Диссертация - Поволжский государственный технологический
advertisement
Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Поволжский государственный технологический университет» На правах рукописи Губаев Александр Владимирович ОЦЕНКА И МОНИТОРИНГ ЛЕСНОГО ПОКРОВА ПО СПУТНИКОВЫМ СНИМКАМ СРЕДНЕГО И ВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ (НА ПРИМЕРЕ СРЕДНЕГО ПОВОЛЖЬЯ) 06.03.02 – «Лесоведение, лесоводство, лесоустройство и лесная таксация» Диссертация на соискание ученой степени кандидата сельскохозяйственных наук Научный руководитель доктор сельскохозяйственных наук, проф. Э.А. Курбанов Йошкар-Ола – 2015 2 ОГЛАВЛЕНИЕ Введение .................................................................................................................. 4 1. Состояние вопроса исследований .............................................................. 11 1.1. Тематическое картирование по данным AVHRR .................................... 12 1.2. Тематическое картирование по снимкам MODIS.................................... 19 1.3. Тематическое картирование по данным Landsat ..................................... 26 Выводы по главе 1 ............................................................................................... 32 2. Природные условия и лесной фонд Республики Марий Эл ................. 35 2.1. Территория ................................................................................................... 35 2.2. Климат .......................................................................................................... 36 2.3. Почвенные условия ..................................................................................... 38 2.4. Лесорастительное и лесохозяйственное районирование ........................ 40 2.5. Типы лесов ................................................................................................... 40 2.6. Распределение насаждений основных лесообразующих пород............. 44 Выводы по главе 2 ............................................................................................... 47 3. Программа и объекты исследований ........................................................ 49 3.1. Программа исследований ........................................................................... 49 3.2. Объект исследования .................................................................................. 50 3.3. Методика закладки тестовых участков..................................................... 51 4. Методика пошаговой классификации наземного покрова по спутниковым снимкам ....................................................................................... 53 4.1. Предварительная подготовка изображения.............................................. 54 4.2. Классификаторы и тип наземного покрова .............................................. 57 4.3. Тематическая классификация спутниковых изображений ..................... 66 4.4. Генерализация растровой тематической карты ....................................... 72 4.5. Оценка точности тематических карт ........................................................ 74 4.6. Валидация тематической карты наземного покрова Landsat по данным лесоустройства в среде ArcGis 10.3 .................................................................. 81 4.7. Модули для сравнения и оценки точности тематических карт.............. 85 3 5. Тематическое картирование лесов по спутниковым снимкам ........... 91 5.1. Анализ разделимости спектральных классов лесного покрова ............. 91 5.2. Мониторинг и анализ данных классов наземного покрова .................... 97 5.3. Валидация и оценка точности тематических карт ................................. 103 5.3.1. Сравнение полученных карт со снимками высокого разрешения . 103 5.3.2. Сравнение полученных карт с данными лесоустройства ............... 109 5.3.3. Cравнение тематических карт Landsat 2001 г. и 2014 с глобальными картами GLC 2000, 2009 и NELC 2005 ......................................................... 111 Выводы по главе 5 ............................................................................................. 115 Заключение ......................................................................................................... 119 Список сокращений и условных обозначений ............................................ 123 Список литературы .......................................................................................... 124 Приложения........................................................................................................ 145 4 Введение Актуальность темы исследования. Вопросы приведения к единообразию и автоматизации дешифрирования лесного покрова России на основе данных дистанционного зондирования приобретают все большее значение в связи с ростом численности используемых для этого российских и зарубежных спутников. Кроме того, наличие большого количества разработанных карт растительного покрова разного пространственного разрешения требует разработки алгоритмов оценки их сопоставимости и точности, что может способствовать повышению эффективности лесоустроительных работ. Развитию дистанционного мониторинга для инвентаризации лесов придается приоритетное значение в нескольких государственных директивных документах: «Стратегии развития лесного комплекса Российской Федерации на период до 2020 года» (2008), Федеральной целевой программе "Снижение рисков и смягчение последствий чрезвычайных ситуаций природного и техногенного характера в Российской Федерации до 2015 года" (2011), «Лесном кодексе» (2006) и «Методических рекомендациях инвентаризации лесов» по (2011). проведению Приоритетным государственной направлением в использовании, охране, защите и воспроизводстве лесных ресурсов, обеспечивающих устойчивое управление лесами, является также развитие международного сотрудничества, в том числе на региональном уровне, создание информационной базы данных, содержащей передовой опыт управления. В связи с этим разработанная методика классификации, а также алгоритм сопоставимости и оценки точности различных тематических карт лесного покрова имеют большое научно-практическое значение в осуществлении автоматизированного мониторинга состояния и динамики лесов, что Использование также определяет данных актуальность современных проведенных спутниковых систем работ. позволит 5 значительно повысить уровень достоверности и оперативности проводимых оценок лесного фонда. Результаты исследования также позволят проводить валидацию оценок лесного покрова на континентальном и глобальном уровнях на основе базы тестовых региональных данных и использования унифицированных алгоритмов распознавания различных классов лесных насаждений. Степень разработанности темы исследования. Вопрос картирования растительного покрова различных регионов мира широко изучен учеными из США, Китая и Европы. Об этом свидетельствуют результаты проведенного нами анализа научных публикаций. Подобные исследования различаются методикой классификации спутниковых изображений и глобальными базами данных по валидации разрабатываемых тематических карт. Положительным моментом этих исследований является использование одинакового набора классов растительного покрова, что позволяет проводить сравнение существующих карт разных авторов. Для этих целей также используется комбинация различных индексов вегетации и спектральные яркости спутниковых изображений, индекса листовой поверхности лесных экосистем. В Российской Федерации исследования растительного покрова стали проводиться в основном с начала 90-х годов на основе зарубежных спутниковых данных (NOAA, Landsat, SPOT и т.п.). В последние годы в лесной отрасли начинают также активно использоваться снимки высокого пространственного разрешения, полученные с отечественных спутников (Ресурс-П, Канопус-В), что является важным показателем импортозамещения в высокотехнологичной области космических исследований. Несмотря на большое количество публикаций по тематическому картированию на глобальном уровне, региональные оценки лесного покрова в России остаются недостаточно проработанными при решении проблем мониторинга и валидации создаваемых карт путем совмещения данных среднего и высокого разрешений. В данной диссертационной работе были решены все поставленные задачи с высокой детальной проработкой 6 методики исследований, разработкой алгоритма оценки точности тематического картирования и рекомендаций по использованию результатов в научно-практической деятельности. Цель и задачи исследований. Главная цель – разработать методику оценки и дистанционного мониторинга текущих изменений в лесном покрове по разновременным пространственного спутниковым разрешений. снимкам Для среднего достижения и высокого посталенной цели решаются следующие задачи: проанализировать существующие подходы в области исследований по данным дистанционного зондирования типов лесного покрова; разработать методику пошаговой классификации лесного покрова по спутниковым снимкам на основе подходов международных организаций ФАО, НАСА и российской ГИЛ (Государственная инвентаризация лесов); провести оценку точности классификации спутниковых снимков и валидацию полученных результатов с независимыми данными по лесному фонду исследуемого региона; на основе разработанной методики создать тематические карты и базы данных в ГИС на примере лесного покрова Марийского Заволжья. Научная новизна работы. Впервые на региональном уровне усовершенствована и апробирована методика оценки лесного покрова на основе обширной базы полевых данных и композитов спутниковых снимков, классифицированных в программных пакетах ENVI-5.3 и ArcGIS 10.3. Получены закономерности разделимости 14 классов наземного покрова от спектральных сигнатур снимков спутника Landsat в пространстве признаков. Создана база спектральных сигнатур растительного покрова на изучаемый регион Среднего Поволжья. Проведена оценка точности созданных тематических карт на основе сети тестовых участков, расположенных на изучаемой территории. Разработанная методика позволяет проводить совмещение карт разного пространственного разрешения, 7 полученных на основе данных спектрорадиометров Landsat TM и ETM+, а также MODIS и AVHRR. Полученные в диссертационной работе результаты внесут дальнейший вклад в развитие теории тематического картирования растительного покрова и практику дистанционного мониторинга лесов. Теоретическая и практическая значимость работы. Зависимости, алгоритмы и модели, полученные в результате исследований на основе спутниковых данных среднего и высокого пространственного разрешения, вносят значительный вклад в теорию и повышение точности автоматизированного дешифрирования (классификации) лесного покрова. Полученные материалы и легенда классов наземного покрова, совмещенные со стратами лесного покрова ГИЛ, могут быть использованы в качестве теоретической базы при обосновании работ по дистанционному мониторингу и устойчивому управлению лесами. Результаты исследований внедрены в деятельность лесничеств и министерства лесного хозяйства Республики Марий Эл и Чувашской республики (приложения 1-4). Разработанные тематические карты и данные спектральных сигнатур стали составной частью региональной базы данных «Database_CSFM-2.0» (приложение 5), а также приняты в качестве базовых в рамках международной по изучению Северной использованы при лесохозяйственных сохранению инициативы Евразии. Результаты осуществлении мероприятий (приумножению) NEESPI лесного по и проекта работы могут мониторинга, повышению биоразнообразия NELDA быть реализации продуктивности, и комплексному использованию лесных ресурсов, создании баз данных по запасам углерода в лесах России. Практические и теоретические результаты диссертационной работы внедрены в НИР и учебный процесс во ФГБОУ ВПО «ПГТУ» (приложение 6). Методы исследования. Полевые исследования лесных насаждений, метод классификации и распознавания объектов наземного покрова 8 по спутниковым снимкам среднего и высокого пространственного разрешения, методы математической статистики и оценки точности классификации и нелинейное спутниковых снимков, моделирование, многофакторное спектральное линейное преобразование снимков методом Tasseled Cap («колпачок с кисточкой»). Положения, выносимые на защиту: – закономерности распределения тематических классов (страт) лесного покрова по спектральным сигнатурам спутниковых изображений Landsat в пространстве признаков; – метод распознавания типов лесного покрова на основе анализа пошаговой классификации спутниковых изображений разного пространственного разрешения для решения задач регионального тематического картирования; – алгоритм оценки точности тематических карт лесов по независимым тестовым участкам, материалам лесоустройства, глобальным и региональным картам наземного покрова. Степень достоверности и апробация результатов. Исследование базируется на обширном экспериментальном материале 725 тестовых участков, репрезентативно представляющих объект исследования. В работе применяется комплексный подход к реализации поставленных задач, используются выверенные математические модели и широко известные геоинформационные программные пакеты. Достоверность полученных данных также критериями, подтверждена использованием соответствующими современных статистическими методов обработки и интерпретации полученных результатов. Основные представлены положения на преподавательского и результаты ежегодных состава диссертационной конференциях Поволжского работы профессорскогосударственного технологического университета (Йошкар-Ола, 2010-2014); на международной конференции в Италии “ENVISAT-2014” (Рива Дель Гарда, 2014); 9 на международной конференции NASA и GOFC-GOLD/NEESPI «Влияние аномальной погоды на природные, социально-экономические и искусственные системы: засуха 2010 г. в Поволжье России» (Йошкар-Ола, 2012); на V международной конференции компании Совзонд «Космическая съёмка – на пике высоких технологий» (Москва, 2011); на международной конференции с элементами научной школы для молодежи «Лесные экосистемы в условиях изменения климата: биологическая продуктивность, мониторинг и адаптационные технологии» (Йошкар-Ола, 2010); на международной конференции «Международное сотрудничество в лесном секторе: баланс образования, науки и производства» (Йошкар-Ола, 2009). По теме диссертации и разработок опубликована 21 работа, в том числе 10 в изданиях, рекомендованных ВАК. Работа выполнена в рамках федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 20092013 годы ГК № 02.740.11.5202 Министерства образования и науки Российской Федерации «Региональная оценка методов картирования растительного покрова по спутниковым снимкам», ГК № 02.740.11.0838 «Разработка и реализация алгоритмов передачи, обработки и анализа данных дистанционного зондирования лесных покровов для автоматических расчетов фитомассы растительности и пулов углерода», ГК № 14.B37.21.1245 «Дистанционный мониторинг и прогнозирование состояния лесных насаждений по спутниковым снимкам», тематического плана Министерства науки и образования и прогнозирование РФ на биологической 2012-2014 гг. «Оценка, продуктивности лесов мониторинг по данным спутниковой съемки», «Дистанционный мониторинг устойчивости лесных экосистем» в рамках государственного задания в сфере научной деятельности Министерства образования и науки Российской Федерации на 2014-2016 гг. Личный вклад автора. Автор непосредственно участвовал в сборе полевого материала, подборе и обработке спутниковых изображений, 10 составлении методики исследований, интерпретации полученных результатов, их анализе и обобщении, оценке точности тематического картирования, сформулировал выводы и предложения производству. В работе также были использованы материалы Центра устойчивого управления и дистанционного мониторинга лесов (ЦУДМЛ) ФГБОУ ВПО «Поволжского государственного технологического университета». В ходе исследования соискателем совместно с сотрудниками ЦУДМЛ, а также аспирантами и магистрантами института «Леса и природопользования» ФГБОУ ВПО «ПГТУ» были заложены и описаны 450 тестовых участков в различных лесных насаждениях исследуемого региона. Структура и объем работы. Диссертация, объемом 165 страниц машинописного текста, состоит из введения, 5 глав, заключения, списка сокращений и условных обозначений, приложений. Список использованной литературы включает 158 наименований, в том числе 96 иностранных. Текст иллюстрирован 21 таблицей, 35 рисунками, 16 приложениями. 11 1. Состояние вопроса исследований Прогресс в изучении глобальных изменений, выполнение международных конвенций, успешное управление природными ресурсами и широкий диапазон программ развития и финансовой помощи требуют более совершенных карт наземной растительности с обоснованной точностью. Особенно это актуально для Северной Евразии, на территории которой заметны последствия глобального изменения климата, включая изменения в структуре растительности, продолжительности периода вегетации, распространения снежного покрова и вечной мерзлоты (Kurbanov and Post, 2002; Turner et al., 2003; Krankina et al., 2004; Chapin et al., 2004; Демаков и др., 2009; Фомин и др., 2007; Замолодчиков, 2009). Надежные данные о растительном покрове земли и его изменениях критически необходимы для решения целого ряда важных научных проблем ‒ от влияния землепользования на поверхности на земли глобальный цикл и баланс водный углерода, до энергообмен влияния климата на продуктивность растительности и нарушения ее покрова с целью понимания социальных и экологических причин и последствий таких изменений (Изменение климата…, 2001; Усольцев, 2007). Понимание процессов антропогенного влияния на землепользование и возможности мониторинга за изменениями во времени и пространстве может позволить обоснованно принимать решения по снижению последствий влияния изменения климата на планету и человека, а также обеспечивать устойчивое развитие (Курбанов, 2002). В течение последних трех десятилетий произошло существенное увеличение числа обеспечивающих космических уникальную спутников и информацию и программных методы для средств, работы с тематической информацией о состоянии земного покрова (Bartholome and Belward, 2005; Soudani et al., 2006; Julien et al., 2006; Chand et al., 2007; Zhang et al., 2007; Колесникова, Черепанов, 2009; Ran et al., 2010; Alrababah et al., 12 2011; Савин и др., 2011). Данные Landsat позволили повысить точность прогнозирования и мониторинга за многочисленными процессами на Земле. Поэтому в последние годы наблюдается увеличение спроса на архивную базу данных USGS Landsat. В частности, эти снимки широко используются для оценки и мониторинга изменений в атмосфере, поверхности океанов, полярных территорий, сельскохозяйственных земель, городских территорий, пустынь и горных массивов. Изображения, полученные с помощью системы спутников Landsat также широко востребованы научными коллективами, занимающимися тематическим картированием и мониторингом растительного покрова (Курбанов и др., 2014). 1.1. Тематическое картирование по данным AVHRR На уровне низкого пространственного разрешения (1 км) карта глобального растительного покрова была создана центром Eros Data (USGS), расположенным в университете Мериленд (Loveland et al., 2000). Отчет международной программы по изучению геосферы и биосферы (IGBP International Geosphere–Biosphere интегрированного подхода в Programme) изучении о глобальных перспективе изменений свидетельствовал о том, что существующие данные о наземном покрове земли являются недостаточными для поддержки планируемых исследований по программе IGBP, 1990. В отчете сказано, что в то время как наземные данные представляют собой один из важных и универсальных источников для оценки и картирования земных ресурсов, они не являются доступными на долгосрочной основе и в такой спецификации, которая необходима для многочисленных проектов в области окружающей среды и глобальных изменений. Это привело к активной работе над созданием глобального набора данных характеристик наземного покрова. Кроме того, для целей глобального картирования в программах национальных и континентальных масштабов было рекомендовано использовать данные AVHRR (Advanced Very High Resolution Radiometer) системы спутников NOAA (National Oceanic 13 and Atmospheric Administration) США с разрешением 1 км, например, для прогноза погоды, оценки пожароопасной ситуации, планирования разработки ресурсов и установления стандартов качества воздушной среды. Первые попытки создания глобальной базы наземных данных, которые до настоящего времени широко используются в проектах по оценке окружающей среды, были предприняты рядом американских ученых (Matthews, 1983; Olson et al.,1985; Wilson and Henderson-Sellers, 1985; DeFries et al., 1995). Краткие характеристики этих глобальных баз данных приведены в таблице 1.1. Таблица 1.1 - Характеристика глобальных баз данных наземного покрова низкого (грубого) разрешения по данным различных исследователей Matthews (1983) Olson et al. (1985) Wilson and HendersonSellers 1985 DeFries et al. (1995) Разрешение координатной сетки (клетка растра) 1° широты на 1° долготы 0,5° широты на 0,5° долготы 1° широты на 1° долготы 1° широты на 1° долготы Система классификации UNESCO (32 класса); процент пахотных земель Источник материалов Источник данных Метод картирования Область применения Метод валидации Существующие карты Глобальных экосистем 53 класса Олсона (49 растительности классов) Существующие Существующие карты карты До 1983 г. До 1985 г. До 1985 г. Компиляция Компиляция Моделирование климата Изучение цикла углерода Нет Нет Простая модель биосферы (14 классов) AVHRR 1987 г. Управляемая классификация Моделирование Моделирование климата климата Пробные Нет площади Компиляция Leemans и др. (1996) провели сравнение существующих оценок наземных данных на основе 18 классов, представляющих основные биомы планеты. Статистики Каппа в этом сравнительном анализе показали слабое или умеренное соответствие между всеми картами глобальных наземных данных. Наибольшее соответствие у классов, расположенных 14 на значительных площадях, таких как пустыни, бореальные и тропические леса. Большое различие было выявлено в методике классификации экотонов и более мелких биомов в анализируемых базах данных наземного покрова, полученных на основе снимков низкого разрешения. В дальнейшем данные радиометра AVHRR с пространственным разрешением 1 км стали широко применяться для оценки растительного покрова и на локальном уровне. Fleischmann и Walsh (1991) использовали семь изображений нормализованного вегетационного индекса NDVI (Normalized Difference Vegetation Index) для оценки пяти классов наземного покрова территории штата Северная Каролина методом неуправляемой классификации. Точность классификации варьировала от 63,6% для классов сосновых насаждений и пастбищ до 57,9% для чистых хвойных насаждений и 22% для сельскохозяйственных культур. Оценку наземного покрова штата Калифорния (США) провел коллектив ученых под руководством McGwire (1992). Картирование растительного покрова Республики Сенегал проведено методом управляемой классификации, дополненной кластерной классификацией на основе канонического анализа соответствий (Frederiksen and Lawesson, 1992). Лесной покров Республики Мадагаскар был изучен на основе трех сцен AVHRR (два сухих сезона и один влажный) путем стратификации территории на 4 сегмента с последующей классификацией каждого сегмента с применением процедуры многокластерного блока (Nelson and Horning, 1993). Сравнение карты лесного покрова AVHRR с ранними данными мультиспектрального сканера Landsat MSS показали их высокую степень соответствия (81%). Важным этапом развития картирования наземного покрова с помощью радиометра AVHRR явился проект IGBP-DIS (International GeosphereBiosphere Programme Data and Information System), который предполагал ежедневное обновление наземных данных и создание архивной базы данных (Townshend, 1994; Eidenshink and Faundeen, 1994). В IGBP-DIS участвовали Международный комитет по спутникам наблюдения Земли CEOS (Committee 15 on Earth Observations Satellites), NASA, NOAA (National Oceanic and Atmospheric Administration) и Европейское космическое агентство ESA (European Space Agency). Ученые USGS (United States Geological Survey) и совместный исследовательский центр ЕС (Италия) создали глобальную базу данных с пространственным разрешением 1 км характеристик наземного покрова для широкого диапазона континентальных и глобальных исследований (Loveland et al., 2000). Этот проект положил в основу предыдущие разработки программы IGBP. Глобальная база данных (IGBP DISCover global land cover product), состоящая из 17 классов наземного покрова, была создана методом неуправляемой классификации каждого континента Земли в отдельности на композитах NDVI 1992-1993 гг. радиометра AVHRR (рисунок 1.1). Для различными обширная устранения типами пространственно-временных наземного постклассификационная покрова наложений потребовалась стратификация между последующая полученной карты. Конечный вариант карты состоит из 961 регионов, содержащих данные о наземном покрове, сезоне и относительной биологической продуктивности растительности. Рисунок 1.1 - Глобальная карта наземного покрова IGBP DISCover, выполненная по спутниковым снимкам NOAA/AVHRR 16 17 Китайские ученые использовали данные лесоустройства и серию снимков NDVI NOAA/AVHRR для оценки запасов углерода в биомассе лесов и её динамики c 1982 по 1999 гг. в северо-восточной части Китайской Республики (Tan et al., 2007). Средний запас углерода в биомассе лесов исследуемого региона составил 2,1 Гт С, а плотность углерода (запас C на 1 га) достигает 44,65 т С га-1. Как видно на тематической карте1 (рисунок 1.2), наибольшие запасы углерода расположены в восточной части горного массива Чангбай, в котором преобладают смешанные хвойно-лиственные насаждения. б а) ) б) Рисунок 1.2 ̶ Распределение лесов и запасов углерода в биомассе лесов северовосточной части Китая: а) три основные группы лесов: хвойные, представленные в основном лиственницей Гмелина (Larix gmelinii); смешанные хвойно-лиственные насаждения с преобладанием сосны кедровой корейской (Pinus koraiensis); лиственные с преобладанием дуба монгольского (Quercus mongolica) и березы плосколистной (Betula platyphylla); б) пространственное распределение запасов углерода за период 1982-1999 гг. На основе спутниковых данных NOAA/AVHRR получен анализ динамики изменений состояния вегетационного покрова территории географическая карта, содержание которой определяется какой-либо конкретной темой. В лесной отрасли тематическое картирование предусматривает лесные насаждения. 