Application of the Winter and Early-Spring Satellite Images for Assessment of the Birch Forest Coverage on the Abandoned.pdf Введение После распада Советского Союза было заброшено более 40 млн га сельскохозяйственных угодий [1]. Значительная часть из них зарастает древесно-кустарниковой растительностью [2-6]. Территория Республики Башкортостан входит в число регионов с наибольшим процентом неиспользуемых пахотных сельскохозяйственных угодий, зарастающих лесной растительностью, и их площадь составляет более 4 млн га [7]. Большая часть зарастающих лесом участков по-прежнему числится как сельскохозяйственные земли, и реальный масштаб этой ситуации изучен не до конца. В зависимости от стадии сукцессии и почвенных условий зарастающие лесом участки могут быть в дальнейшем использованы в качестве источника древесины или же после раскорчевки в качестве сельхозугодий. Для выявления и картирования зарастающих лесом сельхозугодий достаточно эффективно использование данных, полученных с помощью беспилотных летательных аппаратов или космических спутников Земли [8-9]. Они позволяют выявлять формы землепользования и изменения растительности на участках заброшенных пахотных полей [10-15]. При проведении исследования на локальных территориях наиболее часто используются данные спутников серии Landsat [16], а также спутника Sentinel-2, а для оценок на уровне регионов - снимки MODIS с разрешением 250-500 м [17]. Для идентификации заброшенных земель на основе многолетних серий данных может использоваться многолетний тренд временных рядов изменения значений нормализованного относительного вегетационного индекса растительности (NDVI) в процессе формирования залежной растительности [14]. Так, для дифференциации пашни и залежей используются изменения NDVI на пашнях, связанных с циклом посев-рост-сбор урожая, которые не наблюдаются на заброшенных полях [18]. Индекс NDVI иногда используется в сочетании с другими индексами [19], в том числе с коротковолновым вегетационным индексом (SWVI) [20] и вегетационным индексом стареющей растительности на основе красного и среднего инфракрасного каналов (NDSVI) [19, 21]. При оценке информативности отдельных спек- 112 Федоров Н.И., Туктамышев И.Р., Широких П. С. и др. Использование зимних тральных каналов мультиспектральных снимков отмечается информативность красного канала для анализа зарастания нелесных земель по разновременным снимкам [19]. При выявлении зарастающих залежей достаточно точно выделяются участки древостоя с проективным покрытием только более 50% [19, 2224]. При этом есть необходимость выявления начальных стадий зарастания лесом залежей для анализа восстановительных сукцессий, оценки площадей неиспользуемых земель, а также потенциала депонирования углерода этой растительностью [25-31]. Препятствием для выявления начальных стадий зарастания древесными видами заброшенных сельскохозяйственных угодий по летним космоснимкам является слабое отличие древесного подроста от травянистой растительности из-за его низкой высоты и небольшой сомкнутости. Вместе с тем есть опыт использования зимних снимков для оценки плотности и запаса древесины стволов взрослого древостоя с использованием красного канала. Методика основана на корреляции интенсивности отражения от снега солнечных лучей межкроновых пространств с этими лесохозяйственными характеристиками [32-33]. Для решения обратной задачи - оценки количества снега в кронах деревьев -используется относительный нормализованный индекс лесного снега (NDFSI) [34]. Таким образом, нами сделано предположение, что космоснимки, отснятые в период наличия устойчивого снежного покрова, могут быть также использованы и для оценки проективного покрытия, формирующегося в ходе лесовосстановительной сукцессии древостоя на залежах. Цель данной работы - анализ возможностей использования зимних и ранневесенних космоснимков для оценки проективного покрытия древостоя с доминированием берёзы повислой (Betulapendula Roth.), формирующегося на заброшенных пашнях в зоне распространения широколиственных лесов Республики Башкортостан. Материалы и методики исследования Сбор основного полевого материала для исследования проводился в июле 2021 г. на участке зарастающих лесом сельскохозяйственных угодий размером 10 х 10 км в зоне широколиственных лесов в Мишкинском районе Республики Башкортостан (рис. 1). Сельскохозяйственное использование участков пашни, занятых в настоящее время залежной растительностью, прекратилось в начале 2000-х гг., и в момент проведения исследования на большинстве участков залежей возраст древостоя с доминированием берёзы (B. pendula) составлял 18-20 лет. Тем не менее на отдельных участках встречались более молодые деревья возрастом от 11 до 15 лет, что связано как с более поздним прекращением использования отдельных участков полей, так и, в некоторых случаях, с большей удаленностью от источников семян. Высота древостоя на залежах в момент проведения исследования составляла в среднем 12 м (от 5 до 18 м). 