ШИФР: FOREST MAPPING

НАУКОВА РОБОТА

НА ТЕМУ:

«СУПУТНИКОВА ЗЙОМКА ЯК ІНСТРУМЕНТ РАЦІОНАЛЬНОГО

ПРИРОДОКОРИСТУВАННЯ»

2

АНОТАЦІЯ

Актуальність.Державні програми з інвентаризації лісових ресурсів

призначені для своєчасної та точної оцінки показників лісового фонду, що

застосовуються не тількив лісовій галузі, а й будь-якими відомчими

структурами та населенням.Час, фінансові витрати, точність отриманої

інформації та інші критерії, до яких постійно зростають вимоги, змушують

шукати технологічні інновації, які підвищують ефективність лісової

інвентаризації.Більшість останніх нововведень в цій сфері базуються на

використання даних дистанційного зондування Землі (ДЗЗ) та статистичних

методів таксації лісу.

Роль дистанційного зондування в завданнях обліку лісових ресурсів

розглядається за трьома напрямками: 1) спостереження або вимірювання, що

означає використання даних ДЗЗ замість або у поєднанні зі збором інформації

наземними методами; (2) оцінювання показників, тобто розрахунок традиційних

параметрів лісового фонду, таких як площа вкритих лісовою рослинністю

ділянок, видовий склад, деревний запас; (3) картографія. У майбутньому

передбачається розширення ролі дистанційних вимірювань за рахунок

використання сенсорів нових типів, детальності, технологій, зокрема від

лідарних датчиків.

Національна лісова інвентаризація (НІЛ) – це збір систематичної та

актуальної інформації про стан і динаміку лісів країни.Дані та оцінки

інвентаризації лісу все частіше використовуються для задоволення вимог

міжнародної звітності (наприклад, оцінка лісових ресурсів FAO; Рамкова

конвенція ООН про зміни клімату; IPCC; Кіотський протокол) та оцінки

ведення лісового господарства відповідно до критеріїв та показників,

зазначених на Конференції міністрів з охорони лісів в Європі (MCPFE, 1990) та

Монреальський процес (робоча група Монреальської

конференції,2005).Оскільки суцільний перелік дерев на всіх лісових землях

неможливий, НІЛ спираються на вибіркові дослідження відповідно створеної

територіальної схеми. Наразі в Україні розробляються та втілюються на

3

практиці базові принципи обліку лісу статистичними методами. У зв’язку з

цим, дослідження технології дистанційної оцінки показників лісових насаджень

є важливим для опрацювання досконалих методик статистичної інвентаризації з

урахуванням сучасних тенденцій розвитку цього питання. У представленій

роботі виконано експериментальне дослідження ефективності сучасних методів

обліку лісу, які побудовані на поєднанні вибіркових наземних і дистанційних

технологій. Одержана інформація є важливою для розробки управлінських

рішень у сфері менеджменту природних ресурсів.

Мета роботи – дослідити можливості оцінки ключових показників

лісових насаджень із використанням комерційних супутникових даних

PlanetScope.

Завдання роботи полягають у вирішенні таких питань:

– узагальнити методику обробки супутникових знімків з метою

картографування та статистичної оцінки показників лісового фонду;

– створити карту видового складу і поширення деревних видів у межах

частини лісового фонду ВП НУБіП України «Боярська лісова дослідна

станція»;

– змоделювати просторовий розподіл запасу лісових насаджень.

Методика досліджень базується на автоматизованих методах

дешифрування таксаційних показників, реалізованих у загальнодоступному

програмному забезпеченні. Для збору дослідних даних застосовувалися

спеціальні методи лісової таксації, а для його обробки – методи математичної

статистики.

Загальна характеристика роботи. Робота складається з вступу, трьох

розділів, висновків та списку використаних джерел. Містить 2 таблиці і 11

рисунків. Результати досліджень пройшли апробацію на міжнародній науково-

практичній конференції «Проблеми розвитку лісової таксації,

лісовпорядкування та інвентаризації лісів», 6-8 грудня, 2018 р., м. Київ. За

матеріалами досліджень у співавторстві опубліковану одну наукову статтю.

4

ЗМІСТ

ВСТУП ......................................................................................................................... 5

РОЗДІЛ 1. ВИКОРИСТАННЯ ТЕХНОЛОГІЙ ДИСТАНЦІЙНОГО

ЗОНДУВАННЯ ЗЕМЛІ ДЛЯ ІНВЕНТАРИЗАЦІЇ ЛІСОВИХ РЕСУРСІВ ............ 6

1.1. Зміст і завдання інвентаризації лісів у контексті управління лісовими

ресурсами ..................................................................................................................... 6

1.2. Принципи дистанційного дослідження за матеріалами супутникової

зйомки та її роль у дослідженні лісів ..................................................................... 8

1.3. Методи автоматизованої обробки даних ДЗЗ .............................................. 11

РОЗДІЛ 2. МЕТОДИЧНІ ПРИНЦИПИ ЗБОРУ І ОБРОБКИ ДОСЛІДНИХ

ДАНИХ ....................................................................................................................... 15

2.1. Територіальна основи вибіркових спостережень за показниками лісового

фонду ....................................................................................................................... 15

2.2. Методика польових досліджень і обробки дослідної інформації .............. 16

2.3. Характеристика матеріалів супутникової зйомки ....................................... 19

РОЗДІЛ 3. ДИСТАНЦІЙНА ОЦІНКА ПОКАЗНИКІВ ЛІСОВОГО ФОНДУ ... 22

3.1. Алгоритм дешифрування видового складу лісових порід .......................... 22

3.2. Прогнозування показників лісового фонду для території досліджень ..... 24

ВИСНОВКИ ............................................................................................................... 29

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ................................................................. 30

5

ВСТУП

Лісовпорядкування включає систему державних заходів, пов'язаних з

організацією та веденням лісового господарства. Ці заходи спрямовані на

забезпечення ефективної охорони та захисту лісу, раціональне використання,

підвищення продуктивності лісів та їхнє відтворення, оцінку лісових ресурсів,

підвищення культури ведення лісового господарства.