1 18 Казахстана (Спивак и др., 2001). Методика исследований базировалась на анализе многолетнего и дифференциальных распределения индексов изменения состояний позволили идентифицировать спутниковых вегетации, растительного зоны показывающих покрова. с интегральных низким динамику Проведенные уровнем работы вегетации на территории степной зоны Казахстана. Разработчики программы оценки лесных ресурсов ФАО ООН также использовали глобальный набор данных карт лесного покрова, полученных на основе нормализованного вегетационного индекса NDVI (Normalized Difference Vegetation Index) AVHRR (FAO, 2001). В следующем отчете для оценки лесного покрова ФАО (FAO, 2006) использовала карты растительного покрова, разработанные на основе спутниковых данных SPOT Vegetation сотрудниками JRC (Joint Research Centre) программы «Глобальный мониторинг окружающей среды» (JRC, 2003). В этом отчете представлены данные о запасах древесины, биомассе и депонированном углероде в лесах 229 стран и территорий, полученные на основе уменьшения масштаба карт JRC с национального до глобального уровня (Kindermann et al., 2008). Ученые Европейского института леса (Paivinen et al., 2009) провели исследование по картированию запасов лесного покрова стран Европейского Союза на основе комбинирования спутниковых данных NOAA-AVHRR и данных национальной инвентаризации этих стран. Результаты исследования свидетельствуют о том, что разработанные карты лесного покрова позволяют пропорционально распределить статистику регионального лесного покрова по площадям лесов, представленных в пределах каждого пикселя NOAA-AVHRR. На рисунке 1.3 представлена карта распределения запасов хвойных и широколиственных лесов Европы, полученная в рамках этих исследований. 19 Рисунок 1.3 - Общий запас растущего леса Европы, полученный по данным 63 сцен спутника NOAA-AVHRR за 1996-1998 гг. и данным национальных инвентаризаций и ФАО (Paivinen et al., 2009) 1.2. Тематическое картирование по снимкам MODIS В то время как на основе анализа данных AVHRR было проведено много важных научно-прикладных исследований глобального и регионального масштабов, появление спектрорадиометра MODIS (Moderate resolution imaging пространственными, spectroradiometer) с геометрическими улучшенными и спектральными, радиометрическими характеристиками позволило обеспечить принципиально новые возможности для тематического картирования наземного покрова. Спектрорадиометр MODIS является одним из ключевых инструментов на борту американских спутников серии Terra и Aqua. MODIS имеет 36 спектральных каналов с 12битным радиометрическим разрешением в видимом, ближнем, среднем и тепловом инфракрасном диапазонах. На основе этих данных можно ежедневно получить вегетационные индексы для отдельных участков лесных 20 насаждений. Это позволяет использовать данные MODIS для решения разнообразных задач (оценка динамики наземных экосистем, мониторинг лесных пожаров, паводков и т.п.) (Pouliot, et al. 2014). Рабочая группа NASA MODIS выпустила глобальную тематическую карту наземного покрова с пространственным разрешением 1 км (Friedl et al., 2002), включающую динамику растительного покрова (phenology) и процент покрытия земной поверхности древесным пологом (VCF) (Hansen et al., 2003, 2004). При создании глобальной карты рабочая группа использовала несколько систем классификации, основанные преимущественно на методике IGBP. В этих исследованиях управляемая классификация явилась основным методом для обработки глобальных данных MODIS. В дополнение к классу IGBP для каждого пикселя полученная тематическая карта земного покрова MODIS обеспечила несколько дополнительных параметров, включающих оценку точности классификации по маркерам IGBP и прогнозирование наиболее вероятного альтернативного класса. Полученные результаты на основе мультивременных данных (5 месяцев) MODIS прошли сравнение с данными тематических карт, полученных на основе AVHRR и Landsat TM. Визуальный анализ показывает существенные различия между этими тематическими изображениями наземного покрова. Снимки MODIS (рисунок 1.4) демонстрируют более высокую пространственную детализацию наземных объектов на тематической карте тихоокеанского побережья северозапада США, чем данные AVHRR. Эти различия особенно проявляются в лесной и аридной зоне восточной части спутниковой сцены. Другое исследование рассматривает (Lunetta et al., 2006) использование разновременного (16 дней) композита индекса NDVI (Normalized Difference Vegetation Index) спектрорадиометра MODIS для обеспечения автоматического выявления изменений в городских районах США. Точность распознавания снимков была выполнена с коэффициентом Каппа, равным 0,67. Основные результаты в оценке смены объектов наземного покрова получены для несельскохозяйственных земель. 21 в) Рисунок 1.4 - Сравнение фрагментов глобальных тематических карт наземного покрова тихоокеанского побережья северо-запада США: а) по данным IGBP с 1 км разрешением данных AVHRR, б) данные MODIS, полученные между июлем и декабрем 2000, в) 4 спутниковые сцены Landsat TM Авторы исследования показали в динамике, что за четыре года (20022005) по снимкам MODIS хорошо выделяются изменения в городской застройке – индивидуальное и дорожное строительство, появление торговых центров (рисунок 1.5). Следует отметить, что изменения на рисунке 1.5 графически завышены приблизительно в 2,5 раза, потому что среднее изменение на площади каждого пикселя MODIS составило порядка 40%. На основании проведённых исследований авторы утверждают, что пространственное разрешение данных MODIS NDVI 250 м существенно ограничивает их применение для целей мониторинга изменений 22 в прибрежных зонах и городских территориях, а также при оценке других экологических ресурсов, требующих более высокого разрешения. Рисунок 1.5 - Динамика ежегодных изменений наземного покрова городского района Рали в штате Северная Каролина (США) за период 2002-2005 гг., полученная по спутниковым снимкам MODIS. Подстилающим изображением является панхроматический снимок Landsat ETM+ 1999 г. с пространственным разрешением 15 м Американскими учеными (Gebremichael and Barros, 2006) проведена количественная оценка отклонений между данными наземных метеорологических станций и ВПП MODIS GPP (валовой первичной продуктивностью, Gross Primary Productivity). Данные по ВПП, доступные с временным разрешением 8 дней и пространственным разрешением 1 км, были исследованы на примере двух тропических экосистем: смешанных лесов влажных тропиков непальских Гималаев и открытых участков кустарников полузасушливого региона Мексики. Продукты MODIS GPP были сравнены с данными процессно-ориентированной биохимической и гидрологической модели, основанной на потоке данных метеорологических 23 исследований. Результаты исследований показали, что при относительном согласии между моделями наблюдается отклонение между данными MODIS GPP и наземными данными метеорологических станций: положительное отклонение для условий смешанных лесов и отрицательное – для открытых участков кустарников. Скандинавские ученые использовали данные спектрорадиометра MODIS в комбинации с новыми методами картирования для региональных исследований тропических лесных ресурсов и динамики землепользования в Таиланде, Вьетнаме и Камбоджи (Tottrup et al., 2007). Ими применена управляемая модель принятия решений для картирования различных участков спелых и вторичных лесов, а также нелесных земель с использованием разновременных данных MODIS 250 пространственного разрешения (в качестве объясняющей переменной) и данных изображений высокого разрешения для моделирования зависимых переменных. На основании данных независимой валидации среднее значение абсолютного отклонения созданных тематических карт составило 14,6% для спелого леса, 21,6% для вторичного леса и 17,1% для нелесного покрова. В работе американских ученых (Turner et al., 2006) приводятся результаты сравнения 9 участков, различающихся по типам биомов и землепользованию. К таким участкам относятся: арктическая тундра, бореальные леса, умеренные хвойные леса, тропические дождевые леса, травяные прерии, пустыня, луга и пахотные земли. Наземные данные по поверхности ВПП (GPP) и ежегодной чистой первичной продуктивности (NPP) были получены путем обработки данных модели углеродного цикла Biome-BGC в пространственно-распределенном виде. Входные параметры для модели по землепользованию и индексу листовой поверхности были получены по данным Landsat. Данные MODIS NPP and GPP не показали существенных отклонений. Между тем они имеют тенденцию к завышению данных на низко продуктивных участках, что вызывается искусственно высокими значениями MODIS FPAR (fraction of photosynthetically active 24 radiation absorbed by the canopy). В то же время данные MODIS имели тенденцию недооценки растительного покрова на высокопродуктивных участках. Все это, по мнению авторов (Turner et al., 2006) исследования, при проведении глобальных оценок требует более точной калибровки параметров алгоритма MODIS NPP/GPP. Данные показателей индекса листовой поверхности (LAI) MODIS и вегетационного индекса были использованы для определения урожая сельскохозяйственных посадок кукурузы в штате Индиана (Fang et al., 2011). Для моделирования использования продуктивности различных кукурузы контрольных и оценки переменных в эффекта работе были использованы пять ассимиляционных схем: непосредственное использование LAI, EVI и NDVI, и синергетические комбинации LAI, EVI или NDVI. Лучшие результаты и минимальное отклонение (3,5%) от данных департамента сельского хозяйства США показали данные моделирования, основанные на комбинированном использовании LAI, EVI и NDVI MODIS. Использование показателей только LAI, EVI и NDVI показало отклонение от данных департамента на 8,6%, 21% и 13%. Данные MODIS Terra были использованы для классификации и оценки площадей сельскохозяйственных земель и посевов культур в различных регионах России (Барталев и др., 2005; Савин и др., 2011). В работе приведены алгоритмы классификации, основанные на использовании разновременных спутниковых о закономерностях сельскохозяйственных данных, динамики растений. а также сезонного Результаты априорные развития оценки знания различных площадей сельскохозяйственных угодий показали существенное отклонение от данных государственной статистики. Для работы с полученной базой данных в ИКИ РАН разработан специализированный спутниковый сервис «Вега», который обеспечивает его пользователям возможность самостоятельно проводить оценки состояния сельскохозяйственных земель и оперативного мониторинга растительности для больших территорий (Лупян и др., 2011). 25 В работе бразильских ученых проведена оценка влияния лесной фрагментации ландшафта Амазонии (Ferreira et al., 2010). Было выявлено нарушение ландшафта на территории 3,5 x 106 км2 посредством простого пространственного определения количественных показателей (количества фрагментов, средней площади фрагмента и размера границ) и преобразования основной компоненты. Полученные данные были сравнены с сезонными данными MODIS NDVI и EVI. Было установлено, что наибольшие нарушения наблюдаются в южной части Амазонии, в которой проводится интенсивная вырубка лесов, а также расположена сеть основных дорог. Существенная корреляция между сезонными данными и нарушением ландшафта выявлена на основе анализа NDVI параметров географически взвешенной регрессии (geographically weighted regression). Сезонные отклики EVI имели более сложный характер с существенными вариациями, полученными на нетронутых, слабо фрагментированных участках, что ограничивало возможность оценить происходящие нарушения. Авторы считают, что изменчивость нарушений объясняет 62% сезонной вариации значений NDVI. Подобное распределение наблюдается между прогнозируемыми и реальными сезонными данными NDVI (рисунок 1.6). Другие исследователи также подтверждают высокую корреляцию между текстурой лесного полога и вегетационными индексами (Gamon et al., 1995; Oliveira-Filho and Fontes, 2000; Freitas et al., 2005). Спутниковые данные NOAA/AVHRR и TERRA/MODIS за 1996-2009 гг. были использованы для картирования и сезонного мониторинга лесного покрова на трех ключевых участках, расположенных в Западном и Восточном Саяне (Пономарёв и др. 2011). В исследовании получена детальная характеристика горных лесных поясов и формаций в контексте их идентификации и изменения спектральных характеристик в течение периода вегетации. Отмечено, что высотно-поясная дифференциация может искажаться на температурных картах вследствие различного рода 26 антропогенных воздействий, например, после проведения условно-сплошных вырубок на горных склонах. Рисунок 1.6 - Тематические карты фрагментированности Амазонии, полученные при помощи: а) географически взвешенной регрессии, б) сезонных значений NDVI MODIS 1.3. Тематическое картирование по данным Landsat Изображения с системы спутников Landsat наиболее широко используются учеными, занимающимися тематическим картированием и мониторингом за растительным покровом. Это объясняется несколькими 27 причинами: 1) программа Landsat несет свое начало с 1970 г., 2) соответствие спектральных каналов сенсоров TM (Thematic mapper) и ETM+ (Enhanced thematic 3) mapper), удобное пространственное разрешение для регионального картирования (30 метров в мультиспектральном диапазоне для TM/ETM+), 4) 6 спектральных каналов сенсоров Landsat регистрируют наземную растительность. Американские ученые Cohen и Spies (1992), проводившие сравнение пространственных и спектральных характеристик Landsat TM и французского спутника SPOT HRV (High Resolution Visible), пришли к выводу что, несмотря на более высокие пространственные характеристики если HRV, использовать только пространственную характеристику, то TM является более приемлемым для оценки лесов. Другой коллектив ученых (Lefsky et al., 2001) исследовал поведение пяти сенсоров (Landsat TM, Landsat TM мультивременной, AVIRIS, ADAR, и LiDAR sensor) для оценки показателей лесного насаждения пседотсуги Мензиса (Pseudotsuga menziesii). Они пришли к заключению, что использование двух сенсоров (ADAR and AVIRIS) для комбинирования высокого пространственного и спектрального разрешения не существенно улучшают моделируемые показатели насаждения. Для оценки дефолиации бореальных лесов ученые из Финляндии использовали мультиспектральные аэрофотосъёмки инвентаризации и данные (Heikkila et снимки, национальной al., 2002). панхроматические базы данных Спутниковые снимки снимки лесной были использованы для выявления спектральных характеристик полога лесов, снимки аэрофотосъемки для выявления текстуры полога, а данные пробных площадей национальной инвентаризации в качестве контрольных при оценке дефолиации. В работе применена классификация взвешенных расстояний ближайшего соседа (KNN). Дефолиация была получена как функция расстояний между спектральными и текстурными откликами пикселов на изучаемом участке и пикселами, относящимися к независимым полевым данным. На уровне пробных площадей точность классификации для трех 28 классов дефолиации (без дефолиации, слабая и сильная) составила 56% (коэффициент Каппа). Наиболее полезными характеристиками для изучения дефолиации явились 4- и 5- спектральные каналы Landsat TM. Оценкой дефолиации лесов по спутниковым снимкам Landsat занимались многие другие ученые. В частности, было отмечено, что с увеличением дефолиации лесного полога наблюдается снижение спектральной яркости ближнего инфракрасного канала (Brockhaus et al, 1992; Ekstrand, 1994). Lambert и др. (1995) оценили потенциал снимков Landsat TM и регрессию логит-преобразования (logit regression) для выявления нарушений в лесных насаждениях с доминированием ели европейской (Picea abies L.). Для выявления наиболее существенных нарушений самими значимыми оказались 1,4 и 7 каналы TM, которые также позволили выделить слабые и средние нарушения на изучаемой территории. При этом точность классификации по коэффициенту Каппа составила 56%. Дефолиацией лесов тсуги канадской (Tsuga canadensis L.) (eastern hemlock) с использованием изображений Landsat TM и линейной регрессии занимались Royle и Lathrop (1997). Общая точность классификации составила 64% для четырех классов, 70% при использовании трех классов и 78% для двух классов дефолиации лесов тсуги. Большое количество работ со спутниковыми изображениями Landsat посвящено оценке возможности определения таксационных показателей (возраста, сомкнутости полога, высоты деревьев) по спектральным характеристикам. Американские ученые проанализировали взаимосвязь между значениями спектральной яркости каналов Landsat ETM+ и таксационными показателями коммерческих посадок сосны ладанной (Pinus taeda L.) в восточной части штата Техас (Sivanpillai et al., 2006). Для моделирования показателей возраста и густоты насаждений была применена многовариантная регрессия. Линейная комбинация NDVI, ETM4/ETM3 (отношение каналов 3 и 4 ETM+) и индекса влажности функции «колпачок с кисточкой» (tasseled cap) показала наилучшую экстраполяцию возраста 29 насаждения (R2 = 78%), чем другие комбинации спектральных каналов и соответствующих трансформированные экстраполяции индексов. Тем спектральные густоты полога не менее, каналы, древостоя модели, не (R2 включающие повысили = 60%). точность Результаты принципиального компонентного анализа (principal component analyses), проведенного для спелого насаждения (старше 18 лет), дали достоверную информацию о связи между структурой полога древостоя и спектральными значениями, полученными сенсором ETM+. Коэффициент соотношения 4 и 5 спектральных каналов Landsat TM показал тесную корреляцию с возрастом псевдотсуги Мензиса (Pseudotsunga menziesii (Mirb) в районе западных каскадных гор штата Орегона США (Fiorella and Ripple, 1993). Индекс влажности трансформации «колпачок с кисточкой» (tasseled cap) показал приемлемость для выделения молодых, спелых и перестойных лесных насаждений тихоокеанского северо-запада США (Cohen et al., 1995). Jakubauskas и Price (1997) исследовали взаимосвязь между показателями насаждений сосны скрученной широкохвойной (Pinus contorta var. latifolia Engelm.) национального парка Йеллоустон и спектральных характеристик Landsat TM. Они пришли к заключению, что некоторые таксационные характеристики лесных насаждений можно дешифрировать по спутниковым данным, а инфракрасный спектральный канал является наиболее информативным при выполнении таких задач. Nilson и др. (2001) исследовали изменения, вызванные промежуточными рубками в бореальных лесах. Ученые пришли к выводу, что в таких насаждениях наблюдается увеличение спектральной яркости в красном канале и снижение его значения в ближнем инфракрасном. Для исследования лесов сосны скрученной в Британской Колумбии Канады также были использованы данные Landsat ETM+ (Wulder et al., 2004), которые позволили построить модель прогноза возраста насаждений со стандартной ошибкой 2,39 лет и коэффициентом детерминации 0,68. Создание модели непрерывных переменных (continuous variable model) 30 является одним из подходов, основанным на эмпирической модели непрерывной оценки показателей древостоя (Cohen et al., 2001). Полученные ими данные, несмотря на неопределенность в точности определения таксационных показателей по данным дистанционного зондирования, имеют близкие значения с данными исследований по Финляндии (Hyyppa et al., 2000) и Канаде (Hansen et al., 2001; Gerylo et al., 2002). Данные дистанционного зондирования Landsat ETM+ были использованы для выявления потенциальных земель для лесовозобновления в Индии (Bhagat, 2009). Исследуемые площади лесов были проклассифицированы с использованием NDVI, в то время как влажность почв определялась на основании распределения индекса влажности почв SWI (Soil Wetness Index). На основании этих двух индексов были получены тематические карты, на которых земли под возможное лесовозобновление имеют нормальную влажность и низкую густоту леса или его отсутствие. Результаты исследований показали, что от 13% до 23% исследуемой территории в Индии имеют потенциал для активного лесовосстановления, а 53% - для травяной растительности. Карта нарушений (вырубки, пожары) между 1990-2000 гг. для наземных экосистем Северной Америки (США и Канада) была разработана с использованием программы LEDAPS (Landsat Ecosystem Disturbance Adaptive Processing System) и архива спутниковых снимков Landsat (Masek et al., 2008). Результаты исследования свидетельствуют о том, что индекс нарушенности, рассчитанный на основе динамики изменений на снимках после преобразования Tasseled Cap («Колпачок с кисточкой»), ежегодно составляет 2-3% для территории США и Канады. Некоторые исследования проведены с целью картирования отдельных деревьев и их групп по снимкам Landsat и Spot (Levin et al., 2009; Терехин, 2012). Методика работ основывалась на комбинации спектрального анализа, сегментации и оценки шести спектральных диапазонов. 31 Среди других разработок по картированию растительного покрова Северной Евразии следует отметить карту земной поверхности SPOTVEGETATION (Bartalev et al., 2003; Барталев и др., 2004, Барталев и Лупян, 2013) и атлас приграничных лесов World Forest Watch (Aksenov et al., 2002). Картирование предгорной и горной частей бассейна реки Кожим (Приполярный Урал) и Югорского полуострова проведено на основе анализа контуров доминирующих классов растительного покрова по спутниковым снимкам Landsat, Aster и Spot (Елсаков и др., 2009; Елсаков и др., 2014). Индексы NDVI и NDBI были успешно применены для дешифрирования урбанизированных территорий и оценки состава лесов России (Харин др., 2006; Статакис и др. 2012). При картировании растительного покрова прогнозные модели изменений землепользования в значительной степени зависят от выбора пространственного масштаба (Rindfuss et al., 2004; Potapov et. al., 2008; Sohl et al., 2010). В большинстве случаев в таких работах основным методическим решением является приближение (сопряжение) переменных экосистемы с уровня полевых исследований до уровня ландшафта или региона (Cohen et al., 2003; Turner et al., 2003; Phillips and Beeri, 2008; Zhang et al., 2007a). Существует также небольшое количество успешных оценок, учитывающих социально-экономические факторы регионов (Verburg и Chen, 2000; Walsh et al., 2001; Field et al., 2003; Paletto et al., 2010), которые были также применены для больших пространственных оценок территорий учеными проекта LCLUC (Rindfuss et al., 2004; Lesschen et al., 2005). Моделирование смены землепользования на высоком пространственном уровне возможно с применением ведущих факторов, влияющих на этот процесс, включая биофизические и социально-экономические показатели (Schmitz et al., 2003; Verburg et al., 2008). Приведение в соответствие сценариев социально-экономических изменений позволяет выявить динамику ландшафта и прогнозировать смену землепользования (Aranzabal et al., 2008; Matthews, 2006). В зависимости от исследуемой территории 32 влияние социально-экономических ландшафтов может и незначительный иметь факторов существенный, характер. Тем не на а развитие в менее, природных некоторых для общей случаях полноты и всесторонности исследования необходимо включение таких сведений в процесс моделирования с целью лучшего понимания антропогенно изменённых ландшафтов (Dale et al., 2000; Muller, 2005; Чочаев и др., 2006). Литературный анализ по картированию растительного покрова показывает, что существуют большие расхождения между различными исследованиями, а валидация данных на региональном уровне остается важным моментом для оценки точности карт растительности. Российская Федерация является одним из регионов с большими расхождениями в глобальных оценках земной поверхности и растительного покрова (Krankina et al, 2005). Несмотря на рост методов по распознаванию наземного покрова (Healey et al, 2005), производство точных карт изменений в региональном земле- и лесопользовании остается сложным вопросом. Глобальные обобщения (компиляции) региональных проектов по изучению изменений в наземном покрове выявляют проблему их несовместимости (Lepers et al. 2005) и свидетельствуют о необходимости улучшения картирования растительного покрова и его изменений, а также понимания причин таких трансформаций. Выводы по главе 1 За последние 30 лет во всем мире наблюдается рост количества исследований по оценке изменений в земле- и лесопользовании, вызванных глобальными изменениями климата и деятельностью человека. Таким исследованиям дистанционного способствуют зондирования современные земли, космические отображающие технологии происходящие изменения земного покрова с различным пространственным и временным 33 разрешением, а также в мультиспектральных и панхроматических диапазонах спутниковой съемки. Большую работу по созданию глобальных карт растительного покрова грубого разрешения выполнили научные коллективы из США и Европы на основе спутниковых данных NOAA и MODIS. Исследования различаются методикой классификации спутниковых изображений и глобальными базами данных по валидации разрабатываемых тематических карт. Положительным моментом является использование почти одинакового количества классов растительного покрова, что позволяет проводить сравнение существующих карт разных авторов. Многие исследователи по всему миру (Китай, Индия, страны ближнего и дальнего зарубежья, США, Канады и Европы) при оценках лесного покрова используют методику тематического картирования на основе классификации (управляемой или неуправляемой) спутниковых снимков. Для этих целей используется комбинация различных индексов вегетации и спектральные яркости спутниковых изображений, индекса листовой поверхности лесных экосистем. Верификация тематического картирования по независимым наземным данным также имеет значение при таких исследованиях. В Российской Федерации исследования растительного покрова стали проводиться в основном с начала 90-х годов на основе зарубежных спутниковых данных (NOAA, Landsat, SPOT и т.