Применение спутниковых снимков Landsat для мониторинга лесов

Содержание

1. 1. Роль спутникового мониторинга в географии3
2. 2. Технология получения и обработки данных Landsat5
3. 3. Оценка состояния лесных массивов по снимкам8
4. 4. Динамика лесного покрова и прогнозные модели11
5. Список литературы14

1. Роль спутникового мониторинга в географии

География давно перестала быть наукой, опирающейся исключительно на полевые экспедиции и визуальные наблюдения. Аэрокосмические методы превратили её в дисциплину, способную охватывать взглядом целые континенты. Дистанционное зондирование Земли (ДЗЗ) позволяет получать объективную информацию о состоянии природной среды без прямого контакта с объектом. Речь идёт не о вспомогательном техническом приёме, а о методологической основе современного природопользования: исследователь получает данные, которые наземными способами собрать невозможно.

Главное преимущество спутниковой съёмки связано с её систематичностью и масштабом. Один снимок, сделанный с орбиты, охватывает тысячи квадратных километров. Это даёт возможность отслеживать динамику ландшафтов на огромных территориях с высокой периодичностью. Наземные экспедиции физически не могут обеспечить такую частоту обновления данных и такой пространственный охват. Спутник же фиксирует состояние тайги, тундры или тропических лесов каждые несколько дней. В результате заметны изменения, которые при традиционных подходах остались бы незамеченными или были бы зафиксированы с опозданием на годы.

Уникальность программы Landsat для географической науки определяется её историей. Запущенная в 1972 году, она создала непрерывный, полувековой ряд данных о земной поверхности. Ни одна другая система в мире не располагает подобным архивом. Это делает программу незаменимым инструментом для долгосрочного мониторинга. Открытая политика распространения данных позволила исследователям получить доступ к хронике изменений нашей планеты. Анализ таких рядов помогает выявлять тренды, недоступные при изучении коротких временных отрезков. Примером служат работы Э. А. Терехина, опубликованные в журнале «Исследование Земли из космоса»: они демонстрируют, как многолетние данные Landsat позволяют реконструировать историю

лесопользования и отделять естественную динамику растительности от антропогенной.

Мониторинг лесов занимает особое место в этом контексте. Лесные экосистемы регулируют климат и служат хранилищем биоразнообразия. Сокращение их площадей, деградация и фрагментация напрямую связаны с глобальным потеплением и утратой видов. Спутниковые данные позволяют оценивать масштабы этих процессов с точностью, недостижимой для наземных служб. С их помощью можно оперативно выявлять незаконные вырубки в труднодоступных регионах, фиксировать последствия пожаров и оценивать скорость восстановления растительности после нарушений. Современная система экологического мониторинга, направленная на сохранение лесных ресурсов и выработку стратегий устойчивого природопользования, уже не мыслится без спутниковых технологий.

2. Технология получения и обработки данных Landsat

Спутники Landsat 8 и 9 несут на борту два сенсора: Operational Land Imager (OLI) и Thermal Infrared Sensor (TIRS). Первый регистрирует отражённое излучение в видимом, ближнем и среднем инфракрасном диапазонах, его пространственное разрешение составляет 30 метров. Для лесных экосистем такой детальности хватает, чтобы фиксировать границы крупных массивов и внутреннюю неоднородность полога, вызванную вырубками, ветровалами или усыханием отдельных участков. Тепловой канал TIRS имеет разрешение 100 метров, но он полезен для оценки температурного режима поверхности и выявления стрессовых состояний растительности, связанных с дефицитом влаги.

Съёмка с орбиты никогда не даёт «чистую» картину земной поверхности. Атмосферные аэрозоли, водяной пар и особенности рельефа вносят искажения в регистрируемую яркость пикселей. Поэтому перед анализом снимки проходят обязательную предварительную обработку. Первый этап, радиометрическая калибровка, переводит сырые цифровые значения в физические величины отражательной способности. Далее выполняется атмосферная коррекция: алгоритмы вроде DOS или FLAASH удаляют влияние дымки и рассеяния, иначе расчёт вегетационных индексов даст систематическую ошибку. Наконец, ортотрансформирование устраняет геометрические смещения, вызванные перепадом высот, и приводит снимок к точной картографической проекции. Без этих процедур сравнение разновременных изображений было бы некорректным, а классификация ненадёжной.