Для ефективного управління в лісовому господарстві впроваджується

дистанційне зондування Землі. Дані дистанційного зондування Землі (ДЗЗ)

знаходять широке застосування під час дослідження лісових ресурсів завдяки

доступності супутникових знімків для значних територій, оперативності та

незалежності одержаних оцінок. Іншою важливою властивістю є високий

ступінь генералізації картографічної інформації, це сприяє полегшенню

узагальненню даних, отриманих наземним спостереженням. Також дані ДЗЗ

використовують для раціонального лісокористування, захисту навколишнього

середовища. Регулярний моніторинг за станом лісів дозволяє відслідкувати

динаміку лісових пожеж, антропогенне навантаження тощо.

За допомогою даних супутникових знімків можна отримати інформацію

про таксаційні показники лісового фонду, у зв’язку з чим технології

дистанційного зондування широко впроваджуються під час інвентаризації лісів.

Місія національного лісової інвентаризації (НІЛ) полягає у забезпеченні

систематичної та актуальної інформації про стан і динаміку лісів країни.Дані та

оцінки інвентаризації лісу все частіше використовуються для задоволення

вимог міжнародної звітності. Оскільки суцільний перелік дерев на всіх лісових

землях неможливий, НІЛ спираються на вибіркові дослідження відповідно

створеної територіальної схеми. Наразі в Україні розробляються та втілюються

на практиці базові принципи обліку лісу статистичними методами. У зв’язку з

цим, дослідження технології дистанційної оцінки показників лісових насаджень

є важливим для опрацювання досконалих методик статистичної інвентаризації з

урахуванням сучасних тенденцій розвитку цього питання.

6

РОЗДІЛ 1. ВИКОРИСТАННЯ ТЕХНОЛОГІЙ ДИСТАНЦІЙНОГО

ЗОНДУВАННЯ ЗЕМЛІ ДЛЯ ІНВЕНТАРИЗАЦІЇ ЛІСОВИХ РЕСУРСІВ

1.1. Зміст і завдання інвентаризації лісів у контексті управління

лісовими ресурсами

Інвентаризація лісів - це систематичний збір даних про лісові ресурси в

межах певної території, що дозволяє оцінити поточний стан і є основою для

аналізу та планування, сталого ведення лісового господарства. Хоча в

минулому інвентаризація полягала, в першу чергу, на зборі інформації про

запаси деревини в лісових насадження, нині вона направлена на оцінювання

лісових ресурсів, тобто всіх функцій і корисностей, що продукує ліс.

Всі операції з інвентаризації повинні виконуватись в наступні етапи:

визначення бажаних інвентаризаційних цілей та інформації;

розробка вибіркової схеми та методів;

збір даних (польові обстеження, аналіз даних дистанційного зондування

та інші джерела);

аналіз даних та поширення результатів.

Під час інвентаризації лісу потрібно правильно розподілити час та

методи, які застосовуватимуться [15]. Відповідно до сучасної світової практики

основними факторами, що визначають її методологію, є мета та масштаб

проведення. Так, інвентаризація лісів для малих територій, зазвичай,

проводиться для оперативного планування, національної – для розробки

стратегічних цілей лісоуправління на рівні держави.Крім цього, розрізняють

регіональні інвентаризації (частини території країни); розвідувальні

інвентаризації (загальні дані про лісові ресурси на обмеженій території);

діагностична вибірка для оцінювання ефективності лісогосподарських заходів,

можливості лісокористування (зосереджені на оцінці доступності заготівлі лісу,

плануванню лісозаготівельних операцій); моніторинг стану лісів (часто

пов’язаний із операціями з утилізації відходів).

7

Проведення вибірково-статистичної інвентаризації лісів на

національному рівні є загальним методом збору інформації про ліси та лісові

ресурси держави, що використовується в багатьох країнах світу.На основі

отриманих данихприймаються рішення, щодо сталого управління лісами та

контролю, ведення лісової політики. Інвентаризація на глобальному рівні є

затратною, тому інформацію отримують на основі стратегічної вибірки, яка

проводиться в тимчасових або постійних одиницях вибірки. Процедура вибірки

може бути випадковою, але систематична вибірка, як правило, більш

ефективна, оскільки це сприяє кращому представленню розподілу

землекористування та типів лісу. Одиниці вибірки можуть бути постійними,

вибіркові ділянки можуть бути круговими, прямокутними або квадратними (або

іншої форми) і можуть мати фіксований або змінний розмір. Розмір ділянки

визначається відповідно до очікуваної кількості вимірювань параметрів

інтересу.

Важливимінструментомінвентаризації лісових ресурсів, який набуває

популярності та не потребує значних трудозатрат,є дистанційне зондування

Землі (наприклад, використання даних, отриманих від повітряних або

супутникових сенсорів). Інвентаризація лісу, що провадиться виключно

наземними методами на основі вибірки, дозволяє провести оцінку лісового

фонду тільки позавершенні всього циклу польових робіт. При цьому,

статистичні оцінки будуть працювати для всієї території досліджень і будуть

некоректними для малих областей інтересу.Поєднання даних наземного збору

даних із матеріаламиДЗЗ, дозволяє описати територію в будь-які точці та

створити відповідні тематичні карти. Це може значно полегшити оцінку запасів

деревини, біомаси, як для всієї території досліджень, так і окремих її частин. У

сучасних умовах доступними стали багато матеріалів супутникової зйомки, що

здійснюється в оптичному діапазоні (Landsat,Sentinel). Радіолокаційні

супутникові дані також з’явлються у відкритому доступі. Найбільш обмеженим

є лазерне сканування на основі повітрянихлітальних апаратів, утім воно має

8

великі перспективи для лісової інвентаризації. Точність всіх методів ДЗЗ багато

в чому залежить від здатності калібрувати та коректно обробляти вимірювання.

