Информационное обеспечение устойчивого регионального развития на основе заповедников (опыт Центрально-Лесного государственного природного биосферного заповедника)
Автор: Желтухин А.С., Котлов И.П., Кренке А.С., Пузаченко Ю.Г., Сандлерский Р.Б.
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Особо охраняемые природные территории
Статья в выпуске: 1-6 т.13, 2011 года.
Бесплатный доступ
Рассматриваются подходы к анализу ресурсного потенциала территории с позиций экологической экономики, в частности, пути вовлечения особо охраняемых природных территорий в систему регионального мониторинга и информационного обеспечения. Предложена методика использования многочисленных общедоступных дистанционных данных о состоянии ландшафтного покрова наряду с технологиями их математической обработки и методов сбора полевых данных. Технология разработана для Нечерноземной зоны России.
Экологическая экономика, устойчивое развитие, биологические ресурсы, мультиспектральная дистанционная информация, статистические методы интерполяции
Короткий адрес: https://sciup.org/148199898
IDR: 148199898
Текст научной статьи Информационное обеспечение устойчивого регионального развития на основе заповедников (опыт Центрально-Лесного государственного природного биосферного заповедника)
определяющие возможность жизни и благосостояния человека». Множество экосистемных услуг в процессе социально-экономического развития может расширяться как в регионе, так и в целом для человечества. Экологические услуги, определяемые биологической продуктивностью живого вещества и конкретных видовых популяций, являются областью биоэкономики. В рамках биоэкономики одновременно рассматриваются параметры, определяющие динамику используемых популяций и рынка. На этой основе устанавливаются соотношения спроса на продукцию, допустимые нормы изъятия, уровень занятости в отрасли во взаимосвязи со средствами производства, учетная ставка, допустимый уровень налогообложения, нормы и пути управления этими параметрами. Биоэкономические методы в настоящее время наиболее широко применяются в рыболовстве, лесном и охотничьем хозяйствах [24], но они применимы и для управления другими биологическими ресурсами, включая такой ресурс, как сфагновые мхи и их производную – торф.
Для большинства регионов лесной зоны России, возможности интенсивного товарного сельского хозяйства крайне ограничены. Это определяется неблагоприятным климатом, тяжелыми почвообразующими породами, моренным рельефом, создающим большую мозаичность земель, пригодных для пашни и животноводства. Скорее всего, эти земли образуют основу для рекреационной экосистемной услуги в форме экологических ферм с производством чистой экологической продукции. Основным же источником роста благосостояния являются биологические ресурсы, связанные с лесом: древесина и ее производные, охотничьи ресурсы, дикоросы, пчеловодство, лекарственные растения. Безусловный вклад в экономику будут вносить и экосистемные услуги, связанные с различными формами туризма. Очевидно, что социально-экономический анализ потенциала устойчивого развития, устанавливающего соотношения между ресурсным потенциалом, численностью населения, производственными фондами, инфраструктурой, подушным доходом, учетной ставкой и налогами возможен, если известна первая материальная составляющая и ее пространственное варьирование. Формально учет важнейших ресурсов древесины и охотничье-промысловых животных организован в рамках лесотаксации и охоттаксации. Однако традиционные технологии, положенные в их основе и обеспечивающие более или менее приемлемые оценки, в первую очередь в результате острого дефицита дешевой рабочей силы, в настоящее время практически не реализуемы, а их экономически приемлемые дериваты дают весьма слабые результаты. Современные технологии и, в первую очередь, мультиспектральная дистанционная информация позволяют существенно улучшить качество оценки состояния любых биологических ресурсов и любых экосистемных услуг [2, 5, 11, 15, 16]. Данные дистанционного зондирования содержат прямую информацию о состоянии физических параметров многих экосистемных услуг, создают основу для интерполяции полевых измерений любого вида ресурсов и услуг. Основным условием оценки пространственного варьирования их значений являются качественные измерения в природе, репрезентативно отражающие все разнообразие их состояний. Территории заповедников и их хозяйственно освоенные охранные зоны являются наилучшей основой для получения этой информации. Опираясь на территорию заповедника, можно получить информацию об объекте учета, как для его состояний, близких к естественному, так и находящихся под хозяйственным воздействием. В последующем мониторинг их состояния может автоматически использоваться для решения задач оперативного управления [9, 14, 23].