п.). В последние годы также активно используются снимки высокого пространственного разрешения с отечественных спутников (Ресурс-П, Канопус), которые являются важным поставщиком данных дистанционного зондирования при мониторинге лесного покрова Северной Евразии. Интересным направлением использования спутниковых данных является оценка фрагментированности лесных насаждений, что позволяет судить об устойчивости экосистем и состояния их биоразнообразия. Важными количественными показателями при оценке фрагментированности объектов выступают: количество фрагментов, их средняя площадь и размеры 34 границ. Сезонная вариация значений NDVI MODIS показывает тесную корреляцию с данными о нарушенности лесных насаждений. При тематическом картировании лесов и за их мониторингом наибольшее применение имеют данные с серии спутников NASA Landsat. Исследования лесных насаждений при помощи сенсоров Landsat затрагивают вопросы дефолиации и сукцессии лесов, оценки гарей и определения таксационных показателей древостоев (возраст, сомкнутость полога, средние высоты) по спектральным характеристикам. Для тематического картирования лесов применяются алгоритмы «колпачок с кисточкой» (tasseled cap), принципиального компонентного анализа, моделирования методом регрессионного анализа. Несмотря на большое количество публикаций по тематическому картированию за рубежом и на глобальном уровне, региональные оценки в России остаются важными при решении проблем мониторинга и валидации создаваемых продуктов путем совмещения данных среднего и высокого разрешений. Важность поставленной проблемы также обусловливается международными соглашениями по изменению климата, инвентаризацией стоков парниковых газов и снижением их эмиссии, а также сохранением биоразнообразия экосистем. В данной во внимание все диссертационной работе вышеприведенные мы выводы, постарались орпеделяя принять методику исследований и разрабатывая алгоритмы оценки точности тематического картирования. 35 2. Природные условия и лесной фонд Республики Марий Эл 2.1. Территория Республика Марий Эл, территория которой была использована для валидации и оценки точности разработанной методики, расположена в восточной части Русской равнины и находится в срединной части бассейна р. Волги. Территория Республики Марий Эл разделяется Волгой на две крупные геоморфологические части: правобережную, расположенную на юго-западе республики, которая представляет собой волнистую приподнятую равнину с площадью около 474 км2, и левобережную, расположенную в центральной и западной части республики и занимающую площадь около 22,9 тыс. км2. Левобережье представлено частью Заволжской низменности, которая постепенно переходит в равнинную часть Марийско-Вятского вала (Чистяков, Денисов, 1959). При этом рельеф данной части весьма сложен и включает в себя волнистые равнинные территории, изрезанные сетью рек и оврагов, включая наличие заболоченных участков. Перепад высот составляет от 50 до 284 м в северо-восточной части республики, тогда как в остальной части он менее значителен и меняется от 70 до 110 м над уровнем моря. По географическому положению территория республики вытянутая. Расстояние между крайними точками на западе и востоке составляет 287 км, тогда как протяжённость территории с севера на юг равняется 150 км. Большую часть земельного фонда республики занимают лесные территории (51%), на втором месте по распространенности находятся земли сельскохозяйственного фонда (37%), далее располагаются населенные пункты (3,3%), водный фонд и земли промышленного фонда (по 3% соответственно), особо охраняемые природные территории (2,5%) и фонд запаса и перераспределения (0,2%) (Лесной план РМЭ, 2012). По лесотаксационной классификации леса Республики Марий Эл захватывают зону южной тайги, хвойно-широколиственных лесов и, кроме 36 того, часть лесостепной и степной зон. Благодаря такому расположению, исследуемая территория Среднего Поволжья обладает большим разнообразием лесорастительных условий. Гидрографическая сеть РМЭ представляет собой сочетание 476 рек и 700 озер общей площадью 2752 га. Кроме того, на ее территории расположено множество заболоченных участков общей площадью 208,7 тыс. га, а также земли, затопленные водами Чебоксарского водохранилища. Участок реки Волги, расположенный на территории республики, составляет 155 км с шириной поймы от 2 до 10 км. 2.2. Климат Территория Республики Марий Эл расположена в зоне умеренноконтинентального климата, которая характеризуется холодной продолжительной зимой с мощным снежным покровом, прохладной и поздней весной, коротким, но жарким летом, а также дождливой продолжительной осенью (Колобов, 1968). Средняя летняя температура меняется от +18°С до +20°С. При этом пик высоких температур приходится на середину июля, когда воздух прогревается до +38°С. Максимальная летняя температура была зафиксирована в июле 1971 года и составила +40°С. Именно такая высокая температура привела к значительной засухе и многочисленным сильным пожарам летом 1972 года (Калинин, 1975). Продолжительность температур выше +30°С составляет в среднем 10-12 дней за год. Осенняя погода в Республике Марий Эл в основном влажная и холодная с преобладанием пронизывающих ветров и дождей. Нередко в осенний период наблюдаются ранние заморозки и снег. Наиболее ветреным месяцем в течение года является ноябрь. В этом же месяце обычно начинается зимний период. Средняя температура в течение зимнего периода составляет -18°С (таблица 2.1). 37 Таблица 2.1 – Продолжительность сезонов, температуры воздуха и среднее количество осадков на территории Республики Марий Эл (по данным метеостанции г. Йошкар-Олы) Длительность сезона, дней 164 60 101 40 Температура воздуха, °C средняя макс. мин. Зима -9,5 15 -47 Весна 7,6 32 -27 Лето 16,8 39 -3 Осень 6,5 31 -19 Количество осадков за сезон, мм 88 106 191 153 Наиболее низкие температуры наблюдаются в январе. Нередко температура воздуха в этом месяце опускается ниже - 30°С, однако продолжительность таких периодов незначительна и редко превышает 7-10 дней. Самая низкая температура воздуха (-52 °С) в Марий Эл была зафиксирована 31 декабря 1978 года. Кроме того, по данным Марийского гидрометцентра, в зимние месяцы зачастую бывают оттепели, температура воздуха при которых поднимается до +5°С (Марийский ЦГМС, 2009 год). В целом за последние годы наблюдается устойчивое повышение среднегодовой температуры. За период с 1998 по 2012 год среднегодовая температура увеличилась на 0,6°С (рисунок 2.1). Территория республики расположена в зоне неустойчивого увлажнения. Сезоны, отмечаемые засухой, чередуются с влажными, а иногда и излишне дождливыми годами. Отмечается неравномерность выпадения осадков в течение года. В среднем годовой объем выпадающих осадков составляет 532 мм, 371 мм из которых образуются в теплый сезон. Максимальное количество осадков бывает в июле, в отдельные годы в этот месяц выпадает две месячные нормы. Дожди представлены в основном кратковременными ливнями и грозами, которые нередко сопровождаются шквальным ветром и градом. 38 Рисунок 2.1 – Рост среднегодовой температуры воздуха по г. Йошкар-Оле за 19982012 гг. (по данным www.gismeteo.ru) Благодаря осадкам в регионе сохраняется положительный баланс влаги, т.е. отношение количества выпадающих осадков к увлажнению. Минимальная влажность наблюдается в мае и июне, когда её уровень падает до 61-65%, что может вызвать лесные пожары, поэтому целесообразно заканчивать противопожарные работы до начала этих месяцев. 2.3. Почвенные условия По почвенной классификации территория республики относится к зоне таежно-лесных почв. Сложность и многообразие почв обусловлены особенностями развития рельефа территории, а также литологическим составом пород-почвообразователей. Всего на территории Республики Марий Эл можно выделить свыше 20 различных типов почв (Смирнов, 1968). В целом все почвы республики можно разделить на три типа: бурые лесные, коричнево-бурые лесные и дерново-подзолистые почвы. Бурые лесные почвы сформировались, как правило, на двучленных наносах и имеют лёгкий гранулометрический состав (Газизуллин, 2005). Подстилающие породы и гумусовые горизонты богаты элементами питания, что вкупе с условиями аэрации и увлажнения способствует формированию высокогумусных почв, обладающих высокими свойствами для произрастания лесных пород. Все эти условия способствуют произрастанию на территории 39 республики березы, осины и сосны высоких классов бонитета (I и выше) (Газизуллин, Сабиров, 1990). Главной характеристикой коричнево-бурых лесных почв является отсутствие оподзоленности. Этот фактор связан с богатством минералогического состава и высокой карбонатностью подстилающих почвообразующих пород. Для данных почв характерна высокая порозность и низкая плотность сложения. Коричнево-бурые лесные почвы на территории Республики Марий Эл обладают высоким содержанием гумуса, которое постепенно снижается с глубиной (Газизуллин, Сабиров, 1997). Данные почвы хорошо подходят для произрастания высокопродуктивных древостоев главных лесообразующих пород и обладают высокими лесорастительными свойствами. На делювиальных отложениях, расположенных в понижениях рельефа, а также на древнеаллювиальных песках формируются дерново-подзолистые почвы тяжелого или легкого гранулометрического состава соответственно. Благоприятные свойства для роста и развития древесных пород складываются в основном в гумусовом горизонте. При движении вглубь почв условия аэрации ухудшаются, особенно на почвах тяжелого гранулометрического состава. Эти условия могут меняться при смене почвообразующих пород на более легкие. Дерново-подзолистые почвы обладают хорошими условиями для роста и развития основных лесообразующих пород. Механический состав почв республики меняется незначительно и составляет супесчаные и песчаные разности, распространенные в южной части республики. Кроме того, зачастую встречаются болотистые почвы, особенно в районе Заволжской низменности и в поймах рек. В северной части изучаемой территории преобладают глинистые почвы и суглинки. К почвообразующим породам региона относятся водно-ледниковые мономинеральные пески, обладающие недостатком элементов минерального 40 питания и низкой способностью к удержанию влаги. Зачастую такие почвы чередуются с супесчано-суглинистыми отложениями. 2.4. Лесорастительное и лесохозяйственное районирование Лесорастительное теоретические районирование предпосылки для обуславливает рационального главные природопользования. Районирование основано на географических явлениях и взаимосвязях, влияние которых прослеживается на имеющейся древесной растительности. Согласно приказу Министерства природных ресурсов Российской Федерации от 28 марта 2007 г. №68 «Об утверждении перечня лесорастительных зон и лесных районов» территория Республика Марий Эл относится к зоне хвойно-широколиственных лесов европейской части РФ. При этом лесохозяйственную деятельность внутри лесного фонда ведут 20 лесничеств, которые относятся к Министерству лесного хозяйства Республики Марий Эл. По мнению группы исследователей (Чистяков, Денисов, 1959), всю лесную территорию республики можно разделить на пять районов, которые различаются спецификацией лесов и целевым использование лесных ресурсов: район лиственных лесов вдоль пойм крупных рек; район сосновых лесов, расположенных на территории заволжской песчаной низменности; район хвойно-широколиственных лесов, расположенных в южной части Марийско-Вятского вала; район елово-пихтовых насаждений на возвышенной части МарийскоВятского вала; район елово-пихтовых лесов на Оршано-Кокшагской равнине. 2.5. Типы лесов Район лиственных лесов вдоль пойм крупных рек Данный тип лиственных лесов произрастает в поймах крупных рек, к которым относятся р. Волга и её притоки: Большая и Малая Кокшага, 41 Рутка, Илеть, Ветлуга. Пойменные леса произрастают в сложных почвенногидрологических условиях, что способствует формированию неприхотливых лиственных насаждений. Незначительные участки хвойных пород встречаются на повышениях рельефа: на буграх или гривах, которые не подвержены или подвержены кратким затоплениям. Такое своеобразие условий произрастания древесных пород обусловлено периодическим затоплением территорий, накоплением и отложением наносов, а также гумификацией и водной эрозией. Интенсивность подобных процессов на разных территориях отличается, потому и лесорастительные условия оказываются довольно разнообразными. Район сосновых лесов, расположенных на территории заволжской песчаной низменности Этот район является наиболее лесистым в Республике Марий Эл. Он покрыт дерново-подзолистыми песчаными почвами на древнеаллювиальных песках, что способствует быстрому росту и развитию сосновых насаждений. Сосняки этого района образуют сплошные крупные массивы. Они располагаются на всей территории песчаной низменности от поймы р. Волги до трассы г. Йошкар-Ола – пгт. Килемары. Исходя из характера лесорастительных условий, можно определить, что сосняки в условиях боров и сосново-еловые насаждения в суборях являются коренными типами лесов для данной территории. Район хвойно-широколиственных лесов, расположенных в южной части Марийско-Вятского вала Интенсивное влияние хозяйственной деятельности человека обусловило разнообразие лесных насаждений данного района. Его отличает значительное разнообразие форм флоры. На территории южной части Марийско-Вятского вала встречаются насаждения европейской и сибирской тайги, перемежающиеся лесостепными видами: пихта сибирская, ель европейская и сибирская, сосна, ольха серая и черная, липа, осина, береза, клен остролистный, вяз и ильм, дерен сибирский и лещина, рябина, крушина 42 слабительная и ломкая, можжевельник, бересклет бородавчатый и другие породы. Различные сочетания этих пород образуют своеобразные фитоценозы с уникальным живым напочвенным покровом. На суглинках с различной степенью оподзоленности, которые подстилаются красноцветными пермскими глинами, произрастают ельники с различным участием липы и пихты. В тех местах, где пермские глины выходят на поверхность или на них располагаются песчаники, формируются чистые сосняки либо сосновые насаждения с незначительными вкраплениями других пород, что напрямую зависит от богатства почвы. Кроме того, значительные площади района покрыты вторичными лесами – осинниками и березняками. Кроме вышеперечисленных пород на территории южной части Марийско-Вятского вала широко распространены ельники, березняки и осинники липовые, липняки широкотравные, местами формируются ельники и сосняки зеленомошниковые. В меньшей степени распространены сосняки дубово-лещиновые, сосняки лишайниковые, березняки и осинники приручейные, ельники. Весьма незначительно встречаются леса, относящиеся к группе заболачивания, что обусловлено небольшим наличием заболоченных территорий в этом районе. Район хвойно-широколиственных лесов, расположенных в южной части Марийско-Вятского вала Лесные насаждения данного района в основном еловые с примесью пихты. Они представлены небольшими урочищами, значительно разделенными друг от друга сельскохозяйственными угодьями. Зачастую на сельскохозяйственных полях встречаются одиноко стоящие ели, либо куртины лесных насаждений. Такая разрозненность лесных территорий естественного происхождения может свидетельствовать о том, что данный район ранее был полностью покрыт лесом. Затем, во время активного заселения района людьми, практически вся почва была распахана под сельскохозяйственные угодья. Лишь в южной части этого района 43 сохранилась полоса хвойно-широколиственных лесов, которая граничит с более лесистым районом южной части Марийско-Вятского вала. Подобное интенсивное воздействие человека привело не только к разреживанию лесных территорий, но и к изменению породного состава насаждений. В данной области преобладают чистые насаждения ели с незначительными вкраплениями пихты. Подлесок практически отсутствует, хотя богатые почвенно-грунтовые условия предполагают наличие подроста липы или осины с густым подлеском. Именно систематическая рубка лиственных насаждений привела к подобному эффекту, а подлесок слабо развит из-за интенсивной пастьбы скота на лесных территориях. Живой напочвенный покров также не в полной мере передает богатство лесорастительных расположенных подстилаемых условий. на свежих К примеру, карбонатных красноцветными пермскими в еловых насаждениях, дренированных глинами, суглинках, имеется живой напочвенный покров, который более характерен для зеленомошников: на почве преобладают мшаники, тогда как черника, кислица или брусника практически отсутствуют. Именно исходя из вышеперечисленного, при определении типа лесорастительных условий стоит учитывать не только живой напочвенный покров и произрастающие породы деревьев, но и влияние человека и почвенные горизонты. Район елово-пихтовых лесов на Оршано-Кокшагской равнине Данный район расположен в северной части Республики Марий Эл. Коренными лесными породами этого района являются ельники с незначительным присутствием пихты. Однако множественные пожары в прошлом и значительное количество рубок привели к тому, что встречаются значительные площади сосняков и мелколиственных насаждений. К чистым еловым насаждениям на водоразделе рек Большая и Малая Кокшага примешивается дуб, который представлен, в большинстве своем, отдельными фаутными деревьями. Кроме того, в поймах рек встречаются 44 куртины осинников, широколиственных лесов, ольшаников и березняков. Подобные лесонасаждения, лесорастительных условий, при исследовании лесов и стоит рассматривать отдельно оценке в силу их специфического расположения. По лесорастительным условиям в данном районе преобладают леса сураменей, суборей и раменей с незначительными вкраплениями боров. 2.6. Распределение насаждений основных лесообразующих пород По данным лесного плана РМЭ (2012) общая площадь лесных земель республики составляет 1422,8 тыс. га, из которых 1256,5 тыс. га покрыты лесной растительностью. Хвойные леса занимают 51% всей площади лесов, остальная площадь практически полностью занята мягколиственными породами (48,2%) с незначительным участием твердолиственных пород (0,8%). Основные массивы лесов сосредоточены в районе Марийской песчаной низменности, простираясь по Заволжской низменности практически до Казани (Демаков и др., 2014). Распределение основных лесообразующих пород по типам лесорастительных условий (рисунок 2.2) сформировалось главным образом под влиянием интенсивных рубок и лесных пожаров, которые в период с 1927 по 2003 год изменили соотношение лесных пород, сохраняющееся по настоящее время (рисунок 2.3) (Лесной план РМЭ, 2012). Очевидно, что количество хвойных лесонасаждений за этот временной период снизилось с 80,7% до 51,1%, тогда как мягколиственных пород увеличилось приблизительно в три раза (см. рисунок 2.3). Возрастная структура за отчетный период также значительно изменилась по тем же причинам. Преобладающей возрастной группой в лесном фонде республики в настоящее время являются средневозрастные насаждения, составляющие 60% всех лесов, тогда как спелые и перестойные леса занимают только 8,8%. 45 Распределение основных лесообразующих пород по ТЛУ 140 000 С га Б Е Ос Д 120 000 100 000 80 000 60 000 40 000 20 000 0 A0 A1 A2 A3 A4 A5 B1 B2 B3 B4 B5 C1 C2 C3 C4 C5 D2 D3 D5 Рисунок 2.2 – Распределение площадей основных древесных пород по типу лесорастительных условий % 90 80 70 60 50 40 30 20 10 0 1927 1945 1956 1961 1966 1973 1983 1993 1994- 2003 1995 годы учета ельники хвойные твердолиственные мягколиственные Рисунок 2.3 – Динамика состава лесных насаждений РМЭ за 1927-2003 гг. Сосновые леса, преобладающие среди хвойных насаждений республики, представлены сосной обыкновенной (Pinus sylvestris L.). Кроме сосняков в составе хвойных насаждений присутствуют ель европейская (Picea abies (L.) Karst.) и ель сибирская (Picea obovata Ledeb.). Наиболее широкое распространение среди лиственных лесов получили березовые, представленные березой пушистой (Betula pubescens Ehrh) и березой повислой (Betula pendula Roth). По распределению березовые насаждения занимают третье место после сосняков и ельников. Чуть меньшее распространение получили осинники различных возрастов, образованные осиной (Populus tremula L.), которая сменяет хвойные и широколиственные 46 леса после рубок главного пользования и пожаров. В меньшей степени представлены ольха серая (Alnus incana (L.) Moench.) и черная (Alnus glutinosa (L.) Gaertn.), липа сердцелистная (Tilia cordata Mill.) и дуб черешчатый (Quercus robur L.). По бонитетам в республике преобладают насаждения I, Ia и II класса, однако встречаются и сосняки сфагновые V и Vа бонитетов, которые располагаются на болотистых участках (Данилов, 1966; Демаков и др., 2009). Согласно требованиям по выращиванию хозяйственно ценных лесных насаждений (Лесной кодекс, 2006) и исходя из лесорастительных условий, главными породами республики являются сосна, береза, лиственница, ель, дуб, ива, ясень высших классов бонитета, ольха черная, липа. Потенциал лесов Республики Марий Эл оценивается по запасу стволовой древесины в возрасте 100 лет (сосна, ель, дуб), либо 40-60 лет (осина, береза). В условиях боров и суборей формирование сосновых насаждений (рисунок 2.4) позволяет получать высокополнотные насаждения к возрасту рубки (Лесной план РМЭ, 2012). Максимальные запасы стволовой древесины в спелых и перестойных древостоях С Е Б Ос Запас, куб.м/га 600 500 400 300 200 100 0 A0 A1 A2 A3 A4 A5 B1 B2 B3 B4 B5 C1 C2 C3 C4 C5 D2 D3 D5 ТЛУ Рисунок 2.4 – Максимальные запасы стволовой древесины основных лесообразующих пород в возрасте спелости на территории Республики Марий Эл Несмотря на условия произрастания, между потенциальными и фактическими запасами древесины различных лесных пород существуют 47 значительные различия. Например, фактический запас сосновых насаждений меньше потенциального на 60%, для еловых насаждений подобное различие составляет около 40% (Лесной план РМЭ, 2012). Запасы сосновых насаждений значительны практически по всем классам лесорастительных условий, тогда как для ельников максимальный запас древесины наблюдается в основном в условиях свежих суборей С2 (до 500 м3га-1). Запас древесины березовых насаждений также равномерен по всем лесорастительным условиям исследуемого района, что объясняется широкой экологической амплитудой березы повислой. В отличие от неё, береза пушистая (Betula pubescens Ehrh) более требовательна к условиям произрастания, в том числе увлажнения. Выводы по главе 2 Лесные насаждения региона исследований находятся в тесной связи с геоморфологическими, почвенными и климатическими условиями места произрастания. Неравномерность распределения лесных насаждений обусловлена различными почвенными и климатическими условиями, а также влиянием человеческой деятельности. Лесистость отдельных районов РМЭ колеблется от 57% (Килемарский район) и до 6-8% (северо-восточная часть республики). Рельеф Заволжской песчаной низменности представляет собой равнину, простирающуюся на большой территории. Это обстоятельство позволяет применить единую и тематическом картировании по спутниковым снимкам методику наземного среднего и при покрова высокого дешифрировании этой местности пространственного разрешения. Территория исследований относится к зоне хвойно-широколиственных лесов европейской части РФ. Разнообразие ее лесорастительных условий (до 15 типов) характеризуется различными уровнями трофности и влажности. Наиболее представленным является боровой тип (49,2% всех лесных 48 территорий) с преобладанием свежих боров (А2). Далее следуют свежие сурамени (С2) и субори (В2). Растительный состав лесов Марийского песчаного Заволжья является характерным для бореального пояса Российской Федерации. Для целей тематического картирования в этом регионе можно выделить до 15 классов растительного покрова, соответствующих международным системам классификации и требованиям к лесной стратификации ГИЛ Рослесхоза. Все вышеприведенные обстоятельства были учтены при разработке методики исследований, легенды классов наземного покрова с учетом страт государственной инвентаризации лесов и тематическом картировании спутниковых сцен. 49 3. Программа и объекты исследований 3.1. Программа исследований Анализ научной литературы и современное состояние исследуемой проблемы в контексте развития дистанционных методов оценки лесных ресурсов позволили определить цель исследований и программные задачи. Цель исследований – разработать методику оценки и дистанционного мониторинга текущих изменений в лесном покрове по разновременным спутниковым снимкам среднего и высокого пространственного разрешений. Для достижения данной ценли решаются следующие задачи: провести анализ существующих подходов в области исследований по данным дистанционного зондирования типов лесного покрова. Разработать методику на основе пошагового анализа классификации наземного покрова по спутниковым снимкам используя подходы международных организаций ФАО, НАСА и российской ГИЛ по обработке серии (Государственная инвентаризация лесов). Осуществить последовательность процедур спутниковых снимков разного пространственного разрешения для проведения мониторинга лесного покрова на примере субъектов федерации в Среднем Поволжье России. Провести оценку и валидацию точности полученных классификации результатов с спутниковых независимыми снимков данными по лесному фонду исследуемого региона. На основе разработанной методики создать тематические карты и базы данных в ГИС на примере лесного покрова Марийского Заволжья. Подготовить рекомендации по использованию результатов исследований при непрерывной государственной инвентаризации лесов. 