Порівно з методами класичного повидільного впорядкування лісового

фонду, що проводиться виробничим об’єднанням «Укрдержліспроект», облік

лісу під час НІЛ істотно відрізняється, оскільки вирішує інше коло питань.

Обидва методи повинні існувати окремо, а їхнє поєднання дозволяє істотно

поліпшити інформаційну підтримку в сфері управління лісовими ресурсами,

зокрема ресурсним і природоохоронним потенціалом лісу.

1.2. Принципи дистанційного дослідження за матеріалами

супутникової зйомки та її роль у дослідженні лісів

Функції лісів різноманітні, вони забезпечують комплекс екосистемних

послуг та товарів, беруть участь у біогеохімічних циклах, зокрема, поглинають і

утримують вуглець, виділяють кисень, є середовищем для існування живих

організмів, виробляють продукти харчування, накопичують енергію в біомасі,

також є природним джерелом соціокультурної інформації. Екосистемні функції

лісів змінюються у процесі росту, а тому потребують якісно оцінювання.

Із кожним днем все більшого значення набувають спостереження за

станом земного покриву з космосу. Використання супутникових знімків

ефективне для наукових та практичних цілей, збільшується кількість задач,

які вирішуються за допомогою обробки результатів космічних знімків.

Багато завдань для моніторингу лісів неможливо виконати без використання

дистанційного зондування Землі, а для територій, які характеризуються важкою

прохідністю чи зазнали значного радіоактивного забруднення в результаті

катастрофи на атомних електростанціях, є єдиним джерелом інформації про

ліс [10].

Дані дистанційного вимірювання можуть використовуватися як

альтернатива дорожчим наземним спостереженням та

вимірюванням.Аерофотозйомка є традиційним джерелом таких даних для

9

лісової галузі, однакзбільшення доступності в цифрових форматах

супутникових знімківспростилоїх використання під час обліку лісових ресурсів.

На сьогодні візуальні та автоматизованіметоди дешифрування детальних

супутникових зйомок, знайшли своє застосування для моніторингу лісових

пожеж, спостереження за їхньою динамікою, актуалізаціїлісоінвентаризаційних

даних.

При дослідженні лісових ресурсів можливі два типи дистанційного

зондування Землі – матеріали аеро- та супутникової зйомки. Знімальні системи

можна розділити за способом отримання інформації на пасивні та активні.

Пасивне отримання в свою чергу являє собою фіксування датчиком відбитих

сонячних променів від поверхні Землі, активне – сенсор самостійно випромінює

сигнал і відслідковує його відбиття. Зазвичай при дослідженні лісів

використовують пасивні мультиспектральнісенсори.

Реєстрація інформації датчиками про стан земної поверхні відбувається

не в одній частині електромагнітного діапазону. Кожен із об’єктів земної

поверхні завдяки різноманітним фізичним характеристикам, має власну

специфіку спектрально-відбивних властивостей, що використовується для

їхньої інтерпретації[4].Для отримання даних використовують такі діапазони

електромагнітних хвиль як: ультрафіолетовий, видимий, інфрачервоний,

мікрохвильовий і радіодіапазон. Ультрафіолетовий діапазон (0,1-0,38 мкм)

використовують при оцінюванні стану рослин і водойм, а також для визначення

доз газових домішок та озону в атмосфері в незначній кількості. Видимий (0,38-

0,74 мкм) і ближній інфрачервоний діапазони (0,74-2,50 мкм) використовують

для знімання лісових масивів як у панхроматичному, так і в

мультиспектральному режимах.

Якщо досліджувана територія характеризується значною площею, тоді

варто застосовувати дані супутникової зйомки. Періодична супутникова зйомка

земної кулі, дозволяє отримати знімки в часовому просторі для потрібної

області інтерфейсу(АОІ).

Варіація коефіцієнта відбиття земного покриву залежить від кута

10

освітлення і кута зйомки, які змінюються залежно від співвідношення чотирьох

відбивних компонентів рослинного покриву, зокрема освітлення та затінення

рослин і ґрунту [5].Зйомка в спектральних зонах видимого та ближнього

інфрачервоного ділянок спектра (багатозональна зйомка) дає можливість краще

дешифрувати рослинний покрив, враховуючи їхні спектральні особливості.

Рис. 1.1. Криві спектральної відбивної здатності рослин[4]

Об’єкти за своїми спектральними ознаками вивчають за кривими

спектральної відбивної здатності. Таке вивчення має важливе значення для

вибору діапазону при аналіз даних дистанційного зондування Землі.

Враховуючи, те що у синьому та червоному діапазонах поглинається хлорофіл,

відбивна здатність рослин у цих діапазонах дуже низька. При переході в

інфарачервону зону значення відбиття енергії в ближній інфрачервоній частині

спектру збільшується. Коефіцієнт відбитої енергії досягає 45–50%.

Вченими досліджено, що різниця відбивної здатності одноярусної і

багатоярусної деревної рослинності коливається в межах 85 % [6]. Причина в

додатковому випромінюванні, яке, пройшовши крізь перший ярус, відбивається

від другого, а потім частково проходить ще один раз через перший. Ефект

спостерігається при порівнянні значень яскравості досліджуваного масиву в

центрі і на краях, де нема багатоярусності. Іще один фактор, який впливає на

відбивну здатність - це вологість листя,краща відбивна здатність, при високому

коефіцієнті вологості листя.

