskim snimkam
Landsat// Nature Conservation Research. Zapovednaya nauka. 2019. Vol. 4(1). P. 1-10. D01:10.24189/ ncr.2019.014
23. Rozhkov Yu.F., Kondakova M.Yu. Otsenka struk-turnykh kharakteristik lesnykh ekosistem s ispol'zovaniem deshifrirovaniya kosmicheskikh snimk-ov vysokogo i sverkhvysokogo razreshenii // Vestnik
SVFU. 2018. No. 1 (63). P. 38-51.DOI:10.25587/ SVFU.2018.63.10539
24. Mandel'brotB.B. Fraktal'naya geometriya prirody. M.: Institut komp'yuternykh issledovanii, 2002. 656 p.
25. Mandelbrot B.B. The fractal geometry of trees and other natural phenomena // Lecture Notes in Bio-mathematics. 1978. Vol. 23. P. 235-249.
About the authors
ROZHKOV Yuri Filippovich, candidate of chemical sciences, deputy director for scientific research, Olek-minsky State Nature Reserve, Russia, 678100, Olekminsk, 6 Filatov str., https://orcid.org/0000-0002-6830-9130, olekmazap-nauka@yandex.ru;
KONDAKOVA Maria Yuryevna, candidate of biological sciences, senior researcher, Hydrochemical Institute, Russia, 344090, Rostov-on-Don, 1983 Stachki Ave., vesna-dm@mail.ru.
Citation
Rozhkov Yu.F., Kondakova M.Yu. Comparative characteristics of forests using the interpretation of ultrahigh resolution images // Arctic and Subarctic Natural Resources. 2020. Vol. 25, No. 2. P. 125-136. https:// doi.org/10.31242/2618-9712-2020-25-2-10
