CC BY
19
НЛТУ
ы КРАЖИ
»mutet*
Науковий bIch и к НЛТУУкраТни Scientific Bulletin of UNFU
http://nv.nltu.edu.ua https://doi.org/10.15421/40270507 Article received 22.06.2017 р. Article accepted 29.06.2017 р. УДК 630*585
ISSN 1994-7836 (print) ISSN 2519-2477 (online)
El Correspondence author A. M. Bilous bilous@nubip.edu.ua
В. В. Миронюк, А. М. Быоус
Нацюнальний утверситет бюресурав i природокористування Украши, м. Ктв, Украта
УЗГОДЖЕН1СТЬ ОЦ1НОК ПЛОЩ1 Л1С1В ЗА ДАНИМИ ГЛОБАЛЬНО! КАРТИ ЗМ1Н Л1СОВОГО ПОКРИВУ I МУЛЬТИСПЕКТРАЛЬНИХ СУПУТНИКОВИХ ЗН1МК1В
Розглянуто методичш засади використання глобально! карти змш лiсового покриву Global Forest Change (GFC) для кар-тографування та визначення площi лгав на вдаосно невеликих територшх в умовах Укра!нського Полiсся. Для цього вико-нано порiвняння точностi класифжаци та iнтервальних оцiнок площi люового покриву, отриманих за результатами дешиф-рування мультиспектрального супутникового знiмка RapidEye та карти GFC. Для створення опорного набору даних застосо-вано випадкову вибiрку обсягом понад 4000 спостережень i непараметричний метод класифжаци Random Forest (RF). За результатами статистичного аналiзу встановлено, що на точнiсть класифжаци найбiльший вплив мають три спектральнi кана-ли супутникового зшмка (NIR, Red, Red-Edge) i чотири допотжт топографiчнi змшш (X, Y, висота н.р.м., ухил). Для оць нювання показникiв точност класифжаци використано додатковий набiр даних обсягом близько 2000 спостережень. Це дозволило встановити помилку класифжацшно! модет, яка становить 1,6 %. Шдтверджено, що мультиспектральнi супутни-ковi зшмки RapidEye е важливим джерелом геопросторово! шформацп про лiсовi екосистеми i дають змогу створювати те-матичш карти з високою точнiстю. Внаолдок проведеного дослiдження виявлено, що карта GFC забезпечуе досить високу точшсть (близько 75-85 %) дешифрування вкритих лiсовою рослиннiстю длянок, а !! дат узгоджуються з фактичними по-казниками зiмкнутостi деревостанiв. На основi цього можна стверджувати про можливють i доцiльнiсть застосування карти GFC для картографування лiсового покриву на територп Украгнського Полiсся. Загалом треба визнати, що створеш на осно-вi даних GFC лiсовi карти можуть бути доречними за ввдсутност точнiших картографiчних матерiалiв.
Krnuoei слова: люова маска; точшсть; Global Forest Change; RapidEye; Random Forest.
Вступ. Технологи дистанцшного зондування Землi (ДЗЗ) е невiд'eмною частиною дослвджень стану й дина-мши лiсового покриву. Отриману iнформацiю широко застосовують для завдань тематичного картографуван-ня лгав, стратифшаци територп для проведения B^ip-кових статистичних дослвджень, виведення оцшок пло-щi та детальних бiофiзичних паpаметpiв лiсових наса-джень, насамперед показнишв запасу деревних стовбу-piв i наземно! бiомаси (Myroniuk & Heorhiian, 2017; Chi-rici et al., 2016; McRoberts, Liknes, & Domke, 2014; Latifi et al., 2016). Вщправним пунктом дешифрування такса-цiйних показник1в лiсових насаджень е створення так звано! "люово! маски", яку отримують внаслiдок вщок-ремлення вкритих i невкритих лiсовою рослиншстю дь лянок. Нинi набуто значного досввду стосовно виршен-ня цього питання iз застосуванням мультиспектральних супутникових знiмкiв, а також глобальних набоpiв ге-опросторових даних про люи, як1 отримують на основi зшмшв MODIS, Landsat, радарних даних PALSAR тощо (Coulston et al., 2012; Lakyda, Myroniuk, & Hilitukha, 2014; Myroniuk & Heorhiian, 2017; Schepaschenko et al., 2015; Sexton, Song, & Feng, 2013; Shimada et al., 2014).