50 3.2. Объект исследования Апробация методики была проведена на территории Среднего Поволжья, в которую вошли республики Марий Эл, Чувашия, Татарстан, Кировская и Нижегородская области (рисунок 3.1). Тестовые участки для валидации тематического картирования лесного покрова Среднего Поволжья подбирались с таким расчетом, чтобы охватить все основные классы возраста лесов и разных типов условий местопроизрастания. Они были заложены на территории Республики Марий Эл в лесхозах: Учебноопытном ПГТУ, Пригородном, Параньгинском, Килемарском, Звениговском и Юрьинском. Кроме того, тестовые участки были исследованы на территории Чувашской Республики в Канашском, Пригородном и Чебоксарском лесничествах. Рисунок 3.1 – Снимок Landsat с административными границами областей и республик Среднего Поволжья 51 3.3. Методика закладки тестовых участков Экспериментальный материал по теме исследований был собран в течение семи лет (2008 - 2014). Подбор тестовых участков для оценки точности создаваемых тематических карт лесного покрова по спутниковым снимкам проводился посредством анализа и уточнения лесоустроительных материалов: изучались таксационные описания и планы лесных насаждений, а также использовались материалы спутниковой съемки высокого разрешения (ALOS, Rapid Eye, Канопус-В, Ресурс-П). При этом главными критериями при подборе тестовых участков были следующие: их представленность во всех классах наземного покрова и равномерное распределение по территории изучаемого региона Среднего Поволжья. При закладке тестовых участков (рисунок 3.2) соблюдались необходимые теоретические положения лесной таксации и инвентаризации, а также лесоустройства (Любимов и др., 2001; Нагимов и др., 2006; Верхунов, Черных, 2007). Площадь тестового участка составляла не менее 3 га, что позволяет ее идентификацию на спутниковых снимках Landsat среднего пространственного разрешения. Для каждого лесного тестового участка определялись состав насаждения, средняя высота, средний диаметр и возраст преобладающей породы древостоя. Каждый исследованный тестовый участок привязывался на местности с помощью GPS-приёмника GARMIN eTrex. В целом для валидации полученных тематических карт были использованы данные 725 тестовых участков, заложенных в основном в Республиках Марий Эл (РМЭ) и Чувашия (ЧР). Полученные наземные данные были интегрированы в несколько программных с сотрудниками мониторинга центра лесов» технологический продуктов, «Устойчивого ФГБОУ университет», ВПО на разработанных управления и «Поволжский которые совместно дистанционного государственной получены о государственной регистрации базы данных (приложения 7-9). свидетельства 52 Помимо полевых данных, были также подобраны существующие эмпирические лесонасаждений данные на масштаба исследуемую 1:250 000 и территорию: лесотаксационные 1) планы описания лесничеств РМЭ и РЧ; 2) топографические карты масштаба 1:200 000; 3) векторный слой данных Министерства лесного хозяйства РМЭ по основным лесообразующим породам с лесотаксационной атрибутивной информацией; 4) мультиспектральные снимки высокого пространственного разрешения со спутников RapidEye, Alos, Ресурс-П и Канопус-В, снимки грубого разрешения MODIS. Рисунок 3.2 – Тестовый участок в спелом смешанном насаждении Учебноопытного лесничества ФГБОУ ВПО «ПГТУ» 53 4. Методика пошаговой классификации наземного покрова по спутниковым снимкам В исследовании разработан алгоритм работ, который подробно рассмотрен в этой главе. Снимки высокого разрешения RapidEye, Kanopus-B Снимки среднего разрешения Landsat - 7, 8 Снимки низкого разрешения. Глобальные карты наземного покрова Modis, Meris Предварительная подготовка изображений Tasseled Cap трансформация изображений Landsat Идентификация тестовых участков по данным полевых исследований, снимкам высокого разрешения и данным лесоустройства Формирование масок тестовых участков на основе Landsat Генерализация классов наземного покрова доминирующим Пошаговая классификация с оценкой пороговых показателей Оценка точности тематического картирования Создание карт доминирующих классов Генерализация классов наземного покрова Валидация и оценка точности тематических карт Выбор наиболее точных тематических карт для принятия решений 54 4.1. Предварительная подготовка изображения В диссертационной работе были использованы две мультиспектральные сцены спутника Landsat-7 ETM+ и Landsat-8 (таблица 4.1), прошедшие радиометрическую и геометрическую обработку уровня 1G, с пространственным разрешением 30 м в проекции UTM (zone 42N, WGS84). Все снимки Landsat TM на территорию исследований прошли атмосферную коррекцию в программном пакете ENVI-5.3 с использованием модуля FLAASH, который позволил выравнять коэффициенты спектральной яркости поверхности для каждого спектрального канала. Для обработки снимков был выбран алгоритм «атмосферная коррекция с постоянными атмосферными условиями» и с частичным устранением эффекта теней. Используемые спутниковые сцены системы Landsat позволили охватить наземный покров всей исследуемой территории. Таблица 4.1 - Характеристика снимков системы спутников, использованных в диссертационной работе 21 21 Облака, % 0 10 Пространственное разрешение, м 30 30 373414 100414 2 10,5 09.08. 2014 8203312 127407 0 6,5 17.05.2011 Спутник Landsat Landsat Канопус-B (MSS) Rapid Eye Path Row 172 172 Дата съемки 14.05. 2001 22.05. 2014 Для выявления трех главных показателей (brightness – яркость, greenness – зеленость, дешифрированию wetnesss растительных – объектов влажность), местности способствующих на космических снимках и разделимости страт на тематической карте, в пакете ENVI-5.3 использован алгоритм Tasseled Cap («Колпачок с кисточкой») (Курбанов и др., 2011). Этот алгоритм представляет собой эмпирическое линейное преобразование 6 каналов мультиспектральной спутниковой сцены в три отдельных изображения (яркость, зелень и влажность) (рисунок 4.1), обычно 55 используемых при изучении растительного покрова (Crist, 1985; Huang et al., 2002; Healey et al., 2005). а) б) в) Рисунок 4.1 - Сцена спутника Landsat TM (Path 172, Row 21) после процедуры Tasseled Cap: а) индекс Brightness (B), б) Greenness (G), с) Wetness (W) Преобразование Tasseled Cap можно рассматривать как обобщенный вариант метода главных компонент, который позволяет выполнять переход из пространства измерений спектральных характеристик объектов в пространство признаков, связанных со свойствами заданного класса объектов. Пространство признаков (brightness – яркость, greenness – зеленость, wetness – влажность) при этом не содержит в себе новой информации об объектах, но позволяет наилучшим образом различать классы 56 наземного покрова (Курбанов и др., 2013). В изображении BGW каждому типу объектов соответствует определенный цвет. Например, лиственные породы представлены более светлым тоном «зелёности», чем хвойные. Для не покрытых растительностью земель характерны значения высокой яркости, низкой зелёности и влажности. Класс деревья обычно характеризуется комбинацией средних показателей яркости, высоких значений зелености и влажности. Для проведения процедуры нормализации (выравнивания) значений пикселей на полученных изображениях BGW были использованы формулы: Br = (В – Bµ)/Bσ Gr = (G – Gµ)/Gσ Wr = (W –Wµ)/Wσ, где Br, Gr, Wr – нормализованные значения BGW; Bµ, Gµ и Wµ - средние значения индексов BGW; Bσ, Gσ, Wσ – стандартные среднеквадратические отклонения значений BGW. Далее три все три нормализованных изображений Br, Gr, Wr объединялись в одно композитное Tasseled Cap (рисунок 4.2). Рисунок 4.2 Сцена спутникового снимка Landsat (синтез трех каналов BGW) на изучаемую территорию после трансформации «Tasseled Cap» Для исключения эффекта смешивания тематических классов наземного покрова при проведении неуправляемой классификации из полученного изображения бесшовной мозаики в графическом редакторе ENVI-5.3 57 исключаются площади населенных пунктов (города, поселки и т.п.) и площади лесных гарей 2010 г. с использованием искусственно созданной векторной маски (рисунок 4.3). При выделении маски лесные гари была использована методика, разновременных основанная спутниковых на снимков оценке и мультиспектральных нормализованного индекса горимости (NBR – normalized burned ratio), нарушенных огнем (Разработка рекомендаций по …, 2011; Bastarrika et al., 2011; Holden et al., 2005; Воробьев и др., 2012). Рисунок 4.3 - Векторная маска «населенные пункты» на исследуемую сцену 4.2. Классификаторы и тип наземного покрова Следующим этапом работ по разработке методики было создание классов растительного покрова для проведения тематического картирования изучаемой местности. В основу формирования классов легенды для 58 тематических карт была положена методика международного проекта NELDA (Northern Eurasia land dynamics analyses) и FAO (Food and Agricultural Organization) LCCS (Land Cover Classification System) (Система классификации…, 2005). Предложенная методика классификации позволяет сравнивать классы (лесные страты) различных тематических карт наземного покрова, независимо от их масштаба, типа растительного покрова, метода сбора данных и географического использование этой методики классификаций, применяемые местоположения. позволит различными Кроме приблизить странами, и того, стандарты обеспечить сопоставимость данных лесного покрова для взаимодействия между растущим количеством совместных международных совместных программ, в которых Российская Федерация принимает активное участие (Курбанов, Воробьев, 2014). Классификация наземного покрова по системе FAO LCCS предполагает формирование системы иерархичности классов легенды согласно господству жизненных форм. Преобладающие жизненные формы – это жизненные формы верхнего яруса растительности, представленные как деревьями, так и кустарниками и травянистыми растениями. Иерархичность построения легенды классов заключается в том, что на высшей ступени находится класс деревья и далее по мере уменьшения значимости (от высоких к низким формам растительности) в структуре наземного покрова (Губаев и др., 2011). Другим важным классификатором является «покров» (cover), который может варьировать от сомкнутого до открытого (LCCS). При этом покров более 65% относится к категории «сомкнутый», а в пределах 65% - 15% ‒ к категории «открытый». Следует отметить, что, согласно вышеупомянутой легенде, участки с древесным покровом, не превышающим 15%, будут отнесены к категории «лишенные растительности» и «покрытые редкой растительностью», если только преобладающая растительность не представлена травами или кустарником. Формируемые классы должны иметь два уровня классификаторов – базовый 59 уровень легенды и возможные дополнительные характеристики. К базовым классификаторам относят тип покрова ‒ хвойные, широколиственные, смешанные, открытые участки, скудная растительность, снег и лед, вода. По сомкнутости покрова LCCS различает открытый (open) и сомкнутый (closed) (рисунок 4.4). К дополнительным классификаторам относят: особенности заболоченность покрова, жизнеспособность, (увлажненность), породный характеристика состав, подпологовой растительности, режим ведения хозяйства, лесовозобновление, наличие построек более 15%, обрабатываемые земли и т.п. Растения выше 5 м (в некоторых случаях от 3 м) обычно классифицируются как деревья. Тип наземного покрова Деревья Кустарники Травянистое покрытие Земли, лишенные растительности Вода если покрытие деревьями ≥ 15% если покрытие кустарниками ≥ 15% и полигон нельзя отнести к деревьям если травянистое покрытие ≥ 15% и полигон нельзя отнести к деревьям и кустарникам если земель, лишенных растительности ≥ 15% и полигон нельзя отнести к деревьям и кустарникам и травянистому покрытию если воды ≥ 15% и полигон нельзя отнести к другим формам наземного покрытия Рисунок 4.4 – Иерархическая схема основных типов наземного покрова по классификации LCCS и NELDA Для приближения разрабатываемых классов к практике лесоводства и лесоустройства в работе при создании легенды классов была использована единая схема стратификации ГИЛ РФ (Государственная инвентаризация лесов) и единая шкала окраски актуализированных карт-схем лесных страт (приложения 1 и 4 к «Методическим рекомендациям по проведению государственной инвентаризации лесов). 60 В результате в зависимости от полноты, площади, породного состава и возраста насаждения для исследуемого региона были сформированы 18 основных классов наземного покрова, использованные для картирования изучаемой сцены Landsat (таблица 4.2). Большая часть этих классов представлена древесными диссертационной работы, породами. помимо В разрабатываемую основных, включено методику несколько дополнительных классов, которые не характерны для общей традиционной классификационной шкалы LCCS, но являются вполне актуальными в исследуемом регионе: «лесовозобновление», «лесные гари средней и сильной степени повреждения». Разработанные классы наземного покрова сравнивались с соответствующими стратами, применяющимися для стратификации лесов Российской Федерации при проведении государственной инвентаризации лесов (Методические рекомендации …, 2011). На основе этих классов была получена тематическая карта наземного покрова изучаемого региона. Кроме того, для приближения и сравнения тематического картирования, полученного по спутниковым снимкам Landsat, с данными грубого разрешения (GLOBCOVER, MODIS IGBP) проводится объединение этих классов по их отношению к доминирующей жизненной форме (LFT – dominant life form type). Например, все тематические классы, которые относятся к древесной растительности, объединяются в один обобщенный класс – деревья. Для исследуемого региона были получены пять основных классов наземного покрова: деревья, кустарники, трава, не покрытые растительностью земли, водные объекты. 3 Код класса LCCS 4 Описание Класса по LCCS и ГИЛ 3 Молодняки хвойных и лиственных пород (Tree Needleleaved and Broadleaved Closed_Young) естественного и искусственного происхождения, включая лесовозобновление на землях запаса и перераспределения (бывшие с.-х. угодья) / Молодняки естественного происхождения TNBC_Y Основной ярус представлен сомкнутым древостоем хвойных вечнозеленых и лиственных пород сомкнутостью полога более 65%. Преобладающие породы – сосна обыкновенная (Pinus Sylvestris), береза повислая (Betula Pendula) или липа мелколистная (Tilia Cordata) – составляет > 75% от состава. Класс возраста 1-2. Класс бонитета – I–V. TNEC_MaO Основной ярус представлен сомкнутым древостоем хвойных вечнозеленых пород сомкнутостью полога более 65%. Преобладающая порода сосна – обыкновенная (Pinus Sylvestris) – составляет более 75% от состава насаждения. Класс возраста 6 и старше. Класс бонитета I-II. 2 Хвойный сомкнутый средневозрастный (Tree TNEC_M Основной ярус представлен сомкнутым Needleleaved Evergreen Closed_ Middle aged) / древостоем хвойных вечнозеленых Светлохвойные средневозрастные пород сомкнутостью полога более 65%. среднепроизводительные Преобладающая порода – сосна обыкновенная (Pinus Sylvestris) – составляет более 75% от состава насаждения. Класс возраста 3-4. Класс бонитета II-III. 2 1 1 Хвойный сомкнутый спелый и перестойный (Tree Needleleaved Evergreen Closed_Mature and Overmature) / Светлохвойные спелые и перестойные среднепроизводительные Наименование класса по LCCS / стратам ГИЛ № Таблица 4.2 – Тематические классы (страты) наземного покрова на территорию Среднего Поволжья 5 Фото 61 Лиственный сомкнутый средневозрастный (Tree Broadleaved Deciduous Closed_Middle aged) / Мелколиственные средневозрастные среднепроизводительные 6 TBDС_M Лиственный сомкнутый спелый TBDC_MaO Основной ярус представлен древостоем и перестойный (Tree Broadleaved лиственных пород c сомкнутостью полога Deciduous Closed_Mature and более 65%. Преобладающие породы – береза Overmature) / повислая (Betula Pendula) и липа Мелколиственные спелые и мелколистная (Tilia Cordata) – составляют перестойные более 75% от состава насаждения. Класс среднепроизводительные возраста 6 и выше. Класс бонитета II-III. 5 Основной ярус представлен древостоем лиственных пород высотой сомкнутостью полога более 65%. Преобладающие породы – береза повислая (Betula Pendula) и липа мелколистная (Tilia Cordata) – составляют более 75% от состава насаждения. Класс возраста 3-4. Класс бонитета II-IV. Земли с уровнем вод около/на/выше уровня поверхности почвы в течение достаточно длительного периода. Растительность представлена древесными породами выше 3 м - сосной обыкновенной (Pinus Sylvestris) и березой повислой (Betula Pendula). Класс возраста 3-4. Класс бонитета Va-Vб. TNEO_W Лес на болоте (Tree Needleleaved Evergreen Closed_Wetland) / Светлохвойные средневозрастные низкопроизводительные 4 4 3 2 1 5 Продолжение таблицы 4.2 62 2 4 TMС_M HC_C 9 Обрабатываемые земли Herbaceous Closed_Cultivated / В ГИЛ определение страты отсутствует Сезонный максимум травянистой растительности соответствует 75-100% площади. Земли используются под выращивание злаковых (пшеница, ячмень, овес) и овощных (картофель, свекла, морковь) культур. Участки с преобладанием деревьев, на которых ни лиственные листопадные, ни хвойные породы не составляют > 75% от состава насаждения. Сомкнутость полога > 65%. Класс возраста 3-4. Класс бонитета II-IV. TMC_MaO Участки с преобладанием деревьев, на которых ни листв енные листопадные, ни хвойные породы не составляют > 75% от состава насаждения. Сомкнутость полога более чем > 65%. Класс возраста 6 и старше. Класс бонитета II-III. 3 8 Смешанный средневозрастный (Tree mixed closed _Middle aged) / В ГИЛ определение страты отсутствует 7 Смешанный спелый и перестойный (Tree mixed closed _Mature and Overmature) / В ГИЛ определение страты отсутствует 1 5 Продолжение таблицы 4.2 63 Травянистый сомкнутый (Herbaceous Closed) / В ГИЛ определение страты отсутствует Растительный покров населенных пунктов (города, поселки) (Tree Mixed Open_Bare) / В ГИЛ определение страты отсутствует Древесно-кустарниковая растительность (Trees _Shrubs) / Прочие древесные породы и кустарники 11 12 2 10 1 Основной ярус представлен сомкнутой травянистой растительностью с проективным покрытием более 65% и высотой до 2 м. 4 T_S Древесно-кустарниковая растительность с суммой проективного покрытия 15-65% и высотой растительности не менее 3 м. Растительность высотой до 3 м, представленная кустарником багульник (Ledum palustre), болотный мирт или кассандра (Chamaedaphne calyculata), подбел или андромеда (Andromeda polifolia), голубика обыкновенная (Vaccínium uliginósum), в сумме превышает 65% проективного покрытия. TMO_B Наземный покров представлен постройками, где площадь зданий и сооружений, созданных человеком, составляет более 45%. Включает смешанный древесный растительный покров с высотой деревьев выше 3 м и сомкнутостью полога менее 15%. Все классы возраста и классы бонитета. HС 3 5 Продолжение таблицы 4.2 64 3 BL W 2 Не покрытые растительностью (Bare Land) / Не покрытые лесной растительностью земли Водный объект (Water)/ В ГИЛ определение страты отсутствует 1 13 14 Покров представлен водоемами с наличием воды более 11 месяцев в году. Участки, лишенные растительности, с покровом менее 15% в течение 10 и более месяцев в году (песчаный карьер, пляж, естественные редины, гари I степени повреждения, вырубки, прогалины, пустыри). 4 5 Окончание таблицы 4.2 65 66 4.3. Тематическая классификация спутниковых изображений Классификацией спутниковых изображений называется процесс разбиения множества его пикселей на конечное число заранее заданных тематических классов (ГОСТ 50828-95). Основанием для выделения подобных классов является некоторая совокупность критериев близости значений, свойственных им признаков (Сухих, 2005). Получающееся при этом изображение называется тематической картой. Процесс неуправляемой классификации спутниковых снимков BGW для получения тематической карты выполнялся на основе пошагового алгоритма с использованием метода IsoData (Iterative Self-Organizing Data Analysis Technique — итеративный самоорганизующийся способ анализа данных) с установленной градацией на 25 классов, который основан на оценке критериев близости точек в пространстве спектральных признаков. Этот алгоритм, широко используемый в исследованиях наземного покрова, позволяет автоматически выявить «неизвестные» пиксели изображения и объединить их в несколько пространственных кластеров (классов), основанных на естественной группировке цифровых значений спектральной яркости объектов наземного покрова (Lu et al., 2004; Bartalev, et al., 2014). В диссертационной работе для повышения точности пошаговой классификации растрового изображения BGW проводилась оценка разделимости полученных тематических классов спутниковых изображений, которая включала в себя два этапа – визуальный и статистический. Визуальный метод оценки разделимости классов представляет собой анализ исследуемого изображения в трехмерном «пространстве признаков» (Spectral feature) в модуле «n-D Visualizer» программного пакета ENVI-5.3. Основой для признаков» служит наземного покрова разделения различие классов в спектральных подстилающей диаграмме «пространство характеристик поверхности на объектов местности. При визуальном анализе разделимости различных классов наземного покрова 67 используется оценка границ перекрытий эллипсов «концентрации данных», полученных на основе средних собственных спектральных значений DN (digital numbers) оцениваемых классов и их стандартных отклонений. Это безразмерное значение и стандартное отклонение каждой сигнатуры используется для представления контуров границ эллипса «концентрации облака рассеивания спектральных данных DN». Пространство спектральных признаков DN формируется на основе изображений BGW в трехмерном графическом пространстве от 0 до 255 единиц. По оси абсцисс (Х) выделяются спектральные значения пикселей DN изображения Brightness, по оси ординат (У) - Greenness и по оси Z, соответственно, Wetness. При разделении спектральных значений классов наземного покрова, приближающихся к нормальному распределению, форма «концентрации их данных» должна приближаться к форме эллипса. Объекты, имеющие значительные различия в спектральных показателях, например основные пять классов наземного покрова (вода, кустарник, деревья, трава и не покрытые растительностью), имеют также максимальное удаление центров своих сигнатур в 3-d пространстве спектральных значений на диаграмме рассеивания (рисунок 4.5). Закономерность статистической разделимости классов наземного покрова в многомерном пространстве спектральных признаков определялась при помощи регрессионно-корреляционного анализа спектральных данных DN исследуемых спутниковых изображений. Чем больше статистическая разделимость спектральных сигнатур классов, тем меньше вероятность ошибки их смешения. Для этого в программном пакете ENVI-5.3 была использована утилита «Statistics» (Статистика), которая рассчитывает статистические взаимосвязи между сигнатурами исследуемых классов. Утилита «Statistics» позволяет выявлять на основе регрессионно- корреляционного статистического анализа спектральные диапазоны значений DN для идентификации отдельных тематических классов. 68 Рисунок 4.5 - Диаграмма рассеивания 3-d признаков спектральных значений DN трех растительных классов наземного покрова (таблица 4.2) Более детальный статистический анализ разделимости классов наземного покрова проводился в программном пакете Microsoft Office «Excel». В работе приведены данные статистического анализа на примере спектральной оценки растрового изображения Landsat 2014 г. Для снимка Landsat ETM+ 2001 г. все виды работ проводились подобным же образом. В конечном итоге оценка разделимости классов заключается в сравнении эллипсов различных сигнатур для одной пары диапазонов спектральных значений и их статистик. В пространстве признаков выделяются сигнатуры, имеющие сходные группы пикселей, и оцениваются участки перекрытия смежных эллипсов. Дополнительно к такому выделению 69 сигнатур проводится оценка средних спектральных значений условных центров исследуемых классов и их стандартных отклонений. Пересечение эллипсов в пространстве признаков свидетельствует о том, что сигнатуры имеют схожие пиксели в своей совокупности DN. Для устранения такого наложения групп пикселей предложено проводить дополнительную классификацию спутникового снимка с последующей повторной оценкой сигнатур, либо схожие классы объединяются в один общий. В конечном итоге выбираются сигнатуры только в той комбинации спектральных признаков, при которой были достигнуты наилучшие средние и минимальные значения разделимости. Спектральная разделимость классов наземного покрова может быть также представлена в виде графиков линейной зависимости значений DN от BGW (рисунок 4.6). 300 250 Хвойные спел DN 200 Лиственн спел 150 Смешан_спел 100 Трава Вода_Gr Wr 50 Без раст 0 Br Gr Wr BGW Рисунок 4.6 - Средние значения DN для 6 доминирующих классов наземного покрова Оценка разделимости проводилась на основе оценки корреляционноковариационных отношений между значениями BGW исследуемых классов и максимального стандартного отклонения значений DN трехканального синтезированного исследований изображения была BGW. подготовлена классификации спутниковых снимков. база В для результате проведения проведенных пошаговой 70 Тематическая классификация спутникового снимка Landsat была осуществлена в следующем порядке. После проведения первого этапа классификации на 25 классов были получены изображения трех основных классов – «лесные» и «нелесные» земли, а также водные объекты. В программном графическом редакторе ENVI-5.3 был выделен растровый слой класса W (вода) (рисунок 4.7). Дальнейшая процедура классификации была проведена без этого класса (Губаев и др., 2011). После изъятия сформированных масок последующая классификация проводится с оставшимися растровыми слоями. Рисунок 4.7 - Маска W (вода) на изучаемую сцену снимка Landsat Следующим классификации шагом исследования спутникового снимка было с проведение вторичной установленной градацией в 25 классов для растрового слоя «лесные земли» с целью выделения в нем трех классов – хвойные, лиственные и смешанные насаждения. 