11

Під час здійснення обліку лісового фонду картографічні матеріали

використовуються для багатьох завдань: встановлення площі лісових ділянок,

стратифікацію території для успішної реалізації вибіркових методів,

визначення таксаційних показників лісових насаджень. Роль даних ДЗЗ у

лісовому господарстві полягала виключно у вирішенні практичних завдань

лісовпорядкування, зокрема контурного дешифрування лісових насаджень на

основі візуальної фотоінтерпретації зображень високого просторового

розрізнення. Тому, деревостани на картах лісового фонду прийнято

відображати у вигляді більш-менш однорідних полігонів, яким притаманний

однорідний набір лісівничо-таксаційних показників. Це найбільш простий та

доступний спосіб використання матеріалів ДЗЗ, який переважає в практиці

лісової галузі України. Значення комп’ютерного дешифрування набуває

широких масштабів, проте не опрацьовано повністю автоматизовані методи

сегментації цифрових зображень, а окремі спроби ще не принесли

інвентаризації лісу бажаних результатів. Проте, методи попіксельної

класифікації супутникових знімків протягом останнього часу якісно

удосконалюються та доповнюють існуючу теоретичну базу вибірково-

статистичної інвентаризації лісу [16].

Інформація, одержана з лісовпорядних геоінформаційних баз даних, є

єдиним доступним джерелом наземних даних, адже в більшості випадків

забезпечити збір інформації даних для проведення локальних досліджень не

вдається. У зв’язку з цим виникає потреба у поєднанні атрибутивних баз даних

про лісовий фонд і супутникової зйомки для актуалізації картографічної

інформації для відносно невеликих локальних об’єктів.

1.3. Методи автоматизованої обробки даних ДЗЗ

Якісна оцінка лісових ресурсів за допомогою дистанційного зондування

Землі залежить від достовірної інформації про досліджувану територію.Для

класифікації супутникових знімків та оцінки тематичної точності кінцевих

12

продуктів, як джерела опорних даних можна використовувати загальнодоступні

для користування супутникові знімки високого просторового розрізнення,

сервіси компанії Google (GoogleEarth). Але достовірну та додаткову

інформаціюможна отримати за допомогою наземних дослідженьлісових

ресурсів.

Під час обробки даних ДЗЗ, можна використовувати алгоритми керованої

та некерованої класифікації. Для керованої класифікації базою виступає

апріорна інформація про типи об’єктів, еталонні значення спектральних

характеристик досліджуваних об’єктів. Класифікаціязаключаєтьсяу порівнянні

спектральних характеристиках кожного пікселя з еталонними ознаками.

Кінцевим етапом порівняння є відношення пікселя до тематичного класу за

найближчими своїми спектральними характеристиками. Існують два типи

керованих методів: параметричні та непараметричні методи (метод опорних

векторів (SVM) та RandomForest) [6]. Непараметричні методи враховують

декілька підходів, серед яких найпоширенішими єкласифікаційні дерева тощо.

Некерована класифікація застосовується, коли апріорна інформація про об’єкт

відсутня (ISODATA, k-means).

Дослідження лісів за даними ДЗЗ розпочинається зі створення лісової

маски. Класифікацію загрупами деревних видів можна виконувати

використовувуючи спектральні канали супутникових знімків, а також набори

допоміжних даних (наприклад, цифрова модель рельєфу).В сучасних умовах

широкого застосовується статистична система R.Принцип роботи системи

полягає у розробці алгоритмів використовуючи скрипти.

При виборі алгоритму класифікації необхідно враховувати поставлені

завдання. При класифікації доступним у використанні є наступні методи: k-

NearestNeighbors (k-NN), RandomForest (RF), NeuralNetworks (NN) та інші.

Найпоширенішою моделлю класифікації є RF. Алгоритм RF побудований на

процедурі беггінг – формування випадкових вибірок і масиву дослідних даних і

створення набору класифікаційних дерев. Після їх побудови відбирається

найкраща модель. Класифікацію можназдійснити в програмному середовищі R.

13

Усі незалежні змінні збирають в багатоканальний растр –RasterBrick або

RastrerStack. Ефективнішим є RasterBrick, адже дозволяє працювати з значним

масивом даних. RastrerStack показує шлях до даних, які розміщенні у певному

середовищі[6].

Випадковість є ефективним інструментом прогнозування. Введення

правильного набору даних робить метод RF точними

класифікатором.Інформація, одержана з геоінформаційних баз даних, є одним із

доступних джерел наземних даних, адже в більшості випадків забезпечити збір

інформації для локальних досліджень важко або взагалі неможливо. У зав’язку

з цим поєднується атрибутивна база даних про лісові ресурси і супутникової

зйомки для актуалізації картографічної інформації для невеликих локальних

об’єктів.

Для того, щоб отримати точну інформацію про показники лісового фонду

використовується непараметричний алгоритм класифікації космічних знімків,

відомий під назвою методу k-NearestNeighbors (k-NN розшифровується як k-

найближчих сусідів) [3]. За результатами численних досліджень було доведено

його ефективність в контексті національної інвентаризації лісів. Метод

дозволяє виявити помилкові спостереження, також можна спрогнозувати

значення, які були втрачені або не вистачає.

Ідея k-NN методу полягає у співвідношенні двох пікселів з близькими

значеннями спектрального відгуку, які характеризують лісові ділянки із

схожими лісотаксаційними параметрами, визначають як середнє значення

спостережень найбільш близьких за спектральною характеристикою референц-

пікселів. Кожному пікселю космічного знімка приписується набір

атрибутивних даних, отриманих при польових вимірюваннях, відстань до якого

у n-вимірному спектральному просторі є найближчою. Принциповим для k-NN

методу є вибір кількості найближчих «сусідів» та алгоритму розрахунку

відстані до них [11].