Недолгом подiбних карт люового покриву е неузго-дженють мiж поняттями "tree cover" ^мкнутють дере-
востанiв), якими вони оперують, i загальноприйнятим нацiональним визначенням поняття "лiс". Адже до нього тд час класифiкацii висуваються чiткi вимоги стосовно мiнiмальноi площi i зiмкнутостi. Як свiдчать дослiдження, в окремих випадках мiж поняттями "tree cover" i "forest cover" юнуе ютотна piзниця (Schepaschenko et al., 2015). Дослвдження вчених Мiжнаpод-ного шституту прикладного системного аналiзу (IIASA) вказують на доцiльнiсть поеднання piзних глобальних карт лiсового покриву у виглядi гiбpидних пpодуктiв методом геогpафiчно зважено! pегpесii, що сприяе тд-вищенню !хньо! точностi. Вiдповiдно до висновшв ос-таннiх наукових пошушв стосовно доцiльностi використання глобальних продукпв, данi з вiдносно висо-ким просторовим pозpiзненням (30-60 м) забезпечують необхiднi результати картографування люового покриву та оцшки його площi в умовах Украши (Myroniuk, & Hilitukha, 2014).
Глобальна карта змш люового покриву Global Forest Change (GFC) (Hansen et al., 2013), яку опублшували у 2013 p. учет ушверситету штату Мершенд (США), стала продовженням розпочато! напришнщ 1990-х рошв технологii представлення земного покриву у виглядi не-перервних карт Vegetation Continuous Fields (VCF). Даш
1нформащя про aBTopiB:
Миронюк BiKTop Валентинович, канд. с.-г. наук, доцент. Email: victor.myroniuk@nubip.edu.ua Бтоус Андpiй Михайлович, д-р с.-г. наук, професор. Email: bilous@nubip.edu.ua
Цитування за ДСТУ: Миронюк В. В., Бтоус А. М. Узгоджеысть оцiнок плош^ лiсiв за даними глобально! карти змш лкового
покриву i мультиспектральних супутникових зым^в. Науковий вiсник НЛТУ Украши. 2017. Вип. 27(5). С. 38-42. Citation APA: Myronyuk, V. V., & Bilous, A. M. (2017). Consistency of forest area estimates according to global forest change data and multispectral satellite image. Scientific Bulletin of UNFU, 27(5), 38-42. https://doi.org/10.15421/40270507
GFC забезпечують попiксельну оцiнку лiсового покри-ву у вiдсотках вiд 0 до 100 %. Очевидно, що для дере-востанiв цей показник вщповхдатиме зiмкнутостi ххньо-го намету. За останне десятирiччя увага до класифжацп лiсового покриву у виглядi неперервних карт за даними ДЗЗ рiзного просторового розрiзнення зросла (ВегЬе-го§1и et а1., 2008; McRoberts et а1., 2016). Дослхдження, якх здiйснили для умов Полiсся Украхни, вказують на тiсний зв'язок фактичнох зiмкнутостi лiсових насаджень i даних GFC, що дае змогу використовувати Н для кар-тографування лiсового фонду, застосовуючи пiд час класифжацп порогове значения зiмкнутостi в дiапазонi 20-40 % (Lakyda, Myroniuk, & НШиШ, 2014).