113 Ботаника / Botany Рис. 1. Модельный участок территории заброшенных сельскохозяйственных угодий, зарастающих березняками, расположенный в зоне широколиственных лесов в Мишкинском районе Республики Башкортостан. Красным цветом на выноске показаны зарастающие лесом залежи [Fig. 1. Model site of abandoned agricultural land overgrown with birch forests located in the zone of broad-leaved forests in the Mishkinsky district of the Republic of Bashkortostan. The abandoned fields covered by birch young trees and saplings are shown in red on the inset map] В древесном ярусе березняков единично встречались осина (Populus tremula L.), ива козья (Salix caprea L.), вяз (Ulmus glabra Huds.), а также сосна (Pinus sylvestris L.) (вблизи посадок этого вида). На предварительном этапе с использованием пакета QGIS 3.24 [35] была создана сеточная карта с размером ячеек 30 х 30 м, границы которых совпадали с границами пикселей космоснимков Landsat 5-8, что позволило использовать разновременные космоснимки для создания маски залежей. Сеточный слой использовался для подбора на снимке Google участков с различной сомкнутостью древесного яруса. В период экспедиции на этих участках закладывались 114 Федоров Н.И., Туктамышев И.Р., Широких П. С. и др. Использование зимних пробные площади размером 30 х 30 м, центры которых совпадали с центрами отобранных ячеек сеточной карты. Всего было заложено 189 пробных площадей, на которых отмечались сомкнутость крон, состав и высота древостоя. Высота древостоя отмечалась по породам. Пробные площади с участием сосны из анализа исключались. Для анализа возможностей оценки проективного покрытия древостоя по зимним и ранневесенним космоснимкам использованы семь безоблачных снимков Sentinel-2, отснятых в период с 04.11.2020 г. по 13.05.2021 г., полученных с сайта USGS [36]. Снимок от 08.04.2021 г. является последним снимком, отснятым в период наличия устойчивого снежного покрова. При расчетах использованы значения спектральной яркости каналов: красного (RED) в диапазоне 0,645-0,683 мкм, ближнего инфракрасного (NIR) в диапазоне 0,763-0,908 мкм, а также двух коротковолновых инфракрасных каналов в диапазоне 1,542-1,685 мкм (SWIR11) и в диапазоне 2,0812,323 мкм (SWIR12). Кроме того, использовался нормализованный разностный индекс лесного снега NDFSI, который рассчитывается по формуле NDFS1 = (NIR-SWIR12) . (NIR + SWIR12) Расчет средних значений спектральной яркости пикселей, соответствующих пробным площадям, проводился модулем QGIS «Зональная статистика» [35]. Регрессионный анализ расчета проективного покрытия березняков по полученным значениям спектральной яркости каналов и значений NDFSI проводился в программе «Statgraphics СепШгіоп 19», при подборе оптимальных регрессионных моделей использован алгоритм «Comparison of Alternative Models» [37]. В качестве критериев качества модели использовались величины значений коэффициентов корреляции (R) и детерминации (R2). Для проверки возможностей использования полученных моделей для оценки проективного покрытия древостоя на более ранних сукцесси-онных стадиях проводился расчёт проективного покрытия березняков по снимку Landsat 8 от 25.03.2014 для 36 площадок, соответствующих геопривязанным геоботаническим описаниям, на которых выполнялась оценка сомкнутости крон древостоя в июле 2013 г. Результаты исследования и обсуждения На начальном этапе исследования по всем имеющимся космоснимкам рассчитывались регрессионные уравнения оценки проективного покрытия березняков по значениям яркости каналов и NDFSI. В период наличия снежного покрова они почти во всех случаях аппроксимировались нелинейными уравнениями. Из рис. 2 видно, что в отсутствие снежного покрова в осенний период все модели характеризовались относительно низкими значениями коэффициентов корреляции (R) и детерминации (R2), что объясняется наличием травянистой растительности, опавших листьев и открытой почвы, которые вносили существенный вклад в поглощение в использованных при построении моделей спектрах. 