Основная дистанционная информация. Для оценки состояния экосистемных услуг наиболее приемлема среднемасштабная мультиспектральная дистанционная информация с разрешением около 30 м на местности, с охватом в рамках одной сцены достаточно большой территории и включающая дальние инфракрасные части спектра, хорошо индицирующие содержание влаги в экосистеме. Работа с информацией с большим разрешением просто бессмысленна, так как в этом варианте за деревьями в прямом смысле не видно леса. В настоящее время этим требованиям в наибольшей степени отвечает информация, получаемая со спутника Landsat [12, 25]. Важной основой для интерполяции является цифровая модель рельефа. Она может быть получена на основе радиолокации из космоса SRTM [26]. Для территории России эта информация в прямом доступе представлена с разрешением в 100 м на местности (для США – 30 м). Этой информации вполне достаточно для решения практических задач. Оцифровка топографических карт масштаба 1:25 000 – 1:10 000, с последующим переводом их в растровый формат дает, конечно, лучшие результаты, однако требует значительных трудовых затрат. Обратим внимание на тот факт, что оцифровка, выполняемая на картографических предприятиях, всегда требует тщательной коррекции и редакции.
Для того чтобы эффективно планировать полевые работы, целесообразно осуществить классификацию дистанционного изображения, раскрывающую разнообразие ландшафтного покрова. Наиболее целесообразно использовать дихотомическую классификацию методом К-средних [22]. Такая классификация на каждом уровне потенциально увеличивает разнообразие ландшафтного покрова на 1 бит и легко позволяет идентифицировать основные его типы: лес, вода, болота, сельскохозяйственные земли и более детально: леса: хвойные – лиственные, старые – молодые, сельскохозяйственные земли: закустаренные и луговые, заросшие и распаханные. На рис. 1а приведена классификация, выполненная по спутнику Landsat для территории заповедника и его охранной зоны для восьмого уровня с выделением 256 классов. Далее для классификации на восьмом уровне, используя меру Шеннона (рис. 1б), можно оценить пространственное варьирование ландшафтного разнообразия для скользящего квадрата со стороной 5 или 7 пикселей [22], а на основе индекса уникальности (рис. 1в)
k
U =- Z log( pd 1, где p i = n i / N , n i – число элементов класса i в квадрате с числом пикселей k , N – общее число пикселей на рассматриваемой территории, выделить наиболее типичные и уникальные сочетания вариантов ландшафтного покрова.
Мера разнообразия хорошо отражает элементы структурной организации территории: максимальным значениям (светлый тон) соответствуют области границ между классами и территории с мозаичным ландшафтным покровом, минимальным (темный тон) – наиболее однородные территории. Мера уникальности позволяет выделить территории с относительно редкими состояниями, описание которых необходимо для охвата всего разнообразия состояний. В данном случае они связаны в первую очередь с болотами, бывшими сельскохозяйственными землями и долинами рек.
На основе рангового распределения частоты типов ландшафтного покрова для седьмого уровня классификации можно рассчитать число описаний ( L i ), которое нужно осуществить в каждом типе, используя соотношение
Li=wlog2mi где mi – частота класса i во всей выборке, w – класс точности.
Анализ качества воспроизведения состояния экосистемных услуг на основе 1300 полевых описаний показал, что приемлемый уровень точности достигается при 200-300 описаниях для площади около 50 тыс. га (рис. 2). Для территории заповедника на седьмом уровне классификации (128 классов растительного покрова) подбираем коэффициент класса точности w таким образом, чтобы на наиболее распространенный класс приходилось по 2 полевых описания (но не менее одного описания для редких классов). Суммируя по 128 классам, получаем 201 точку – минимальная выборка, обеспечивающая учет как характерных, так и уникальных классов растительного покрова, на основе которой планируется оптимальная схема полевых маршрутов.
