CC BY
24
Лесохозяйственная информация.
ГЕОИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 2022. № 2. С. 5-12 Forestry information.
2022. № 2. P. 5-12
Научная статья УДК 630.58
DOl Ю.24419/Ш1.2304-3083.2022.2.01
Возможности использования спутниковой съемки с космического аппарата Метеор-М для определения количественных и качественных характеристик лесов
Виктор Михайлович Сидоренков'
кандидат сельскохозяйственных наук
Даниил Олегович Астапов2 Евгений Сергеевич Рыбкин3 Юлия Сергеевна Ачиколова4
Олег Викторович Рябцев5
кандидат сельскохозяйственных наук
Аннотация. В статье отражены исследования возможностей применения данных съемки с метеорологического спутника Метеор-М для определения количественных и качественных характеристик лесов. Научные исследования основаны на значительном количестве экспериментального материала -данных 419 пробных площадей, заложенных на территории Архангельской, Вологодской, Костромской, Московской, Новосибирской областей, Удмуртской Республики, Алтайского края. Пробные площади представляют собой такса-ционно-дешифровочные участки (ТДУ) с координатной привязкой, на которых определены таксационные характеристики насаждений методами реласкопи-ческих площадок и площадок постоянного радиуса. В последующем по каждому ТДУ сформирована база данных спектральных характеристик насаждения, на основе которой статистическими методами определялись взаимосвязи породного состава, запаса, относительной полноты насаждения и количества деревьев со спектрально-отражательными характеристиками. Результаты исследований показали возможность использования данных зимней съемки с аппарата Метеор-М для определения породного состава насаждений, запаса, полноты, количества деревьев в пределах точности по третьему разряду лесоустройства. Учитывая данную особенность, применяемые в статье методы можно рекомендовать для оценки количественных и качественных характеристик лесов на труднодоступных территориях. Ключевые слова: насаждения, дешифрирование, количественные и качественные характеристики лесов, запас, полнота, количество деревьев, Метеор-М Для цитирования: Сидоренков В.М., Астапов Д.О., Рыбкин Е.С., Ачиколова Ю.С., Рябцев О.В. Возможности использования спутниковой съемки с космического аппарата Метеор-М для определения количественных и качественных характеристик лесов // Лесохозяйственная информация. 2022. № 2. С. 5-12. DOI 10.24419^Н1.2304-3083.2022.2.01
1 Всероссийский научно-исследовательский институт лесоводства и механизации лесного хозяйства, заместитель директора (Пушкино, Московская обл., Российская Федерация), lesvn@yandex.ru
2 Всероссийский научно-исследовательский институт лесоводства и механизации лесного хозяйства, заведующий лабораторией лесной таксации и лесоустройства (Пушкино, Московская обл., Российская Федерация), astdann09@yandex.ru
3 Акционерное общество «Российские космические системы», ведущий инженер отдела оперативного мониторинга и анализа данных ДЗЗ (Москва, Российская Федерация), evgenii_r@mail.ru
4 Всероссийский научно-исследовательский институт лесоводства и механизации лесного хозяйства, ведущий инженер отдела лесоводства и лесоустройства (Пушкино, Московская обл., Российская Федерация), pipintook@yandex.ru
5 Всероссийский научно-исследовательский институт лесоводства и механизации лесного хозяйства, заведующий отделом инновационных технологий, внедрения и лесного проектирования (Пушкино, Московская обл., Российская Федерация), sektorles@yandex.ru
Original article
DOI 10.24419/LHI.2304-3083.2022.2.01
Possibilities of Using the Meteor-M Satellite Images
for Determining Quantitative and Qualitative Forests Characteristics
Victor M. Sidorenkov1
Candidate of Agricultural Sciences
Daniil O. Astapov2 Evgenii S. Rybkin3 Iuliia S. Achikolova4
Oleg V. Ryabtsev5
Candidate of Agricultural Sciences
Abstract. The paper highlights opportunities of Meteor-M satellite survey data application to identify quantitative and qualitative characteristics of forests. The studies are based on a great amount of fieldwork material - data of 419 sample plots established in Arkhangelsk, Vologda, Kostroma, Moscow, and Novosibirsk regions, the Republic of Udmurtia and Altay territory. Sample plots (SP) are survey interpretation plots (SIP) with coordinate reference where forest characteristics were determined using relascopic plot and fixed radius circular plot methods. Thereafter, for each SIP forest spectral characteristics data base was shaped and served as a background to identify correlations of tree species pattern, standing volume, relative forest density, and number of trees with spectral reflective characteristics.