Сьогодні k-NN метод є перспективнийдля використання в майбутньому

при національній інвентаризації лісів України.Цей метод є частиною лісової

14

інвентаризації та аналізу (FIA) в США [15]. Суть методу у поєднанні

результатів таксації пробних площ, даних дистанційного зондування Землі, а

також додаткову інформацію у вигляді цифрових моделей рельєфу, карт

землекористування тощо. Для того, щоб підвищити точність оцінки показників

лісового фонду не лише на загальнонаціональному, а й на локальному рівнях,

метод дозволяє отримати відсутні або втрачені дані під час польових

досліджень.Специфіка k-NN алгоритму залежить від вибору даних ДЗЗ. Фінські

вчені встановили, що поєднання спектральних характеристик космічних знімків

та текстури зображень аерофотознімків підвищує точність k-NN методу

інвентаризації лісів [11]. Для покращення обробки даних, знімки під час аналізу

повинні мати однакове просторове розрізнення.

Для обрахунку може бути задана будь-яка кількість «найближчих

сусідів». Збільшення кількості сусідніх пікселів зменшує загальну помилку

прогнозу, проте істотно знижує мінливість відгуку, яка стає нехарактерною для

вихідної сукупності [11]. Тому для отримання логічної та точної моделі

рекомендується поступово збільшувати кількість найближчих сусідів.

15

РОЗДІЛ 2. МЕТОДИЧНІ ПРИНЦИПИ ЗБОРУ

І ОБРОБКИ ДОСЛІДНИХ ДАНИХ

2.1. Територіальна основи вибіркових спостережень за показниками

лісового фонду

Дослідження проводились на території площею – 17932 га. Вона

знаходиться в межах ВПНУБіП України«Боярська ЛДС» (відокремлений

підрозділ НУБіП України «Боярська лісова дослідна станція»). За даними

лісовпорядкування, площа вкритих лісовою рослинністю земель складає

16393 га. Тут успішний ріст деревних порід таких як: сосна звичайна

(PinussylvestrisL.), дуб звичайний (QuercusroburL.), вільха чорна

(Alnusglutinosa(L.) Gaerth.), береза повисла (BetulapendulaRoth.). А також

багатьох чагарників: ліщина, горобина, крушина, бузина та інші. Це

підтверджується наявністю високобонітетних насаджень основних

лісоутворюючих порід. Основним типом лісорослинних умов на території є

свіжі субори та судіброви на дерново – слабоопідзоленихґрунтах. В

пониженнях та на заболочених територіях зростають насадження вільхи чорної.

Супутніми деревними породами в лісових масивах Боярського лісництва є:

береза звичайна, липа дрібнолиста, клени гостролистий, дуб червоний, акація

біла, черешня, черемха, осика тощо. Вікова структура різноманітна, середній

вік насадження складає 61-90 років. Варто зазначити, що максимальний вік

насадження на досліджуваній території - 200 років.

По природній зональності територія ВП НУБіП України «Боярська ЛДС»

займає південну частину Полісся, на переході в Лісостеп. В геоморфологічному

відношенні – на вододілі річок Дніпро й Ірпінь, в зоні Київського

Полісся.Лісистість території, на якій підприємство здійснює діяльність, складає

22,5%. При плануванні, виконанні та організації запроектованих

лісогосподарських заходів, підприємство в першу чергу намагається

16

дотримується принципів і критеріїв Лісової Опікунської Ради (FSC).В

основному лісові масиви дослідної території досить різноманітні, представлені

високопродуктивними сосновими та дубовими насадженнями.

Як експериментальний полігонобранотериторію площею 56 км2 межах

Дзвінківського, Плесецького та Жорнівського урочищ (рис. 2.1).

Рис.2.1.Розташуванняекспериментального полігону

Ключове наукове завдання, яке передбачено дослідити в межах

представленої роботи на основі цього тестового полігону, полягало в

обґрунтуванні можливості використання сучасних систем супутникової зйомки

PlanetScopeдля підвищення інформативності статистичних оцінок лісової

інвентаризації.

2.2. Методика польових досліджень і обробки дослідної інформації

У дослідженнях використано 156 кругових пробних площ, які

закладались науковцями кафедритаксації лісу та лісового менеджменту НУБіП

України протягом 2018 року.Пробна площа являє собою круг площею 500 м2 та

радіусом 12,62 м (рис. 2.2).Для її закладання застосовувалася польова

17

геоінформаційна системаFiledMap [13].Кругові пробні площі постійного

радіуса широко застосовуються в лісовій інвентаризації. При проведенні

таксації деревостану на пробі проводяться такі роботи:

–визначення деревного виду для кожного дерева, що розташовується на

пробі;

– вимірювання діаметра і висоти облікових дерев;

– картографування позиції облікових дерев в системі FiledMap;

– таксаційний опис лісового насадження.

– визначення ознак, які вказують на походження дерева і його

конкурентну ситуацію;

– збір ознак, які мають значення для біорізноманіття (структура

біотопів);сюди належать ознаки як живих, так і мертвих дерев, наприклад:

наявність стовбурних дупел, тріщин, трутовиків тощо).

Рис. 2.2. Схема кругової пробної площі

Для кожної ділянки в програмному забезпечені Field-Map було створено

карту з відповідною геолокацією. Кожне дерево виступало у вигляді

точки.Задопомогою цього програмного забезпечення можна чітко віднайти

розміщення точки (в даному випадку дерева) на території та в межах кругової

пробної площі (рис. 2.3.).Для всіх облікових дерев вимірювалися діаметри

дерев на висоті 1,3 м[1]. Для модельних дерев, які випадково відбиралися з

числа облікових різних класів діаметра (приблизно ¼ від загальної кількості)

18

додатково вимірювалася висота стовбура та встановлювався деревний вид.