Поддерживающие услуги экосистемы в значительной степени определяются рельефом территории. Цифровая модель рельефа позволяет измерить в каждой точке поверхности морфометрические параметры, отражающие поле перераспределения тепла и влаги [8]. Целесообразно оценивать эти параметры с учетом иерархической структуры территории [6], отражая тем самым различные режимы увлажнения. С помощью спектрального анализа рельефа [4] выделяются соподчиненные пространственные уровни с известными линейными размерами на местности – микро-, мезо- и макрорельеф. Иерархические уровни отражают действие соответствующих генетических процессов, в т.ч. ледниковых и эрозионных (рис. 3). Для каждого уровня в каждой точке поверхности измеряются морфометрические параметры (рис. 4) – сравнительная освещенность при заданных высоте и азимуте солнца, уклоны, лапласиан (степень выпуклости-вогнутости), кривизны горизонтальная, плановая и продольная [19]. Спектральные каналы снимка вместе с высотами рельефа, иерархических уровней и морфометрическими величинами объединяются в виде слоев в растровую пространственную сетку данных (грид) и используются для интерполяции полевых данных.

Рис. 1. Обработка дистанционной информации со сканера Landsat:
1 – граница буферной зоны заповедника, 2 – граница ядра, А. Классификация сцен Landsat 5 августа 2007 и Landsat 5 сентября 2000, Светлый тон – верховые сфагновые болота, темный – влажные хвойные леса и вода, Б. Мера разнообразия Шеннона, скользящий квадрат 7 пикселей. Светлый тон – высокое разнообразие, темный тон – низкое, В. Индекс уникальности, скользящий квадрат 7 пикселей. Светлый тон – высокий индекс, темный тон – низкий индекс

Рис. 2. Расчет числа необходимых полевых от частоты встречаемости класса L= 0,178 x log (m i ) : 1 – частота встречаемости класса, 2 – число полевых описаний
Оценив приемлемый объем выборки и, используя карты типов ландшафтного покрова, разнообразия и уникальности можно оптимизировать размещение точек описания по территории, обеспечив максимально полный охват разнообразия типов ландшафтного покрова при минимальных затратах труда. Эта схема приемлема для оценки любых услуг, связанных с растительностью.

Рис. 3. Обработка цифровой модели рельефа. Выделение иерархических уровней:
А – исходный рельеф, Б – уровень с линейными размерами 1000 м, В – уровень с линейными размерами 450 м, Г – уровень с линейными размерами 380 м, Д – уровень с линейными размерами 270 м, Е – уровень с линейными размерами 150 м

Рис. 4. Производные характеристики рельефа, определяющие перераспределение тепла и влаги для уровня 450 м:
А – уклон, Б – освещенность с юга, В – продольная кривизна, Г – лапласиан, Д – плановая кривизна, Е – максимальная кривизна
Оценка охотничьих ресурсов строится на основе маршрутов по черной и белой тропе с применением GPS [1, 7, 13]. Конечно, маршруты целесообразно закладывать так же с учетом типов ландшафтного покрова и его разнообразия. Результаты описаний и учетов переводятся в базу данных и совмещаются с дистанционной информацией и рельефом. Непосредственно используя дистанционную информацию, можно оценить через различные индексы в основном поддерживающие услуги: биологическую продуктивность, затраты тепла на испарение, содержание влаги в почве, температуру поверхности [16]. Комбинируя эти показатели с рельефом, можно получить оценки пригодности территории для сельского хозяйства и потенциал растений-медоносов и наилучших мест размещения пасек.
