Возможности использования спутниковой съемки с космического аппарата метеор-м для определения количественных и качественных характеристик лесов

Современная концепция развития систем дистанционного мониторинга построена на автоматизации процессов оперативной обработки большого объема спутниковых данных. Важным аспектом является возможность быстрого обновления информации, обеспечить которое можно только применением систем с ежесуточным обновлением данных. К таким системам можно отнести метеорологические спутники Метеор-М.

Перечисленные принципы развития современных систем дистанционного зондирования Земли относятся, в частности, и к мониторингу лесов в области методов и технологий лесотаксационного дешифрирования, повышения эффективности лесоуправления, лесоустройства. Данные критерии и принципы нашли отражение в Стратегии развития лесного комплекса Российской Федерации до 2030 года. Особое значение в рамках обозначенных направлений имеют технологии импортозамещения, заключающиеся в использовании информации с российских космических аппаратов мультиспектральной съемки. Решение данной задачи возможно с использованием оперативно обновляющейся информации со спутника Метеор-М. Для получения количественных и качественных характеристик лесных насаждений особый интерес представляют данные с установленного на спутнике комплекса многозональной спутниковой съемки (КМСС), который позволяет собирать информацию по зеленому, красному и ближнему инфракрасному каналам с полосой захвата 900 км и разрешением от 60 м.

Цель исследования – определение возможности применения данных съемки со спутника Метеор-М для получения количественных характеристик лесов. Основная задача заключалась в установлении взаимосвязей таксационных показателей насаждений с их спектрально-отражательными характеристиками. При постановке задачи предполагалось проанализировать данные по трем каналам с возможностью получения информации по запасам насаждений, породному составу.

Анализ ранее проведенных исследований показал, что наиболее точное определение запаса, полноты насаждений, количества деревьев на участке достигается путем дешифрирования зимних снимков [1–4]. В зимний период из-за маскирования снегом напочвенного покрова снижаются искажения спектрально-отражательных характеристик снимков и, как следствие, повышается точность статистических моделей оценки запаса и полноты насаждения, количества деревьев.

Результаты обзора литературных источников демонстрируют возможность получения таксационных показателей насаждений по их спектрально-отражательным характеристикам и вегетационным индексам [2–4]. Установление взаимосвязей таксационных и спектрально-отражательных характеристик насаждений осуществлялось путем статистического анализа запаса, средней высоты, породного состава насаждений и значений по зеленому, красному и инфракрасному каналам снимка [5, 6].

Материалы и методы

Обработка данных спутниковой съемки осуществлялась с использованием информации о лесных насаждениях на таксационно-дешифровочных участках (ТДУ), заложенных в различных природных и лесорастительных условиях на территории Архангельской, Вологодской, Костромской, Московской, Новосибирской областей, Удмуртской Республики и Алтайского края. При проведении исследований использованы данные 419 пробных площадей. В результате совместных работ Всероссийского научно-исследовательского института лесоводства и механизации лесного хозяйства (ФБУ ВНИИЛМ) и Акционерного общества «Российские космические системы» (АО РКС) в рамках соглашения о сотрудничестве в период 2017–2020 гг. создана база данных пробных площадей, содержащая информацию о таксационных характеристиках лесных насаждений. По сути, на большей части территории Российской Федерации сформирована сеть таксационно-дешифровочных участков, которые можно использовать для отработки различных методов тематического дешифрирования данных спутниковой съемки среднего и высокого разрешения с целью определения количественных и качественных характеристик лесных насаждений.

Закладка ТДУ осуществлялась с учетом разнообразия лесных насаждений на исследуемой территории. Пространственное определение точек закладки ТДУ выполнялось с использованием методов неконтролируемой классификации спутниковых данных высокого разрешения, анализа занятой лесной растительностью территории по индексам влажности и материалам лесоустройства. При отсутствии материалов лесоустройства или их неактуальности (давность лесоустройства более 10 лет) места закладки определялись с использованием только данных анализа спутниковой съемки. Различные данные классификации были объединены геоинформа-ционными методами. При проведении анализа по данным лесоустройства выделяются группы насаждений в виде преобладающих формаций лесов, представленных основными лесообразующими породами; в последующем в рамках выделенных групп определяются подгруппы лесных насаждений, различающиеся по возрасту, продуктивности, составу.

Взаимосвязи таксационных показателей насаждений с их спектрально-отражательными характеристиками определялись с использованием статистических методов в программном продукте Statistica 13. По результатам статистического анализа на основе показателей оценки точности модели (коэффициент корреляции, p-уровень значимости, коэффициент Фишера) выявлялись наиболее точные модели получения количественных показателей насаждений в зависимости от их спектральных характеристик.

Результаты и обсуждение

С учетом ранее проведенных исследований в данной работе оценка моделей определения запаса, полноты, породного состава насаждений, количества деревьев выполнена по данным зимней спутниковой съемки с сенсора Метеор-М, апробация модели проведена на примере территории Костромского лесничества за 10.02.2020, виток 3134 (номер снимка 10022020_221_003134_ moskovskaya_smolenskaya). Анализ данных проводился с использованием алгоритмов многомерной полиноминальной регрессии, а также регрессии поверхности отклика. Графическим методом обработки данных были исключены выбросы за пределами 2 сигм. Результаты многомерного регрессионного анализа показали связь полноты и запаса насаждений, количества деревьев со спектрально-отражательными характеристиками различных насаждений.

Коэффициент корреляции между расчетными данными по модели и наблюдениями не превышает R = 0,6. Критерий значимости p стремится к 0, что подтверждает гипотезу о значимости моделей и возможности их применения в решении практических задач. Повысить уровень значимости можно путем увеличения количества экспериментальных данных.