The study findings showed an opportunity of applying Meteor-M winter survey data to
recognize forest species, standing volume, forest density, and tree quantity within the
accuracy range according to the 3rd forest management category. Considering the above,
the methods used in this research may be recommended for evaluating qualitative and
quantitative forest characteristics in remote and hard-to-reach areas.
Key words: forest stands, satellite imagery interpretation, quantitative and qualitative
characteristics, standing volume, forest density, number of trees, Meteor-M
For citation: Sidorenkov V., Astapov D., Rybkin E., Achikolova I., Ryabtsev 0. Possibilities
of Using the Meteor-M Satellite Images for Determining Quantitative and Qualitative
Forests Characteristics // Forestry information. 2022. № 2. P. 5-12. DOI 10.24419/
LHI.2304-3083.2022.2.01
1 Russian Research Institute for Silviculture and Mechanization of Forestry, Deputy Director (Pushkino, Moscow region, Russian Federation), lesvn@yandex.ru
2 Russian Research Institute for Silviculture and Mechanization of Forestry, Head of Laboratory for Forest Inventory and Management (Pushkino, Moscow region, Russian Federation), astdann09@yandex.ru
3 Russian Space Systems, Lead Engineer of Department for Operational Monitoring and Remote Sensing Data Analysis (Moscow, Russian Federation), evgenii_r@mail.ru
4 Russian Research Institute for Silviculture and Mechanization of Forestry, Lead Engineer of Department for Silviculture and Forest Management (Pushkino, Moscow region, Russian Federation), pipintook@yandex.ru
5 Russian Research Institute for Silviculture and Mechanization of Forestry, Head of Department for Innovative Technologies, Introduction, and Forest Design (Pushkino, Moscow region, Russian Federation), sektorles@yandex.ru
Введение
Современная концепция развития систем дистанционного мониторинга построена на автоматизации процессов оперативной обработки большого объема спутниковых данных. Важным аспектом является возможность быстрого обновления информации, обеспечить которое можно только применением систем с ежесуточным обновлением данных. К таким системам можно отнести метеорологические спутники Метеор-М.
Перечисленные принципы развития современных систем дистанционного зондирования Земли относятся, в частности, и к мониторингу лесов в области методов и технологий лесо-таксационного дешифрирования, повышения эффективности лесоуправления, лесоустройства. Данные критерии и принципы нашли отражение в Стратегии развития лесного комплекса Российской Федерации до 2030 года. Особое значение в рамках обозначенных направлений имеют технологии импортозамещения, заключающиеся в использовании информации с российских космических аппаратов мультиспектральной съемки. Решение данной задачи возможно с использованием оперативно обновляющейся информации со спутника Метеор-М. Для получения количественных и качественных характеристик лесных насаждений особый интерес представляют данные с установленного на спутнике комплекса многозональной спутниковой съемки (КМСС), который позволяет собирать информацию по зеленому, красному и ближнему инфракрасному каналам с полосой захвата 900 км и разрешением от 60 м.
Цель исследования - определение возможности применения данных съемки со спутника Метеор-М для получения количественных характеристик лесов. Основная задача заключалась в установлении взаимосвязей таксационных показателей насаждений с их спектрально-отражательными характеристиками. При постановке задачи предполагалось проанализировать данные по трем каналам с возможностью получения информации по запасам насаждений, породному составу.
Анализ ранее проведенных исследований показал, что наиболее точное определение запаса, полноты насаждений, количества деревьев на участке достигается путем дешифрирования зимних снимков [1-4]. В зимний период из-за маскирования снегом напочвенного покрова снижаются искажения спектрально-отражательных характеристик снимков и, как следствие, повышается точность статистических моделей оценки запаса и полноты насаждения, количества деревьев.
Результаты обзора литературных источников демонстрируют возможность получения таксационных показателей насаждений по их спектрально-отражательным характеристикам и вегетационным индексам [2-4]. Установление взаимосвязей таксационных и спектрально-отражательных характеристик насаждений осуществлялось путем статистического анализа запаса, средней высоты, породного состава насаждений и значений по зеленому, красному и инфракрасному каналам снимка [5, 6].