Окрiм задач класифшаци лiсового покриву, глобальна карта GFC знаходить свое застосування для оцшки площi лiсiв вибiрковими методами. Зокрема, вона дае змогу виконувати стратифшацш територп за певними штервалами зiмкнутостi насаджень або безпосередньо використовуватися в iмовiрнiсно-теоретичних (модель-них) тдходах для розрахунку середнiх значень показ-ник1в лiсового фонду (McRoberts, Liknes, & Domke, 2014; McRoberts et а1., 2016). II роль в отриманш допо-мХжно! шформацп для виведення вибiркових оцiнок площi субтротчних та екваторiальних лiсiв дослхджено в роботах (McRoberts, Liknes, & Domke, 2014; Sannier, Mcroberts, & Fichet, 2016). Стратифiковану випадкову вибiрку в поеднанш з глобальною картою GFC застосо-вано також для репональнох оцiнки площi лiсiв Украхни (Мугошик & Heorhiian, 2017). Отриманi результати не дають змогу зробити однозначний висновок про II точ-тстъ, оск1льки вона коливаеться в значному дiапазонi. Так, найбiльш узгодженими з офщшною статистикою виявилися результати для низки областей ПолХсся Украхни, тодi як для пiвденно-схiдних регiонiв iз низьким показником лiсистостi територп отримано змiщенi оцiнки. Важливим питанням залишаеться дослiдження ефективностi карти GFC для картографування лiсового покриву для вХдносно невеликих територiй.
Мета роботи полягае в аналiзi на приклащ локального об'екта територп ПолХсся Украхни узгодженостi мiж оцiнками площi лiсового покриву, одержаними за даними мультиспектральних супутникових знiмкiв та даними глобально! карти змш лiсового покриву GFC.
Матерiали та методика дослвдження. Дослхдження проводили на територп Сновського району Чершпвсь-кох обл., де створено тестовий полпон загальною пло-щею близько 45 км2. 1з використанням чинних лХсовпо-рядних шструкцш протягом 2014 р. в межах полпону виконано комплекс лiсотаксацiйних робхт та впорядку-вання територп. Внаслщок створено 14 кварталiв, в межах яких органiзовано таксацiйнi видши. Пiд час тсов-порядних робхт застосовували методи натурно! окомХр-но-вимХрювальнох таксацп. Внаслхдок наповнення атрибутивно! шформацп по кожному видХлу створено циф-рову геопросторову базу даних земельного покриву дослвдного полХгону. ВХдповХдно до не! територш на 67,2 % представлено лХсовими землями, а решту -сiльськогосподарськими угХддями (23,9 %), водами (0,3 %), болотами (5,3 %), садибами Х спорудами (3,3 %) та Хншими землями. ЛюовХ дХлянки, вкритХ лХсовою рос-линшстю у загальнХй структурХ площХ полХгону станов-лять 41,8 %, зокрема тсовХ культури - 17,9 %.
За даними таксацп на полХгонХ зростае 1881,0 га т-сових насаджень, зокрема: сосновХ (44,7 %), березовХ
(39,8 %), клейковiльховi (13,1 %), осиковХ (0,7 %), дубо-Bi (0,6 %), ясеневi (0,5 %), акащевХ (0,3 %), ялиновi (0,1 %), кленовi (0,1 %) та липовi i тополевi (0,1 %). Особливою дослiдноi територii е значна площа насаджень сосни звичaйноi та берези звичaйноi, якх з'явили-ся протягом останнього десятирiччя на колишнiх сiльськогосподaрських упддях i не вiднесенi в офь цшному порядку до площi лiсового фонду. Вони характеризуются нерiвномiрним розташуванням дерев, про-те високою зiмкнутiстю деревного намету.