71 После вторичной классификации мелкие классы, которые имели близкие спектральные характеристики, объединялись в один класс (хвойные, лиственные и смешанные) с использованием утилиты Merge (инструмент группировки) программы ENVI-5.3. Основанием для группировки исследуемых классов наземного покрова были близкие по значению средние коэффициенты спектральной среднеквадратического яркости, отклонения минимальные значений класса и показатели коэффициента изменчивости. С целью выделения групп возраста (молодняки, средневозрастные и приспевающие, спелые и перестойные насаждения) дешифрируемого класса лесного покрова каждый из полученных тематических слоев подвергался детальной классификации с заданным количеством градаций и итераций. Для каждого объекта исследований в программе ENVI-5.3 использовался модуль Statistics (статистика), позволяющий провести оценку разделимости классов, обладающих различными спектральными характеристиками, и программный пакет Excel. При этом смешанные насаждения были разбиты только на две группы возраста: средневозрастные и приспевающие, спелые и перестойные (Белов, Любимов, 2014). Молодняки на исследуемой территории представлены в основном чистыми лиственными или хвойными насаждениями (Курбанов и др., 2010). Аналогичным образом проводилась классификация ранее полученного слоя «Нелесные земли», к которым относятся земли сельхозугодий (обрабатываемые и заброшенные), заболоченные участки и площади не покрытые растительностью. Для повышения точности классификации слоя «Обрабатываемые земли» он был разделен путем переклассификации на два класса – травянистый сомкнутый (HC) и обрабатываемые земли (HC_С) – также с использованием утилиты Signature Edit. После выделения всех классов методом неуправляемой классификации была получена детальная тематическая карта на 14 классов наземного покрова. Цвет каждого слоя растительного покрова тематической карты 72 принимался в соответствии с единой шкалой окраски карт-схем лесных страт, что также позволило приблизить получаемые данные к российским стандартам лесной инвентаризации (Методические рекомендации…, 2011). Следующим шагом явилось создание обобщенной тематической карты 5 основных классов, которые были получены на основе объединения 14 более детальных классов наземного покрова (рисунок 4.8). а) б) Рисунок 4.8 - Тематические карты, полученные на основе спутникового снимка Landsat ETM+ 2001 г.: а) обобщенная карта на 5 классов наземного покрова, б) детальная карта на 25 классов 4.4. Генерализация растровой тематической карты Интеграция данных дистанционного зондирования в среду ГИС обычно проводится после конверсии растровых данных (тематических карт) в векторный формат. Это позволяет комбинировать их в последующем с другой, например, атрибутивной информацией. При этом попиксельная классификация растрового изображения на основе многочисленных классов наземных объектов может приводить к ошибкам в связи с отсутствием их пространственной связанности. Для устранения таких ошибок и повышения точности создаваемой тематической продукции необходимо проведение постклассификационной обработки полученных данных (Campbell, 2007). Одним из ключевых моментов такой работы является 73 процесс автоматической генерализации растровых электронных карт. При этом следует отметить, что, несмотря на успехи в развитии программных средств в области обработки данных дистанционного зондирования (ДЗЗ), экспертная оценка тематического картирования остается наиболее распространённой при оценке качества готового продукта (Данилова, 2007). Инструменты генерализации пространственных данных в ENVI-5.3 используются для очистки небольших фрагментов ошибочных пикселов и с целью удаления или сглаживания ненужных деталей полученных растровых классов тематической карты (ESRI, 2010). При этом процесс генерализации тематических карт позволяет сохранить первоначальный объем информации спутникового изображения (Воробьев, Курбанов, 2011). Тематическая генерализация проводится с сохранением целостности данных с учетом принятой минимальной площади полигона класса наземного покрова (3 га) и соблюдения правил иерархической системы LCCS. Генерализация проводится для отдельных пикселей или комбинации групп пикселей (кластеры) внутри ранее сформированных классов. Для этого используются методы агрегирования, сглаживания границ полигонов, растягивания, фильтрации или уменьшения объема растровых данных в программных пакетах ENVI-5.3 и ArcGIS-10. В зависимости от поставленных целей и задач процесс генерализации может проводиться на нескольких уровнях: макро (класс/карта), мезо (группа объектов) и микро (одиночные объекты). В диссертационной работе были использованы мезои микроуровни, классы на макроуровне были получены ранее в процессе классификации. В графическом редакторе ENVI-5.3 генерализация для обобщенной карты 5 основных классов наземного покрова проводилась методом «просеивание» (Sieve) и с помощью команды «объединение» (Majority). На рисунке 4.9, показано как меняется изображение тематической карты после проведения этой команды для обобщенных классов. 74 а) б) Рисунок 4.9 - Фрагмент тематической карты на 5 обобщенных классов: а) до и б) после проведения команды «Sieve» 4.5. Оценка точности тематических карт Работа в программных пакетах ENVI-5.3 и ArcGIS - 10.3 по классификации спутниковой сцены требует дальнейшей оценки точности полученных тематических карт наземного покрова. Для этого используются набор независимых данных полевых исследований, лесоустроительных планов насаждений, а также существующие карты ГИС классов наземного покрова (Губаев, 2011). Оценка точности осуществлена с использованием 860 75 тестовых участков в модуле утилиты «Accuracy assessment» (Оценка точности) программного пакета ENVI-5.3. В качестве тестовых участков использовались наборы пикселей (полигоны) с основными классами легенды, определенных по материалам лесоустройства Министерства лесного хозяйства Марий Эл и данных полевых исследований Центра устойчивого управления и дистанционного мониторинга лесов ПГТУ (рисунок 4.10). Лесоустроительные данные имели необходимую атрибутивную информацию в виде таксационного описания и прошли процедуру актуализации с учетом давности лет последних лесоустройств. Это позволило значительно повысить точность оценки полученной нами тематической карты. Рисунок 4.10 - Тестовые участки на трансформированном изображении ТС Процедура оценки состоит из наложения всех полигональных тестовых слоев на классифицированное изображение. В результате была получена 76 «матрица неточностей» (Confusion matrix) (таблица 4.3), включающая основные показатели при оценке точности тематических карт: общая точность классификации, коэффициент Каппа, а также коэффициенты «точность производителя» (producer's accuracy) и «точность пользователя» (user's accuracy), которые характеризуют отдельную степень точности (например, конкретного класса). Таблица 4.3 – Математический пример матрицы неточностей j = Столбцы таблицы (опорные данные) i = строки таблицы (данные классификации) 1 2 3 4 5 Всего ni+ 1 2 3 4 5 n11 n21 n31 n41 n51 n12 n22 n32 n42 n52 n13 n23 n33 n43 n53 n14 n24 n34 n44 n54 n15 n25 n35 n45 n55 n1+ n2+ n3+ n4+ n5+ Всего n+j n+1 n+2 n+3 n+3 n+3 N Горизонтальные ряды матрицы представлены классами наземного покрова, полученными после классификации спутникового изображения, а вертикальные столбцы – опорными данными (эталонными, данными полевых исследований, другими картами и т.п.). Значения по диагонали матрицы (серым цветом) представляют собой число совпавших пикселей расчетных классов и реальных (эталонных) данных. Сумма по диагонали показывает общее количество правильно классифицированных пикселей, а отношение этого числа к общему количеству пикселей в матрице называется общей точностью классификации (overall accuracy), выражаемой в процентах: 𝑃= 𝑛11 + 𝑛22 + 𝑛33 + 𝑛44 + 𝑛55 , 𝑁 где n11, n22, n33, n44, n55 – общее количество правильно классифицированных пикселей в пределах одного класса. Определения общей точности классификации не всегда бывает достаточно, поэтому для понимания качественной оценки разделимости 77 классов наземного покрова важно исследовать все другие ошибки матрицы. Показатель точности производителя (PU) характеризует уровень соответствия результата классификации этого класса тестовым (опорным) данным: PU = 𝑛𝑗𝑗 , 𝑛+𝑗 где njj - количество правильно классифицированных пикселей класса в матрице неточностей; n+j - общее количество пикселей в этом классе согласно проверочным (опорным) данным. Показатель точности пользователя (UA) определяет вероятность совпадения проверяемых классов (опорных) с результатами классификации: 𝑛𝑖𝑖 UA = , 𝑛𝑖+ где nii - количество правильно классифицированных пикселей класса в матрице неточностей; ni+ - общее количество пикселей в этом классе согласно проверочным (опорным) данным. Чем выше значение точности производителя, тем меньше «ошибка пропуска» (англ. omission error), которая показывает ошибочно классифицированные пиксели при сравнении с опорными (полевыми) данными. Иначе говоря, ошибка пропуска (OE) представляет собой долю пикселей, ошибочно не отнесенных (пропущенных) к изучаемому классу. То же самое касается показателя точности пользователя. Низкое значение UA свидетельствует о том, что в тематической карте выше «ошибка допуска» (англ. commission error), которая показывает долю пикселей, ошибочно отнесенных (допущенных) к изучаемому классу. Значения пикселей по диагонали матрицы неточностей (таблица 4.4) показывают количество правильно классифицированных пикселей: деревья как деревья, кустарник как кустарник, трава как трава и т.п. Значения пикселей в рядах таблицы, которые не попадают на главную диагональ матрицы неточностей, показывают количество несовпадений пикселов 78 (ошибка пропуска), выявленных по тематической карте и по наземным (независимым) данным. Например, значения пикселей первого ряда для класса «деревья» (таблица 4.4) расположены в других категориях: 36 в кустарнике, 15 в траве, 14 в не покрытых растительностью и 9 в воде. По этим значениям пикселей определяется ошибка пропуска (СE). Таблица 4.4 – Пример матрицы неточностей для оценки тематической классификации наземного покрова Landsat T S H B W Итого PA% OE% Сумма по диагонали Общая точность, P Коэффициент Каппа, 𝑘̂ T 140 18 10 7 7 182 76,9 23,1 992 0,79 0,71 S 36 356 36 15 10 453 78,6 21,4 H 15 21 313 12 7 368 85,1 14,9 Опорные данные Итого B W 14 9 214 13 7 415 8 11 378 119 8 161 6 64 94 160 99 1262 74,4 64,6 25,6 35,4 UA% 65,4 85,8 82,8 73,9 68,1 CE% 34,6 14,2 17,2 26,1 31,9 С другой стороны, значения пикселей, расположенные в столбцах матрицы неточностей ниже диагонали, определяют значения ошибок допуска. Продолжая аналогию с классом «деревья», можно говорить о том, что ошибка UA вызвана неверным присвоением других категорий пикселей этому классу. Эти ошибки видны в таблице 4.4 в первом столбце: 18 пикселей отнесены к кустарнику, 10 к траве, 7 к не покрытой растительностью и 7 к воде. В целом можно констатировать, что из 182 пикселей «деревьев» правильно классифицированы 140 значений, что составляет 76,9% точности классификации этого класса. Остальные 42 пикселя (23,1%) представляют собой неверно классифицированные, в основном как класс «кустарник». Ошибка допуска (CE) для класса «трава» (17,2%), расположенная в третьем ряду матрицы ошибок, в основном вызвана отнесением значений 79 пикселей «трава» к категории «кустарник» (36) и другим классам. Оценка статистик матрицы неточностей позволяет выявить основные недостатки проведенной работы, что дает возможность правильно интерпретировать используемую тематическую карту и повысить точность будущей классификации. Для оценки точности классификации на основе ее результатов и независимого (тестового) набора эмпирических данных проводится расчет коэффициента Каппа (Cohen, 1960), который определяется по формуле 𝑘̂ = 𝑃 − 𝑃𝑐 , 1 − 𝑃𝑐 где (P) общая точностью классификации, (Pc) - точность возможной классификации, которая представляет собой предполагаемую точность случайных значений классов (таблица 4.5), присвоенных каждому пикселю (производится автоматически в программном комплексе ENVI-5.3 или ArGIS 10.3). В связи с тем, что тематические карты грубого разрешения обычно состоят из разного числа классов наземного покрова, общая оценка соответствия (коэффициент Каппа) обычно получается ниже единицы даже при «идеальной» классификации. Оценка коэффициента Каппа обычно проводится с использованием значений матрицы неточностей (таблица 4.5). Каппа-коэффициент может иметь значения от -1 до + 1. Если 𝑘̂ = 1, то согласованность между исследуемыми данными является абсолютной; 𝑘̂ = 0 – отсутствие согласованности. Считается, что при значении 𝑘̂ > 0,75 можно говорить о значительной и высокой надежности согласованности а об отсутствии надежности при 𝑘̂ < 0,40 (таблица 4.6). данных, 80 Таблица 4.5 – Пример расчета предполагаемой точности классификации. Суммарные значения классифицируемых пикселей по столбцам и рядам матрицы неточностей T S H B 182 453 368 160 W T S H B W Итого 214 402 383 164 99 99 Итого T S H B W 38948 96942 78752 34240 21186 270068 73164 182106 147936 64320 39798 507324 69706 173499 140944 61280 37917 483346 29848 74292 60352 26240 16236 206968 18018 44847 36432 15840 9801 124938 229684 571686 464416 201920 124938 1592644 398039 T S H B W Итого Сумма по диагонали Всего классифицированных 1592644 пикселей Предполагаемая точность 0,25 классификации Таблица 4.6 - Критерии согласованности данных классификации по Каппа коэффициенту (Czaplewski, 1994) Каппа коэффициент <0 0.0 — 0.20 0.21 — 0.40 0.41 — 0.60 0.61 — 0.80 0.81 — 1.00 Степень согласованности нет согласованности незначительная слабая умеренная значительная высокая 81 4.6. Валидация тематической карты наземного покрова Landsat по данным лесоустройства в среде ArcGis 10.3 Интегрирование пространственного и сравнение разрешения спутниковых является снимков важным разного элементом при исследовании текущих изменений в наземном покрове (по площади, запасу древесины, нарушенности и т.п.) как на глобальном, так и региональном уровне. В диссертационной работе предложена новая процедура валидации подобных тематических карт наземного покрова, которая также позволяет провести оценку точности проведенной классификации. Для сравнения вновь полученных тематических карт растительного покрова на базе спутниковых снимков использовались таксационные данные древостоев десяти лесничеств Марий Эл и Чувашии. Электронная база данных (квартальная сеть с атрибутивным лесотаксационным описанием) была представлена Марийской лесоустроительной экспедицией и министерством природных ресурсов и экологии Чувашской Республики. С целью уточнения сведений по опорным наземным данным используемые для валидации таксационные материалы лесоустройства были актуализированы на момент времени спутниковой съёмки. Изменения в таксационные данные (в основном возраст) лесных насаждений вносились с учетом времени, прошедшего после проведения лесоинвентаризационных работ с использованием таблиц хода роста и биологической продуктивности лесных насаждений (Курбанов, 2002). В последующем повыдельные данные каждого квартала исследуемого лесничества генерализировались в лесные страты, формируемые в соответствии с классами легенды (условными обозначениями) созданной тематической карты и требованиям ГИЛ. В нашем диссертационном исследовании для проведения валидации, оценки точности, сравнения с материалами государственного лесоустройства и классификации спутниковых снимков среднего и высокого пространственного разрешения 82 проводилось совмещение картографического векторного материала планов лесонасаждений с разработанной тематической картой наземного покрова (рисунок 4.11). Карты наземного покрова Landsat и лесоустроительные планы лесничеств исследуемой территории сравнивались путем совмещения лесного покрова нескольких кварталов с соответствующими данными на тематической карте. При этом на уровне экспертной оценки добивалось визуальное соответствие растительности с пяти тематических комбинацией однотипных классов выделов древесной на плане лесонасаждений, интерпретируемых как лесные страты. В работе также проведен сравнительный анализ вновь созданной тематический карты по снимку Landsat 2001 г. и фрагмента глобальной карты наземного покрова международного проекта Global Land Cover США (GLC, 2000), созданной на основе снимков MODIS с грубым разрешением 500 м (рисунок 4.12). Сравнение и оценка точности соответствия карты Landsat 2014 г. и карт высокого разрешения Канопус-В и RapidEye были проведены с фрагментом глобальной карты наземного покрова другого международного проекта Европейского космического агентства (GlobCover, 2009). Кроме того, была выполнена оценка сопоставимости карт Landsat 2001 и 2014 по тематической карте NELC 2005 г., созданной на основе спутникового снимка MODIS (Nelda, 2009) (рисунок 4.13). Оцениваемые глобальные карты различаются набором использованных классификаторов наземного покрова, поэтому в диссертационной работе легенды всех тематических карт были приведены к единым (унифицированным) классам. При этом была использована единая шкала окраски карт-схем лесных страт ГИЛ (Методические …, 2011), что позволит приблизить полученные результаты к данным инвентаризации лесов Российской Федерации (таблица 4.7). государственной 83 а) б) Рисунок 4.11 Фрагменты генерализованных карт на тематической карте Landsat 2001: a) плана лесонасаждений Чебоксарского лесничества ЧР (1994 г.), б) плана лесонасаждений Нолькинского участкового лесничества Учебно-опытного лесничества РМЭ (2006 г.). 84 Рисунок 4.12 - Тематическая карта Landsat 2001 на глобальной карте GLС 2000 Рисунок 4.13 - Карта Landsat 2001 на глобальной карте NELC_2005 85 Таблица 4.7 – Классы наземного покрова, использованные для классификации и валидации тематических карт Светлохвойные спелые и перестойные насаждения Светлохвойные средневозрастные насаждения Лес на болоте Лиственные спелые насаждения Лиственные средневозрастные насаждения Смешанные спелые насаждения Смешанные средневозрастные насаждения Молодняки Кустарники на болоте Кустарники Обрабатываемые земли Травянистый сомкнутый покров Населенные пункты Растительный покров населенных пунктов Не покрытые растительностью земли Водные объекты TNEC_MaO TNEC_M TNEO_W TBDC_MaO TBDC_M TMC_MaO TMC_M TMC TMO SC_NR HС HС BL TMO BL W Кроме того, для карт грубого разрешения использовалась единая шкала на 5 классов наземного покрова. Деревья T Кустарник S Трава H Вода W Не покрытые растительностью земли B 4.7. Модули для сравнения и оценки точности тематических карт Для автоматизации работ по валидации тематических карт по данным лесоустройства разработан программный модуль Precision_CSFM_1.0 для среды Arc GIS (приложение 10) и модуль Comparer_CSFM@RS_1.0 (приложение 11). Языком программирования модуля по оценке тематической карты выбран CSharp (C#), который позволяет использовать большую часть возможностей программного комплекса ArcGIS. Разработка модулей, которые интегрируются в систему ArcMap, производилась в среде Microsoft 86 Visual C# 2010 Express Edition. Модуль Comparer_CSFM@RS_1.0 с алгоритмом «плавающего окна» предназначен для сравнения двух тематических карт разного масштаба (пространственного разрешения). Работа предложенного алгоритма основана на сопоставлении атрибутивных данных исследуемых тематических карт (рисунок 4.14). Основной файл (папка) проекта Файл анализа данных Загрузка в Обновление списка слоев Выбор в блоке 1 первой тематической карты Выбор в блоке 2 второй тематической карты Выбор тематических классов блока 2 из списка полей атрибутивной таблицы обеих тематических карт Настройка соответствия тематических карт отображается в блоке поля «соответствие Итог: матрица классов» соответствий тематических классов двух карт Рисунок 4.14 - Алгоритм рабочего модуля Comparer_CSFM&RS_1.0 программного пакета ArcGIS-10.3 Приведем классификацией пример сцен сравнения тематических спутниковых снимков карт, полученных Landsat-7 ETM+ (пространственное разрешение 30 м) 2001 г. и MODIS (пространственное разрешение 506,4 метра) 2001 г., в модуле Comparer_CSFM&RS_1.0 с «плавающим окном». Оба тематических изображения были приведены к единой геометрической привязке (проекция UTM, zone 42N, WGS84). Рассмотрим подробнее пример сравнения блока из 3х3 пикселей карты грубого разрешения MODIS и 2916 пикселей карты, сформированной по снимку среднего разрешения Landsat. На рисунке 4.15a приведены 9 пикселей MODIS, каждый из которых представлен одним из 5 главных 87 классов наземного покрова. Далее идет совмещенный фрагмент тематической карты Landsat на блоке карты MODIS из 9 пикселей до проведения пространственной трансформации (рисунок 4.15б). При этом наблюдается почти полное совпадение классов деревья (Т), кустарник (S) и трава (H) только для 4 пикселей MODIS. Каждый пиксел MODIS разделяется на 324 фрагмента, которые соответствуют по размеру пикселям карты Landsat (рисунок 4.15 в, г). Этому пикселю MODIS, классифицированному как T (деревья), соответствуют следующие пиксели Landsat: 61T, 76S, 187H. Программа Comparer_CSFM&RS_1.0 рассчитывает подобным образом все наложенные пиксели карты Landsat на карте MODIS. В целом на фрагменте тематической карты грубого разрешения MODIS (КГР) выделяются 6 классов T (1944 пикселя), 1 класс S (324 пикселя) и 2 класса H (648 пикселей). Для сравниваемой тематической карты среднего разрешения Landsat (КСР), наложенной на фрагмент глобальной карты MODIS, подобное распределение выглядит следующим образом: класс T (831 пиксель), класс - S (386 пикселей) и Класс H (1592 пикселя) (таблица 4.8). В четвертой колонке таблицы 4.8 приведены данные по совпавшим пикселям на обеих картах. В дальнейшем эти данные включаются в расчеты оценки точности (матрицы ошибок), о чем подробно говорится в разделе 4.5. Алгоритм «плавающее окно» позволяет разбить карту грубого разрешения на блоки, размер (3х3, 5х5, 10х10, 20х20 и т.д.) которых задается пользователем. Размер окна зависит от пространственного разрешения сравниваемых карт. Для карты GLC 2000 было использовано окно 3х3 пикселей, для NELC 2005 окно было 5х5 пикселей. При этом каждый такой блок информации анализируется программой индивидуально, а полученные данные формируются в матрицу неточностей. Следует отметить, что при сопоставлении «плавающих окон» разного размера программой учитываются все пиксели сравниваемой карты. Приграничные пиксели карты более высокого разрешения (Landsat, Канопус, Rapid Eye) учитываются только в том случае, если их центры попадают в область пикселя карты грубого 88 разрешения (MODIS). Это может приводить к тому, что в «плавающем окне» программой учитывается разное количество пикселей. а) б) в) г) Рисунок 4.15 - Фрагмент тематической карты Landsat на блоке карты MODIS: а) 9 пикселей MODIS с присвоенными классами наземного покрова до проведения пространственной трансформации, б) совпавшие классы наземного покрова, в) пиксели MODIS после пространственной трансформации, г) один пиксель MODIS с совмещенными пикселями Landsat Таблица 4.8 - Соотношение пикселей классов карты среднего и грубого разрешения Классы Т S H КГР 1944 324 612 КСР 831 386 1592 КГР ∩ КСР 739 100 496 КГР – (КГР ∩ КСР) 1205 124 116 КСР – (КГР ∩ КСР) 92 286 1096 89 Построение матрицы ошибок по «чистым» пикселям ведется аналогично вышеописанному алгоритму попиксельного сравнения карт. В разнородных (гетерогенных) ландшафтах соотношение пикселей грубого разрешения, охватывающих один класс наземного покрова, может быть значительно меньше, чем в однородных (гомогенных) ландшафтах (Herold et al, 2008). Для оценки точности картирования независимо от такой ошибки карт грубого разрешения и разнородности ландшафта, в диссертационной работе мы используем понятие «чистых» пикселей. К чистым пикселям карт грубого разрешения относятся те пиксели, которые содержат по крайне мере 80% площади от одного из классов наземного покрова сравниваемой карты. По результатам анализа каждого пикселя карты грубого и среднего (высокого) разрешения проверяется процент совпадения классов. Если данный процент больше 80, то результаты анализа данного пикселя карты грубого разрешения вносятся в матрицу неточностей. Для каждой оцениваемой карты в программе Comparer_CSFM&RS_1.0 имеются атрибутивные таблицы, содержащие информацию обо всех тематических классах (например, код или название класса) (рисунок 4.16 б). Для атрибутивной таблицы каждой карты выбирается поле с информацией о ее тематических классах. При этом все возможные значения классов оцениваемых тематических карт заносятся в окна «Соответствие классов». Исходя из поставленной задачи, в поле ввода окна модуля «Доминирующие классы» виртуально формируются группы классов, объединенные по преобладающему признаку (рисунок 4.16). Критерии сопоставления тематических классов сравниваемых карт определяются непосредственно оператором. 90 а) Рабочее окно модуля Comparer_CSFM&RS_1.0 MODIS 2001 б) Поле ввода данных по классам двух тематических карт Landsat 2001 Рисунок – 4.16 Модуль Comparer_CSFM&RS_1.0: наложение разновременных тематических карт Landsat и MODIS для проведения сравнительного анализа классификации 91 5. Тематическое картирование лесов по спутниковым снимкам 5.1. Анализ разделимости спектральных классов лесного покрова Разделимость классов лесного покрова, основанная на визуальной оценке центров сигнатур на диаграмме пространства спектральных признаков, показывает оптимальные значения для выделения отдельных слоев классов наземного покрова на основе разработанной легенды. Максимальное сближение (наложение) значений в облаке пространства спектральных признаков наблюдается при выделении (классификации) лесов по молодым и средневозрастным группам возраста - «молодняки» (TNBC_Y), «хвойный сомкнутый средневозрастный» (TNEC_M) и «древесно- кустарниковые» (T_S) классы насаждений (рисунок 5.1). Кроме того, можно заметить небольшое наложение классов BL и HC, что также свидетельствует о схожести их спектральных характеристик. Рисунок 5.1 - Диаграмма рассеивания для спектральных значений DN восьми классов легенды наземного покрова 92 Следует отметить, что анализ проводился с учетом выделенного на снимке Landsat 2014 г. тематического класса «облака», который наиболее заметно влияет на изображение спутникового снимка Landsat 2014 года. Для повышения точности проводимых работ площадь класса «облака» была перераспределена между соответствующими классами наземного покрова, расположенными под ним в пределах сцены Landsat 2014 года. Тематические классы наземного покрова выделяются более точно, чем больше расстояние между центрами их спектральных сигнатур. Для оценки разделимости спектральных сигнатур были получены данные, показывающие соотношение и евклидово расстояние между парами соответствующих 14 классов легенды наземного покрова (таблица 5.1). Максимальную спектральную разделимость показали практически все доминирующие классы наземного покрова: лес, трава, кустарники, водные объекты и не покрытые растительностью земли. Кроме того, приемлемую спектральную разделимость на тематической карте Landsat 2014 показало большинство классов лесного покрова исследуемой территории. Средние значения DN кривых cтрат «хвойные, лиственные и смешанные спелые и перестойные» не пересекаются на диаграмме рассеивания и обладают умеренным диапазоном дисперсии (рисунок 5.2а, таблица 5.1). Подобную картину можно наблюдать для средневозрастных насаждений этих же классов (страт) лесного покрова (рисунок 5.2б). Значения DN на этих графиках наиболее различимы для спектральных трансформированных каналов Br и Gr и стремятся к общим значениям в канале Wt. Наиболее близки значения DN спектральных сигнатур страт «смешанные спелые и средневозрастные» насаждения (рисунок 5.3а, таблица 5.1) и «хвойные спелые и средневозрастные» (рисунок 5.3б). В этом случае помимо статистическо-графической оценки разделимости классов, вызывающей сомнение, был использован также классический подход экспертно-аналитического дешифрирования. 