Методы интерполяции. Полевые измерения, соединенные с мультиспектральной дистанционной информацией и характеристиками рельефа создают основу для интерполяции измерений на всю территорию [10]. Исходные данные обычно называют обучающей выборкой, а характеристики рельефа и дистанционной информации – внешними переменными. Интерполяция может осуществляться для непрерывной и дискретной форм переменных. В большинстве случае полевые измерения непрерывных переменных должны быть преобразованы в логарифмическую форму. Это полезно также сделать и для измерений значений спектральных яркостей дистанционной информации. Логарифмирование отражает физический смысл зависимости биологических явлений от внешних переменных и потому не является чисто механической процедурой. Интерполяция для непрерывных переменных осуществляется методами пошаговой многомерной регрессии или методом нейронных сетей. В отличие от методов регрессии, нейронные сети отражают нелинейные и мультипликативные отношения, однако на персональных компьютерах метод из-за недостатка памяти не реализуем для большого числа внешних переменных. Соответственно, для его применения необходимо, используя метод главных компонент, снизить размерность переменных дистанционной информации и рельефа до восьмидвенадцати. Непрерывные переменные через преобразования логарифмированных данных в целочисленные величины можно перевести в дискретную форму. Подбирая основание логарифма, можно добиться желаемого числа дискретных состояний. Для дискретных множеств применяется дискриминатный анализ, который в какой-то степени учитывает эффекты нелинейности. В результате дискриминатного анализа получаем ортогональные оси, описывающие рассматриваемую переменную в непрерывной форме. От этих осей целесообразно построить регрессионную модель относительно исходных логарифмированных переменных. Эта модель часто дает меньшую ошибку, чем собственно многомерная регрессионная [3]. Для дискретных множеств применяется также специальный метод нейронных сетей. Для интерполяции результатов учета следов животных и вообще для переменных, представленных двумя альтернативными состояниями, кроме дискриминантного анализа и метода нейронных сетей, применяется логистическая регрессия [1, 7, 13]. Для таких переменных получаем вероятность обнаружения состояния переменной «наличие» (след, тип ландшафта, вид-доминант и т.п.) против «прочие состояния» в пикселе, что тождественно вероятности обнаружения. Вероятность практически всегда можно перевести в желаемую единицу измерения [7, 13]. При интерполяции переменной, описывающей конкретную экосистемную услугу, желательно экспериментировать с различными методами, в конечном итоге выбрав тот, который дает наименьшую ошибку. Все эти задачи решаются в статистической программе Statistica 7 и выше.
Примеры результатов. На рис 5а. показаны результаты интерполяции сомкнутости черничников для территории Нелидовского района, полученные на основе измерений состояния этого вида в заповеднике и его охранной зоне. На рис. 5б показаны результаты оценки пригодности территорий для сельского хозяйства и пчеловодства. Оценка проведена на основе зависимости дифференциального нормированного индекса вегетации (NDVI), содержания влаги в почве, температуры поверхности для мая и июля от переменных рельефа. В результате регрессионная модель позволяет получить их потенциальные значения для территории «лишенной растительности». Используя методы классификации, упорядочиваем территории от наиболее теплых, сухих, наиболее продуктивных (благоприятных для фермерского хозяйства и пчеловодства) до наиболее холодных и влажных, абсолютно неприемлемых для этих форм хозяйственной деятельности. Аналогично осуществляется оценка состояния всех биологических ресурсов и некоторых экосистемных услуг.
Выводы: рассмотренный подход апробирован на самых различных биологических переменных [1, 2, 7, 11, 20, 21] и дает вполне надежные результаты. Область репрезентативности заповедника весьма велика [17] и используя собранные на его территории полевые данные, объединенные со сценами спутника Landsat и переменными рельефа как обучающую выборку, можно получить удовлетворительные результаты и в соседних областях Нечерноземного Центра. Для этого необходимо подобрать близкие сроки съемки со спутника Landsat (для заповедника существует 20 сцен за разные сроки) и осуществить необходимые преобразования рельефа SRTМ. Точки описаний и маршруты полезно закрепить на местности и на их основе осуществлять мониторинг. Полученные результаты можно положить в основу эколого-экономического и биоэконо-мического анализа и разработки стратегии устойчивого развития и его экономических параметров. В некотором отдаленном будущем в заповедниках, возможно, появится ставка эколога-экономиста, но пока эти расчеты могут выполнить только представители специализированных НИИ. Вместе с тем нормативное включение заповедников в систему регионального информационного обеспечения полностью соответствует их функциональному назначению и реализуемо на основе взаимодействия коллективов заповедников с региональными высшими учебными заведениями и НИИ и в настоящее время.