У дослхдженнях використано нaбiр геопросторових даних, який складався з п'ятиканального космХчного знiмкa RapidEye (дата зйомки - 17.06.2011 р., просторо-ве розрiзнення - 5 м), з чотириканального космХчного зшмка IKONOS (дата зйомки - 12.08.2011 р., просторо-ве розрХзнення - 3,2 м, пахроматичний канал - 80 см), цифровоi моделХ рельефу (ЦМР) територii дослхджень (просторове розрХзнення - 10 м) та набору даних GFC станом на 2015 р. Хз трьома тематичними шарами: tre-ecover2000 - ХнформацХя про зХмкнутХсть деревостанХв станом на 2000 р. у формХ неперервного зображення Хз значениями растру вХд 0 до 100 %; loss - бшарний канал з шформащею про втрати лХсХв протягом 20002015 рр.; gain - аналогХчний канал з шформащею про люовадновлення для зазначеного перюду. ВсХ данХ спро-ектовано в систему координат EPSG: 32636.
Щоб одержати опорну шформацш про площу лХсо-вого покриву, створено лХсову маску на основХ класифь кацХ1' супутникового знХмка RapidEye методом Random-Forest (RF). RF е одним з найефективнХших методХв машинного навчання для класифшацп даних ДЗЗ. Цей метод не мае специфХчних вимог до розподХлу дослхджу-ваних параметрХв i може використовуватися як для задач класифшаци, так i регреси. В його основХ лежить статистична процедура багатократного формування ви-бХрок методом Монте-Карло, внаслхдок яко!' на кожному етат формуеться вадповадна класифХкацХйна модель (дерево прийняття ршень). Поеднуючись, вони утво-рюють "ансамбль" класифшацшних дерев, звХдки й походить назва "випадковий лХс". 1нша пХдмножина (приб-лизно 1/3 вХд обсягу вибХрки), яка не бере участХ у класифшаци, використовуеться для оцХнки точностХ моделХ. Параметрами алгоритму RF е ntrees - кхлькхсть вибь рок або кхлькхсть дерев ршень та mtry - кхлькхсть фак-торХв, обраних для створення розгалужень класифшацшних дерев.
Модель RF опрацьовано на основХ aтрибутивноi ш-формaцii з люовпорядно! бази даних у середовищХ R за допомогою пакета {randomForest}. Навчальну вибХрку для розмежування вкритих i невкритих лХсовою рослин-шстю дХлянок створено з урахуванням таких категорш земного покриву, як: лХс (2 категорп), сшьськогоспо-дарськх упддя (2 категорп), луки, водно-болотнХ упддя (2 категорп) та ХншХ землХ. У зв'язку з високою мшли-вХстю спектрально-вХдбивних характеристик в кожному клаа видХлялося кхлька бХльш однорвдних категорХй, наприклад лХс з переважанням листяних або хвойних видХв, сшьськогосподарськх культури або пашнХ землХ, низинне або верхове болото тощо. Навчальна вибХрка обсягом 4000 випадкових точок рХвномХрно розподХля-лася по всш територii дослХджень, з яких 1729 потрапи-ло на лХсовХ насадження.
Перед початком дослхджень виконано радюметрич-ну корекцХю супутникового знХмка RapidEye з перетво-
ренням числових значень (DN) пiкселiв кожного канала до величины вщбиття на сенсорi TOA (Top of Atmosphere) за методикою DOS. ЦМР приведено до прос-торового розрiзнення 5 м. Як незалежш змiнm в класи-фiкацiйнiй моделi RF використано iнформацiю з п'яти каналiв супутникового знiмка (рис. 1), висоту н.р.м. (м) та ухил (%) вiдповiдно до ЦМР, а також два додаткових канали з координатами X та Y кожного ткселя в систе-мi EPSG: 32636.