93 Таблица 5.1 – Показатели спектральной разделимости классов снимка Landsat 2014 Классы Пары классов 1:2 1:9 2:4 2:11 3:7 3:14 4:11 5:9 6:8 7:8 8:9 9:11 10:14 249 240 97 204 149 216 113 64 63 72 42 64 100 № Название 1 HC_С 2 W 3 TNEC_M 4 TMС_M 5 T_S 6 TNEC_MaO 7 TMO_B 8 BL 9 HС 10 TMC_MaO 11 TNEO_W 12 TBDС_M 13 TBDC_MaO 11:12 11:13 11:14 12:13 14 TNBC_Y Евклидово расстояние между центрами спектральных классов 234 237 190 140 231 222 222 243 113 160 199 156 225 246 279 33 95 87 118 142 48 107 134 70 135 154 184 60 80 97 116 139 103 98 97 107 114 95 82 84 38 51 70 93 86 102 130 29 22 43 83 25 1:3 1:10 2:5 2:12 3:8 4:5 4:12 5:10 6:9 7:9 8:10 9:12 1:4 1:11 2:6 2:13 3:9 4:6 4:13 5:11 6:10 7:10 8:11 9:13 1:5 1:12 2:7 2:14 3:10 4:7 4:14 5:12 6:11 7:11 8:12 9:14 1:6 1:13 2:8 3:4 3:11 4:8 5:6 5:13 6:12 7:12 8:13 10:11 94 Рисунок 5.2 – Кривые средних значений спектральных показателей DN по каналам BGW: а) для хвойных, лиственных и смешанных спелых и перестойных; б) хвойных, лиственных и смешанных средневозрастных 95 Рисунок 5.3 – Кривые средних значений спектральных показателей DN по каналам BGW: а) для смешанных спелых и средневозрастных, трава; б) хвойных спелых и средневозрастных 96 Кривые спектральных значений молодых насаждений на снимке Landsat 2014 после проведенной пошаговой классификации значительно отличаются от средневозрастных классов (рисунок 5.4). Это позволяет выделять их между собой без дополнительных работ по анализу тематической карты. С другой стороны, наблюдается перемешивание этих классов со стратами «травянистый» и «древесно-кустарниковый» покровы. Особенно это заметно на примере трансформированного канала Br. Соответственно в этом случае приходится использовать дополнительные алгоритмы по переклассификации снимков Landsat и применять методы экспертно-аналитического дешифрирования на более детальном уровне. Рисунок 5.4 – Кривые средних значений спектральных показателей DN по каналам BGW для хвойных (лиственных) молодых и средневозрастных насаждений, а также класса трава и древесно-кустарниковая растительность Полученные зависимости выделенных классов наземного покрова от значений BGW являются важными данными для последующей работы по автоматизации процесса классификации и оценки точности тематического картирования. 97 5.2. Мониторинг и анализ данных классов наземного покрова При помощи неуправляемой классификации снимков спутника Landsat ETM+ и TM (вегетационный период 2001 и 2014 г.) был сформирован картографический материал изображения наземного покрова на территорию исследований, представляющий из себя комбинацию 14 тематических слоев (приложения 12, 13). Каждое из тематических изображений классов наземного покрова представляет собой векторный слой (рис. 5.3), который позволяет точно оценить площади любого из 14 классов наземного покрова (таблица 5.2). Общая точность классификации для спутникового снимка Landsat 2001 и 2014 составила 88% и 89%, в то время как коэффициент Каппа достигает 0,86 и 0,88 (приложения 14, 15). Таблица 5.2 - Распределение классов наземного покрова на тематической карте Landsat 2001 и 2014 Landsat 2001, га TNEC_MaO TNEC_M TNEO_W TBDC_MaO TBDС_M TMC_MaO TMС_M TNBC_Y T_S HС HC_C TMO_B BL W Итого 232583,7 211083,9 15595,5 347036,5 364979,8 78936,8 141903,2 197124,3 141902,3 481826,5 827274,3 116488,3 2325,2 135506,0 3294566,0 Процент от общей площади 7,1 6,4 0,5 10,5 11,1 2,4 4,3 6,0 4,3 14,6 25,1 3,5 0,1 4,1 100 Landsat 2014, га 141509,4 286802,8 37162,71 69217,74 276926,4 101494,6 202976,0 396930,5 241968,2 637849,8 647195,3 119197,0 16122,24 119385,8 3294739,0 Процент от общей площади 4,3 8,7 1,1 2,1 8,4 3,1 6,2 12,0 7,3 19,4 19,6 3,6 0,5 3,6 100 Как видно из таблицы 5.2 (рисунок 5.5) на исследуемой территории самым большим по площади явился класс «травянистый сомкнутый» (HC_C), составляющий по площади на тематической карте Landsat 2001 г. 25,1% от общей территории Марий Эл и Чувашии. Одновременно с классом HC общая площадь обрабатываемых земель составляла в 2001 году 40%, 98 а в 2014 – порядка 39% от всей территории тематической карты спутникового снимка. Изменения в площади классов HC (травянистый покров) и HC_C (обрабатываемые земли) объясняются сезонной динамикой растительного покрова сельскохозяйственных угодий. В целом суммарно площади этих двух классов за текущий период времени существенно не изменились. Уменьшение доли обрабатываемых сельскохозяйственных земель (HC_C) и увеличение травянистого покрова (HC) практически на эту же величину, в первую очередь, связаны со снижением сельскохозяйственной деятельности в исследуемом регионе в начале 2000-х. Одновременно повсеместно на этой территории наблюдается постепенное зарастание брошенных земель многолетними травами и древесно-кустарниковой растительностью. Среди тематических слоев (страт) лесного покрова наибольшую площадь занимает класс «мелколиственные средневозрастные среднепроизводительные насаждения» (TBDC_M), который на снимке Landsat в 2014 г. достиг 11,1% от общей территории исследований. В связи с переходом части подобных насаждений в другие тематические классы лесного покрова (в частности, в связи с возрастом), в 2014 г. площадь класса TBDC_M на тематической карте Landsat уменьшилась до 8,4%. В 2001 году значительным по площади (10,5%) также был класс TBDC_MaO (мелколиственные спелые и перестойные среднепроизводительные), площадь которого на тематической карте Landsat 2014 уменьшилась до 2,1% от общей площади территории исследований. 99 а) TNEC_MaO TNEC_M 0,1 3,5 TNEO_W 4,1 7,1 6,4 TBDC_MaO 0,5 TBDС_M 10,5 25,1 TMC_MaO TMС_M 11,1 14,6 6,0 4,3 TNBC_Y T_S 4,3 HС HC_C 2,4 TMO_B BL W б) TNEC_MaO TNEC_M 0,5 3,6 TNEO_W 3,6 4,3 8,7 1,1 2,1 TBDC_MaO TBDС_M 19,6 8,4 TMC_MaO 3,1 6,2 19,4 7,3 12,0 TMС_M TNBC_Y T_S HС HC_C TMO_B BL W Рисунок 5.5 - Распределение площадей классов наземного покрова (%) на тематических картах Landsat: а) 2001 г. б) 2014 г. 100 Площадь класса TNBC_Y (молодняки естественного и искусственного происхождения) существенно увеличилась за последние 13 лет с 6% до 12%. В эту категорию также были отнесены земли запаса и перераспределения (бывшие сельскохозяйственные угодья), на которых в исследуемый период происходило активное лесовозобновление молодняками лиственных и хвойных пород. Этот процесс зарастания особенно был хорошо заметен в Республике Марий Эл и Кировской области (Курбанов и др., 2011). Также с 2001 года произошло увеличение доли класса «T_S» (прочие древесные породы и кустарники) на 3% (таблица 5.2). Тематический класс TNEC_MaO (светлохвойные спелые и перестойные среднепроизводительные) уменьшился с 2001 по 2014 гг. по площади с 7,1% до 4,3%, что можно объяснить вырубкой таких насаждений по достижении возраста рубки. С другой стороны, в площади лесных насаждений страты TNEC_M (светлохвойные средневозрастные среднепроизводительные) наблюдается значительное расширение с 6,4% до 8,7%. Также существенно увеличился по площади класс TNEO_W (мелколиственные спелые и перестойные среднепроизводительные), который в 2001 году составлял 0,5%, а в 2014 уже достигал 1,1% от площади снимка Landsat (рисунок 5.5). За исследуемый период дистанционного мониторинга практически без изменения остался тематический класс TMO_B (растительный покров населенных пунктов), который в 2014 году достигал 3,6% от всей площади исследуемого региона. В то же время площадь тематического класса BL (не покрытые лесной растительностью земли) выросла незначительно (на 0,4%), что связано с возросшей антропогенной нагрузкой на пригородные территории и последствиями лесных пожаров 2010 года. С 2001 по 2014 гг. на тематической карте Landsat немного снизилась площадь водных объектов (W) – с 4,1% до 3,6%. Уменьшение доли класса «Вода» на 0,7% (16120,1 га) в первую очередь связано с сезонными колебаниями исследуемых космических изображений. Спутниковый снимок 101 Landsat 2001 г. был получен в мае, когда еще существенно влияние весеннего паводка, в то время как спутниковый снимок Landsat 2014 г. был получен в более поздний период. В работе также были получены тематические карты Landsat 2001 и 2014 гг. с распределением на 5 основных (доминирующих) классов наземного покрова (таблица 5.3, рисунок 5.6). Полученные данные на 5 классов в целом дополняют общую картину распределения классов на тематических картах с 14 стратами наземного покрова, которые были рассмотрены подробно в диссертационной работе выше. Кроме того, они были сравнены с глобальными картами, полученными другими авторами, о чем ниже будет говориться более подробно. Таблица 5.3 - Распределение площади 5 классов наземного покрова тематических карт Landsat 2001 и 2014 гг. Классы T S H B W Итого В соответствии Landsat 2001, % 47,8 4,3 40,1 3,6 4,2 100 с принятой легендой Landsat 2014, % 45,1 7,5 39,7 4,2 3,5 100 (таблица 4.2) каждый тематический класс был выделен в виде отдельного растрового и векторного слоя на основании априорных данных спектральных сигнатур, валидации данных полевых исследований, материалов лесоустройства и анализа снимков высокого разрешения. Это позволило точно оценить площади каждого класса наземного покрова на территории исследования. 102 % 50,0 45,0 40,0 35,0 T 30,0 S 25,0 H 20,0 B 15,0 W 10,0 5,0 0,0 Landsat 2001 Landsat 2014 Рисунок 5.6 - Динамика классов наземного покрова тематических карт Landsat 2001 и 2014 гг. Исторически в районе Среднего Поволжья площади лесных массивов подвергались серьезным нарушениям только в связи с катастрофическими природными явлениями (пожары, болезни) или внешними антропогенными воздействиями (сплошная вырубка). В целом тематический класс «Лес» на изучаемой территории с 2001 по 2014 гг. снизился по площади на 2,7% (212940,3 га). По нашему мнению, наряду с традиционной вырубкой, такое существенное снижение площади лесных насаждений может быть также связано с их большими потерями во время катастрофических лесных пожаров 2010 г., когда на территории республик Марий Эл и Чувашии сгорело более 114 тыс. га леса (Воробьев и др., 2014). 103 5.3. Валидация и оценка точности тематических карт 5.3.1. Сравнение полученных карт со снимками высокого разрешения В диссертационной работе на основе разработанной методики также была проведена неуправляемая классификация спутниковых снимков высокого разрешения RapidEye 2011 г. и Канопус-В 2014 г. с последующей генерализацией и формированием тематических карт для основных 5 и 14 классов наземного покрова (рисунок 5.7). Для проведения валидационных работ полученные карты высокого разрешения были совмещены с вновь полученной картой Landsat 2014 (рисунок 5.8), которая более соответствует им по дате съемки. а) б) Рисунок 5.7 - Тематические карты фрагмента исследуемой территории, полученные на основе спутникового снимка RapidEye 2011 г.: а) обобщенная карта на 5 классов, б) детальная карта на 14 классов наземного покрова 104 а) б) Рисунок 5.8 - Тематическая карта на 5 классов наземного покрова спутниковых снимков на карте Landsat 2014 г.: а) RapidEye 2011 г., б) Канопус-В 2014 105 Полученные тематические карты были сравнены по вышеприведенной разработанной методике (глава 4), что позволило также провести оценку их точности. Результаты сравнения (валидации) показывают, что карты высокого пространственного разрешения, позволяющие получать более детальные классы наземного покрова, демонстрируют значительное соответствие вновь полученным картам среднего разрешения Landsat 2014. Следует отметить, что большинство лесных страт (классов) на исследуемых картах также показывают высокое соответствие, о чем свидетельствуют статистики матриц несоответствий (таблицы 5.4, 5.5). В целом при сравнении разработанных тематических карт общая точность и коэффициент Каппа (таблицы 4.6 и 4.7), несмотря на высокую мозаичность изображения, были немного выше для карты отечественного спутника Канопус-В (точность 70%, каппа = 0,66), чем для германского спутника Rapid Eye (точность 66%, каппа = 0,62). Это можно объяснить меньшим по площади участком и более поздней съемкой снимка спутником Канопус-В 2014 г., используемым в оценке, чем для Rapid Eye 2011 г., что соответствует дате съемки спутника Landsat-8. При сравнении тематических карт на 14 классов спутников Канопус-В и Landsat 14 видно, что большое количество пикселей (339647) были ошибочно отнесены (допущены) к классу TNEO_W (лес на болоте). Поэтому точность пользователя (UA) составила для этого класса всего 22%. В то же время точность производителя для этого класса показывает достаточно приемлемые результаты (PA=84%). Подобную же зависимость можно наблюдать в таблице 5.4 при сравнении 14 классов Landsat 2014 г. с картой Rapid Eye 2011. Низкое соответствие сравниваемых карт также наблюдается в классах T_S (древесно-кустарниковая растительность) и HC_С (обрабатываемые земли), что характерно как для Канопус-В (UA = 4,7%, 23,8%), так и для Rapid Eye (UA = 31,8%, 34,2%). Все остальные классы наземного покрова для спутника Landsat 2014 г. показывают высокое соответствие между картами Rapid Eye и Канопус-В. и Rapid Eye 2011 Таблица 5.4 - Матрица неточностей сравнения 14 классов наземного покрова по тематическим картам Landsat 2014 106 Канопус-В 2014 Таблица 5.5 - Матрица неточностей сравнения 14 классов наземного покрова по тематическим картам Landsat 2014 и 107 108 Сравнение тематической карты на 5 классов Landsat 2014 с картами Канопус-В 2014 и Rapid Eye 2011, которые были получены в рамках данной диссертационной в соответствии работы, со доминирующих также статистиками классов показывает матрицы наземного приемлемые неточностей. покрова результаты Для наблюдается пяти высокое соответствие по классу «Т» (деревья) и «W»(вода). Для карты Канопус-В значение точности пользователя по классу «Т» достигает 96,6%, в то время как коэффициенте Каппа для всей карты составляет 0,65 (приложение 16). В этом случае класс «S» также показывает слабое согласие между оцениваемыми картами, ошибочно перераспределяясь между тематическими классами «Т» и «H». Значение показателя точности пользователя для тематической карты Rapid Eye имеет несколько меньшее значение (UA= 93,6%) при каппа = 0,67. Тематический класс H (травянистый покров) также показывает соответствие с данными вновь полученной карты Landsat 2014 (UA= 70,3%; PA =57,4%). Более низкие значения показателей общей точности и Каппа объясняется тем, что с увеличением пространственного разрешения спутникового снимка повышается мозаичность изображения при комбинации пикселей в различные страты (классы) растительного покрова на тематической карте. В программе Comparer_CSFM@RS_1.0 это приводит к тому, что отдельные «чистые пикселы» – пикселы, не соответствующие ее требованиям, отклоняются от дальнейшей обработки. В целом отечественные спутниковые снимки высокого разрешения Канопус-В являются прекрасной основой при валидации и оценке точности тематических карт среднего разрешения, полученных с помощью системы спутников Landsat. Кроме того, снимки Канопус-В и Rapid Eye хорошо себя зарекомендовали при оценке различного вида недропользования и при оценке городских лесов (Воробьев и др., 2015; Воробьев, Курбанов, 2015). 109 5.3.2. Сравнение полученных карт с данными лесоустройства В работе проведен сравнительный анализ полученной тематической карты Landsat 2014 г. с данными лесоустройства на примере двух лесничеств – участкового Нолькинского (РМЭ) и Чебоксарского (ЧР). При этом были использованы только 5 страт (классов) лесного покрова, которые удалось выделить на «Методических обеих картах. рекомендаций Для этого по предварительно проведению на основе государственной инвентаризации лесов» была проведена генерализация существующих лесоустроительных данных. На лесном плане лесничеств были выделены лесные страты ГИЛ путем объединения лесотаксационных выделов. Генерализация (группировка классов наземного покрова по данным лесоустройства) проводилась в среде ArcGIS на основе ранее принятой легенды (таблица 4.2), на базе которой ранее были получены тематические карты по спутниковым снимкам среднего и высокого разрешений. Как видно из таблицы 5.6, по показателю точности пользователя (UA) наибольшее совпадение приходится на страты TNEC_M (светлохвойные средневозрастные среднепроизводительные), TBDC_MaO (мелколиственные спелые и перестойные среднепроизводительные), TMC_M (смешанный средневозрастные). В то же время общая точность проведенного сравнения составляет 70%, а коэффициент Каппа достигает 0,60, что свидетельствует о значительной степени согласованности исследуемых тематических карт. Сравнение карт Landsat 2014 и Чебоксарского лесничества по матрице неточностей (таблица 5.7) также показывает высокую общую точность классификации 71% при коэффициенте Каппа в 0,57. Наилучшее совмещение произошло по классам TNEC_Mao (светлохвойные спелые и перестойные среднепроизводительные), TNEC_M (светлохвойные средневозрастные среднепроизводительные), TBDC_M (мелколиственные средневозрастные среднепроизводительные). Точность пользователя для них составила 94,1%, 88,9% и 81,4% соответственно. 110 В целом стоит отметить, что для повышения точности совмещения (сравнения) тематических карт, созданных на основе спутниковых данных и лесоустроительных данных, требуется более детальная работа по генерализации данных выделов на лесных планах в страты ГИЛ. Тем не менее, полученные результаты уже свидетельствуют о приемлемой точности полученных тематических карт. Таблица 5.6 – Матрица неточностей классов лесного покрова по плану лесонасаждения Нолькинского участкового лесничества и Landsat 2014, полученная методом плавающего окна в программе Comparer_CSFM@RS_1.0 План лесонасаждений Нолькинского участкового лесничества РМЭ Landsat 2014 TNEC_MaO TNEC_M TBDC_MaO TMC_MaO TMC_M PA% Общая точность,% ̂ Каппа, 𝑘 TNEC_MaO 4729192 0 0 0 0 86,0 TNEC_M 0 12973177 0 0 0 65,2 TBDC_MaO 0 0 17661527 0 0 75,1 TMC_MaO TMC_M 0 0 0 2760699 0 79,5 0 0 0 0 2015820 36,4 UA% 58,4 89,9 85,7 25,6 76,7 71 0,60 Таблица 5.7 – Матрица неточностей классов лесного покрова по плану лесонасаждения Чебоксарского лесничества и Landsat 2014, полученная методом плавающего окна в программе Comparer_CSFM@RS_1.0 План лесонасаждений Чебоксарского лесничества ЧР Landsat 2014 TNEC_MaO TNEC_M TBDC_MaO TBDC_M TMC_MaO PA% Общая точность,% ̂ Каппа, 𝑘 TNEC_MaO 4359848 0 0 0 0 71,1 71 0,57 TNEC_M 0 1496932 0 0 0 63,0 TBDC_MaO TBDC_M 0 0 1635610 0 0 86,6 0 0 0 107851 0 29,9 TMC_MaO UA% 0 0 0 0 297473 74,4 94,1 88,9 48,3 81,4 24,8 111 5.3.3. Cравнение тематических карт Landsat 2001 г. и 2014 с глобальными картами GLC 2000, 2009 и NELC 2005 Одним из важных этапов оценки точности классификации полученных тематических материалов является их сравнительный анализ с уже известными или широко используемыми картографическими данными на территорию исследования, а также с имеющимися отчетами по оценке лесного фонда, сельскохозяйственных земель и динамики их изменений. Процедура валидации карты, полученной по снимкам среднего разрешения Landsat, проводилась с использованием существующих тематических карт на базе снимков низкого разрешения MODIS (500 м). Сравнение позволило выявить основные моменты соответствия или расхождения по пяти классам наземного покрова. Сопоставляемые карты имеют общую точность выше 0.8, а статистика Каппа 0,67 показывает значительную степень согласованности (таблица 4.6). Высокая степень соответствия наблюдается для классов «деревья», «трава» и «вода». Ошибка допуска 15% была минимальна для класса «вода», а ошибка пропуска 7,9% – для класса «деревья». Большую точность совпадения с данными Landsat 2001 показала карта NELC 2005 (каппа 0,75). Показатели по точности производителя 87% и точности пользователя 95,4% для класса «деревья» также были выше, чем при сравнении с картой GLC-2000 (таблица 5.8). Анализ сравнения чистых пикселей показывает еще более высокую точность сопоставляемых карт. Хуже всего в процессе сравнения себя показывает класс «кустарник», который полностью отсутствует при сравнении чистых пикселей на картах Landsat 2001 и GLC-2000 (таблица 5.9). Следует отметить, что метод чистых пикселей повышает точность оценки дешифрирования снимков. Например, для класса «деревья» точность производителя достигает 98,8%, а точность пользователя 99,3%. 112 Таблица 5.8 – Матрица неточностей 5 доминирующих классов наземного покрова карт Landsat 2001 и GLC-2000, полученная методом плавающего окна в программе Comparer_CSFM@RS_1.0 Landsat 2001 г. Глобальная карта GLC-2000 г. T T S H B W 16015644 S 85490 H 12389904 B 120926 W Несовпавшие пиксели Итого 965815 PA% OE% Сумма по диагонали Общая точность, P Коэффициент ̂ Каппа, 𝑘 1376217 1486093 2182135 1196048 557608 17391861 1571583 14572039 1316974 1523423 92,1 5,4 85,0 9,2 63,4 7,9 94,6 15,0 90,8 36,6 Несовпавшие пиксели 3578866 Итого UA % CE % 19594510 81,7 18,3 310709 396199 21,6 78,4 2662956 15052860 82,3 17,7 62429 183355 66,0 34,0 183141 1148956 84,1 15,9 29577779 0,81 0,67 Таблица 5.9 – Матрица неточностей 5 доминирующих классов наземного покрова карт Landsat 2001 и GLC-2000, полученная методом чистых пикселей в программе Comparer_CSFM@RS_1.0 Landsat 2001 г. T 11867679 0 72863 590 5258 Несовпавшие пиксели 78711 S 22161 0 66183 0 283 88627 88627 0,0 100,0 H 112467 0 5077242 354 1883 114704 5191946 97,8 2,2 B 4153 0 8260 59642 657 13070 72712 82,0 18,0 10622 0 2110 99 704263 12831 717094 98,2 1,8 149403 0 149416 1043 8081 12017082 98,8 1,2 0 - 5226658 97,1 2,9 60685 98,3 1,7 712344 98,9 1,1 Глобальная карта GLC-2000 г. T W Несовпавшие пиксели Итого PA% OE% Сумма по диагонали Общая точность, P Коэффицие ̂ нт Каппа, 𝑘 17708826 0,98 0,96 S H B W Итого UA % 11946390 99,3 0,7 CE% 113 Более высокие результаты оценки точности классификации показывает сравнение полученной карты Landsat 2014 на территорию исследования для пяти классов наземного покрова и карты GLC 2009 года. Как видно из таблицы 5.9, программой учитываются все доминирующие классы наземного покрова. Максимально различается класс «деревья», точность пользователя (UA) которого достигает 91,9% при обычном алгоритме плавающего окна и 98,9% для чистых пикселей. Коэффициенты Каппа также в обоих случаях демонстрируют высокую значимость. Тематический класс «кустарник», как и в случае с глобальными картами GLC 2000 и NELC 2005, также был недооценен в процессе сравнения карт GLC2009 и Landsat 2014 методом плавающего окна в программе Comparer_CSFM@RS_1.0. Точность пользователя для этого класса составила 62%, а точность производителя достигает 43,7% (таблица 5.10). На недооценку класса «кустарник» при изучении глобальных карт на территорию Российской Федерации также указывают исследователи из Орегонского государственного университета (Pflugmacher et al, 2011). Таким образом, наибольшее расхождение в площади классов сравниваемых карт приходится на класс «кустарник», который на снимках Landsat в разные годы достигает 4,3-7,5 %, в то время как на глобальных картах его значение колеблется от 0,6% (в 2005) до 5,3% (в 2009)(рисунок 5.9, таблица 5.11). По всей видимости, такое расхождение обусловлено особенностью используемых легенд и методик классификации. В нашем случае к кустарнику были также отнесены зарастающие кустарниководревесной растительностью земли запаса и перераспределения (бывшие сельскохозяйственные угодья), что и могло привести к такой картине распределения площадей исследуемых классов. В 2000-е годы зарастание таких земель имело массовый характер на территории Республики Марий Эл, Кировской и Нижегородской областей, что было отмечено в наших предыдущих исследованиях на эту тему (Курбанов и др., 2010). 114 GLC-2009 Таблица 5.10 – Матрица неточностей 5 доминирующих классов наземного покрова по GLC 2009 и Landsat 2014, полученная методом плавающего окна в программе Comparer_CSFM@RS_1.0 T S H B W T 13399511 13175853 192630 84,4 0,71 GLC-2009 ̂ Каппа, 𝑘 PA% ̂ Каппа, 𝑘 W 1154436 PA% T S H B W S Landsat 2014 H B T 11548174 889 86424 458 6051 99,2 0,96 13,0 1097066 90,2 Чистые пиксели Landsat 2014 S H B 38004 74417 7261 47758 3881 44 199717 8714259 14079 230 936 151541 396 2591 128 16,7 99,1 87,6 W 5201 11 4348 128 907546 98,9 43,7 94,4 UA% 91,9 62,4 75,8 90,3 94,3 UA% 98,9 90,8 96,6 98,9 99,0 По классу «лес» наши данные по площади наиболее близки к данным тематической карты GLC 2009 (рисунок 5.9). Возможно, что на глобальных картах кустарники частично были распределены в классы «Лес» и «Трава», что также могло привести к разнице проведенной оценки. Кроме того, стоит отметить более высокие значения класса «не покрытые растительностью земли» (B) на снимках Landsat 2001 и 2014 (таблица 5.10), что является результатом более точной классификации по разработанной в диссертационной работе методике. По классу «вода» на всех сравниваемых картах наблюдается относительно равномерное распределение, что также свидетельствует о высокой спектральной различимости водных ресурсов на снимках среднего и грубого разрешения. 