Польові дослідження виконувалися на основі запроектованої мережі

пробних площ (рис. 2.3). Відповідно до матеріалів таксації лісових насаджень

на вибіркових одиницях можна скласти характеристику експериментального

полігону.

Рис.2.3. Розташування кругових пробних площ у межах

досліджуваного полігону

Під час досліджень було обліковано понад 3000 дерев. Для більш точних

результатів досліджень використовувались дані не тільки кругових пробних

площ, а й дані окомірної таксації. Під час якої обліковувались дерева вздовж

автомобільних шляхів та в місцях, де закладання пробної площі було

неможливим. На основі таблиць ходу росту та отриманих даних окомірної

таксації визначались суми площ поперечних перерізів.

Обчислення середніх таксаційних показників насаджень на основі

кругових пробних площ постійного радіуса полягає у співвідношення між

площею поперечного перерізу, об’ємом і кількістю дерев визначених розмірів

19

на пробі з відповідними середніми таксаційними показниками насадження в

перерахунку на 1 га [2].

Середній діаметр насадження приймаємо, як середнє квадратичне

значення, що відповідає площі поперечного перерізу середнього дерева у

насадженні:

(3.1)

Середня висота елемента лісу ( ) обчислювалася як середнє арифметичне

значення виміряних висот облікових дерев [3].

(3.2)

де – висота і-того облікового дерева, м;

– кількість облікових дерев, для яких вимірювалася висота.

Запас насадження ( ) визначався окремо за елементами лісу,

використовуючи класичну формулу лісової таксації:

(3.3)

де – середнє значення видового числа.

2.3. Характеристика матеріалів супутникової зйомки

Окрім даних, отриманих при наземній таксації використовувались дані

дистанційного зондування Землі.Для дослідження використано чотириканальні

супутникові знімкиPlanetScope. Продукт PlanetScopeAnalyticOrthoTile є

орторектифікованими, мультиспектральними даними з супутникового сузір’я,

що складається з 150 мікросупутників, здатних зображувати всю земну

поверхню Землі щодня. Хоча це комерційний ресурс, знімки для дослідної

території одержано безкоштовно для виконання конкретних наукових цілей з

сайту-постачальника цих данихhttp://www.planet.com/.Характеристика

20

параметрів використаних супутникових знімків наведена в табл. 2.1[12].

Таблиця 2.1.

Характеристика супутникових знімків PlanetScope

Параметри супутникових

знімків

Значення

Просторове розрізнення 3 м

Темпоральне розрізнення 24 год

Радіометричне розрізнення 16 біт

Спектральні канали багатоспектральнезображення (синій,зелений,

червоний, ближнійінфрачервоний)

Дата зйомки квітень, червень, серпень 2018

У нашому дослідженні використано 12 спектральних каналів (по чотири

на кожну дату), які поєднано в одне багатоканальне зображення.Для аналізу

використано три місяці: квітень, червень та серпень, які відображають сезонну

динаміку лісового покриву.Такий підхід підвищує точність класифікації,

зокрема спрощує класифікацію лісових насадженьзалежно від породного

складу на хвойні та листяні деревостани.Приклад багатоканального знімка

наведено на рис. 2.4, де зображення представлено в комбінації каналів 4-3-2

для періоду «квітень» і «серпень». При цьому навіть візуально простежуються

відмінності в стані лісового покриву для весняного і літнього періоду. Це

пояснюється збільшенням зеленої біомаси.

а) б)

Рис. 2.4 Багатоканальний знімок а) квітнень, б) серпень 2018 р.

21

22

РОЗДІЛ3. ДИСТАНЦІЙНА ОЦІНКА ПОКАЗНИКІВ

ЛІСОВОГО ФОНДУ

3.1. Алгоритм дешифрування видового складу лісових порід

Під час здійснення обліку лісового фонду картографічні матеріали

використовуються для багатьох завдань: встановлення площі лісових ділянок,

стратифікації території для успішної реалізації вибіркових методів, визначення

таксаційних показників лісових насаджень. Це найбільш простий та доступний

спосіб використання матеріалів ДЗЗ, який переважає в практиці лісової галузі

України. Значення комп’ютерного дешифрування набуває широких масштабів,

проте ще не опрацьовано повністю автоматизованих методів сегментації

цифрових зображень, а окремі спроби ще не принесли інвентаризації лісу

бажаних результатів [11]. Проте, методи попіксельної класифікації

супутникових знімків протягом останнього часу якісно удосконалюються та

доповнюють існуючу теоретичну базу вибірково-статистичної інвентаризації

лісу.

Процедура дешифрування геопросторової інформації складалась з

поєднання різних наборів даних, наведених на рис. 3.1.

Д

Рис.3.1. Блок-схема алгоритму дешифрування супутникових знімків

Часова серія з радіометричною і

геометричною корекцієюзнімку

PlanetScope

Маска вкритих лісом

земель

Багатоканальні супутникові

знімки в границях лісової маски

Дані вибіркової

інвентаризації

Навчальна вибірка для

дешифрування

породного складу

Моделювання таксаційних

показників лісового насадження

Попіксельний розподіл

запасу, сум площ

перерізів на 1 га

Деревний запас лісових

насаджень

Карти видового складу

лісового насадження

Деревні види, що

переважають у

насадженні

Густота деревостану

23

Вихідними даними для обрахунку запасу лісових насаджень, виступили

деревостани старше 20 років, де закладалися пробні площі. Для класифікації

даних ДЗЗ заk-NN методом використовувалась статистична система аналізу на

базі пакету R, зокрема спеціального пакету {yaImpute} [11].

Відповідно до опрацьованого алгоритму, перший етап полягає у

формуванні векторів X та Y з навчальної вибірки, які визначають перелік

показників, що досліджується, та змінних, за якими здійснюється прогноз [3].

