Значення часових рядів супутникового знімання та історичних даних лісовпорядкування для інвентаризації лісів України
Анотація
Досліджено ефективність картографування лісового покриву за часовими рядами супутникових знімків Landsat і Sentinel 2. Окрім цього, проаналізовано потенціал поєднання проб національної інвентаризації лісів (НІЛ) із матеріалами лісовпорядкування для територій, де польовий збір даних неможливий. Дослідження виконано в межах Сумської області зі залученням 168 пробних ділянок, на яких отримано показники НІЛ упродовж 2021 року. Дослідні дані додатково охоплювали 56 лісових насаджень, що перетинали відібрані проби НІЛ, із оновленими станом на 2018 р. матеріалами лісовпорядкування. Для створення навчальної вибірки та картографування лісового покриву виконано візуальну інтерпретацію 776 ділянок НІЛ, використовуючи знімки Google Earth Pro. Кожній ділянці зазначено атрибути типу земельного покриву та дати знімка, за яким земельний покрив ідентифіковано з найбільшою вірогідністю. Темпоральні траєкторії безхмарних спостережень Landsat (30 м) і Sentinel 2 (10 і 20 м) за 2017-2023 рр. були "вирівняні" за допомогою моделей гармонічної регресії алгоритму сегментації CCDC (англ. Continuous Change Detection and Classification). На основі різночасової інтерпретації земельного покриву та відповідних спектральних показників виконано незалежну класифікацію знімків на трьох рівнях просторового розрізнення супутникових знімків. Загальна точність класифікації типів земельного покриву становила приблизно 90 % і майже не відрізнялася для даних Landsat і Sentinel 2. Показники точності користувача та виробника класифікації лісового покриву досягли на 3 % більших значень для Sentinel 2 (просторове розрізнення 10 і 20 м) порівняно з Landsat (30 м). Загалом виявлено, що знімки вищого просторового розрізнення дають змогу виявити більшу площу вкритих лісовою рослинністю територій. Різниця між площею лісового покриву, оціненою за знімками Sentinel 2, була на 1,6 % більшою порівняно з Landsat. Зважаючи на технічні можливості забезпечити класифікацію за різного просторового розрізнення та отримані результати, перспективнішими для НІЛ України є часові ряди знімків Sentinel 2 (20 м). У роботі також виявлено середній ступінь кореляції (коефіцієнт кореляції становить 0,5) між оцінками сум площ перерізів для проб НІЛ і відповідних даних за лісовпорядкуванням. Зроблено висновок, що історичні матеріали лісовпорядкування мають певний потенціал для оновлення лісових карт за часовими рядами супутникових знімків тільки територій, де тимчасово (5-10 років) неможливо забезпечити збір актуальних даних НІЛ.
Завантаження
Посилання
Adams, B., Iverson, L., Matthews, S., Peters, M., Prasad, A., & Hix, D. M. (2020). Mapping Forest Composition with Landsat Time Series: An Evaluation of Seasonal Composites and Harmonic Regression. Remote Sensing, 12(4), 610. https://doi.org/10.3390/rs12040610
Bell, D. M., Wilson, B. T., Werstak, C. E., Oswalt, C. M., & Perry, C. H. (2022). Examining k-Nearest Neighbor Small Area Estimation Across Scales Using National Forest Inventory Data. Frontiers in Forests and Global Change, 5. https://doi.org/10.3389/ffgc.2022.763422
Bey, A., Sánchez-Paus Díaz, A., Maniatis, D., Marchi, G., Mollicone, D., Ricci, S., Bastin, J.-F., Moore, R., Federici, S., Rezende, M., Patriarca, C., Turia, R., Gamoga, G., Abe, H., Kaidong, E., & Miceli, G. (2016). Collect Earth: Land Use and Land Cover Assessment through Augmented Visual Interpretation. Remote Sensing, 8(10), 807. https://doi.org/10.3390/rs8100807
Bilous, A. M., Kashpor, S. M., Myroniuk, V. V., Svynchyk, V. A., & Lesnik, O. M. (Eds.). (2020). Forest Inventory Handbook. Dnipro: Lira LTD, 364. [In Ukrainian].
Bullock, E. L., Woodcock, C. E., & Olofsson, P. (2020). Monitoring tropical forest degradation using spectral unmixing and Landsat time series analysis. Remote Sensing of Environment, 238. https://doi.org/10.1016/j.rse.2018.11.011
Chen, S. (2021). Monitoring temperate forest degradation on Google Earth Engine using Landsat time series analysis. Remote Sensing of Environment, 22.
