КЛАСИФІКАЦІЯ ЛІСОВОГО ПОКРИВУ ЗА СЕЗОННИМИ КОМПОЗИТНИМИ МОЗАЇКАМИ LANDSAT

  • V. V. Myroniuk Національний університет біоресурсів і природокористування України, м. Київ http://orcid.org/0000-0002-5961-300X
Ключові слова: Google Earth Engine, Random Forest, сезонні композитні мозаїки, лісистість, рівнинні ліси України

Анотація

Розглянуто методику картографування рівнинних лісів України з використанням супутникових знімків Landsat 8 OLI. Класифікацію лісового покриву виконано за допомогою платформи Google Earth Engine (GEE) API, яка забезпечує доступ до архівів супутникових даних і володіє необхідними інструментами для їхнього оброблення. Використано попіксельну процедуру поєднання супутникових знімків у вигляді безхмарних композитних мозаїк за принципом відбору "найкращих" спостережень. Для території рівнинної частини України з архіву відібрано 1548 знімків Landsat 8 OLI, на основі яких створено безхмарні композитні мозаїки для чотирьох сезонів: рік, літо, осінь, квітень-жовтень. Щоб забезпечити повне покриття території досліджень якісними спостереженнями та уникнути пропуску даних, знімки відібрано впродовж 2014–2016 рр. Незалежними змінними для класифікації були спектральні канали видимого та інфрачервоного діапазону, їхні відношення, спектральні перетворення типу "ковпак з кистю", специфічні статистичні метрики, топографічні показники. Для збору опорних даних створено стратифіковану навчальну вибірку обсягом близько 4700 спостережень, а для інтерпретації вибіркових одиниць застосовано загальнодоступні супутникові знімки сервісів Google Maps та Bing Maps. За допомогою класифікаційних моделей Random Forest створено лісову маску, а також тематичну карту, що відображає поширення хвойних, листяних і мішаних лісових насаджень на території рівнинної України. Після перевірки результатів встановлено, що для низки областей степової зони площа лісів виявилася істотно меншою, порівняно з даними офіційної статистики, а для низки північних – навпаки більшою. На основі цього зроблено припущення, що супутникові знімки Landsat 8 OLI дають змогу виявляти процеси природного поновлення лісу на колишніх сільськогосподарських землях українського Полісся, проте їхнє просторове розрізнення недостатнє для картографування насаджень лінійного типу степової зони. Загалом карта характеризується високою точністю (75–88 %). Отримані результати свідчать про доцільність застосування сезонних композитних мозаїк та хмарних технологій для великомасштабного картографування лісів України.

Біографія автора

V. V. Myroniuk, Національний університет біоресурсів і природокористування України, м. Київ
канд. с.-г. наук, докторант кафедри лісової таксації та лісовпорядкування

Посилання

Baig, M. H. A., Zhang, L. F., Shuai, T., & Tong, Q. X. (2014). Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letters, 5(5), 423–431. https://doi.org/10.1080/2150704x.2014.915434

Bey, A., Diaz, A. S. P., Maniatis, D., Marchi, G., Mollicone, D., Ricci, S.,… Miceli, G. (2016). Collect Earth: Land Use and Land Cover Assessment through Augmented Visual Interpretation. Remote Sensing, 8(10). https://doi.org/10.3390/rs8100807

Boisvenue, C., Smiley, B. P., White, J. C., Kurz, W. A., & Wulder, M. A. (2016). Integration of Landsat time series and field plots for forest productivity estimates in decision support models. Forest Ecology and Management, 376, 284–297. https://doi.org/10.1016/j.foreco.2016.06.022

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/a:1010933404324

Chrysafis, I., Mallinis, G., Gitas, I., & Tsakiri-Strati, M. (2017). Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method. Remote Sensing of Environment, 199, 154–166. https://doi.org/10.1016/j.rse.2017.07.018

Eisavi, V., Homayouni, S., Yazdi, A. M., & Alimohammadi, A. (2015). Land cover mapping based on random forest classification of multitemporal spectral and thermal images. Environmental Monitoring and Assessment, 187(5), 34–39. https://doi.org/10.1007/s10661-015-4489-3

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031

Hansen, M. C., & Loveland, T. R. (2012). A review of large area monitoring of land cover change using Landsat data. Remote Sensing of Environment, 122, 66–74. https://doi.org/10.1016/j.rse.2011.08.024

Hansen, M. C., Egorov, A., Potapov, P. V., Stehman, S. V., Tyukavina, A., Turubanova, S. A., … Bents, T. (2014). Monitoring conterminous United States (CONUS) land cover change with Web-Enabled Landsat Data (WELD). Remote Sensing of Environment, 140, 466–484. https://doi.org/10.1016/j.rse.2013.08.014

Hansen, M. C., Egorov, A., Roy, D. P., Potapov, P., Ju, J. C., Turubanova, S.,… Loveland, T. R. (2011). Continuous fields of land cover for the conterminous United States using Landsat data: first results from the Web-Enabled Landsat Data (WELD) project. Remote Sensing Letters, 2(4), 279–288. https://doi.org/10.1080/01431161.2010.519002

Hansen, M. C., Roy, D. P., Lindquist, E., Adusei, B., Justice, C. O., & Altstatt, A. (2008). A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin. Remote Sensing of Environment, 112(5), 2495–2513. https://doi.org/10.1016/j.rse.2007.11.012

Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E., & Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42–57. https://doi.org/10.1016/j.rse.2014.02.015

Roy, D. P., Ju, J. C., Kline, K., Scaramuzza, P. L., Kovalskyy, V., Hansen, M.,… Zhang, C. S. (2010). Web-enabled Landsat Data (WELD): Landsat ETM plus composited mosaics of the conterminous United States. Remote Sensing of Environment, 114(1), 35–49. https://doi.org/10.1016/j.rse.2009.08.011

Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Frontiers in Earth Science, 5, 1–10. https://doi.org/10.3389/feart.2017.00017

Wulder, M. A., Masek, J. G., Cohen, W. B., Loveland, T. R., & Woodcock, C. E. (2012). Opening the archive: How free data has enabled the science and monitoring promise of Landsat. Remote Sensing of Environment, 122, 2–10. https://doi.org/10.1016/j.rse.2012.01.010

Zald, H. S. J., Wulder, M. A., White, J. C., Hilker, T., Hermosilla, T., Hobart, G. W., & Coops, N. C. (2016). Integrating Landsat pixel composites and change metrics with lidar plots to predictively map forest structure and aboveground biomass in Saskatchewan, Canada. Remote Sensing of Environment, 176, 188–201. https://doi.org/10.1016/j.rse.2016.01.015

Zhu, X. L., & Liu, D. S. (2014). Accurate mapping of forest types using dense seasonal Landsat time-series. Isprs Journal of Photogrammetry and Remote Sensing, 96, 1–11. https://doi.org/10.1016/j.isprsjprs.2014.06.012

Zhu, X. L., & Liu, D. S. (2015). Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. Isprs Journal of Photogrammetry and Remote Sensing, 102, 222–231. https://doi.org/10.1016/j.isprsjprs.2014.08.014

Опубліковано
2018-03-05
Як цитувати
Myroniuk, V. V. (2018). КЛАСИФІКАЦІЯ ЛІСОВОГО ПОКРИВУ ЗА СЕЗОННИМИ КОМПОЗИТНИМИ МОЗАЇКАМИ LANDSAT. Науковий вісник НЛТУ України, 28(1), 28-33. https://doi.org/10.15421/40280105
Розділ
Лісове та садово-паркове господарство