Рис. 5. Тверская область. Нелидовский район. Разрешение 60 м на местности. Уровни экосистемных услуг:
А) пригодность земель для фермерского экологического хозяйства и пчеловодства: светлые тона – пригодные земли, белый тон – высшее качество, Б) распространение черничников: светлые тона – наличие черники, белый тон – покрытие больше 40%. Белые точки – населенные пункты
Список литературы Информационное обеспечение устойчивого регионального развития на основе заповедников (опыт Центрально-Лесного государственного природного биосферного заповедника)
- Желтухин, А.С. Оценка качества местообитаний животных на основе учетов следовой активности и дистанционной информации/А.С. Желтухин, Ю.Г. Пузаченко, Р.Б. Сандлерский//Сибирский экологический журнал. 2009. № 3. С. 341-351.
- Козлов, Д.Н. Картографирование запасов древостоя ели в биогеоценозах южной тайги (южная часть Валдайской возвышенности) на основе дистанционной информации Landsat-7 и цифровой модели рельефа/Д.Н. Козлов, М.Ю. Пузаченко, М.В. Федяева, Ю.Г. Пузаченко//Аэрокосмические методы и информационные технологии в лесоведении и лесном хозяйстве: доклады 4-ой Международной конференции (Москва, 17 -19 апреля 2007 г.). -М.: ГОУ ВПО МГУЛ, 2007. С. 197-201.
- Козлов, Д.Н. Отображение пространственного варьирования свойств ландшафтного покрова на основе дистанционной информации и цифровой модели рельефа/Д.Н. Козлов, М.Ю. Пузаченко, М.В. Федяева, Ю.Г. Пузаченко//Известия РАН. Серия географическая. 2008. Вып 4, июль-август. С. 11.
- Котлов, И.П. Структура рельефа русской равнины как ландшафтообразующего фактора/И.П. Котлов, Ю.Г. Пузаченко//Ландшафтное планирование: общие основания. Методология, технология: Труды международной школы-конференции "Ландшафтное планирование". -М.: Изд-во Географического факультета МГУ, 2006. С. 166-172.
- Кренке, А.Н. Построение карты ландшафтного покрова на основе дистанционной информации/А.Н. Кренке, Ю.Г. Пузаченко//Экологическое планирование и управление. 2008. №2. С. 10-25.
- Пузаченко, Ю.Г. Анализ иерархической организации рельефа/Ю.Г. Пузаченко, И.А. Онуфреня, Г.М. Алещенко//Известия РАН. Сер. Географ. 2002. № 4. С. 29-38.
- Пузаченко, Ю.Г. Анализ пространственно-временной динамики экологической ниши на примере популяции лесной куницы (Martes martes)/Ю.Г. Пузаченко, А.С. Желтухин, Р.Б. Сандлерский//Журнал общей биологии. 2010. Т. 71, №6. С. 467-487.
- Пузаченко, Ю.Г. Количественные методы классификации форм рельефа/Ю.Г. Пузаченко, И.А. Онуфреня, Г.М. Алещенко//Изв. РАН. Серия географ. 2002. №6. С. 17-26.
- Пузаченко, Ю.Г. Ландшафтные исследования в Центрально-лесном заповеднике//Центрально-лесной заповедник -вклад в отечественную и мировую науку. Материалы посвященные 75-летию Центрально-лесного государственного природного биосферного заповедника. -Пос. Заповедный, 2008. С. 5-18.
- Пузаченко, Ю.Г. Математические методы в географических исследованиях. -М.: Academia, 2004. 416 с.
- Пузаченко, М.Ю. Картографирование мощности органогенного и гумусового горизонтов лесных почв и болот южно-таежного ландшафта (юго-запад Валдайской возвышенности) на основе трехмерной модели рельефа и дистанционной информации (Landsat 7)/М.Ю. Пузаченко, Ю.Г. Пузаченко, Д.Н. Козлов, М.В. Федяева//Исследование Земли из космоса. 2006. №4. С. 70-78.
- Пузаченко, Ю.Г. Составление мелкомасштабной карты ландшафтного покрова с использованием мультиспектральной информации/Ю.Г. Пузаченко, З.Ш. Гагаева, Г.М. Алещенко//Известия РАН. Сер. географ. 2004. №4. С. 97-109.
- Пузаченко, Ю.Г. Организация зимних маршрутных учетов с использованием gps и дистанционной информации/Ю.Г. Пузаченко, А.С. Желтухин, Р.Б. Сандлерский//Вестник охотоведения. 2010. Т. 7, №1. С. 98-117.