Методика оброблення глобально! карти динамiки ль сових екосистем GFC пов'язана з необхщшстю штер-претацi! неперервного шару зiмкнутостi насаджень tre-ecover2000 станом на 2000 р. та його сполученням iз двома додатковими шарами - втрат (loss) та вщновлен-ня лiсiв (gain). Враховуючи попереднiй досвiд оброблення цього продукту (Lakyda, Myroniuk, & Hilitukha, 2014; Myroniuk & Heorhiian, 2017), для розмежування вкритих i невкритих лiсовою рослиннiстю дiлянок канал treecover2000 класифшовано iз пороговим значен-ням зiмкнутостi насаджень 40 %. Актуалiзацiю площi лiсiв станом на 2015 рш проведено шляхом видалення з лiсово! маски дiлянок, де значення loss=1, i додавання вiдповiдно! площi лiсовiдновлення (gain=1). Поодиною групи пiкселiв, площа яких не вiдповiдаe мiнiмально прийнятiй для дшянок лiсового фонду 0,1 га, було вилу-чено з карти. Це дозволило позбутися "шумiв", пов'яза-них iз фрагментарним розмщенням лiсiв, i помилок класифiкацi!. Розрахунки для даних GFC виконувалися в програмному середовищi Google Earth Engine API за спещально опрацьованим на мовi Java скриптами.
Результати до^дження. Найбiльш шформативни-ми змiнними для дешифрування супутникового знiмка RapidEye виявилися данi iнфрачервоного каналу (NIR), двох каналiв видимого дiапазону спектра (червоного (Red) i крайнього червоного (Red Edge)), а також топог-рафiчнi показники X, Y, ЦМР та ухил. 1стотно менший вплив на точшсть класифiкацiйно! моделi мають канали зеленого (Green) i блакитного (Blue) дiапазонiв. Вщнос-ний внесок кожного показника в точшсть моделi ощне-но на основi розрахунку критерш MDA (mean decrease in accuracy) i вщображено на рис. 1. Загальна щея кри-терiю MDA полягае в ранжуваннi змiнних за величиною !хнього внеску в середню квадратичну помилку класифшаци у paji !хнього виключення з моделг
Irt—flll
Blue Green Red Ухил Red Y ЦМР X B5 NIR
ними методиками (Sexton, Song, & Feng, 2013; Olofsson et al., 2014) розраховували показники точност класифь кацi!, а також довiрчi iнтервали для оцiнок площi люо-вого покриву (табл.).
<
юн
(Я
Edge Незалежшзмшш Рис. 1. Вплив рiзних показниюв на точшсть класифкацшно! моделi
Помилку моделi оцiнено пiд час класифiкацi! на ос-новi частини спостережень, як не брали участ в побу-довi дерев рiшень. Вона становить тiльки 1,6 %. Проте для отримання достовiрнiшо! оцiнки застосували окре-мий валiдацiйний набiр обсягом 2300 випадкових то-чок, якi вiзуально дешифрували за знiмком IKONOS (покращене просторове розрiзнення становило 80 см). На основi матрицi помилок за вiдповiдними статистич-
Н^р даних Роз]шр ткселя (м) Площа люово-го пок-риву, га User's accuracy, % Producer's accuracy, % Скориго-вана пло-ща лiсо-вого пок-риву, га Довiрчий тервал за ймо-вiрностi 0,95, га
apidEye 5x5 1594 99 97 1657 36
GFC 30x30 1571 86 77 1594 90
Отже, треба зазначити, що глобальна карта GFC вь дображае лiсовий покрив територi! до^джень iз допустимою точнiстю. Для не! типовими е помилки пропуску даних, звщси - вiдносно низьке значення показника producer's accuracy (77 %). Проведений аналiз шдтвер-див попередньо зробленi висновки пiд час побудови класифшацшно! моделi про високу точнiсть лiсово! маски RapidEye. З метою вiзуалiзацi! зроблено накла-дання розроблених тематичних карт на супутниковий зшмок IKONOS (рис. 2).
/Нсова маска, одержана за даними карти GFC | Люовий покрив Ц Втрати л!с!вL _| ГПсовщновлення Рис. 2. Лiсовий покрив дослщного полiгону вiдповiдно до даних супутникового зтмка RapidEye та глобально! карти GFC
На основi вiзуального аналiзу теж треба вщзначити високу узгодженiсть обох тематичних карт.