115 Ботаника / Botany Рис. 2. Временная динамика коэффициентов корреляции (R) и детерминации (R2) регрессионных моделей проективного покрытия березняков на заброшенных сельскохозяйственных угодьях, рассчитанных по спектральной яркости красного и ближних инфракрасных каналов и индекса NDFSI: A - коэффициент корреляции (значения приведены по модулю для удобства сопоставления с R2); B - коэффициент детерминации [Fig. 2. T emporal dynamics of changes in the coefficients of correlation (R) and determination (R2) of regression models for the birch forest cover on the abandoned agricultural land, calculated from the spectral reflectance of red and near infrared bands, as well as the NDFSI index: A - correlation; B - determination] У моделей, рассчитанных по каналам RED и NIR, эти значения минимальны, а у остальных моделей есть более низкие значения в зимний период. В первой половине мая у всех моделей значения этих коэффициентов снова снижаются вследствие вклада в поглощение открытой почвы. Особен- 116 Федоров Н.И., Туктамышев И.Р., Широких П.С. и др. Использование зимних но сильное падение значений рассматриваемых коэффициентов отмечается у модели, построенной по ближнему инфракрасному каналу NIR. В целом с поздней осени до ранней весны значения коэффициентов R и R2 у каждой из полученных моделей изменялись сходным образом. В зимний период вариабельность этих коэффициентов у моделей, рассчитанных по каналам RED и NIR, оказался значительно ниже, чем в моделях, рассчитанных по каналам SWIR11, SWIR12 и с использованием индекса NDFSI. При этом с ноября по декабрь значение R2 у модели по RED быстрее повышается, чем у модели по NIR, а значение R быстрее повышается у модели по NIR. В ранневесенний период (26.03 и 08.04.2021) коэффициенты у этих двух моделей не различались. Причины вариабельности R и R2 у моделей, построенных по SWIR11, SWIR12 и NDFSI, не ясны. Было бы логично предположить, что она связана с климатическими отклонениями в дни пролета спутника. Однако по данным ближайшей метеостанции, расположенной в 35 км (г. Бирск), непосредственно в даты или накануне космосъемки сильных отклонений по температуре воздуха или количеству выпавших осадков не наблюдалось. Таким образом, при моделировании проективного покрытия древостоя наиболее стабильные результаты могут быть получены при использовании каналов RED и NIR космоснимков, отснятых в конце марта - начале апреля. Из рис. 2 видно, что наиболее оптимальным для моделирования является снимок от 08.04.2021 г. Возможно, это связано с тем, что во второй половине марта - начале апреля толщина снежного покрова снизилась в связи с повышением дневных температур до положительных [38], что несколько увеличило высоту надснежной части стволов деревьев. Кроме того, на ветвях деревьев в начале апреля растаял снег. Результаты регрессионного анализа оценки проективного покрытия древесного яруса по значениям яркости каналов RED и NIR по снимку, отснятому 08.04.2021 г., приведены на рис. 3 и в табл. 1. Рис. 3. Регрессионные модели оценки проективного покрытия древесного яруса (COVER) по значениям яркости каналов космоснимка Sentinel-2, отснятого 08.04.2021 г.: A - по красному (RED); B- по ближнему инфракрасному (NIR) каналам [Fig. 3. Regression models for estimating the layer cover (COVER) by the reflectance values of the Sentinel-2 bands of the satellite image taken on 08.04.2021: A - red (RED); B - near infrared (NIR) bands] 117 Ботаника / Botany Таблица 1 [Table 1] Регрессионная модель оценки проективного покрытия березняков по значениям красного (RED) и ближнего инфракрасного (NIR) каналов, рассчитанным по космоснимку Sentinel-2 от 08.04.2021 г. [Regression model of the evaluation of the birch forest cover using the values of the RED and NIR bands calculated from the Sentinel-2 image taken on 08.04.2021] Параметр [Parameter] Формула [Formula] R R2 Стандартная ошибка [Standard error] RED COVER =(12,9157 -17,4905 х RED )2 -0,90 81,39 1,1 NIR COVER =(15,4343 -23,2979 х NIR )2 -0,89 80,07 1,2 Примечание. RED - значения красного канала, NIR - значения ближнего инфракрасного канала, COVER - проективное покрытие. [Note. RED - red band values, NIR - near infrared band values, COVER - tree layer cover]. В обоих случаях полученные модели описывались одинаковыми нелинейными уравнениями. Уравнения имеют близкие значения коэффициента R, коэффициента