Материалы и методы
Обработка данных спутниковой съемки осуществлялась с использованием информации о лесных насаждениях на таксационно-дешифро-вочных участках (ТДУ), заложенных в различных природных и лесорастительных условиях на территории Архангельской, Вологодской, Костромской, Московской, Новосибирской областей, Удмуртской Республики и Алтайского края. При проведении исследований использованы данные 419 пробных площадей. В результате совместных работ Всероссийского научно-исследовательского института лесоводства и механизации лесного хозяйства (ФБУ ВНИИЛМ) и Акционерного общества «Российские космические системы» (АО РКС) в рамках соглашения о сотрудничестве в период 2017-2020 гг. создана база данных пробных площадей, содержащая информацию о таксационных характеристиках лесных насаждений. По сути, на большей части территории Российской Федерации сформирована сеть таксационно-дешифровочных
участков, которые можно использовать для отработки различных методов тематического дешифрирования данных спутниковой съемки среднего и высокого разрешения с целью определения количественных и качественных характеристик лесных насаждений.
Закладка ТДУ осуществлялась с учетом разнообразия лесных насаждений на исследуемой территории. Пространственное определение точек закладки ТДУ выполнялось с использованием методов неконтролируемой классификации спутниковых данных высокого разрешения, анализа занятой лесной растительностью территории по индексам влажности и материалам лесоустройства. При отсутствии материалов лесоустройства или их неактуальности (давность лесоустройства более 10 лет) места закладки определялись с использованием только данных анализа спутниковой съемки. Различные данные классификации были объединены геоинформационными методами. При проведении анализа по данным лесоустройства выделяются группы насаждений в виде преобладающих формаций лесов, представленных основными лесообра-зующими породами; в последующем в рамках выделенных групп определяются подгруппы лесных насаждений, различающиеся по возрасту, продуктивности, составу.
Взаимосвязи таксационных показателей насаждений с их спектрально-отражательными характеристиками определялись с использованием статистических методов в программном продукте Statistica 13. По результатам статистического анализа на основе показателей оценки точности модели (коэффициент корреляции, р-уровень значимости, коэффициент Фишера) выявлялись наиболее точные модели получения количественных показателей насаждений в зависимости от их спектральных характеристик.
Результаты и обсуждение
С учетом ранее проведенных исследований в данной работе оценка моделей определения запаса, полноты, породного состава насаждений,
количества деревьев выполнена по данным зимней спутниковой съемки с сенсора Метеор-М, апробация модели проведена на примере территории Костромского лесничества за 10.02.2020, виток 3134 (номер снимка 10022020_221_003134_ moskovskaya_smolenskaya). Анализ данных проводился с использованием алгоритмов многомерной полиноминальной регрессии, а также регрессии поверхности отклика. Графическим методом обработки данных были исключены выбросы за пределами 2 сигм. Результаты многомерного регрессионного анализа показали связь полноты и запаса насаждений, количества деревьев со спектрально-отражательными характеристиками различных насаждений.
Коэффициент корреляции между расчетными данными по модели и наблюдениями не превышает R = 0,6. Критерий значимости р стремится к 0, что подтверждает гипотезу о значимости моделей и возможности их применения в решении практических задач. Повысить уровень значимости можно путем увеличения количества экспериментальных данных.
Анализ статистических данных модели показал, что наиболее точные результаты дешифрирования полноты насаждения наблюдаются при использовании модели регрессии поверхности отклика (рис. 1). Статистическая модель характеризуется достаточно высоким уровнем значимости ^ = 0,62, р = 0,008, F = 31). Приемлемая точность определения относительной полноты насаждений наблюдается от показателя R = 0,3 и выше. Данная динамика связана с появлением при низкой полноте насаждений значительных просветов в пологе и, как следствие, снижением точности определения данного показателя.
Модель можно выразить формулой многомерной регрессии поверхности отклика (1).
Исходя из расчетов модели в районе исследований произрастают в основном средне- и вы-сокополнотные насаждения. Низкая полнота насаждений характерна для участков рубок, молодняков, а также насаждений на территории населенных пунктов. Полученные результаты согласуются с данными лесоустройства для территории Костромского лесничества.
Рис. 1. Результаты определения относительной полноты насаждения по данным зимнего снимка со спутника Метеор-М на части территории Костромской обл.: А - исходный снимок, Б - относительная полнота насаждений
P = 0,875695469542 + 0,00727001849657 х b2 + 4,12903282728e - 005 х b22 - 0,0079097149913 х
х b3 + 3,03214112726e - 006 х b32 - 0,000684842019837 х b1 + 2,8334893688e - 005 х b12 + (1) + 1,90811497905e - 006 х b2 х b3 - 0,000129128855637 х b2 х b1 + 3,28869156168e - 005 х b3 х b1,
Р - относительная полнота насаждения;
Ь1, Ь2, Ь3 - зеленый, красный, ближний инфракрасный каналы соответственно.