Обговорення отриманих результатiв. Також досль джено на ск1льки узгоджуються фактичнi показники глобально! карти GFC iз фактичними даними, отрима-ними внаслщок дешифрування супутникового знiмка RapidEye. Щоб зменшити вплив геометричних помилок канал ^еестег2000 приведено до просторового розрiз-нення 90 м. Для дшянок, де вiдбулося вiдновлення ль сiв, приписано значення зiмкнутостi 40 %, а втрати ль ав - 0 %. Фактичну зiмкнутiсть насаджень обчислено як вiдповiдну зональну статистику для кожного пiкселя даних GFC розмiром 90 х 90 м. Отримаш результати на основi вибiрки обсягом 5694 спостережень наведено на рис. 3.
100
0 20 40 60 80 100
31мкнут1сть насаджень за даними СП'С, % Рис. 3. Стввщношення мiж зiмкнутiстю деревостатв та результатами 11 ощнки за даними глобально! карти люового пок-риву GFC
Загалом наведена на рис. 3 шформащя вiдгворюe ра-нiше зроблеш висновки для лiсiв Полiсся Укра!ни (Lakyda, Myroniuk, & Hilitukha, 2014). Незважаючи на тiсний зв'язок, для глобально! карти змш лiсового пок-риву GFC характерним е певне заниження фактично! зiмкнутостi насаджень у дiапазонi вiд 0 до 60 %. Проте ця обставина гаотно не позначаеться на точностi тема-тичного дешифрування лiсових насаджень методом по-рогово! класифiкацi!. Отриманi результати щдтверджу-ють спроможнiсть глобально! карти динамши лiсових екосистем GFC ощнювати площу лiсiв навiть для ло-кальних об'ектiв Полiсся Укра!ни.
Висновки. За результатами виконаних дослвджень можна зробити калька важливих висновк1в. По-перше, мультиспектральш супутниковi знiмки RapidEye е важ-ливим джерелом геопросторово! шформаци про лiс i дають змогу створювати тематичш карти з високою точнютю. Класифiкацiя супутникових знiмкiв методом RF характеризуються простотою у формувант навчаль-но! вибiрки i дае змогу поеднувати, окрiм спектральних, допомiжнi набори даних, що пiдвищуе загальну точ-нiсть результатiв. Глобальна карта змш люового покри-ву GFC у ц1лому адекватно вiдображае стан люового покриву для умов Полюся Укра!ни, а тому може вико-ристовуватися для пiдготовки тематичних картографiч-них матерiалiв рiзного просторового розрiзнення. Оцш-ки площi лiсового фонду на територи тестового полио-ну виявилися узгодженими iз даними, отриманими за супутниковими знiмками RapidEye.
Подяки
Наукова робота виконана за пiдтримки MiHicTepcTBa освiти i науки Укра!ни та Державного фонду фундамен-тальних дослвджень Укра!ни.
Перелiк використаних джерел
Berberoglu, S., Donmez, C., Ozkan, C., & Sunar, F. (2008). Percent tree cover mapping from Evisat MERIS and MODIS data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B8, pp. 11151119. Beijing 2008. Chirici, G., Mura, M., McInerney, D., Py, N., Tomppo, E. O., Waser, L. Travaglini, D. & McRoberts, R. E. (2016). A meta-analysis and review of the literature on the k-Nearest Neighbors technique for forestry applications that use remotely sensed data. Remote Sensing of Environment, 176, 282-294.