R2 и стандартной ошибки. Далее проводилась оценка возможности использования этих регрессионных моделей для анализа проективного покрытия по космоснимкам на другие даты. В табл. 2 приведены результаты расчета проективного покрытия березняков по каналам RED и NIR семи космоснимков с использованием формул, приведенных в табл. 1. Из таблицы видно, что есть четко выраженная тенденция увеличения ошибки определения проективного покрытия в более ранние сроки проведения космосъемки. Случаи завышения расчетных показателей, включая значительно больше 100%, отмечаются в отсутствие снежного покрова или же при неполном покрытии снегом остатков растительности нижних ярусов и лежащих на земле стволов и ветвей отпада древостоя. На изменение точности определения проективного покрытия кроме глубины снежного покрова может также влиять сезонная динамика изменения интенсивности излучения в красном и инфракрасном спектре. При уменьшении высоты солнцестояния в зимний период солнечный спектр обогащается в красном диапазоне, и максимум излучения смещается в длинноволновую область [39]. Однако при этом уровень радиации с января по май увеличивается в несколько раз [40]. Таким образом, при расчетах по рассматриваемым регрессионным уравнениям вследствие изменения уровня радиации и высоты снежного покрова одним и тем же значениям яркости пикселей каналов RED или NIR на более ранних датах соответствует большее проективное покрытие, чем по космоснимку от 08.04.2021. Наиболее важной является задача выявления начальной стадии зарастания залежей лесом. Из табл. 2 видно, что для участков с отсутствием древесной растительности относительно приемлемые результаты оценки проективного покрытия с использованием регрессионного уравнения по каналу RED получены начиная с середины февраля при глубине снега 45 см, что достаточно, чтобы остатки травяной растительности (жесткие стебли некоторых видов) были полностью погребены под снегом. Таким образом, 118 Федоров Н.И., Туктамышев И.Р., Широких П. С. и др. Использование зимних при использовании зимних и ранневесенних снимков обнаруживается отличие безлесных участков от участков с низким проективным покрытием древостоя, что недостижимо при использовании летних снимков [41]. Проективное покрытие древостоя достаточно точно оценивается при расчетах по космоснимку, отснятому 08.04.2021 г. На предыдущую дату съемки уже отмечается занижение рассчитанного проективного покрытия, точность оценки которого возрастает при увеличении густоты древостоя. Таблица 2 [Table 2] Глазомерная и рассчитанная по яркости красного (RED) и ближнего инфракрасного (NIR) каналов космоснимков оценки проективного покрытия древостоя березняков [Comparison between the visual evaluation of the birch tree cover and the values calculated using reflectance of the red (RED) and near infrared (NDIR) bands of satellite images] Число площадок [Number of sites], шт. Глазо мерная оценка [Eye assess ment] Проективное покрытие, рассчитанное по яркости каналов космоснимков на разные даты, % [Projective coverage calculated from the reflectance of satellite image channels for different dates, %] 04.11.20 09.12.20 18.01.21 17.02.21 26.03.21 08.04.21 13.05.21 10 0 147.2* 150,4 25,0 16,3 10,3 3,2 20 0,4 05 4,9 18 3,2 138,6 133,9 10 1-5 (4,0**) 142,5 149,9 70,3 58,2 47.1 34.1 23,0 15,2 49 1,4 13,0 12,2 133,8 106,5 18 7-15 (11,2) 143,8 155,0 78,5 69,7 54,7 43,9 23,5 14,0 62 1,9 15,9 15,7 138,4 106,6 10 20-25 (21,5) 144,6 156,2 83,4 74,3 60,8 48,4 33.0 24.0 12,2 5,9 22,9 22,8 140.6 107.6 29 30-50 (43,4) 147,2 160,4 103,9 98,8 91,1 83,5 62,5 56,9 31,6 20,9 43,4 42,1 148.6 101.6 67 60-75 (66,8) 149,4 165,9 120,2 118,1 111.3 108.3 86,5 86,7 52,9 42,6 64,1 63,6 153,9 97,7 55 80-100 (84,0) 150,7 169,4 128,7 128,1 123,8 124,5 103,5 109,8 68,3 59,2 78,9 79,8 156,3 93,8 Толщина снежного покрова, см [Snowpack thickness, cm] 0 9 31 45 58 20 0 Примечание. * Числитель - расчёт по красному (RED) каналу, знаменатель - по ближнему инфракрасному (NIR) каналу; ** среднее проективное покрытие. [Note. * Numerator - the value calculated from the red (RED) band, denominator - the value calculated from the near-infrared (NIR) band; ** the average tree layer cover]. Расчет по регрессионному уравнению для показателей NIR по космоснимку, отснятому 08.04.2021 г., имеет примерно такую же точность, как и расчет по регрессионному уравнению с использованием RED. Вместе с тем при расчете по космоснимку от 26.03.2021 г. отмечается