Особливості оцінювання стовбурового запасу лісових насаджень під час інвентаризації лісів України
Анотація
Оцінювання стовбурового запасу лісових насаджень для різних територіальних одиниць належить до основних завдань вибіркової інвентаризації лісів. Оскільки оцінки на підставі простої випадкової вибірки можуть мати велику мінливість, якщо обсяг даних недостатній, для підвищення точності інвентаризації лісів прийнято використовувати наявні продукти дистанційного зондування Землі (ДЗЗ) у поєднанні з пост-стратифікацією або оцінюванням за допомогою моделей. У представленій роботі проаналізовано відносну ефективність зазначених методів статистичного оцінювання, які використовують допоміжну інформацію, отриману за даними ДЗЗ. Дослідження виконано на підставі 145 ділянок національної інвентаризації лісів (НІЛ) України, обстежених у 2021 р. у Сумській області. Збирання даних виконано Центром НІЛ України за загальним національним дизайном вибірки, який поєднує випадкове розміщення кластерів із чотирьох кругових інвентаризаційних ділянок площею 500 м2. Передусім, у роботі проаналізовано ефективність пост-стратифікації на підставі дискретної карти панівних деревних видів. Також для пост-стратифікації використано неперервні карти стовбурового запасу, середніх висоти та діаметра деревостанів, які були перетворені в дискретні за рівномірними інтервалами значень показників. Зазначені карти є продуктом ДЗЗ, розробленим за супутниковими знімками Sentinel 2 в україно-німецькому проєкті SFI. Далі, проаналізовано ефективність оцінювання стовбурового запасу за допомогою моделей, зокрема – узагальненої регресії. Пост-стратифіковані (за картою панівних деревних видів) оцінки середнього запасу деревостанів мали на 14 % меншу дисперсію порівняно з простою випадковою вибіркою, тоді як карта стовбурового запасу дозволила знизити мінливість оцінок запасу на 9 %. Залучені карти середньої висоти та діаметра деревостанів не мали позитивного впливу на точність оцінювання стовбурового запасу. Найбільший приріст точності (22 %) виявлено за використання оцінок узагальненої регресії. Перевага цього підходу полягає в тому, що оцінки базуються на ймовірнісній вибірці, яка дає змогу скорегувати помилки за моделлю (картою запасу). На підставі отриманих результатів зроблено висновок, що тематична точність карт відіграє важливу роль у оцінюванні стовбурового запасу під час інвентаризації. Автори роботи припускають, що точність карт і відповідних оцінок НІЛ України можна підвищити, використовуючи більш прогресивні методи ДЗЗ, такі як лідарне сканування лісів. Виконане дослідження створює методичну основу для обліку лісів України статистичними методами за обмежених ресурсів на проведення НІЛ.
Завантаження
Посилання
Bell, D. M., Gregory, M. J., & Ohmann, J. L. (2015). Imputed forest structure uncertainty varies across elevational and longitudinal gradients in the western Cascade Mountains, Oregon, USA. Forest Ecology and Management, 358, 154–164. https://doi.org/10.1016/j.foreco.2015.09.007
Bilous, A., Myroniuk, V., Svynchuk, V., Kashpor, S., & Lesnik, O. (2022). Stem volume by height classes of immature, mature and overmature stands of the main forest-forming species of Ukraine. Ukrainian Journal of Forest and Wood Science, 13(3), 7–12. https://doi.org/10.31548/forest.13(3).2022.7-12
Blickensdörfer, L., Oehmichen, K., Pflugmacher, D., Kleinschmit, B., & Hostert, P. (2024). National tree species mapping using Sentinel-1/2 time series and German National Forest Inventory data. Remote Sensing of Environment, 304, article ID 114069. https://doi.org/10.1016/j.rse.2024.114069
Breidenbach, J., Waser, L. T., Debella-Gilo, M., Schumacher, J., Rahlf, J., Hauglin, M., Puliti, S., & Astrup, R. (2021). National mapping and estimation of forest area by dominant tree species using Sentinel-2data. Canadian Journal of Forest Research, 51(3), 365–379. https://doi.org/10.1139/cjfr-2020-0170
Chirici, G., Giannetti, F., McRoberts, R. E., Travaglini, D., Pecchi, M., Maselli, F., Chiesi, M., & Corona, P. (2020). Wall-to-wall spatial prediction of growing stock volume based on Italian National Forest Inventory plots and remotely sensed data. International Journal of Applied Earth Observation and Geoinformation, 84, article ID 101959. https://doi.org/10.1016/j.jag.2019.101959
DAmico, G., McRoberts, R. E., Giannetti, F., Vangi, E., Francini, S., & Chirici, G. (2022). Effects of lidar coverage and field plot data numerosity on forest growing stock volume estimation. European Journal of Remote Sensing, 55(1), 199–212. https://doi.org/10.1080/22797254.2022.2042397
Haakana, H., Heikkinen, J., Katila, M., & Kangas, A. (2019). Efficiency of post-stratification for a large-scale forest inventory – Case Finnish NFI. Annals of Forest Science, 76(1), article ID 9. https://doi.org/10.1007/s13595-018-0795-6