https://doi.org/10.1016/j .rse.2016.02.001 Coulston, J. W., Moisen, G. G., Wilson, B. T., Finco, M. V., Cohen, W. B., & Brewer, C. K. (2012). Modeling percent tree canopy cover: a pilot study. Photogrammetric Engineering & Remote Sensing, 78(7), 715-727. Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., Thau, D., Stehman, S. V., Goetz, S. J., Love-land, T. R., Kommareddy, A., Egorov, A., Chini, L., Justice, C. O., & Townshend, J. R. G. (2013). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science, 342(6160), 850-853. https://doi.org/10.1126/science. 1244693 Lakyda, P. I., Myroniuk, V. V., & Hilitukha, D. V. (2014). Analiz ta interpretatsiia karty vysokoho prostorovoho rozriznennia lisovykh ekosystem Polissia Ukrainy. Zbalansovane pryrodokorystuvannia, 4, 5-9. [in Ukrainian]. Latifi, H., Fassnacht, F. E., Hartig, F., Berger, C., Hernández, J., Cor-valán, P., & Koch, B. (2016). Stratified aboveground forest biomass estimation by remote sensing data. International. Journal of Applied Earth Observation and Geoinformation, 38, 229-241. https://doi.org/10.1016/jjag.2015.01.016 McRoberts, R. E., Liknes, G. C., & Domke, G. M. (2014). Using a remote sensing-based, percent tree cover map to enhance forest inventory estimation. Forest Ecology and Management, 331, 12-18. https://doi.org/10.1016/jforeco.2014.07.025 McRoberts, R. E., Vibrans, A. C., Sannier, C., N®sset, E., Hansen, M. C., Walters, B. F., & Lingner, D. V. (2016). Methods for evaluating the utilities of local and global maps for increasing the precision of estimates of subtropical forest area. Canadian Journal of Forest Research, 46, 924-932. https://doi.org/10.1139/cjfr-2016-0064 Myroniuk, V. V., & Heorhiian, M. I. (2017). Zastosuvannia stratyfiko-vanoi vybirky dlia rehionalnoi otsinky ploshchi lisiv Ukrainy za danymy hlobalnykh kart lisovoho pokryvu. Zbalansovane pryrodo-korystuvannia, 1, 69-74. [in Ukrainian]. Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E., & Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42-57. https://doi.org/10.1016/j.rse.2014.02.015 Sannier, C., Mcroberts, R. E., & Fichet, L. (2016). Suitability of Global Forest Change data to report forest cover estimates at national level in Gabon. Remote Sensing of Environment, 173, 326-338. https://doi.org/10.1016/j .rse.2015.10.032 Schepaschenko, D., See, L., Lesiv, M., McCallum, I., Fritz, S., Salk, C., Moltchanova, E., Perger, C., & Shchepashchenko, M. (2015). Development of a global hybrid forest mask through the synergy of remote sensing, crowdsourcing and FAO statistics. Remote Sensing of Environment, 162, 208-220.
https://doi.org/10.1016/jTse.2015.02.011 Sexton, J. O., Song, X., & Feng, M. (2013). Global, 30-m resolution continuous fields of tree cover: Landsat-based rescaling of MODIS vegetation continuous fields with lidar-based estimates of error. Digital Earth, 6(5), 427-448. https://doi.org/10.1080/17538947.2013.786146 Shimada, M., Itoh, T., Motooka, T., Watanabe, M., Shiraishi, T., Tha-pa, R., & Lucas, R. (2014). New global forest/non-forest maps from ALOS PALSAR data (2007-2010). Remote Sensing of Environment, 155, 13-31. https://doi.org/10.1016/j.rse.2014.04.014
В. В. Миронюк, А. М. Белоус
Национальный университет биоресурсов и природопользования Украины, г. Киев, Украина
СОГЛАСОВАННОСТЬ ОЦЕНОК ПЛОЩАДИ ЛЕСОВ ПО ДАННЫМ ГЛОБАЛЬНОЙ КАРТЫ ИЗМЕНЕНИЙ ЛЕСНОГО ПОКРОВА И МУЛЬТИСПЕКТРАЛЬНЫХ СПУТНИКОВЫХ СНИМКОВ