большее занижение проективного покрытия, чем при расчете с использованием RED. 119 Ботаника / Botany В связи с этим регрессионные модели, рассчитанные по каналам зимних космоснимков, могут быть использованы только при расчетах по космоснимкам на очень близкие даты, так как даже двухнедельное различие во времени съемки может привести к неточности в оценке проективного покрытия малосомкнутых древостоев. Оптимальным вариантом является проведение расчетов с использованием регрессионных уравнений, построенных по современному космоснимку, наиболее близкому к дате съемки космоснимка, который используется для оценки проективного покрытия березняков более ранней стадии зарастания залежей. Представляет интерес анализ возможности использования рассчитанных моделей для оценки проективного покрытия древостоя на более ранних стадиях зарастания заброшенных сельскохозяйственных земель. В июле 2013 г. на территории исследования было выполнено 36 геоботанических описаний залежей размером 10 х 10 м с возобновлением березняков. Результаты оценки проективного покрытия древостоя по космоснимку Landsat-8 от 25.03.2014 г. с использованием регрессионных моделей, рассчитанных по космоснимкам, отснятым 26.03 и 08.04.2021 г., приведены в табл. 3. Таблица 3 [Table 3] Параметры древостоя, учтенные в геоботанических описаниях 2013 г., и рассчитанное проективное покрытие по регрессионным уравнениям (построенным по снимкам 2021 г.) [Forest characteristics counted in releves compared to the tree layer cover calculated using the regression analysis (from the 2021 imagery)] Проективное покрытие древостоя, % Средняя высота древостоя, м Средний возраст, год Количество описаний, шт. Оцененное глазомерно Рассчитанное по RED Рассчитанное по NIR 0 1,0* 7,7 0,2 11,3 - - 5 1 01 8,5 03 10,6 1,2 (0,8-1,5) 3 (3-4) 3 5 5,3 14,5 17 16,1 1,8 (1,5-2) 9,5 (8-12) 2 20-25 11,3 22,1 55 22,9 4,2 (1-6) 10,7 (5-15) 5 40-50 26,7 39,2 16,5 38,4 4,2 (3-5) 11,4 (9-12) 5 60-65 41,3 53,7 27.3 50.4 5,2 (4,5-6) 13,9 (10-18) 8 80-90 76.8 85.9 63,5 83,4 6,2 (5-7) 11,3 (9-15) 8 Примечание. * Числитель - расчёт по формуле 08.04.2021, знаменатель - по формуле 26.03.2021. [Note. * Numerator - values calculated from the 08.04.2021 image, denominator - from the 26.03.2021 image]. Снимок от 25.03.2014 использовался в связи с отсутствием безоблачных снимков в ранневесений период в 2013 г. Дополнительное использование 120 Федоров Н.И., Туктамышев И.Р., Широких П. С. и др. Использование зимних регрессионного уравнения, рассчитанного по снимку 26.03.2021 г., обусловлено тем, что в 2014 г. был безоблачный снимок, отснятый 25 марта. Различие по толщине снежного покрова на даты 25.03.2014 г. и 26.03.2021 г. оказалось незначительным: в 2014 г. она была на 4 см больше, чем в 2021 г. Из таблицы видно, что рассчитанное проективное покрытие по RED и NIR (модели по снимку 08.04.2021 г.) ниже визуально оцененного проективного покрытия. Особо сильное занижение происходит при расчете по модели NIR. Рассчитанное проективное покрытие березняков по регрессионным уравнениям, построенным с использованием этих каналов по космоснимку от 26.03.2021 г., дает более точные результаты при проективном покрытии от 20% и выше. При проективном покрытии 1-5% есть сильное превышение глазомерных значений. Это может быть связано с большой мозаичностью на начальных стадиях зарастания пашни и несовпадением проективного покрытия в геоботанических описаниях и проективным покрытием, рассчитанным для пикселей, размер которых в 9 раз больше размера пробных площадок геоботанических описаний. Заключение Использование ранневесенних снимков может быть эффективно для оценки проективного покрытия березняков, произрастающих на заброшенных сельскохозяйственных угодьях. Сравнение регрессионных уравнений, рассчитанных по красному, ближнему и дальним инфракрасным каналам, показало, что наиболее точная оценка проективного покрытия березняков может быть получена с использованием красного канала. Рассчитанные по современным космоснимкам уравнения могут быть использованы для оценки проективного покрытия древостоя по ретроспективным снимкам на более ранних сукцессионных стадиях зарастания заброшенных полей для анализа пространственных закономерностей формирования древостоя. При использовании ранневесенних снимков необходимо учитывать толщину снега, так как в отдельные годы сроки схождения снежного покрова могут сильно варьировать.

Скачать электронную версию публикации