Схожие результаты получены по запасу насаждений (рис. 2). Статистическая модель является достоверной ^ = 0,6, р = 0,008,
F = 9), высокий уровень значимости позволяет применять ее в решении практических задач (2):
А
Б
Рис. 2. Результаты определения количества деревьев в насаждении по данным зимнего снимка со спутника Метеор-М на части территории Костромской обл.:
А - запас насаждений, м3/га, Б - количество деревьев в насаждении, шт./га
М = 349,591355541 - 0,158147112311 х Ь1 + 0,00895865488623 х Ь12 + 0,3888257337 х Ь2 + + 0,00656535016476 х Ь22 - 1,40104448573 х Ь3 + 0,00833246976941 х Ь32 - 0,0102458364859 х (2) х Ь1 х Ь2 - 0,01833332447 х Ь1 х Ь3 - 0,00000221046108108 х Ь2 х Ь3,
М - запас насаждений;
Ь1, Ь2, Ь3 - зеленый, красный, ближний инфракрасный каналы соответственно.
Результаты дешифрирования запаса насаждений с использованием модели показывают, что на территории района исследований преобладают насаждения со средним запасом от 250 до 350 м3/га. Полученные данные согласуются с результатами дешифрирования насаждений по полноте и материалами лесоустройства.
Зависимость количества деревьев в насаждении можно выразить формулой полинома второй степени (3):
Коэффициент корреляции между расчетными данными по модели и наблюдениями составил R = 0,7. Критерий значимости выборки р стремится к 0, коэффициент Фишера превышает значение F = 95.
Анализ модели определения количества деревьев по спектральным характеристикам насаждения показывает возможность точного прогноза этого показателя для средневозрастных, спелых и перестойных насаждений, количество деревьев в которых не превышает 2 тыс. шт./га.
Результаты дешифрирования показали, что на исследуемой территории преобладают насаждения с небольшим количеством деревьев - от 300 до 600 шт./га, что характерно для средневозрастных и спелых насаждений и подтверждает полученные данные по запасу и относительной полноте насаждений.
Для определения породного состава лесов использовались нейронные сети. Лучший
результат с учетом оценки моделей по коэффициенту детерминации R2 = 0,78 для насаждений сосны достигнут с использованием нейронной сети BFGS68 при использовании гиперболической функции активации алгоритма скрытых нейронов.
Для оценки насаждений с различным участием в составе березы лучшие результаты получены с использованием модели нейронных сетей BFGS10: коэффициент детерминации
(3)
между экспериментальными и прогнозируемыми значениями составляет 0,77. Для оценки доли участия осины лучшие результаты предоставляет модель нейронных сетей BFGS21 с применением функции экспоненты при обучении скрытых нейронов: коэффициент детерминации составляет 0,89. По оценке долевого участия в насаждениях ели лучшие результаты наблюдаются при использовании модели нейронных сетей на основе алгоритма BFGS1: коэффициент детерминации равен 0,93.
Выводы
Результаты исследований показывают возможность использования зимней съемки со спутника Метеор-М для определения породного состава насаждений, запаса, полноты, количества деревьев. При проведении анализа долевого участия пород наиболее точные результаты
N = 1079,21765358 - 3,65603654596 х Ь1 + 0,0456352103533 х Ь12 - 6,34628119768 х х Ь2 + 0,0490611641675 х Ь22 - 5,68342093974 х Ь3 + 0,00569925630832 х Ь32,
где:
N - количество деревьев;
Ь1, Ь2, Ь3 - зеленый, красный, ближний инфракрасный каналы соответственно.
получены при использовании нейронных сетей на базе квазиньютоновских алгоритмов, в частности метода BFGS.
Определение таксационных характеристик лесных насаждений находится в пределах точности проведения работ по третьему разряду
лесоустройства. Учитывая данную особенность, представленное исследование имеет потенциал практического внедрения для оценки таксационных характеристик эксплуатационных и резервных равнинных лесов на территории европейской части России и Западной Сибири.