115 Рисунок 5.9 – Распределение площадей 5 классов доминирующего наземного покрова на тематических картах Landsat и глобальных картах MODIS Таблица 5.11 – Соотношение площадей 5 классов наземного покрова на различных картах спутниковых снимков Классы T S H B W Итого Площадь, % Landsat 2001 47,8% 4,3% 40,1% 3,6% 4,2% 100% Landsat 2014 45,1% 7,5% 39,7% 4,2% 3,5% 100% GLС 2000 53,9% 1,1% 41,4% 0,5% 3,2% 100% NELC 2005 52,3% 0,6% 43,8% 0,3% 3,0% 100% GLC 2009 41,5% 5,3% 49,4% 0,6% 3,3% 100% Выводы по главе 5 1. В диссертационной работе получены зависимости распределения классов (страт) лесного покрова от спектральных сигнатур снимков спутника Landsat в пространстве признаков Br (яркость), Gr (зеленость) и Wt (влажность), трансформированных по методу Tasseled Cap («Колпачок с кисочкой»). Максимальную разделимость показали 116 основные лесные классы TNEC_MaO (Хвойные сомкнутые спелые и перестойные), TBDC_MaO сомкнутые (Лиственные спелые и перестойные) и TMC_MaO (Смешанные спелые перестойные). 2. Близкие значения спектральных сигнатур показали спелые и средневозрастные насаждения, что приводит к смешиванию классов в процессе классификации спутниковых снимков. С другой стороны, молодняки показывают высокую спектральную разделимость от класса средневозрастные насаждения, что также позволяет повысить качество тематического картирования лесного покрова. 3. Полученные тематические карты Landsat 2001 и 2014 для 14 классов наземного покрова на исследуемую территорию Среднего Поволжья показывают снижение площади класса TNEC_MaO (светлохвойные спелые и перестойные среднепроизводительные) на 2,8%. Одновременно по картам наблюдается увеличение классов TNEC_M (светлохвойные средневозрастные среднепроизводительные) на 2,3%, TNEO_W (мелколиственные спелые и перестойные среднепроизводительные) на 0,6%. Общая точность классификации карт Landsat 2001 и 2014 составила 88% и 89% соответственно. 4. В целом за период 2001-2014 гг. по 5 основным классам наземного покрова тематических карт Landsat наблюдается снижение площади класса «лес» на 2,7%, увеличение класса «кустарниково-древесной растительности» и класса «не покрытого растительностью» на 0,6%. 5. Полученные показатели свидетельствуют о значительной степени надежности и согласованности данных тематических растровых классов – коэффициент Каппа равен 72%. Наиболее точно определились при классификации классы, соответствующие лесным землям: «хвойные спелые» и «средневозрастные» насаждения – более 80 %. 6. Результаты исследований показали, что разработанный алгоритм пошаговой классификации успешно применяется на спутниковых изображениях как среднего, так и высокого разрешений. При сравнении 117 разработанных тематических карт Landsat 2014 на 14 классов наземного покрова общая точность и коэффициент Каппа, несмотря на высокую мозаичность изображения, были немного выше для карты отечественного спутника Канопус-В (точность 70%, 𝑘̂= 0,66), чем для германского спутника Rapid Eye (точность 66%, 𝑘̂= 0,62). 7. Разработанная программа Comparer_CSFM@RS_1.0 показала хорошие результаты при сравнении тематических карт, полученных на основе планов лесонасаждений Учебно-опытного участкового Республики Марий Эл и Чебоксарского лесничеств Чувашской Республики и спутникового снимка Landsat 2014 г. Наилучшее совмещение было отмечено по тематическим классам TNEC_Mao (светлохвойные спелые и перестойные среднепроизводительные), TNEC_M (светлохвойные средневозрастные (мелколиственные среднепроизводительные), средневозрастные TBDC_M среднепроизводительные). Статистики «точность пользователя» в матрице неточностей для этих классов составили 94,1%, 88,9% и 81,4% соответственно. 8. При сравнении тематических карт Landsat с данными глобальных карт 5 классов наземного покрова был применен метод «чистых пикселей», который позволил повысить точность оценки классификации снимков. Например, при сравнении тематических карт Landsat 2001 и GLC-2000 таким способом для класса «деревья» точность производителя достигает 98,8%, а точность пользователя – 99,3%. 9. При сравнении глобальных карт GLC 2001, NELC 2005 и GLC 2009 c данными тематических карт Landsat 2001 и 2014 методом плавающего окна в программе Comparer_CSFM@RS_1.0 была отмечена недооценка класса «кустарник». Точность пользователя для этого класса составила 62%, а точность производителя – 43,7%. По всем остальным тематическим классам наблюдается изучаемых страт наземного покрова. относительное совпадение 118 10. В целом разработанная методика пошаговой классификации и алгоритм оценки точности тематических карт разного пространственного разрешения позволяют предложить принципиально новый подход к проведению работ по стратификации лесного покрова на спутниковых снимках среднего и высокого пространственного разрешения в соответствии с современными требованиями по Государственной инвентаризации лесов Российской Федерации. 119 Заключение Точность тематического картирования спутниковых снимков на глобальном и региональном уровнях остается важным элементом при решении проблем дистанционного мониторинга за лесными насаждениями, выполнении обязательств странами-участницами конвенции об изменении климата, инвентаризации стоков парниковых газов и снижению их эмиссии, а также сохранении биоразнообразия экосистем. Для развития этого направления в Российской Федерации большую роль играют результаты исследований, посвященные разработке и валидации региональных тематических карт по международным системам классификации наземного покрова, совмещенные с данными государственной инвентаризации лесов. В диссертационной работе разработана и апробирована на примере Среднего Поволжья методика оценки и дистанционного мониторинга текущих изменений в лесном покрове по разновременным спутниковым снимкам среднего и высокого пространственных разрешений. Для этого проведен широкий анализ существующих подходов в интересующей области исследований у зарубежных и отечественных ученых. Диссертантом предложена методика неуправляемой пошаговой классификации лесного покрова по спутниковым снимкам на основе подходов международных организаций ФАО, НАСА и российской ГИЛ (Государственная инвентаризация лесов). На основе спутниковых снимков Landsat, Канопус и Rapid Eye разработаны тематические карты для 14 и 5 классов наземного покрова на изучаемую территорию. Полученные карты прошли подробный анализ и сравнение с существующими глобальными картами и данными лесоустройства. Предложенная методика включает в себя эмпирическое линейное преобразование (Tasseled Cap) 6 каналов мультиспектральной спутниковой сцены в три отдельных изображения (яркость, зелень и влажность), которое позволяет выполнять переход из пространства измерений спектральных 120 характеристик объектов в пространство признаков, связанных со свойствами заданного класса объектов, что, в свою очередь, позволяет наилучшим образом различать классы наземного покрова. В диссертации также была детально проработана система классификаторов наземного покрова с учетом системы FAO LCCS, большая часть которых имеет непосредственное отношение к лесным стратам Среднего Поволжья. Разделимость спектральных классов наземного покрова проводилась с использованием диаграммы «пространство признаков». При визуальном анализе разделимости различных классов наземного покрова использовалась оценка границ перекрытий эллипсов «концентрации данных», полученных на основе средних собственных спектральных значений DN оцениваемых классов и их стандартных отклонений. Максимальную спектральную разделимость на полученных картах показали все доминирующие классы наземного покрова: лес, трава, кустарники, водные объекты и не покрытые растительностью земли. Среди лесных классов наилучшие статистические характеристики разделимости спектральных признаков на тематической карте Landsat 2014 показывают классы «хвойные, лиственные и смешанные спелые и перестойные насаждения». Наиболее близкими по средним значениям DN спектральных сигнатур оказались страты «смешанные спелые и средневозрастные» насаждения и «хвойные спелые и средневозрастные». Большое внимание в диссертационной работе уделено валидации и оценке точности полученных карт. Для этого были использованы наборы независимых данных полевых исследований, лесоустроительных планов насаждений, а также существующие карты глобального и регионального уровня наземного покрова. Кроме того, для этих целей был разработан специальный программный модуль Comparer_CSFM@RS_1.0, интегрированный в систему ArcMap и позволяющий сравнивать карты разного пространственного разрешения с помощью алгоритмов «плавающего окна» и «чистых пикселей». Проведенные оценки показывают высокую 121 общую точность (71% и выше) классификации спутниковых снимков на 5 и 14 классов наземного покрова Среднего Поволжья. Результаты диссертационного исследования показывают, что комбинирование спутниковых снимков MODIS и Landsat может быть успешно использовано для картирования лесного покрова и мониторинга за его динамикой (по площади, запасу, нарушенности и т.п.) на региональном уровне. Разработанная методика позволяет оперативно актуализировать существующие пространственные базы спутниковых данных для последующего дистанционного мониторинга лесов с минимальными финансовыми и людскими ресурсами. Предложенная методика стратификации и классификации лесного покрова по спутниковым снимкам среднего и высокого пространственного разрешения представляет собой важный шаг в процессе совершенствования лесоинвентаризационных работ и проведения мониторинга за динамикой наземного покрова. Применение этой методики в комбинации с анализом социально-экономических данных и экстремальных природных явлений позволяет выявить основные факторы, влияющие на происходящие изменения в лесном покрове на примере отдельных регионов. Диссертационная работа позволила систематизировать большой объем накопленного экспериментального материала по тематическому картированию наземного покрова в Среднем Поволжье по спутниковым снимкам, включая наземные данные тестовых участков, что дало возможность провести дистанционный мониторинг и оценку изменений в распределении лесного покрова. На основе результатов исследований в диссертационной работе были сделаны следующие рекомендации производству: 1. Использовать предложенный метод пошаговой классификации спутниковых данных среднего и высокого разрешения, позволяющий автоматизировать процесс дистанционного мониторинга лесного покрова, при проведении государственной инвентаризации лесов 122 Российской Федерации по направлениям «Определение количественных и качественных характеристик лесов» и «Дистанционный мониторинг использования лесов». 2. Внедрять в практику государственных лесоинвентаризационных работ компьютерную программу Comparer_CSFM@RS_1.0, разработанную в диссертационном исследовании, при проведении работ по оценке точности классификации тематического картирования спутниковых снимков и сравнении карт высокого, среднего и грубого пространственного разрешения. 3. Использовать на производстве предложенные в диссертационной работе базы данных спектральных сигнатур растительного покрова на примере Республики Марий Эл и Чувашской Республики. 123 Список сокращений и условных обозначений БД База данных ГИС Географическая информационная система ГИЛ Государственная инвентаризация лесов ГПС Глобальная позиционирующая система ГЛФ Государственный лесной фонд ДЗЗ Дистанционное зондирование Земли ЛХ Лесное хозяйство РМЭ Республика Марий Эл ЧР Чувашская Республика PA Точность производителя (англ. Producer’s accuracy) UA Точность пользователя (англ. User’s accuracy) OE Ошибка пропуска (англ. Omission error) CE Ошибка допуска (англ. Commission error) LCCS Land Cover Classification System DN Digital numbers k̂ Коэффициент Каппа P Общая точность классификации IGBP International Geosphere Biosphere Programme NDVI Normalized Difference Vegetation Index USGS United States Geological Survey MODIS Moderate resolution imaging spectroradiometer GPP Gross Primary Productivity КГР Карты грубого разрешения КСР Карты среднего разрешения Br Коэффициент “Tasseled cap” Яркость (Brightness) Gr Коэффициент “Tasseled cap” Зеленость (Greenness) Wt Коэффициент “Tasseled cap” Влажность (Wetness) Landsat Land Remote-Sensing Satellite – Спутник дистанционного зондирования Земли MSS Многоспектральный сканер 124 Список литературы 1. Барталев, С.А. Дистанционная сельскохозяйственных земель по оценка параметров спутниковым данным спектрорадиометра MODIS / С.А. Барталев, Е.А. Лупян, И.А. Нейштадт, И.Ю. Савин // Современные проблемы дистанционного зондирования Земли из космоса. – М.: ИКИ РАН. –2005. – С. 228–236. 2. Барталев, С.А. Разработка информационной системы поддержки мониторинга состояния и динамики наземных экосистем Северной Евразии по данным спутниковых наблюдений / С.А. Барталев, М.А. Бурцев, Е.А. Лупян, А.А. Прошин, И.А. Уваров // Современные проблемы дистанционного зондирования Земли из космоса. – 2004. – № 1. – С. 131-139. 3. Барталев, С.А. Исследования ИКИ РАН по развитию методов спутникового мониторинга растительного покрова / С.А. Барталев, Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса. – 2013. – № 1. – С. 197-214. 4. Белов, В.А Камеральный анализ признаков дешифрирования на основе вероятностных методов при выполнении таксации лесов дешифровочным способом по технологии «От съемки к проекту». // Белов В.А, Любимов А.В. Информационные технологии в лесном хозяйстве, охране природы и ландшафтном строительстве: сборник статей сотрудников лесохозяйственного факультета по итогам законченных научно-исследовательских работ (под общ. ред. д. г. н., проф. А. С. Алексеева и д. с.-х. н., проф. А. В. Любимова), СПб: СПбГЛТУ, 2014., С. 17-23. 5. Верхунов, П.М. Таксация леса: учебное пособие для студентов специальности 260400 Лесное хозяйство, 260500 Садово-парковое и ландшафтное строительство / П.М. Верхунов, В.Л.Черных. — Йошкар-Ола: МарГТУ. – 2007. – 398 с. 125 6. Воробьев, О.Н. Спутниковый мониторинг недропользования в Республике Марий Эл / О.Н. Воробьев, Э.А. Курбанов // Геоматика. – Москва: «Совзонд». – 2015. – № 1. – С. 45-52. 7. Воробьев, О.Н. Дистанционный мониторинг городских лесов / О.Н. Воробьев, Э.А. Полевщикова, Курбанов, Е.Н. А.В. Губаев, Демишева// С.А. Вестник Лежнин, Ю.А. Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. – 2015. – № 1(25).– С. 5-21. 8. Воробьев, О.Н. Дистанционный мониторинг лесных гарей в Марийском Заволжье / О.Н. Воробьев, Э.А. Курбанов, А.В. Губаев, С.А. Лежнин, Ю.А. Полевщикова // Вестник ПГТУ. – Йошкар-Ола: Поволжский государственный технологический университет. – 2012. – № 1. – С. 12-22. 9. Воробьев, О.Н. Генерализация тематических карт снимков Landsat ETM+ / О.Н. Воробьев, Э.А. Курбанов // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: материалы международного научнопрактического семинара [Электронный ресурс]. – Йошкар-Ола: МарГТУ, 2011. – С. 43-48. URL: http://csfm.marstu.net/publications.html. 20.03.2015 10. Воробьев, О.Н. Методика выявления степени повреждения древостоев после пожаров 2010 года в Среднем Поволжье / О.Н. Воробьев, Э.А. Курбанов, С.А. Лежнин, Ю.А. Полевщикова, Е.Н. Демишева // Современные проблемы дистанционного зондирования Земли из космоса. – 2014. – № 4 (11). – С. 217-229. 11. Газизуллин, А.Х. Почвенно-экологические условия формирования лесов Среднего Поволжья / А.Х. Газизуллин – Казань: РИЦ «Школа», 2005. – 496с. 126 12. Газизуллин, А.Х. Буроземообразование и псевдооподзоливание в почвах лесов Среднего Поволжья и Предуралья / А.Х. Газизуллин, А.Т. Сабиров. – Йошкар-Ола: МарГТУ, 1997. – 204 с. 13. Газизуллин, А.Х. Особенности роста высокопроизводительных культур сосны в Среднем Поволжье в зависимости от почвенно-грунтовых усло-вий и первоначальной густоты / А.Х. Газизуллин, А.Т. Сабиров // Лесо-водство, лесные культуры и почвоведение. – Л., 1990. – С. 79-85. 14. ГОСТ Р 50828-95. Геоинформационное картографирование. Пространственные данные. Цифровые и электронные карты. Общие требования. – Введ. 18.10.1995. – М.: Изд-во стандартов, 1995 – 24 с. 15. Губаев, А.В. Оценка точности тематических карт растительного покрова по спутниковым снимкам в среде ГИС / А.В. Губаев // Лесные экосистемы в условиях изменения продуктивность и дистанционный международного научно-практического климата: биологическая мониторинг: семинара материалы [Электронный ресурс]. – Йошкар-Ола: МарГТУ, 2011. – С. 48-56. – URL: http://csfm.marstu.net/publications.html. 20.03.2015 16. Губаев, А.В. Классификация наземного покрова Среднего Поволжья по спутниковым снимкам среднего разрешения / А. В. Губаев, Э. А. Курбанов, О. Н. Воробьев, С. А. Лежнин, Ю.А. Полевщикова // Лесные экосистемы в условиях изменения продуктивность и международного научно-практического ресурс]. – дистанционный Йошкар-Ола: МарГТУ, климата: биологическая мониторинг: семинара 2011. – материалы [Электронный С.7-19. – URL: http://csfm.marstu.net/publications.html 20.04.2012 17. Данилов, М.Д. Леса СССР: Леса Марийской АССР / М.Д. Данилов. – М.: Наука, 1966. – Т 1. – С. 378-426. 18. Данилова, И.В. Методика составления карт лесных территорий на основе данных космической съемки (на примере Красноярского 127 края) / И.В. Данилова // География и природные ресурсы. – 2007. – № 4. – С. 135-139. 19. Демаков, Ю. П. Изменения климата и состояния лесов Республики Марий Эл в XX столетии / Ю.П. Демаков, М.Г. Сафин, А.Е. Смыков // Вестник МарГТУ. Серия «Лес. Экология. Природопользование». – 2009. – №2(6). – С. 40-48. 20. Демаков, Ю.П. Эколого-ресурсный потенциал древостоев лесообразующих пород Среднего Поволжья / Ю.П. Демаков, А.В. Исаев, В.Л. Черных // Вестник ПГТУ. Серия «Лес. Экология. Природопользование». – 2014. – №4(24). – С. 5-20. 21. Денисов, А.К. Леса СССР. Леса Кировской области / А.К. Денисов. – М: Наука, 1966. – Т 1. – С. 341-377. 22. Денисов, С.А. Проблемы воспроизводства сосновых лесов Среднего Поволжья/ С.А. Денисов, К.К. Калинин, В.П. Бессчетнов, Н.В. Демичева, Т.С. Батухтина, В.В. Самоделкина // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. – 2012. – № 1. – С. 12-23. 23. Елсаков, В.В. Картирование растительного покрова бассейна р. Кожим (Приполярный Урал) с использованием материалов дистанционного зондирования / В.В. Елсаков, И.О. Марущак, В.М. Щанов // Современные проблемы дистанционного зондирования Земли из космоса. – 2009. – Т.2. – С. 360-364. 24. Елсаков, В.В. Растительный покров Югорского полуострова в условиях климатических изменений последних десятилетий / В.В. Елсаков, Е.Е. Кулюгина // Исследование земли из космоса. – 2014. – № 3. – С. 65-77. 25. Замолодчиков, Д.Г. Оценка пула углерода крупных древесных остатков в лесах России с учетом влияния пожаров и рубок / Д.Г. Замолодчиков // Лесоведение. – 2009. – № 1. – С. 3-15. 128 26. Изменения климата – 2001: Третий оценочный доклад Межправительственной группы экспертов по изменению климата (IPCC): Резюме для лиц, определяющих политику. МГЭИК. – 2001 (IPCC) –Том 1 Научные аспекты, 109 с.; Т.2 Последствия, адаптация и уязвимость,107 с.; Т. 3 Смягчение последствий, 103 с. 27. Калинин, К.К. Разработка комплекса лесоводственных, лесокультурных и лесозащитных мероприятий по восстановлению лесов на гарях 1972 года на территории Марийской АССР: отчет о НИР / К.К. Калинин, В.А. Матвеев, Ю.Н. Русов, А.В. Иванов // Марийский опорный пункт ТатЛОС. – Старожильск, 1975. – 82 с. 28. Колесникова, О.Н. Возможности ПК ENVI для обработки мультиспектральных и гиперспектральных данных / О.Н. Колесникова, А.С. Черепанов // Геоматика. – 2009. – № 3. – С. 24-27. 29. Колобов, Н.В. Климат Среднего Поволжья / Н.В. Колобов.- Казань: Изд-во Казанского университета, 1968. – 252 с. 30. Курбанов, Э.А. Тематическое картирование и стратификация лесов Марийского Заволжья по спутниковым снимкам Landsat / Э.А. Курбанов, О.Н. Воробьев, С.А. Незамаев, А.В. Губаев, С.А. Лежнин, Ю.А. Полевщикова // Вестник ПГТУ. – Йошкар-Ола: Поволжский государственный технологический университет.– 2013. – № 3. – С. 72-82. 31. Курбанов, Э.А. Четыре десятилетия исследований лесов по снимкам Landsat / Э.А. Курбанов, О.Н. Воробьев, А.В. Губаев, С.А. Лежнин, Ю.А. Полевщикова, Е.Н. Демишева// Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. – 2014. – № 1(21).– С. 18-32. 32. Курбанов, Э.А. Оценка зарастания земель запаса Республики Марий Эл лесной растительностью по спутниковым снимкам / Э.А. Курбанов, О.Н. Воробьёв, А.В. Губаев, С.А. Лежнин, С.А. Незамаев, Т.А. 129 Александрова // Вестник МарГТУ. – Йошкар-Ола: МарГТУ.– 2010. – № 2(9). – С. 14-20 33. Курбанов, Э.А. Дистанционный мониторинг динамики нарушений лесного покрова, лесовозобновления и лесовосстановления в Марийском Заволжье / Э.А. Курбанов, Т.В. Нуреева, О.Н. Воробьев, А.В. Губаев, С.А. Лежнин, Т.Ф. Мифтахов, С.А. Незамаев, Ю.А. Полевщикова // Вестник МарГТУ. Серия «Лес. Экология. Природопользование». – Йошкар-Ола: МарГТУ, 2011. – № 3(13). – С. 17-24. 34. Курбанов, Э.А. Бюджет углерода сосновых экосистем Волго-Вятского района: научное издание / Э.А. Курбанов. – Йошкар-Ола: МарГТУ, 2002. – 300 с. 35. Курбанов Э.А. Лесоводство. Международное лесное хозяйство: учебное пособие. Рекомендовано УМО по образованию в области лесного дела / Э.А. Курбанов, О.Н. Воробьев /. Йошкар-Ола: ПГТУ, 2014. – 254 с. 36. Лесной кодекс Российской Федерации: [от 04.12.2006 N 200-ФЗ]. – 2006 37. Лесной план Республики Марий Эл: [утвержден распоряжением Главы РМЭ 16 окт. 2012 г.]. – Йошкар-Ола, 2012. – 372с. 38. Лупян, Е.А. Спутниковый сервис мониторинга состояния растительности / Е.А. Лупян, И.Ю. Савин, С.А. Барталев, В.А. Толпин, И.В. Балашов, Д.Е. Плотников // Современные проблемы дистанционного зондирования Земли из космоса. – М.: ИКИ РАН. – 2011. – № 1. – Т.8. – С. 190-198. 39. Любимов, А.В. Дешифрирование и интерпретация материалов аэрокосмических съемок для совершенствования инвентаризации особо охраняемых лесов: учебное пособие/ А.В. Любимов, Н.И. Ксенофонтов, Ю.И. Колесников. – СПб.: СПбЛТА, 2001. – 192 с. 130 40. Марийский центр по гидрометеорологии и мониторингу окружающей среды. [Электронный ресурс]. – 2009 Режим доступа: http://maripogoda.ru/klimat-respubliki Дата обращения 15.04.2015 41. Методические рекомендации по проведению государственной инвентаризации лесов: утверждены приказом Рослесхоза от 10.11.2011 № 472 // [Электронный ресурс]. – 2011. Режим доступа: http://www.rosleshoz.gov.ru/docs/leshoz/199 Дата обращения 15.04.2015 42. Нагимов, З.Я. Таксация леса: учеб. пособие / З. Я. Нагимов, И. Ф. Коростелев, И. В. Шевелина; Федер. агентство по образованию, Урал. гос. лесотехн. ун-т. - Екатеринбург: УГЛТУ, 2006. - 299 с. 43. Нагимов, З.Я. Закономерности роста и формирования наземной фитомассы сосновых древостоев: автореф. дис. … д-ра. с.-х. наук: 06.03.03. / З.Я. Нагимов // Екатеринбург, 2000. – 24 с. 44. Патрикеев, Е.И. Песчаные подзолистые почвы свежего бора Марийской АССР, их лесорастительные свойства и пути улучшения: автореф. дис… канд. с.-х. наук / Е.И. Патрикеев. – Воронеж, 1977. – 25 с. 45. Пономарёв, Е.И. Спутниковый мониторинг горных лесных экосистем Саян / Е.И. Пономарёв, Д.М. Исмаилова, Д.И. Назимова // Journal of Siberian Federal University. Biology 1. – 2011. – № 4. – С. 75-85. 46. Разработка рекомендаций по воспроизводству лесных насаждений повышенной биологической и пожарной устойчивости на гарях 2010 года в лесном фонде, расположенном на территории Чувашской Республики: отчет о НИР ГК №89 от 09.11.20011 /Министерство природных ресурсов и экологии Чувашской Республики; рук. Романов Е.М; исполн.: Курбанов Э.А. [и др.] – Йошкар-Ола, 2011. – 127 с. 47. Савин, И.Ю. Спутниковый мониторинг воздействия засухи на растительность (на примере засухи 2010 года в России) / И.Ю. Савин, С.А. Барталев, Е.А. Лупян, В.А. Толпин, М.А. Медведева, Д.Е. 131 Плотников // Современные проблемы дистанционного зондирования Земли из космоса. – 2011. – Т. 8. – С. 150-162. 48. Система классификации земного покрова (LCCS): Понятия классификации и руководство пользователя / Организация ООН по вопросам продовольствия и сельского хозяйства. – Рим. – 2005. – 108 с. 49. Смирнов, В.H. Почвы Марийской АССР, их генезис, эволюция и пути их улучшения / В.H. Смирнов. – Йошкар-Ола: Маркнигоиздат, 1968. – 531 с. 50. Спивак, Л.Ф. Мониторинг долговременных изменений растительного покрова аридных и полуаридных зон Казахстана с использованием данных дистанционного зондирования / Л.Ф. Спивак, И.С. Витковская, А.Г. Терехов, М.Ж. Батырбаева // Современные проблемы дистанционного зондирования Земли из космоса. – М.: ИКИ РАН. – 2011. – № 1. –Т.8. – С. 163-169. 51. Статакис, Д. Дешифрирование урбанизированных территорий по спутниковым данным Landsat / Д. Статакис, К. Перакис, И.Ю. Савин// Исследование земли из космоса. – 2012. -№ 5. – 22-29. 52. Ступишин, А.В. Физико-геогpафическое pайониpование Среднего Поволжья / А.В. Ступишин. – Казань, 1969. – 124 с. 53. Сухих В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве: учебник. / В.И. Сухих; Марийский государственный технический университет. - Йошкар-Ола, 2005. – 390 с. 54. Терехин, Э.А. Анализ каналов спутниковых данных Landsat TM для оценки характеристик лесных насаждений лесостепной провинции Среднерусской возвышенности / Э.А. Терехин // Исследование земли из космоса. – 2012. - № 2. – 53-62. 132 55. Усольцев, В.А. Биологическая продуктивность лесов Северной Евразии: методы, база данных и ее приложения / В.А. Усольцев. – Екатеринбург: УрО РАН. – 2007. – 636 с. 56. Фомин, В.В. Пространственно-временная динамика верхней границы леса на Южном Урале во второй половине XX века / В.В. Фомин, Д.С. Капралов, М.М. Терентьев, А.А. Барова, А.В. Устинов, Н.Е. Циммерманн // Геоинформатика. – 2007. – № 1. – С. 56-60. 57. Френкель, М.О. Межрегиональный экомониторинг Волжского бассейна / М.О. Френкель. – Киров, 1997. – 178 с. 58. Харин, Н.Г. Возможности использования вегетационного индекса (NDVI) для изучения фенологии и состава лесов России /Н.Г. Харин, В.М. Жирин, Р. Татеиши // Исследование земли из Космоса. – 2006. – № 3. – 89-96. 59. Чистяков, А.Р. Типы лесов Марийской АССР и сопредельных районов / А.Р. Чистяков, А.К. Денисов. – Йошкар-Ола, 1959. – 73 с. 60. Черных, В.Л. Закономерности распределения основных таксационных показателей в лесных стратах на территории Республики Марий Эл / В.Л. Черных, Е.С. Вдовин, М.А. Ануфриев, А.А. Домрачев // Известия СПбГАУ, 2011. – № 24. – С. 270-274. 61. Черных, В.Л. Геоинформационные системы в лесном хозяйстве: учебное поcобие. – Йошкар-Ола: МарГТУ, 2005. – 202 с. 62. Чочаев, А.