Рассмотрена методика использования глобальной карты изменений лесного покрова Global Forest Change (GFC) для картирования и определения площади лесов на относительно небольших территориях. Для этого выполнено сравнение точности классификации и интервальных оценок площади лесного покрова, полученным по результатам дешифровки мультиспек-трального спутникового снимка RapidEye и карты GFC. С целью создания опорного набора данных применены случайная выборка объемом более 4000 наблюдений и непараметрический метод классификации Random Forest (RF). На основании статистического анализа установлено, что на точность классификации наибольшее влияние имеют три спектральные каналы спутникового снимка (NIR, Red, Red-Edge) и четыре вспомогательных топографические переменные (X, Y, высота над уровнем моря, уклон). Для оценки показателей точности классификации использован дополнительный набор данных объемом около 2000 наблюдений. Определена ошибка классификационной модели (1,6 %) на основе части наблюдений, которые не принимали участие в построении деревьев решений. Подтверждено, что мультиспектральные спутниковые снимки RapidEye являются важным источником геопространственной информации о лесных экосистемах и позволяют создавать тематические карты с высокой точностью. В результате установлено, что карта GFC обеспечивает высокую точность (около 7585 %) дешифровки покрытых лесной растительностью участков, а ее данные согласуются с фактическими показателями сомкнутости древостоев. На основе этого можно утверждать о целесообразности применения карты GFC для картографирования лесного покрова на территории Полесья Украины. В целом надо признать, что созданные на основе данных GFC лесные карты могут быть уместными при отсутствии точных картографических материалов.
Ключевые слова: лесная маска, точность, Global Forest Change, Rapid Eye, Random Forest.
V. V. Myronyuk, A. M. Bilous
National University of Life and Environmental Sciences of Ukraine, Kyiv, Ukraine
CONSISTENCY OF FOREST AREA ESTIMATES ACCORDING TO GLOBAL FOREST CHANGE DATA
AND MULTISPECTRAL SATELLITE IMAGE
The paper desribes the technique of application of Global Forest Change (GFC) data for mapping and assessment of forested area for relatively small areas. For a study area of 45 km2 established in the Chernigov region of Ukraine, the utilities of global and local forest maps were compared. In order to create a reference dataset, we used 4000 randomly distributed sampling points and nonpara-metric classification method Random Forest (RF) applied to RapidEye image. The influence of each predictor variable was estimated, so that we found three spectral bands (NIR, Red, Red-Edge) and four topographic ancillary variables (X, Y, elevation, slope) have the greatest impact on accuracy of the classification. The forest inventory database which includes the stand level variables as well as land cover information was used to distinguish forested and non-forested lands. The RF classifier was trained up using such land cover categories like forests (two classes), agricultural lands (two classes), grasslands, wetlands (two classes) and other lands. We assessed the performance of classification applying error matrix using additional 2000 random validation points. We have estimated the classification error to be 1.6 %, thus we have concluded that forestry-related thematic maps based on RapidEye images have high accuracy. GFC data were processed in Google Earth Engine API by custom java-scripts. We applied 40 % threshold for treecover2000 layer of GFC data to separate forested and non-forested areas. Afterwards we removed from the map all pixels where loss = 1 and added those with gain =1. We estimated classification accuracy and confidential intervals of forested area both for maps derived from multispectral satellite image RapidEye and GFC data. The result demonstrated that the GFC data provided high accuracy (about 7585 %) for delineating forested area, thus percent tree cover of GFC data are consistent with actual canopy cover of forest stands. We found that GFC data tends to have omission errors because of coarse spatial resolution. Finally, we concluded the feasibility of application of GFC data for mapping forests across Polissia of Ukraine. Thus, the CFC maps may be an attractive if local maps are not available or cannot be constructed.
Keywords: forest mask; accuracy; Global Forest Change; Rapid Eye; Random Forest.