X.plsc<- ft.plsc.trsp[, c('apr1_mean', "apr2_mean", "apr3_mean",

"apr4_mean", 'jun1_mean', "jun2_mean", "jun3_mean", "jun4_mean",

'aug1_mean', "aug2_mean", "aug3_mean", "aug4_mean")]

Y.plsc<- ft.plsc.trsp[,c("G", "M", 'N', "PISY", "QURO","BEPE","ALGL")]1

Після цього за методом RF здійснюється пошук оптимальної відстані між

«сусідами» за допомогою функції «yai» та часової серії знімків PlanetScope.

require(raster)

require(yaImpute)

rf<- yai(x = X.plsc, y = Y.plsc, method = "randomForest")

Безпосереднє картографування показників здійснено за допомогою

функції AsciiGridImputeпакету {yaImpute}, яка здійснює пошук

найближчих сусідів для кожного пікселя растру і приписує йому відповідне

значення запасу, сум площ перерізів, у т.ч. для кожного з перерахованих

деревних видів.

xfiles<- list(apr1_mean = "plsc_apr_1.asc", apr2_mean = "plsc_apr_2.asc",

apr3_mean = "plsc_apr_3.asc",apr4_mean = "plsc_apr_4.asc",

jun1_mean = "plsc_jun_1.asc",jun2_mean = "plsc_jun_2.asc",

jun3_mean = "plsc_jun_3.asc",jun4_mean = "plsc_jun_4.asc",

aug1_mean = "plsc_aug_1.asc",aug2_mean = "plsc_aug_2.asc",

aug3_mean = "plsc_aug_3.asc",aug4_mean = "plsc_aug_4.asc")

outfiles<- list(ALGL = "ALGL-imp.asc",

PISY = "PISY-imp.asc",

QURO = "QURO-imp.asc",

BEPE = "BEPE-imp.asc")

AsciiGridImpute(rf, xfiles, outfiles)

1Примітка. З метою полегшення комп’ютерної обробки даних замість українських назв деревних видів

використовувалися їхні англомовні акроніми, сформовані поєднанням двох перших літер видової та родової

назв: PISY – Pinussylvestris; QURO – Quercusrobur; ALGL – Alnusglutinosa; BEPE – Betulapendula.

24

3.2. Прогнозування показників лісового фонду для території

досліджень

Точність прогнозування сум площ поперечних перерізів на основі

графічного порівняння фактичних(Observed) і змодельованих заk-NN методом

(Imputed) значень цього показника (рис. 3.2). Концентрація спостережень

навколо лінії 1:1, свідчить про незначне відхилення та високу адекватність

моделі. Важливо зауважити, що сусіди, обрані для прогнозування сум площ

перерізів використовувалися для моделювання решти показників – запасу[11].

Рис. 3.2. Порівняння фактичних і змодельованих значень сум площ

перерізівдерев у насадженні

Основним результатом прогнозування показників лісового фонду є

растрові карти, які відображають розподіл сум площ і деревних запасів лісових

насаджень. По суті, вони створюють основу для розрахунку середніх і

загальних значень цих показників за елементами лісу. В першу чергу,

попіксельна оцінка сум площ перерізів дерев кожного деревного виду дозволяє

спрогнозувати орієнтовний склад лісових насаджень і визначити головну

породу.

На рис. 3.3. зображено неперервну картарозподілу загального запасу

лісових насаджень БЛДС України в межах лісової маски. Відповідно до

одержаних результатів значення цього показника на рівні окремого пікселя

коливається в діапазоні від 75 до 800 м3∙га

-1. Звісно, для груп пікселів, які

потрапляють на окреме лісове насадження, це показник набуватиме меншого

значення.

25

Рис. 3.3. Загальний стовбуровий запас деревостанів в межах лісової

маски відповідно до даних супутникових знімків PlanetScope

Видовий склад лісових насаджень визначається за співвідношенням сум

площ перерізів окремих елементів лісу. Моделювання цього показника

дозволило нам встановити видовий склад насаджень. Для цього всі растри

об’єднувалися в одне зображення, а для кожногопікселя визначався той вид,

який робить найбільший внесок у загальне значення сум площ перерізів.

Рис. 3.4. Результат класифікації лісових насаджень за групами порід

Поширення різних деревних видів на території досліджень можна оцінити

за відповідними картами, які лягли в основу рис. 3.4.

26

Рис. 3.4. Розподіл сум площ поперечних перерізів дерев у

насадженнях за окремими елементами лісу

Судячи з розподілу лісових насаджень за переважаючими деревними

видами, можна сказати, що сосна звичайна є домінуючимвидом та

характеризується найвищими значеннями запасу, що характерно дляКиївської

області. Меншу площу займають ліси з переважанням дуба звичайного та

берези повислої. Вільха чорна займає найнижчу частку від загальної площі

вкритих лісомлісових ділянок, а її розташування зосереджене в пониженнях

ділянках.

Точність дешифрування породного складу становить приблизно 80%. В

свою чергу,це свідчить про перспективи використання даних дистанційного

зондування Землі для оцінки основних лісівничо-таксаційних показників і

контролю якості лісовпорядних робіт.Особливий інтерес викликає зіставлення

картографічних матеріалів, що відображають видовий склад лісових

насаджень БЛДС України, розроблених дистанційними методами (рис. 3.6 б)

27

та наземними методами лісовпорядкування(рис. 3.6 а).

а)

б)

Рис. 3.6Карта поширення переважаючих деревних видів

Важливе значення має порівняння оцінок запасу лісових насаджень,

які були одержані на основі даних ДЗЗ, із матеріалами базового

лісовпорядкування підприємства 2018 року (табл. 3.1). Аналізуючи отримані

дані можна сказати, що дані отримані дистанційним зондуванням Землі,

зокрема за допомогою системи супутникових знімків PlanetScope мають

невелику розбіжність із представленими даними лісовпорядної бази

даних.Представлені картографічні матеріали дозволяють, визначити

поширення переважаючих деревних видів, а також оцінити якість

проведених лісовпорядних робіт.