Количественная оценка состояния растительности строится на вычислении спектральных индексов. Наиболее распространённый из них, NDVI (нормализованный разностный вегетационный индекс), рассчитывается как отношение разности отражения в ближнем инфракрасном и красном каналах к их сумме. Здоровый, густой лес даёт высокие значения NDVI, близкие к 0,8, тогда как разреженный или повреждённый полог демонстрирует

заметно более низкие показатели. Однако NDVI чувствителен к насыщению в плотных многоярусных лесах, поэтому дополнительно применяют EVI (Enhanced Vegetation Index). Последний учитывает коэффициент сопротивления аэрозолям и корректирует влияние почвы под пологом. Это позволяет точнее оценивать биомассу и продуктивность в тропических и бореальных экосистемах, как показано в работах по картографированию растительного покрова на основе данных Landsat-8 и Landsat-9.

Для отделения лесных территорий от прочих типов землепользования применяют методы классификации. Классический подход, метод максимального правдоподобия, опирается на предположение о нормальном распределении спектральных признаков внутри каждого класса. Он хорошо работает на однородных ландшафтах, но уступает более современным алгоритмам машинного обучения, например «случайному лесу» (Random Forest). Последний строит множество решающих деревьев на основе обучающих выборок и агрегирует их результаты, что повышает устойчивость к шумам и спектральной вариативности. Исследователи из Пермского университета при картографировании растительности успешно использовали именно этот классификатор, достигая точности выше 85% при различении хвойных, лиственных и смешанных насаждений.

Весь архив снимков Landsat, начиная с 1972 года, находится в открытом доступе. Геологическая служба США (USGS) предоставляет его через портал EarthExplorer, где можно выборочно скачивать сцены под конкретные задачи. Однако для анализа многолетних трендов удобнее облачная платформа Google Earth Engine. Она хранит весь каталог в предобработанном виде (Collection 2 Level-2) и позволяет выполнять вычисления индексов, фильтрацию облачности и классификацию прямо в браузере без скачивания терабайтов данных. Это кардинально упрощает автоматизацию мониторинга: вместо ручной обработки десятков отдельных сцен исследователь пишет небольшой скрипт, который за минуты обрабатывает снимки целого региона за

несколько лет. Такая доступность данных и вычислительных мощностей превращает Landsat в рабочий инструмент для академических лабораторий и для практиков лесного хозяйства.

3. Оценка состояния лесных массивов по снимкам

Лес на снимке из космоса выглядит не как однородная зелёная масса, а как сложная мозаика пород, возрастов и состояний. Спутники Landsat, работающие с высоты около 700 километров, фиксируют отражённое излучение в нескольких спектральных диапазонах. Именно это позволяет разглядеть структуру леса. Разница в спектральной отражательной способности хвойных и лиственных пород хорошо заметна: хвойные поглощают больше энергии в ближнем инфракрасном диапазоне и меньше в среднем. На практике это даёт возможность уверенно разделять ельники, сосняки и березняки, особенно летом, когда вегетативная активность достигает максимума. Возрастные стадии тоже оставляют свой след. Молодые сомкнутые культуры отражают свет иначе, чем спелый разреженный лес, из-за различий в структуре полога и количестве подлеска.

Для оценки физиологического состояния деревьев одной лишь видимой части спектра недостаточно. Влагосодержание хвои и листвы напрямую влияет на поглощение излучения в коротковолновом инфракрасном диапазоне. Здесь удобно использовать нормализованный разностный индекс влажности (NDMI), который рассчитывается по каналам ближнего и среднего инфракрасного диапазона. Значения NDMI заметно снижаются при развитии водного стресса. Его могут вызывать засуха, повреждение корневой системы или начальная стадия поражения патогенами. Если посмотреть на пространственное распределение индекса по лесному массиву, легко выявить зоны, где деревья уже испытывают дефицит влаги. Причём сделать это можно раньше, чем изменения станут заметны невооружённым глазом на местности.