Chirici, G., Mura, M., McInerney, D., Py, N., Tomppo, E. O., Waser, L. T., Travaglini, D., & McRoberts, R. E. (2016). A meta-analysis and review of the literature on the k-Nearest Neighbors technique for forestry applications that use remotely sensed data. Remote Sensing of Environment, 176, 282–294. https://doi.org/10.1016/j.rse.2016.02.001
Griffiths, P., Kuemmerle, T., Baumann, M., Radeloff, V. C., Abrudan, I. V., Lieskovsky, J., Munteanu, C., Ostapowicz, K., & Hostert, P. (2014). Forest disturbances, forest recovery, and changes in forest types across the Carpathian ecoregion from 1985 to 2010 based on Landsat image composites. Remote Sensing of Environment, 151, 72–88. https://doi.org/10.1016/j.rse.2013.04.022
Henderson, E. B., Ohmann, J. L., Gregory, M. J., Roberts, H. M., & Zald, H. (2014). Species distribution modelling for plant communities: Stacked single species or multivariate modelling approaches? Applied Vegetation Science, 17(3), 516–527. https://doi.org/10.1111/avsc.12085
Hermosilla, T., Wulder, M. A., White, J. C., Coops, N. C., Hobart, G. W., & Campbell, L. B. (2016). Mass data processing of time series Landsat imagery: Pixels to data products for forest monitoring. International Journal of Digital Earth, 9(11), 1035–1054. https://doi.org/10.1080/17538947.2016.1187673
Immitzer, M., Neuwirth, M., Böck, S., Brenner, H., Vuolo, F., & Atzberger, C. (2019). Optimal Input Features for Tree Species Classification in Central Europe Based on Multi-Temporal Sentinel-2 Data. Remote Sensing, 11(22), 2599. https://doi.org/10.3390/rs11222599
Lister, A. J., Andersen, H., Frescino, T., Gatziolis, D., Healey, S., Heath, L. S., Liknes, G. C., McRoberts, R., Moisen, G. G., Nelson, M., Riemann, R., Schleeweis, K., Schroeder, T. A., Westfall, J., & Wilson, B. T. (2020). Use of Remote Sensing Data to Improve the Efficiency of National Forest Inventories: A Case Study from the United States National Forest Inventory. Forests, 11(12). https://doi.org/10.3390/f11121364
McRoberts, R. E., & Tomppo, E. (2007). Remote sensing support for national forest inventories. Remote Sensing of Environment, 110(4), 412–419. https://doi.org/10.1016/j.rse.2006.09.034
Mironiuk, V. V. (2019). Deshifruvannia vidovogo skladu lisovikh nasadzhen za danimi sezonnikh mozaik suputnikovikh znimkiv Landsat i vibirkovoi inventarizatcii lisiv. Naukovi Pratci Lisivnichoi Akademii Nauk Ukrainy, 19, 135–143.
Myroniuk, V., Bell, D. M., Gregory, M. J., Vasylyshyn, R., & Bilous, A. (2022). Uncovering forest dynamics using historical forest inventory data and Landsat time series. Forest Ecology and Management, 513. https://doi.org/10.1016/j.foreco.2022.120184
Myroniuk, V., Kutia, M., Sarkissian, A. J., Bilous, A., & Liu, Sh. (2020). Regional-Scale Forest Mapping over Fragmented Landscapes Using Global Forest Products and Landsat Time Series Classification. Remote Sensing, 12(1), 187. https://doi.org/10.3390/rs12010187
Obata, S., Cieszewski, C. J., Lowe, R. C., & Bettinger, P. (2021). Random Forest Regression Model for Estimation of the Growing Stock Volumes in Georgia, USA, Using Dense Landsat Time Series and FIA Dataset. Remote Sensing, 13(2), 218. https://doi.org/10.3390/rs13020218
Ohmann, J. L., Gregory, M. J., & Roberts, H. M. (2014). Scale considerations for integrating forest inventory plot data and satellite image data for regional forest mapping. Remote Sensing of Environment, 151, 3–15. https://doi.org/10.1016/j.rse.2013.08.048
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
Pasquarella, V. J., Holden, C. E., Kaufman, L., & Woodcock, C. E. (2016). From imagery to ecology: Leveraging time series of all available Landsat observations to map and monitor ecosystem state and dynamics. Remote Sensing in Ecology and Conservation, 2(3), 152–170. https://doi.org/10.1002/rse2.24
Runge, A., & Grosse, G. (2020). Mosaicking Landsat and Sentinel-2 Data to Enhance LandTrendr Time Series Analysis in Northern High Latitude Permafrost Regions. Remote Sensing, 12(15). https://doi.org/10.3390/rs12152471
Saarela, S., Holm, S., Grafström, A., Schnell, S., Næsset, E., Gregoire, T. G., Nelson, R. F., & Ståhl, G. (2016). Hierarchical model-based inference for forest inventory utilizing three sources of information. Annals of Forest Science, 73(4), 895–910. https://doi.org/10.1007/s13595-016-0590-1
Stefanski, J., Chaskovskyy, O., & Waske, B. (2014). Mapping and monitoring of land use changes in post-Soviet western Ukraine using remote sensing data. Applied Geography, 55, 155–164. https://doi.org/10.1016/j.apgeog.2014.08.003
Stefanski, J., Kuemmerle, T., Chaskovskyy, O., Griffiths, P., Havryluk, V., Knorn, J., Korol, N., Sieber, A., & Waske, B. (2014). Mapping Land Management Regimes in Western Ukraine Using Optical and SAR Data. Remote Sensing, 6(6), 5279–5305. https://doi.org/10.3390/rs6065279
White, J. C., Coops, N. C., Wulder, M. A., Vastaranta, M., Hilker, T., & Tompalski, P. (2016). Remote Sensing Technologies for Enhancing Forest Inventories: A Review. Canadian Journal of Remote Sensing, 42(5), 619–641. https://doi.org/10.1080/07038992.2016.1207484
Wulder, M. A., Hermosilla, T., Stinson, G., Gougeon, F. A., White, J. C., Hill, D. A., & Smiley, B. P. (2020). Satellite-based time series land cover and change information to map forest area consistent with national and international reporting requirements. Forestry: An International Journal of Forest Research, 93(3), 331–343. https://doi.org/10.1093/forestry/cpaa006
Zhu, Z., & Woodcock, C. E. (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 144, 152–171. https://doi.org/10.1016/j.rse.2014.01.011
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