Анализ статистических данных модели показал, что наиболее точные результаты дешифрирования полноты насаждения наблюдаются при использовании модели регрессии поверхности отклика (рис. 1). Статистическая модель характеризуется достаточно высоким уровнем значимости (R = 0,62, p = 0,008, F = 31). Приемлемая точность определения относительной полноты насаждений наблюдается от показателя R = 0,3 и выше. Данная динамика связана с появлением при низкой полноте насаждений значительных просветов в пологе и, как следствие, снижением точности определения данного показателя.

Модель можно выразить формулой многомерной регрессии поверхности отклика (1).

Исходя из расчетов модели в районе исследований произрастают в основном средне- и вы-сокополнотные насаждения. Низкая полнота насаждений характерна для участков рубок, молодняков, а также насаждений на территории населенных пунктов. Полученные результаты согласуются с данными лесоустройства для территории Костромского лесничества.

А

Б

Рис. 1. Результаты определения относительной полноты насаждения по данным зимнего снимка со спутника Метеор-М на части территории Костромской обл.:

А – исходный снимок, Б – относительная полнота насаждений

P = 0,875695469542 + 0,00727001849657 x b2 + 4,12903282728e - 005 x b22 — 0,0079097149913 x x b3 + 3,03214112726e - 006 x b32 - 0,000684842019837 x bl + 2,8334893688e - 005 x b12 +     (1)

+ 1,90811497905e - 006 x b2 x b3 - 0,000129128855637 x b2 x b1 + 3,28869156168e - 005 x b3 x b1, где:

P – относительная полнота насаждения;

b1, b2, b3 – зеленый, красный, ближний инфракрасный каналы соответственно.

Схожие результаты получены по запасу насаждений (рис. 2). Статистическая модель является достоверной (R = 0,6, p = 0,008,

F = 9), высокий уровень значимости позволяет применять ее в решении практических задач (2):

А                                            Б

Рис. 2. Результаты определения количества деревьев в насаждении по данным зимнего снимка со спутника Метеор-М на части территории Костромской обл.:

А – запас насаждений, м3/га, Б – количество деревьев в насаждении, шт./га

М = 349,591355541 - 0,158147112311 х bl + 0,00895865488623 х b12 + 0,3888257337 х b2 +

+ 0,00656535016476 х b22 - 1,40104448573 х b3 + 0,00833246976941 х b32 — 0,0102458364859 х (2) х Ь1 х Ь2 — 0,01833332447 х Ь1 х Ь3 — 0,00000221046108108 х Ь2 х b3, где:

M – запас насаждений;

b1, b2, b3 – зеленый, красный, ближний инфракрасный каналы соответственно.

Результаты дешифрирования запаса насаждений с использованием модели показывают, что на территории района исследований преобладают насаждения со средним запасом от 250 до 350 м3/га. Полученные данные согласуются с результатами дешифрирования насаждений по полноте и материалами лесоустройства.

Зависимость количества деревьев в насаждении можно выразить формулой полинома второй степени (3):

результат с учетом оценки моделей по коэффициенту детерминации R2 = 0,78 для насаждений сосны достигнут с использованием нейронной сети BFGS68 при использовании гиперболической функции активации алгоритма скрытых нейронов.

Для оценки насаждений с различным участием в составе березы лучшие результаты получены с использованием модели нейронных сетей BFGS10: коэффициент детерминации

N = 1079,21765358 - 3,65603654596 х Ь1 + 0,0456352103533 х Ь12 - 6,34628119768 х х Ь2 + 0,0490611641675 х b22 - 5,68342093974 х Ь3 + 0,00569925630832 х b32,          (3)

где:

N – количество деревьев;

b1, b2, b3 – зеленый, красный, ближний инфракрасный каналы соответственно.

Коэффициент корреляции между расчетными данными по модели и наблюдениями составил R = 0,7. Критерий значимости выборки p стремится к 0, коэффициент Фишера превышает значение F = 95.

Анализ модели определения количества деревьев по спектральным характеристикам насаждения показывает возможность точного прогноза этого показателя для средневозрастных, спелых и перестойных насаждений, количество деревьев в которых не превышает 2 тыс. шт./га.

Результаты дешифрирования показали, что на исследуемой территории преобладают насаждения с небольшим количеством деревьев – от 300 до 600 шт./га, что характерно для средневозрастных и спелых насаждений и подтверждает полученные данные по запасу и относительной полноте насаждений.

Для определения породного состава лесов использовались нейронные сети. Лучший между экспериментальными и прогнозируемыми значениями составляет 0,77. Для оценки доли участия осины лучшие результаты предоставляет модель нейронных сетей BFGS21 с применением функции экспоненты при обучении скрытых нейронов: коэффициент детерминации составляет 0,89. По оценке долевого участия в насаждениях ели лучшие результаты наблюдаются при использовании модели нейронных сетей на основе алгоритма BFGS1: коэффициент детерминации равен 0,93.

Выводы

Результаты исследований показывают возможность использования зимней съемки со спутника Метеор-М для определения породного состава насаждений, запаса, полноты, количества деревьев. При проведении анализа долевого участия пород наиболее точные результаты получены при использовании нейронных сетей на базе квазиньютоновских алгоритмов, в частности метода BFGS.

Определение таксационных характеристик лесных насаждений находится в пределах точности проведения работ по третьему разряду лесоустройства. Учитывая данную особенность, представленное исследование имеет потенциал практического внедрения для оценки таксационных характеристик эксплуатационных и резервных равнинных лесов на территории европейской части России и Западной Сибири.