ГЕОИНФОРМПЦИОННЫЕ ТЕХНОЛОГИИ
Список источников
1. Спутниковое картографирование растительного покрова России / С.А. Барталев, В.А. Егоров, В.О. Жарко, Е.А. Лупян, Д.Е. Плотников, С.А. Хвостиков, H^. Шабанов.- М. : ИКИ РА^ 2016. - 208 с.
2. Ялдыгина, H^. Использование программного комплекса ENVI для решения задач лесного хозяйства / H^. Ялдыгина // Геоматика. - 2011. - № 3. - С. 34-39.
3. Шовенгердт, Р.А. Дистанционное зондирование. Модели и методы обработки изображений / Р.А. Шовен-гердт. - М. : Техносфера, 2010. - 560 с.
4. Лабутина, И.А. Дешифрирование аэрокосмических снимков : учеб. пособ. / И.А. Лабутина. - М. : Аспект Пресс, 2004. - 184 с.
5. Оценка валидости результатов дешифрирования снимков в задачах дистанционного зондирования земли при помощи спутника Канопус-В / Т.В. Колесник. - Текст: электронный // Молодой ученый. - 2016. - № 11 (115). - С. 185-187. - URL: https://moluch.ru/archive/115/30818/ (дата обращения: 12.05.2021).
6. Оценка возможности использования данных спутников Канопус-В №№ 3, 4 для оценки изменений в лесном покрове / М.А. Бурцев, Е.А. Лупян, Л.С. Крамарева // Современные проблемы дистанционного зондирования Земли из космоса : сб. тез. докл. 16-й Всероссийской открытой конференции (12-16 ноября 2018). - М. : ИКИ РА^ 2018. - С. 392.
7. Горбунов, А.В. Космический комплекс оперативного мониторинга техногенных и природных чрезвычайных ситуаций «КАHOПУC-В» / А.В. Горбунов, ИЛ. Слободской // Геоматика. - 2010. - № 1. - С. 30-34.
8. Об утверждении Лесоустроительной инструкции. Приказ Минприроды России от 29.03.2018 № 122 (ред. от 12.05.2020) (Зарегистрировано в Минюсте России 20.04.2018 № 50859).
References
1. Sputnikovoe kartografirovanie rastitel'nogo pokrova Rossii / S.A. Bartalev, V.A. Egorov, V.O. Zharko, E.A. Lupyan, D.E. Plotnikov, S.A. Hvostikov, N.V. Shabanov. - M. : IKI RAN, 2016. - 208 s.
2. Yaldygina, N.B. Ispol'zovanie programmnogo kompleksa ENVI dlya resheniya zadach lesnogo hozyajstva / N.B. Yaldygina // Geomatika. - 2011. - № 3. - S. 34-39.
3. Shovengerdt, R.A. Distancionnoe zondirovanie. Modeli i metody obrabotki izobrazhenij / R.A. Shovengerdt. - M. : Tekhnosfera, 2010. - 560 s.
4. Labutina, I.A. Deshifrirovanie aerokosmicheskih snimkov : ucheb. posob. / I.A. Labutina. - M. : Aspekt Press, 2004. - 184 s.
5. Ocenka validosti rezul'tatov deshifrirovaniya snimkov v zadachah distancionnogo zondirovaniya zemli pri pomoshchi sputnika Kanopus-V / T.V. Kolesnik. - Tekst: elektronnyj // Molodoj uchenyj. - 2016. - № 11 (115). -S. 185-187. - URL: https://moluch.ru/archive/115/30818/ (data obrashcheniya: 12.05.2021).
6. Ocenka vozmozhnosti ispol'zovaniya dannyh sputnikov Kanopus-V №№ 3, 4 dlya ocenki izmenenij v lesnom pokrove / M.A. Burcev, E.A. Lupyan, L.S. Kramareva // Sovremennye problemy distancionnogo zondirovaniya Zemli iz kosmosa : sb. tez. dokl. 16-j Vserossijskoj otkrytoj konferencii (12-16 noyabrya 2018). - M. : IKI RAN, 2018. - S. 392.
7. Gorbunov, A.V. Kosmicheskij kompleks operativnogo monitoringa tekhnogennyh i prirodnyh chrezvychajnyh situacij «KANOPUS-V» / A.V. Gorbunov, I.N. Slobodskoj // Geomatika. - 2010. - № 1. - S. 30-34.
8. Ob utverzhdenii Lesoustroitel'noj instrukcii. Prikaz Minprirody Rossii ot 29.03.2018 № 122 (red. ot 12.05.2020) (Zaregistrirovano v Minyuste Rossii 20.04.2018 № 50859).