Х. Социально-экономические и экологические факторы многоцелевого лесопользования в лесоохотничьих хозяйствах / А.Х. Чочаев, М.А. Жашуев, О.А. Воробьева // Вестник Московского государственного университета леса. – Лесной вестник. – 2006. – № 2. – C. 237-238. 63. Aksenov, D. Atlas of Russia’s Intact Forest Landscapes / D. Aksenov, D. Dobrynin, M. Dubinin et al. // Biodiversity Conservation Center, Greenpeace Russia, International Socio-Ecological Union, World Resources Institute, Moscow, Russia. – 2002. 133 64. Alrababah, M.A. Estimating east Mediterranean forest parameters using Landsat ETM / M.A. Alrababah, M.N. Alhamad, A.L. Bataineh, M.M. Bataineh, A.F. Suwaileh // International Journal of Remote Sensing. – 2011. – Vol. 32. – № 6. – P. 1561-1574. 65. Aranzabal, I.D. Modelling of landscape changes derived from the dynamics of socio-ecological systems a case of study in a semiarid Mediterranean landscape / I.D. Aranzabal, M.F. Schmitz, P. Aguilera, F.D. Pineda // Ecological indicators. – 2008. – № 8. – P. 672-685. 66. Bartalev, S.A. New SPOT4-VEGETATION derived land cover map of Northern Eurasia/ S.A. Bartalev, A.S. Belward, D. Ershov, A.S. Isaev // International Journal of Remote Sensing. – 2003. – Vol. 24. – P. 1977-1982. 67. Bartalev, S.S. Assessment of forest cover in Russia by combining a wall-towall coarse resolution land-cover map with a sample of 30 m resolution forest maps / S. Svyatoslav, O. Kissiyarab, F. Acharda, S.A. Bartalev, D. Simonetti // International Journal of Remote Sensing. – 2014. – № 35 (7). – P. 2671-2692. 68. Bartholome, E. GLC 2000: A new approach to global land cover mapping from Earth observation data / E. Bartholome, A.S. Belward // International Journal of Remote Sensing. – 2005. – № 26. – P. 1959-1977. 69. Bastarrika, A Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: Balancing omission and commission errors / A. Bastarrika, E. Chuvieco, P. Martín // Remote Sensing of Environment. – 2011. – № 115. – P. 1003-1012 70. Bhagat, V.S. Use of Landsat ETM+ data for detection of potential areas for afforestation / V.S. Bhagat // International Journal of Remote Sensing. – 2009. – № 30(10). – P. 2607-2617. 71. Brockhaus, J.A. A comparison of Landsat TM and SPOT HRV data for use in the development of forest defoliation models / J.A. Brockhaus, S. Khorram, R.I Bruck, M.V. Campbell, C. Stallings // International journal of remote sensing. – 1992. – № 13. – P. 3235-3240. 134 72. Campbell, J.B. Introduction to remote sensing. - 4th edition / J.B. Campbell. – «A Division of Guilford Publication, Inc», 2007. – 625 p. 73. Chand, T.R.K. Active forest fire monitoring in Uttaranchal State, India using multi-temporal DMSP-OLS and MODIS data / T.R.K. Chand, K.V.S. Badarinath, M.S.R. Murthy, G. Rajshekhar, C.D. Elvidge, B.T. Tuttle // International Journal of Remote Sensing. – 2007. – Vol. 28. – № 10. – P. 2123-2132. 74. Chapin, F.S. Resilience and vulnerability of northern regions to social and environmental change / F.S. Chapin III, G. Peterson, F. Berkes, T.V. Callaghan, M. Apps, C. Beier, Y. Bergeron, A.S. Crepin, K. Danell, T. Elmqvist, C. Folke, B. Forbes, N. Fresco, G. Juday, J. Niemelä, A. Shvidenko, G. Whiteman // Ambio. –2004. – № 33 (6). – P. 344-349. 75. Cohen, W.B. An improved strategy for regression of biophysical variables and Landsat ETM+ data / W.B. Cohen, T.K. Maiersperger, S.T. Gower, D.P. Turner // Remote Sensing of Environment. – 2003. – № 84. – P. 561571. 76. Cohen, W.B. Estimating the age and structure of forests in a multiownership landscape of western Oregon, USA / W.B. Cohen, T.A. Spies, M. Fiorella // International Journal of Remote Sensing. – 1995. – № 16. – P. 721-746. 77. Cohen, W.B. Estimating structural attributes of Douglas-fir/western hemlock forest stands from Landsat and Spot imagery / W.B. Cohen, T.A. Spies // Remote Sensing of Environment. – 1992. – № 41 (1). – P. 1-17. 78. Cohen, J. A coefficient of agreement for nominal scales /J. Cohen// Educational and Psychological Measurement. – 1960. – № 20. – P. 37-46. 79. Crist, E.P. A TM tasseled cap equivalent transformation for reflectance factor data / E.P. Crist // Remote Sensing of Environment. – 1985. – № 17. – P. 301-306. 135 80. Czaplewski, R. Variance approximations for assessments of classification accuracy / R. Czaplewski /Fort Collins: US Department of Agriculture, Forest Service. Research paper RM–316. – 1994. – 30 p. 81. Dale, V.H. Ecological principles and guidelines for managing the use of land / V.H. Dale, S. Brown, R.A. Haeuber, N.T. Hobbs, N. Huntly, R.J. Naiman, W.E. Riebsame, M.G. Turner, T.J. Valone // Ecological Applications. – 2000. – № 10. – P. 639-670. 82. DeFries, R. Global discrimination of land cover types from metrics derived from AVHRR Pathfinder data/ R. DeFries, M. Hansen, J. Townshend // Remote Sensing of Environment. – 1995. – № 54. – P. 209-222. 83. Eidenshink, J.C. The 1 km AVHRR global land data set: first stages in implementation / J.C. Eidenshink, J.L. Faundeen // International Journal of Remote Sensing. – 1994. – № 15. – P. 3443-3462. 84. Ekstrand, S. Assessment of forest damage with Landsat TM: Correction for varying forest stand characteristics / S. Ekstrand // Remote Sensing of Environment. – 1994. – № 47(3). – P. 291-302. 85. ESRI (Raster Generalization, 2010) [Electronic resource]. – URL: http://www.esri.com/software/arcgis/extensions/ 20.04.2012 86. Fang, H. Integration of MODIS LAI and vegetation index products with the CSM-CERES-Maize model for corn yield estimation / H. Fang, S. Liang, G. Hoogenboom // International Journal of Remote Sensing. – 2011. – № 32(4). – P. 1039-1065. 87. FAO. Global Forest Resources Assessment 2000: main report. FAO. Forestry Paper 140. – Rome. – 2001. – 479 p. 88. FAO. Global Forest Resources Assessment 2005. Progress towards sustainable forest management. FAO. Forestry Paper 147. – Rome. – 2006. – 320 p. 89. Ferreira, N.C. Assessing the response of the MODIS vegetation indices to landscape disturbance in the forested areas of the legal Brazilian Amazon/ 136 N.C. Ferreira, L.G. Ferreira, A.R. Huete // International Journal of Remote Sensing. – 2010. – № 31 (3). – P. 745-759. 90. Field, D.R. Reaffirming social landscape analysis in Landscape Ecology: a conceptual framework / D.R. Field, P.R. Voss, T.K. Kuczenski, R.B. Hammer, V.C. Radeloff // Society and Natural Resources. – 2003. – № 16. – P. 349-361. 91. Fiorella, M. Analysis of conifer forest regeneration using Landsat Thematic Mapper data / M. Fiorella, W.J. Ripple // Photogrammetric Engineering and Remote Sensing. –1993. – № 59. – P. 1383-1388. 92. Fleischmann, C.G. Multi-temporal AVHRR digital data: an approach for landcover mapping of heterogeneous landscapes/ C.G. Fleischmann, S.J. Walsh // Geocarto International. – 1991. – № 4. – P. 5-20. 93. Frederiksen, P. Vegetation types and patterns in Senegal based on multivariate analysis of field and NOAA-AVHRR satellite data / P. Frederiksen, J.E. Lawesson // Journal of Vegetation Science. – 1992. – № 3. – P. 535-544. 94. Freitas, S.R., Mello, M.C.S. and Cruz, C.B.M. Relationships between forest structure and vegetation indices in Atlantic rainforest / S.R. Freitas, M.C.S. Mello, C.B.M. Cruz // Forest Ecology and Management. – 2005. – № 218. – P. 353-362. 95. Friedl, M.A. Global land cover mapping from MODIS: algorithms and early results / M.A. Friedl, D.K. McIver, J.C.F. Hodges, X.Y. Zhang, D. Muchoney, A.H. Strahler, C.E. Woodcock, S. Gopal, A. Schneider, A. Cooper, A. Baccini, F. Gao, C.B. Schaaf // Remote Sensing of Environment. – 2002. – № 83. – P. 287-302. 96. Gebremichael, M. Evaluation of MODIS Gross Primary Productivity (GPP) in tropical monsoon regions / M. Gebremichael, A.P. Barros // Remote Sensing of Environment. – 2006. – № 100. – P. 150-166. 97. Gamon, J.A. Relationships between NDVI, canopy structure, and photosynthesis in three Californian vegetation types / J.A. Gamon, 137 C.B. Fiedl, M.L. Goulden, K.L. Griffin, A.E. Hartley, G. Joel, J. Penuelas, R. Valentini // Ecological Applications. – 1995. – №5. – P. 28-41. 98. Gerylo, G.R. Empirical relations between Landsat TM spectral response and forest stands near Fort Simpson, Northwest Territories, Canada / G.R. Gerylo, R.J. Hall, S.E. Franklin, L. Smith // Canadian Journal of remote Sensing. – 2002. – № 28. – P. 68-79. 99. Global Land Cover Products [Electronic resource]. – 2000 – URL: http://bioval.jrc.ec.europa.eu/products/glc2000/products.php – 20.03.2015 100. GlobCover [Electronic resource]. – 2009 – URL: http://www.edenextdata.com/?q=content/esa-globcover-version-23-2009300m-resolution-land-cover-map-0 20.03.2015 101. Hansen, M.C. Detecting long-term Global forest change using continuous fields of tree-cover maps from 8-km advanced very high resolution radiometer (AVHRR) data for the years 1982-99 / M.C. Hansen, R.S. DeFries // Ecosystems. – 2004. – № 7. – P. 695-716. 102. Hansen, M.C. Global Percent Tree Cover at a Spatial Resolution of 500 Meters: First Results of the MODIS Vegetation Continuous Fields Algorithm / M.C. Hansen, R.S. DeFries, J.R.G. Townshend, M. Carroll, C.Dimiceli, R.A.Sohlberg // Earth Interactions. – 2003. – № 7(10). – P. 1-15. 103. Hansen, M.J. Forest structure classification in the North Columbia mountains using the Landsat TM Tasseled Cap wetness component / M.J. Hansen, S.E. Franklin, C. Woudsma, M. Peterson // Canadian Journal of remote Sensing. – 2001. – № 27. – P. 20-32. 104. Healey, S.P. Comparison of Tasseled Cap-Based Landsat Data Structures for Use in Forest Disturbance Detection / S.P. Healey, W.B. Cohen, Y. Zhiqiang, O. Krankina // Remote Sensing of Environment. – 2005. – № 97. – P. 301-310. 105. Heikkila, J. Estimating defoliation in boreal coniferous forests by combining Landsat TM, aerial photographs and field data / J. Heikkila, S. Nevalainen, T. Tokola // Forest ecology and Management. – 2002. – № 158. –P. 9-23. 138 106. Herold, M. Some challenges in global land cover mapping: An assessment of agreement and accuracy in existing 1 km datasets / M. Herold, P. Mayaux, C.E. Woodcock, A. Baccini, C. Schmullius // Remote Sensing of Environment. – 2008. – № 112. – P. 2538-2556. 107. Holden, Z.A. Evaluation of novel thermally enhanced spectral indices for mapping fire perimeters and comparisons with fire atlas data / Z.A. Holden, A.M. Smith, P. Morgan, M.G. Rollins, P.E. Gessler // International Journal of Remote Sensing. – 2005. – № 26 (21). – P. 48014808. 108. Huang, C. Derivation of A Tasseled cap transformation based on Landsat 7 at satellite reflectance / C. Huang, B. Wylie, C. Homer, L. Yang, G. Zylstra International journal of remote sensing. – 2002. – № 23. – P. 1741-1748. 109. IGBP. International Geosphere-Biosphere Programme Data and Information Services [Electronic resource].– 1990 – URL: http://www.igbp.net – 15.03.2012 110. Jakubauskas, M.E. Empirical relationships between structural and spectral factors of Yellowstone Lodgepole pine forests / M.E. Jakubauskas, K.P. Price // Photogrammetric Engineering and Remote Sensing. – 1997. – № 63. – P. 1375-1381. 111. JRC. The Global Land Cover Map for the Year 2000: GLC2000 Database. European Commission Joint Research Centre [Electronic resource]. – 2003 – URL: http://ies.jrc.ec.europa.eu 15.03.2012 112. Julien, Y. Changes in land surface temperatures and NDVI values over Europe between 1982 and 1999 / Y. Julien, J.A. Sobrino, W. Verhoef // Remote Sensing of Environment. – 2006. – № 103. – P. 43-55. 113. Kindermann, G.E. A global forest growing stock, biomass and carbon map based on FAO statistics / G.E. Kindermann, I. McCallum, S. Fritz, M. Obersteiner // Silva Fennica. – 2008. – № 42. – P. 387-396. 114. Krankina, O.N. Carbon stores, thinks and sources in forests of northwestern Russia: can we reconcile forest inventories with remote sensing results? / 139 O.N. Krankina, M.E. Harmon, W.B. Cohen, D.R. Oetter, O.Zyrina, M.V.Duane// Climatic change. – 2004. – № 67. – P. 257-272. 115. Krankina, O.N. Effects of Climate and Disturbance on Forest Biomass across Russia / O.N. Krankina, R.A. Houghton, M.E. Harmon, E.H. Hogg, D. Butman, M. Yatskov, M. Huso, R.F. Treyfeld, V.N. Razuvaev, G. Spycher // Canadian journal of forest research. – 2005. – № 35. – P. 2281-2293. 116. Kurbanov, E.A. Changes in area and carbon in forests of Middle Zavolgie: regional case study of Russian forests / E.A. Kurbanov, M. Post// Climatic change. – USA. – 2002. – № 55. – P. 157-173. 117. Lambert, N.J. Spectral characterization and regression-based classification of forest damage in Norway spruce stands in the Czech Republic using Landsat Thematic Mapper data / N.J. Lambert, J. Ardo, B.N. Rock, J.E. Vogelmann // International Journal of Remote Sensing. – 1995. – № 16(7). – P. 1261-1287. 118. Leemans, R. Prediction of global biome distribution using bioclimatic equilibrium models / R. Leemans, W. Cramer, J.G. van Minnen // In A.L. Breymeyer, D.O. Hall, J.M. Melillo and G.L. Agren (eds.). – Scope 56 – Global Change: Effects on Coniferous and Grasslands. – 1996. – John Wiley & Sons, West Sussex, UK. – P. 413-439. 119. Lefsky, M.A. An evaluation of alternate remote sensing products for forestry inventory, monitoring and mapping of Douglas-fir forests in eastern Oregon/ M.A. Lefsky, W.B. Cohen, T.A. Spies// Canadian journal of forest research. – 2001. – № 31. – P. 78-81. 120. Lepers E. A synthesis of information on rapid land-cover change for the period 1981-2000 / E. Lepers, E.F. Lambin, A.C. Janetos, R. DeFries, F. Achard, N. Ramankutty, R.J. Scholes // BioScience. – 2005. – № 55 (2). – P. 115-124. 121. Lesschen, J.P. Statistical methods for analysing the spatial dimension of changes in land use and farming systems / J.P. Lesschen, P.H. Verburg, 140 S.J. Staal // LUCC Report Series 2005. – No. 7. – ILRI & Wageningen University http://www.globallandproject.org/Documents/LUCC_No_7.pdf 15.03.2012 122. Levin, N. Mapping forest patches and scattered trees from SPOT images and testing their ecological importance for woodland birds in a fragmented agricultural landscape / N. Levin, C. McAlpine, S. Phinn, B. Price, D. Pullar, R.P. Kavanagh, B.S. Law // International Journal of Remote Sensing. – 2009. – Vol. 30. – № 12. – P. 3147-3169. 123. Loveland, T.R. Development of a global land cover characteristics database and IGBP DISCover from 1km AVHRR data / T.R. Loveland, B.C. Reed, J.F. Brown, D.O. Ohlen, Z. Zhu, L. Yang, J.L. Merchant // International journal of remote sensing. – 2000. – № 21. – P. 1303-1330. 124. Lu, D. Change detection techniques / D.Lu, P. Mausel, E. Brondızio, E. Moran // International Journal of Remote Sensing. – 2004. - № 25. – P. 26352407. 125. Masek, J.G. North American forest disturbance mapped from a decadal Landsat record / J.G. Masek, C. Huang, R. Wolfe, W. Cohen, F. Hall, J. Kutler, P. Nelson // Remote Sensing of Environment. – 2008. – № 112. – P. 2914-2926. 126. Matthews, E. Global vegetation and land use: new high resolution data bases for limited studies / E. Matthews // Journal of Climatology and Applied Meteorology. – 1983. – № 22. – P. 474-487. 127. Matthews, R. The People and Landscape Model (PALM): towards full integration of human decision-making and biophysical simulation models / R. Matthews // Ecological Modeling. – 2006. – № 194. – P. 329-343. 128. McGwire, K.C. Examining regional vegetation associations using multitemporal AVHRR imagery/ K.C. McGwire, D.H.K. Fairbanks, J.E. Estes // Technical Papers of the ASPRS–ACSM Annual Convention. – 1992. – Vol. 1. (Albuquerque, NM: American Society of Photogrammetry and Remote Sensing). – P. 304-313. 141 129. Muller, F. Indicating ecosystem and landscape organisation / F. Muller // Ecological Indicators. – 2005. – № 5. – P. 280-294. 130. NELDA (Northern Eurasia Land Dynamics Analyses) [Электронный ресурс]. – 2009. Режим доступа: http://www.fsl.orst.edu/nelda/ 15.03.2015 131. Nelson, R. AVHRR-LAC estimates of forest area in Madagascar, 1990 / R. Nelson, N. Horning // International Journal of Remote Sensing. – 1993. – № 14. – P. 1463-1475. 132. Nilson, T. Thinning-caused changes in reflectances of ground vegetation in boreal forest / T. Nilson, H. Olsson, J. Anniste, T. Lukk, J. Praks // International Journal of Remote Sensing. – 2001. – № 22. – P. 2763-2776. 133. Oliveira-Filho, A. Patterns of floristic differentiation among Atlantic forests in southeastern Brazil, and the influence of climate /A. Oliveira-Filho, M.A.L. Fontes // Biotropica. – 2000. – № 32. – P. 793-810. 134. Olson, J.S. Major World ecosystem complexes ranked by carbon in live vegetation: A Database. NDP-017, Carbon Dioxide Information Center / J.S. Olson, J.A. Watts, L.J. Allison // Oak Ridge National Laboratory, Oak Ridge, Tennessee. – 1985. – doi: 10.3334 CD–IAC – lue.ndp017. – 26 p. 135. Päivinen, R. The growing stock of European forest using remote sensing and forest inventory /R. Päivinen, J.V. Brusselen, A. Schuck//Foresty. – 2009. – № 8. – P. 479-490. 136. Paletto, P. Social network analysis to support the forest landscape planning: an application in Arci-Grighine, Sardinia (Italy) / A. Paletto, I.D. Meo, F. Ferretti // Forestry ideas. – 2010. – V. 16. – № 1(39). – P. 28-35. 137. Pflugmacher, D. Comparison and assessment of coarse resolution land cover maps for Northern Eurasia /D. Pflugmacher, O.N. Krankina, W.B. Cohen, M.A. Friedl, D.S. Menashe, R.E. Kennedy et al // Remote sensing of environment. – 2011. – № 115. – P. 3539-3553 138. Phillips, R.L. Scaling-up knowledge of growing-season net ecosystem exchange for long-term assessment of North Dakota grasslands under 142 the Conservation Reserve Program/ R.L. Phillips, O. Beeri // Global Change Biology. – 2008. – № 14. – P. 1008-1017. 139. Pouliot, D. Development and assessment of a 250 m spatial resolution MODIS annual land cover time series (2000–2011) for the forest region of Canada derived from change-based updating /D. Pouliot, R. Latifovic, N. Zabcic, L. Guindon, I. Oltho // Remote Sensing of Environment. – 2014. – № 140. – P. 731-743. 140. Potapov, P. Combining MODIS and Landsat imagery to estimate and map boreal forest cover loss / P. Potapov, M.C. Hansen, S.V. Stehman, T.R. Loveland, K.Pittman // Remote Sensing of Environment. – 2008. – № 112(9). – P. 3708-3719. 141. Ran, Y. Evaluation of four remote sensing based land cover products over China / Y. Ran, X. Li, L. Lu // International Journal of Remote Sensing. – 2010. – Vol. 31. – № 2. – P. 391-401. 142. Rindfuss, R.R. Developing a science of land change: challenges and methodological issues / R.R. Rindfuss, S.J. Walsh, B.L.Turner, J. Fox, V. Mishra // Proceedings of the National Academy of Sciences of the United States of America. – 2004. – № 101. – P. 13976-13981. 143. Royle, D.D. Monitoring Hemlock Forest Health in New Jersey Using Landsat TM Data and Change Detection Techniques / D.D. Royle, R.G. Lathrop // Forest Science. – 1997. – № 43. – P. 327-335. 144. Schmitz, M.F. Implications of socioeconomic changes in Mediterranean cultural landscapes /M.F. Schmitz, L.D. Aranzabal, A.Rescia, F.D. Pineda // Development of European landscapes: conference proceedings. – Tartu. – 2001. – V. 2. – P. 788-793. 145. Sivanpillai, R. Estimation of managed loblolly pine stand age and density with Landsat ETM+ data / R. Sivanpillai, T.S. Charles, R. Srinivasan, M.G. Messina, X.B. Wu // Forest Ecology and Management. – 2006. – № 223. – P. 247-254. 143 146. Sohl, T.L. Addressing foundational elements of regional land-use change forecasting/ T.L. Sohl, R.L. Thomas, M.S. Benjamin, L.S. Kristi, C.A. Barnes // Landscape ecology. – 2010. – №. 25. – P. 233-247 147. Soudani, K. Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands / K. Soudani, C. Francois, G. le Maire, V.Le Dantec, E. Dufrene // Remote Sensing of Environment. – 2006. – № 102. – P. 161-175. 148. Tan, K. Satellite-based estimation of biomass carbon stocks for northeast China’s forests between 1982 and 1999 / K. Tan, S. Piao, C. Peng, J. Fang // Forest Ecology and Management. – 2007. –240. – P. 114-121. 149. Tottrup, C. Mapping fractional forest cover across the highlands of mainland Southeast Asia using MODIS data and regression tree modeling / C. Tottrup, M.S.Rasmussen, L. Eklundh, P. Jönsson // International Journal of Remote Sensing. – 2007. – № 28(1). – P. 23-46. 150. Townshend, J.R.G. Global data sets for land applications from the Advanced Very High Resolution Radiometer: an introduction / J.R.G. Townshend // International Journal of Remote Sensing. – 1994. – № 15. – P. 3319-3322. 151. Turner, B.L. Land Change Science Special Feature: The emergence of land change science for global environmental change and sustainability / B.L. Turner II, E.F. Lambin, A. Reenberg // Proceedings of the National Academy of Sciences. – 2007. №. – 104 (52). – P. 20666-20671. 152. Turner, D.P. Evaluation of MODIS NPP and GPP products across multiple biomes / D.P. Turner, W.D. Ritts, W.B. Cohen, S.T. Gower, S.W. Running, M. Zhao, M.H. Costa, A.A. Kirschbaum, J.M. Ham, S.R. Saleska, D.E. Ahl // Remote Sensing of Environment. – 2006. – № 102. – P. 282-292. 153. Turner, D.P. Scaling Gross Primary Production (GPP) over boreal and deciduous forest landscapes in support of MODIS GPP product validation / D.P. Turner, W.D. Ritts, W.B. Cohen, S.T. Gower, M.S. Zhao, S.W. Running, S.C. Wofsy, S. Urbanski, A.L. Dunn, J.W. Munger // Remote Sensing of Environment. – 2003. – № 88. P. 256-270. 144 154. Verburg, P.H. Multi-scale characterization of land- use patterns in China / P.H. Verburg, Y.Q. Chen // Ecosystems. – 2000. – № 3. – P. 369-385. 155. Walsh S.J. A multiscale analysis of LULC and NDVI variation in Nang Rong District, northeast Thailand. Agriculture / S.J. Walsh, T.W. Crawford, W.F. Welsh, K.A. Crews-Meyer // Ecosystems and Environment. – 2001. – № 85. – P. 47-64. 156. Wilson, M.F. A global archive of land cover and soils data for use in general circulation models / M.F. Wilson, A. Henderson-Sellers // Journal of Climatology. – 1985. – № 5. – P. 119-143. 157. Wulder, M.A. Estimating time since forest harvest using segmented Landsat ETM+ imagery / M.A. Wulder, R.S. Skakun, W.A. Kurz, J.C. White // Remote Sensing of Environment. – 2004. – № 93. – P. 179-187. 158. Zhang, N. Scaling up ecosystem productivity from patch to landscape: a case study of Changbai Mountain Nature Reserve, China / N. Zhang, Z. Yu, G. Yu, J. Wu // Landscape ecology. – 2007a. – № 2. – P. 303-315. 145 Приложения Приложение 1 146 Окончание приложения 1 147 Приложение 2 148 Окончание приложения 2 149 Приложение 3 150 Окончание приложения 3 151 Приложение 4 152 Окончание приложения 4 153 Приложение 5 154 Приложение 6 155 Окончание приложения 6 156 Приложение 7 157 Приложение 8 158 Приложение 9 159 Приложение 10 160 Приложение 11 Приложение 12 161 Тематическая карта Landsat 2001 на 14 классов наземного покрова 162 Приложение 13 Тематическая карта Landsat 2001 на 14 классов наземного покрова 163 Приложение 14 Таблица. - Матрица неточностей сравнения 14 классов наземного покрова по тематическим картам Landsat 2001 и наземным данным тестовых участков TMC_M TNBC_Y HC HC_C 0 10 3 0 17 0 0 0 13 0 458 85,4 14,6 TNEC_M 44 394 7 0 0 6 9 0 16 0 0 0 14 0 490 80,4 19,6 TNEO_W 0 0 201 0 0 2 0 0 5 0 0 0 0 0 208 96,6 3,4 TBDC_MaO 6 0 1 289 11 14 10 0 0 1 0 0 1 0 333 86,8 13,2 10 3 11 14 495 24 20 26 22 2 0 0 3 0 630 78,6 21,4 TMC_MaO 0 0 3 1 0 283 21 0 0 0 0 0 0 0 308 91,9 8,1 TMC_M 0 0 0 19 3 25 233 0 0 1 0 0 1 0 282 82,6 17,4 TNBC_Y 0 0 16 0 10 21 13 194 17 36 0 6 26 0 339 57,2 42,8 T_S 0 0 10 0 13 0 0 9 302 53 0 14 29 0 430 70,2 29,8 HC 0 0 0 0 0 0 0 0 19 656 34 17 5 0 731 89,7 10,3 HC_C 0 0 0 0 0 0 0 0 0 24 696 33 1 0 754 92,3 7,7 TMO_B 0 0 0 0 0 0 0 0 0 0 0 1344 6 0 1350 99,6 0,4 BL 0 0 0 0 0 0 0 0 0 0 0 1 235 0 236 99,6 0,4 W 391 13 11 0 0 10 3 0 17 0 0 0 13 0 810 90,2 9,8 Итого 451 410 260 323 532 385 309 229 398 773 730 1415 413 731 PA% 86,7 96,1 77,3 89,5 93,0 73,5 75,4 84,7 75,9 84,9 95,3 95,0 56,9 100,0 OE% Общая точность, % Коэффициент Каппа 13,3 3,9 22,7 10,5 7,0 26,5 24,6 15,3 24,1 15,1 4,7 5,0 43,1 0,0 TBDC_M 88 0,86 UA% CE% W Итого BL TMO_B TMC_MaO 0 T_S TBDC_M 11 TNEO_W 13 TNEC_M 391 TNEC_MaO Landsat 2001 г. TBDC_MaO TNEC_MaO Опорные данные тестовых участков 164 Приложение 15 Матрица неточностей сравнения 14 классов наземного покрова по тематическим картам Landsat 2014 и наземным данным тестовых участков 0 0 0 0 0 936 75,7 24,3 TNEC_M 32 919 82 0 0 40 44 356 4 0 0 0 40 0 1517 60,6 39,4 TNEO_W 0 0 1049 0 0 0 0 0 3 0 0 0 0 0 1052 99,7 0,3 TBDC_MaO 0 0 0 153 62 0 0 49 0 0 0 0 5 0 269 56,9 43,1 TBDC_M 0 0 81 191 812 56 44 107 5 0 0 0 0 0 1296 62,7 37,3 TMC_MaO 0 0 67 0 75 354 33 1 0 0 0 0 0 0 530 66,8 33,2 TMC_M 0 55 0 0 63 1 563 202 0 0 0 0 0 0 884 63,7 36,3 TNBC_Y 0 21 16 14 12 0 3 2245 79 0 0 4 39 0 2433 92,3 7,7 T_S 0 0 22 0 0 0 0 355 923 182 0 0 0 0 1482 62,3 37,7 HC 0 0 0 0 0 0 0 0 43 922 95 14 0 0 1074 85,8 14,2 HC_C 0 0 0 0 0 0 0 0 2 419 340 7 0 0 768 44,3 55,7 TMO_B 0 0 0 0 0 0 0 0 0 0 0 2295 89 0 2384 96,3 3,7 BL 0 0 0 0 0 0 0 0 0 0 0 324 485 0 809 60,0 40,0 W 0 0 0 0 0 0 0 0 0 0 0 0 0 17971 17971 100 0,0 Итого 741 1221 1317 358 1024 451 688 3315 1059 1523 435 2644 658 17971 PA% 95,7 75,3 79,7 42,7 79,3 78,5 81,8 67,7 87,2 60,5 78,2 86,8 73,7 100,0 4,3 24,7 20,3 57,3 20,7 21,5 18,2 32,3 12,8 39,5 21,8 13,2 26,3 0,0 OE% Общая точность, % Коэффицие нт Каппа 89 0,88 UA% CE% W Итого BL TMO_B 0 HC_C 0 HC 1 T_S 0 TNBC_Y 0 TMC_M 0 TMC_MaO 0 TBDC_M TNEC_M 226 TNEO_W TNEC_MaO 709 TNEC_MaO Landsat 2014 г. TBDC_MaO Опорные данные тестовых участков 165 Приложение 16 Матрица неточностей 5 доминирующих классов наземного покрова по картам Канопус, Rapid Eye и Landsat 2014, полученная методом плавающего окна в программе Comparer_CSFM@RS_1.0 Landsat -2014 T S H B W PA% Общая точность,% ̂ Каппа, 𝑘 T S H B W PA% Общая точность,% ̂ Каппа, 𝑘 S 0 12268790 0 0 0 98,3 Канопус-В 2014 H B 0 0 0 0 1893730 0 0 1021869 0 0 58,1 51,8 W 0 0 0 0 38745 29,6 UA% 62,2 89,4 96,3 53,7 71,3 T 76458504 S 0 Rapid Eye 2011 H B 0 0 W 0 UA% 93,6 0 0 0 0 95,2 731918 0 0 0 16,4 0 10282631 0 0 57,4 0 0 0 3140297 91,9 13,2 70,3 72,8 95,4 T 598969 0 0 0 0 79,3 0,85 0,68 85 0,67 0 0 4620785 0 86,3