Сомкнутость полога, важный параметр структуры леса, оценивается через текстурный анализ снимков. Разрешение Landsat составляет 30 метров, поэтому отдельные кроны различать не удаётся, но этого достаточно для фиксации пространственной неоднородности яркости. Однородный сомкнутый

древостой даёт гладкую текстуру с низкой дисперсией пикселей. А вот разреженный лес с прогалинами и подростом выглядит иначе: текстурная контрастность здесь высокая. По сути, текстурные показатели, вычисленные на основе матрицы смежности яркостей, служат косвенным индикатором полноты древостоя. А полнота, в свою очередь, напрямую связана с продуктивностью. Чем выше сомкнутость, тем больше фитомасса на единицу площади, что коррелирует с запасами древесины.

Снимки Landsat помогают замечать и повреждения леса. Вспышки размножения насекомых-вредителей (сибирского шелкопряда, короеда-типографа) меняют биохимический состав тканей дерева. Это ведёт к сдвигу спектральной отражательной способности. Повреждённая хвоя сначала теряет влагу, что улавливает NDMI, а затем желтеет и опадает, что видно уже в видимых каналах. Похожим образом проявляются грибные болезни и воздействие промышленных выбросов, вызывающие некрозы тканей. Пятна повреждённого леса выглядят на снимках как аномальные зоны с пониженными значениями вегетационных индексов. Они часто имеют характерную форму, вытянутую по направлению господствующих ветров.

Спутниковая оценка, какой бы детальной она ни казалась, требует проверки. Чтобы валидировать результаты, полученные по снимкам, привлекают наземные обследования и данные государственного лесоустройства. Эталонными данными служат таксационные описания кварталов, материалы лесоустроительных планшетов и полевые геоботанические площадки. На них «настраиваются» алгоритмы классификации. Точность дешифрирования оценивают, сопоставляя спутниковые карты породного состава с лесоустроительными данными по конкретным выделам. В работах по картографированию растительного покрова Пермского края, выполненных на основе данных Landsat, именно сверка с материалами лесоустройства позволила довести точность определения преобладающих пород до 85-90 процентов. Без такой наземной опоры любые спектральные индексы остаются лишь гипотезой,

требующей подтверждения.

4. Динамика лесного покрова и прогнозные модели

Разновременные снимки Landsat образуют уникальный архив, который позволяет буквально «перематывать» историю лесного покрова на десятилетия назад. Сопоставляя изображения одного и того же участка за разные годы, исследователь может не только зафиксировать наличие леса, но и реконструировать судьбу каждого гектара: когда здесь прошла сплошная рубка, где в 2010-м бушевал пожар, а какой квартал зарастает молодой порослью на месте заброшенной пашни. Такое сравнение даёт точные количественные оценки площадей нарушений и скорости восстановительных сукцессий. Ни одним другим способом получить эти данные невозможно.

Чтобы анализ не сводился к ручному визуальному сравнению десятков разрозненных изображений, были разработаны алгоритмы автоматического анализа временных рядов. Наибольшее распространение получили два подхода. LandTrendr (Landsat-based Detection of Trends in Disturbance and Recovery), предложенный Кеннеди и коллегами в 2010 году, сглаживает годовые значения спектральных индексов, аппроксимируя их отрезками прямых линий. Это позволяет отделить резкие события (вырубка или пожар) от плавных процессов зарастания и деградации. Метод BFAST (Breaks For Additive Seasonal and Trend) работает иначе: он разлагает временной ряд на трендовую, сезонную и остаточную компоненты и автоматически выявляет точки структурных разрывов. Оба алгоритма успешно применялись при оценке последствий катастрофических пожаров в Сибири и на Дальнем Востоке; они позволили картографировать зоны повреждений с точностью до отдельных лесных кварталов.