Таблиця 3.1

Порівняння середнього запасу лісових насаджень, встановленого під час

лісовпорядкування та за даними дешифрування супутникових знімків

Група насаджень

Запас деревостанів, м3∙г

-1

база даних

лісовпорядкування

за

знімкамиPlanetScope

Хвойні, у тому числі: 312 320

сосна звичайна (PISY) 312 -

Листяні, у тому числі: 237 224

дуб звичайний (QURO) 254 -

вільха чорна (ALGL) 193 -

береза повисла (BEPE) 95 -

28

Відповідно до таблиці запас хвойних насаджень виявився дещо вищим, а

листяним, навпаки – заниженим порівняно з базою лісовпорядних даних. На

нашу думку, листяні насадження мають складну просторову структуру, у

зв’язку з чим на супутникових знімках не відображаються другий ярус

деревостанів. У цілому, треба визнати, що k-NN метод у поднанні з

супутниковими знімками PlanetScopeє ефективним інструментом, який можна

успішно використовувати для інвентаризації лісів. Слід зауважити, що без

додаткової інформації, отриманої наземними вимірюваннями, алгоритм не

може використовуватися.

29

ВИСНОВКИ

Дистанційне зондування Землі відіграє важливу роль у моніторингу

стану, продуктивності та динаміки лісових насаджень. Вони розкривають

можливості для дистанційної оцінки таксаційних показників лісових

насаджень. Вдосконалення технологій ДЗЗ сприяє розробці нових підходів до

обліку лісу, яке знаходять використання в різних завданнях

природокористування.

На основі проведених досліджень вдалося з високою точністювиконати

дешифрування породного складу лісових насаджень частини території ВП

НУБіП України «Боярська ЛДС», використовуючи супутникові дані

PlanetScope. Нами доведено, що врахування сезонних особливостей

спектральних показників лісових насаджень на знімках, сприяє кращій

ідентифікації деревних видів і прогнозуванню таксаційних показників

деревостанів. За умови проведення аналогічних досліджень у майбутньому

створені тематичні карти дає можливість аналізувати динаміку лісового

фонду, зміни породного складу лісових насаджень.

Використання даних PlanetScopeабо супутникових знімків з

аналогічними технічними параметрами є перспективним для вирішення

задач, пов’язаних з інвентаризацією лісових ресурсів, дешифрування запасу

лісових насаджень і управління природними ресурсами значних територій.

Інформація про лісовий фонд, одержана дистанційними і вибірковими

наземними методами є важливою для вирішення завданьраціонального

використання лісових ресурсів, яке виступає ключовим питанням у сфері

лісового менеджменту.

Важливими є те, що отримані дані можуть використовуватися для

контролю точності лісовпорядних робіт. Також інвентаризація лісів

забезпечить можливість планування заходів, щодо ведення лісового

господарства. Системний моніторинг покращить процес прийняття

управлінських рішень, щодо розвитку лісової галузі.

30

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Букша І.Ф., Букша М.І., Черни М. Польова ГІС для лісового

господарстваюЛісовий і мисливський журнал. № 3. 2011. С. 16–19.

2. Лісотаксаційний довідник / за ред. КашпораС. М. та

Строчинського А. А. Київ: Видавничий дім «Вініченко». 2013. 496 с.

3. Миронюк В.В. Перспективи використання методу класифікації

космічних знімків для лісової інвентаризації України. Збалансоване

природокористування. 2015. № 2. С. 9–15.

4. Чандра А. М, Гош С. К. Дистанционноезондирование и

геоинформационныесистемыМ.: Техносфера. 2008. 312 с.

5. Швиденко А. З., Строчинский А. А. Обоснование нормативов

выборки в системе выборочно-перечислительной таксации. Унификация

лесоустроительных материалов: Сокращенные доклады зонального

совещания. Каунас, 1974. С. 93–96.

6. Breiman L. Random Forest. Machine Learning. 2001. Vol. 45(1).

P. 5–32.

7. Home: Field-Map 2018. Available at: http://www.fieldmap.cz/

8. Hudak A.T., Crookston N.L, Evans J.S. at all. Nearest neighbor

imputation of species-level, plotscale forest structure attributes from LIDAR data.

Remote Sensing of Environment. 2008. Vol. 112, P. 2232–2245.

9. Kershaw, J. A., Ducey, M. J., Beers, T., & Husch, B. Forest Mensuration,

5th ed. 2016. Hoboken, NJ, USA: Wiley-Blackwell. 630 p.

10. Kinnunen J., Maltamo M., Paivinen R. Standing volume estimates of

forests in Russia: how accurate is the published data? Forestry. 2006. Vol. 80(1).

P. 53–64.

11. McRoberts R. E., Nelson M. D., Wendt D. G. Stratified estimation of

forest area using satellite imagery, inventory data, and the k-nearest neighbors

technique. Remote Sensing of Environment. 2002. Vol 82. P. 457−468.

31

12. Planet Team (2017). Planet Application Program Interface: In Space for

Life on Earth. San Francisco, CA. https://api.planet.com

13. Tomppo E. Effects of field plot configurations on the uncertainties of

ALS-assisted forest resource estimates. Scandinavian Journal of Forest Research.

2017. Vol. 32(6). P. 488–500.

14. Tomppo E. Designing and Conducting a Forest Inventory – case: 9th

National Forest Inventory of Finland. 2011. 270 p.

15. Tomppo E. National Forest Inventories: Pathways for Common

Reporting. 2010. 612 p.

16. Tomppo E., Haakana M., Katila M., Peräsaari J. Multi-Source National

Forest Inventory: Methods and Applications. 2008. P. 373.