Hawryło, P., Francini, S., Chirici, G., Giannetti, F., Parkitna, K., Krok, G., Mitelsztedt, K., Lisańczuk, M., Stereńczak, K., Ciesielski, M., Wężyk, P., & Socha, J. (2020). The Use of Remotely Sensed Data and Polish NFI Plots for Prediction of Growing Stock Volume Using Different Predictive Methods. Remote Sensing, 12(20), article ID 3331. https://doi.org/10.3390/rs12203331
Magnussen, S., & Tomppo, E. (2016). Model-calibrated k-nearest neighbor estimators. Scandinavian Journal of Forest Research, 31(2), 183–193. https://doi.org/10.1080/02827581.2015.1073348
Mauro, F., Monleon, V. J., Gray, A. N., Kuegler, O., Temesgen, H., Hudak, A. T., Fekety, P. A., & Yang, Z. (2022). Comparison of Model-Assisted Endogenous Poststratification Methods for Estimation of Above-Ground Biomass Change in Oregon, USA. Remote Sensing, 14(23), article ID 6024. https://doi.org/10.3390/rs14236024
McConville, K. S., Moisen, G. G., & Frescino, T. S. (2020). A Tutorial on Model-Assisted Estimation with Application to Forest Inventory. Forests, 11(2), article ID 244. https://doi.org/10.3390/f11020244
McRoberts, R. E., Gobakken, T., & Næsset, E. (2012). Post-stratified estimation of forest area and growing stock volume using lidar-based stratifications. Remote Sensing of Environment, 125, 157–166. https://doi.org/10.1016/j.rse.2012.07.002
McRoberts, R. E., Liknes, G. C., & Domke, G. M. (2014). Using a remote sensing-based, percent tree cover map to enhance forest inventory estimation. Forest Ecology and Management, 331, 12–18. https://doi.org/10.1016/j.foreco.2014.07.025
McRoberts, R. E., Næsset, E., Heikkinen, J., Chen, Q., Strimbu, V., Esteban, J., Hou, Z., Giannetti, F., Mohammadi, J., & Chirici, G. (2022). On the model-assisted regression estimators using remotely sensed auxiliary data. Remote Sensing of Environment, 281, article ID 113168. https://doi.org/10.1016/j.rse.2022.113168
McRoberts, R. E., Vibrans, A. C., Sannier, C., Næsset, E., Hansen, M. C., Walters, B. F., & Lingner, D. V. (2016). Methods for evaluating the utilities of local and global maps for increasing the precision of estimates of subtropical forest area. Canadian Journal of Forest Research, 46(7), 924–932. https://doi.org/10.1139/cjfr-2016-0064
Myllymäki, M., Gobakken, T., Næsset, E., & Kangas, A. (2017). The efficiency of poststratification compared with model-assisted estimation. Canadian Journal of Forest Research, 47(4), 515–526. https://doi.org/10.1139/cjfr-2016-0383
Myroniuk, V. V., Melnychenko, V. A., Lakyda, M. O., Terentiev, A. Y., & Domashovets, H. S. (2023). Role of satellite time series and historical forest management planning data in forest inventory of Ukraine. Scientific Bulletin of UNFU, 33(5), 21–27. https://doi.org/10.36930/40330503
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, article ID 120184. https://doi.org/10.1016/j.foreco.2022.120184
Myroniuk, V., Svynchuk, V., Bilous, A., Kashpor, S., & Lesnik, O. (2022). Height-diameter relationships and stem volume equations in young and middle-aged forest stands of Ukraine. Ukrainian Journal of Forest and Wood Science, 13(4), 34–43. https://doi.org/10.31548/forest.13(4).2022.74-83
Ohmann, J. L., & Gregory, M. J. (2002). Predictive mapping of forest composition and structure with direct gradient analysis and nearest-neighbor imputation in coastal Oregon, U.S.A. Canadian Journal of Forest Research, 32(4), 725–741. https://doi.org/10.1139/x02-011
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
Puliti, S., Breidenbach, J., Schumacher, J., Hauglin, M., Klingenberg, T. F., & Astrup, R. (2021). Above-ground biomass change estimation using national forest inventory data with Sentinel-2 and Landsat. Remote Sensing of Environment, 265, article ID, 112644. https://doi.org/10.1016/j.rse.2021.112644
Stahl, G., Saarela, S., Schnell, S., Holm, S., Breidenbach, J., Healey, S. P., Patterson, P. L., Magnussen, S., Næsset, E., McRoberts, R. E., & Gregoire, T. G. (2016). Use of models in large-area forest surveys: Comparing model-assisted, model-based and hybrid estimation. Forest Ecosystems, 3(1), article ID 5. https://doi.org/10.1186/s40663-016-0064-9
Trubins, R., & Sallnäs, O. (2014). Categorical mapping from estimates of continuous forest attributes – classification and accuracy. Silva Fennica, 48(2), article ID 975. https://doi.org/10.14214/sf.975
Westfall, J. A., Lister, A. J., Coulston, J. W., & McRoberts, R. E. (2021). Realized and potential efficiency for post-stratified estimation in a national forest inventory. Canadian Journal of Forest Research, 51(10), 1450–1457. https://doi.org/10.1139/cjfr-2020-0379
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