Полученные карты динамики не остаются лишь научной абстракцией. Для органов управления лесным хозяйством они служат инструментом верификации: совпадают ли заявленные арендаторами объёмы рубок с фактическими изменениями, которые видит спутник. Яркий пример, работы по Московской области, где по данным Landsat была выявлена значительная

несанкционированная вырубка в водоохранных зонах, не отражённая в официальной отчётности. В Марий Эл аналогичный анализ позволил оценить эффективность мероприятий по естественному лесовосстановлению на землях, вышедших из-под сельскохозяйственного пользования, и скорректировать планы посадок. Спутниковый контроль превращается в действенный механизм обратной связи. Без него декларации об устойчивом развитии остаются лишь благими пожеланиями.

Однако фиксация прошлого и настоящего, лишь половина задачи. На основе выявленных закономерностей строятся прогнозные модели. Классический регрессионный анализ связывает скорость обезлесения с такими факторами, как плотность дорожной сети, расстояние до населённых пунктов, экономические показатели региона. Более сложные модели машинного обучения (например, на основе случайного леса или свёрточных нейронных сетей) учитывают пространственный контекст: конфигурацию существующих вырубок, рельеф, типы почв. Скармливая модели многолетние ряды Landsat в сочетании с климатическими данными, исследователи получают возможность проигрывать различные сценарии. К примеру, расчёты для провинции Кон Тум во Вьетнаме показали, что при сохранении текущих темпов сельскохозяйственной экспансии к 2030 году первичные леса в регионе сократятся на 17%, тогда как при введении защитных зон потери не превысят 4%.

Особую ценность прогнозы приобретают в контексте климатических изменений. Модели, построенные на данных Landsat, указывают на смещение границ ареалов хвойных пород к северу и на увеличение частоты пожаров в средних широтах. Эти результаты ложатся в основу адаптационных стратегий: определение приоритетных территорий для создания новых особо охраняемых природных территорий, планирование противопожарных разрывов, корректировка расчётной лесосеки. Итогом анализа динамики становятся практические рекомендации по устойчивому лесопользованию, которые учитывают не только текущее

состояние лесов, но и инерцию их развития на десятилетия вперёд. Спутниковые данные превращаются из средства пассивного наблюдения в инструмент активного управления экосистемами. Это позволяет минимизировать конфликт между экономическими потребностями и сохранением биоразнообразия.

СПИСОК ЛИТЕРАТУРЫ

1. КАРТОГРАФИРОВАНИЕ РАСТИТЕЛЬНОГО ПОКРОВА ПЕРМСКОГО КРАЯ ПО СПУТНИКОВЫМ СНИМКАМ LANDSAT — https://press.psu.ru/index.php/geogr/article/view/5319

2. Картографирование лесной растительности на основе данных Landsat-8, Landsat-9 и Sentinel-2 — https://journals.bsu.by/index.php/geography/article/view/6036

3. Исследование современной динамики лесного покрова Московской области по данным спутниковых снимков Landsat — http://conf.rse.geosmis.ru/thesisshow.aspx?page=197&thesis=8863

4. Мониторинг лесного покрова водоохранных зон рек Марий Эл ... — http://jr.rse.cosmos.ru/article.aspx?id=2809

5. Исследование Земли из Космоса, 2020, № 3, стр. 26-37 — https://sciencejournals.ru/view-article/?j=iszem&y=2020&v=0&n=3&a=IsZem2003006Terekhin

6. Метод отнесения земель к землям, занятым лесной растительностью, по аэрокосмическим снимкам Landsat — https://lesnoizhurnal.ru/issuesarchive/?ELEMENT_ID=345714

7. Мониторинг земель лесного фонда провинции Кон Тум ... — https://geocartography.ru/scientific_article/2023_8_57-64

8. Классификация лесных территорий на основе снимков Landsat и ... — https://blogs.esri-cis.com/2020/08/04/forest-mapping-with-landsat/