Оценка запаса стволовой древесины

Метод динамического картографирования запаса стволовой древесины лесов опирается на данные проекта Globbiomass2010 (GBM) глобальной оценки объема биомассы лесов 2010 года (Santoro et.al,2018a, 2018b). Информационный продукт GBM получен в рамках одноименного проекта Европейского космического агентства на основе данных радарного зондирования, имеет пространственное разрешение 100 м и характеризует удельный запас стволовой древесины и неопределенность (uncertainty) его оценки [м³/га].

В качестве признаков, отражающих изменения запаса стволовой древесины, были использованы очищенные от влияния облаков композитные изображения Terra-MODIS с пространственным разрешением 230 м в красном и ближнем ИК каналах за периоды января-апреля каждого года с 2001 по 2020 годы, отображающие снежный покров на земной поверхности.

Данные GBM были преобразованы к уровню пространственного разрешения 230 м с помощью нормирования на площадь пиксела суммированных величин запасов леса, соответствующих пикселам оригинального разрешения. Дальнейшая фильтрация данных была направлена на формирование опорной выборки, т.е. исключение масштабных изменений в лесах, под воздействием таких факторов, как гари, ветровалы, подтопления и другие.

Значения запасов карты GBM были преобразованы в ранговые классы, соответствующие следующим диапазонам величин: 0-100 м³/га с шагом в 2 м³/га составили 1-50 классы, 100-320 м³/га с шагом 5 м³/га составили 51-94 классы. Локальная стратифицированная фильтрация преобразованных в ранговые классы данных GBM проводилась для шести группам пород лесной и древесно-кустарниковой растительности: темнохвойные леса, светлохвойные леса, лиственничные леса и редины, две группы твердолиственных и мягколиственных лесов, хвойные кустарники. Для фильтрации использованы значения КСЯ композитного изображения MODIS 2010 года в красном (RED) и ближнем ИК (NIR) спектральных каналах.

Используя принципы обеспечения локальной адаптивности методов классификации и оценивания лесов, вся территория России была разбита на сеть ячеек регулярной сети размером 23х23 км. Для каждого класса величин запасов в локально расширяющемся окне относительно узла каждой ячейки собирается статистика о значениях КСЯ стратифицированных по группам пород классах запаса лесов с оценкой величин среднего E и среднего квадратичного отклонения σ (СКО). Пиксельные значения КСЯ R сопоставляется с их локальным средним (E) значением в ячейке. Если R выходит за пределы интервала (E-σ ; E+σ), то пиксель подлежит  исключению из опорной выборки. Такого рода фильтрация продукта GBM проводится итеративно с использованием данных в обоих спектральных каналах MODIS c последующим объединением прошедших фильтрацию пикселей для формирования набора опорных данных.

Для каждой из шести групп древесных пород формируются пространственно локальные наборы средних значений яркости вышеприведенных диапазонов запаса в каждом канале в виде табличных функций, представляющих зависимость КСЯ от величины запаса. Эти табличные функции сглаживаются из предположения, что с ростом значений запасов КСЯ убывает. Таким образом, фильтруются случайные отклонения и обеспечивается монотонность зависимости. В силу ограничений диапазона оцениваемых запасов по данным GBM, табличные функции не могут быть построены для величин запаса лесов, превышающих 300 м³/га. Поэтому табличные функции экстраполируются аналитическими зависимостями.  Наилучшим образом данной цели отвечает зависимость вида y=exp(ax+b). Коэффициенты a и b вычисляются путем логарифмирования значений КСЯ и решением системы линейных уравнений, определяемых участком 150-300 м³/га.

Для получения спектрально однородных многолетних временных рядов композитных изображений покрытой снегом земной поверхности для оценки запаса лесов необходимо минимизировать влияние отличных от характеристик насаждений факторов вариабельности КСЯ. К таким факторам могут относиться: деградация сенсора MODIS с течением времени, межгодовая изменчивость толщины снежного покрова под пологом леса и вариабельность условий освещения, вызванная различиями высоты Солнца при проведении наблюдений. Для учёта влияния указанных факторов выполняется коррекция многолетних композитных изображений.

В основе метода коррекции лежит требование инвариантности многолетних значений КСЯ открытого снежного покрова во временных рядах спутниковых данных. Однако значения КСЯ полностью лишённых древесно-кустарниковой растительности участков земного покрова не являются в достаточной степени стабильными в силу более выраженного влияния процессов выдувания или таяния снежного покрова. Поэтому для опорных инвариантных участков земной поверхности были выбраны территории с минимально возможными ненулевыми значениями запаса стволовой древесины, т.е. пиксели со значениями запаса древесины 1-3 м³/га. Сформированная маска, использована для оценки локализованных средних значений КСЯ инвариантных участков земного покрова на основе локально-адаптивного подхода LAGMA (Bartalev et al., 2014). Локализованная оценка средних инвариантных значений КСЯ выполняется для каждого зимнего композитного изображения 2000-2020 годов на основе опорных участков земной поверхности. Коррекция временной серии композитных изображений выполнена согласно формуле:

где  – исходное значение КСЯ в точке для текущего года; – скорректированное значение КСЯ для текущего года;  и – средние значения КСЯ инвариантных участков земного покрова для ячейки регулярной сетки, которой принадлежит рассматриваемый пиксель, в текущем и 2010 годах соответственно.

Вышеизложенную последовательность действий оценки запасов стволовой древесины можно разделить на следующие основные этапы:

• построение временного ряда зимних композитных изображений по данным спутниковых наблюдений земной поверхности с наличием снежного покрова;
• радиометрическая нормализация временного ряда композитных изображений;
• построение опорной выборки данных запасов стволовой древесины;
• создание набора локальных функций взаимосвязи между яркостными характеристиками и величинами запасов стволовой древесины лесов для шести групп древесных пород;
• сглаживание локальных функций взаимосвязи и их экстраполяция в области высоких значений запасов стволовой древесины лесов с помощью аппроксимирующих аналитических функций;
• построение временных рядов карт запасов стволовой древесины лесов на основе нормализованных композитных изображений с использованием установленных на предыдущем этапе локальных функций взаимосвязи