- Пузаченко, Ю.Г. Место биосферных заповедников в реализации стратегии устойчивого развития/Ю.Г. Пузаченко, С.В. Штефанов//Заповедники России и устойчивое развитие. Материалы конференции. Труды Центрально-Лесного заповедника. Выпуск 5. -Великие Луки 2007. С. 137-173.
- Сандлерский, Р.Б. Зависимость биологической продуктивности южно-таежных ландшафтов от рельефа и характеристик растительности, измеренных в поле/Р.Б. Сандлерский, А.Н. Кренке/География продуктивности и биогеохимического круговорота наземных ландшафтов: к 100-летию профессора Н.И. Базилевич. Материалы конф. (Пущино, Московская область, 19-22 апреля 2010 г.). -М.: Товарищество научных изданий КМК. 2010. В 2-х частях. 670 с.
- Сандлерский, Р.Б. Оценка потенциальной биологической продуктивности южно-таежных ландшафтов по данным дистанционного зондирования//Ландшафтное планирование: общие основания. Методология, технология: Труды международной школы-конференции "Ландшафтное планирование". -М.: Географический факультет МГУ, 2006. С. 217-221.
- Сандлерский, Р.Б. Термодинамика биогеоценозов на основе дистанционной информации/Р.Б. Сандлерский, Ю.Г. Пузаченко//Журн. общ. биологии. 2009. Т. 70, №2. С. 121-142.
- Стишов, М.С. Анализ физико-географической репрезентативности ООПТ/М.С. Стишов, Ю.Г. Пузаченко, И.А. Онуфреня//Особо охраняемые природные территории России: современное состояние и перспективы развития. Авторы-составители В.Г. Кревер, М.С. Стишов, И.А. Онуфреня. -М.: WWF России, 2008. 459 с.
- Constanza, R.E. Toward an ecological economics. Ecological modeling. Amsterdam: Elsevier Science Publishers B.V. 1987. C. 1-7.
- Evans, I.S. General geomorphometry, derivatives of altitude, and descriptive statistics. In: Chorley, R.J. (ed.): Spatial analysis in geomorphology, 17-90. Methuen & Co. Ltd, London, 1972.
- Krenke, A.N. Correction of medium scaled soil maps based on remote sensing data and digital relief models/A.N. Krenke, Yu.G. Puzachenko//From Digital Soil Mapping to Digital Soil Assessment: identifying key gaps from fields to continents. 4th Global Workshop on Digital Soil Mapping. Rome, 24-26 May 2010.
- Krenke, A.N. Correction of forest resourse management maps with the help of remote sensing for the purposes of the forestry regulations/A.N. Krenke, Yu.G. Puzachenko//Man and environment in boreal forest zone: past, present and future. International Conference, July 24 -29, 2008 Central Forest State Natural Biosphere Reserve, Russia/Institute of Geography RAS, A.N. Severtsov Institute for Ecology and evolution RAS -Moscow, 2008. Pp. 47-49.
- Puzachenko, Y. Using the SPOT/VEGETATION S10 Product for designing General Schemes for Ecological Networks/Yu. Puzachenko, M. Puzachenko, V. Krever et al.//BOOK OF ARTICLES. Second International SPOT/VEGETATION Users Conference March 24-26. -Antwerp., 2004. P.439-451.
- Sandlerskiy, R. Baseline assessment of ecosystem services in respect of remote information, terrain digital models and field values/R. Sandlerskiy, S. Stefanov//European Landscapes in Transformation: Challenges for Landscape Ecology and Management. European IALE Conference 2009, 70 years of Landscape Ecology in Europe, Salzburg: University of Salzburg. pp. 417-420.
- Seijo, J.C. Fisheries bioeconomics. Theory, modelling and management/J.C. Seijo, O. Defeo, S. Salas//FAO Fisheries Technical Paper. -Rome: FAO, 1998. p. 108.
- The Landsat Program. 2011. http://landsat. gsfc.nasa.gov/.
- The Shuttle Radar Topography Mission. 2011. http://www2.jpl.nasa.gov/srtm/.