Анализ и оценка качества работ в области картографирования типов землепользования территории России по данным дистанционного зондирования Земли
Был выполнен обзор существующих глобальных и региональных картографических продуктов растительного покрова, созданных на основе данных дистанционного зондирования Земли. Целью этой работы является анализ их применимости для изучения изменений типов землепользования на территории России, что необходимо, в частности, для оценки углеродного баланса и ведения национального кадастра парниковых газов. Особую значимость эти работы приобретают в контексте выполнения обязательств Российской Федерации в рамках Парижского соглашения по климату, требующих точной оценки динамики землепользования для расчёта выбросов и поглощений парниковых газов в секторе землепользования, изменений землепользования и лесного хозяйства (ЗИЗЛХ).
Обзор сосредоточен на шести основных классах землепользования, определённых в соответствии с методическими рекомендациями Межправительственной группы экспертов по изменению климата (МГЭИК) для разработки кадастров парниковых газов в секторе землепользования, изменений землепользования и лесного хозяйства. Выбор этих классов обусловлен их значительным влиянием на углеродный баланс и необходимостью точного учёта изменений в их площадях для оценки выбросов и поглощений парниковых газов. К рассматриваемым классам относятся лесные земли, возделываемые земли, луга и пастбища, водно-болотные угодья, поселения, прочие земли.
Отбор наиболее картографических продуктов растительности осуществлён на основе следующих критериев:
- предпочтение было отдано продуктам с открытым доступом, обеспечивающим свободное использование и распространение данных;
- продукты должны содержать информацию о категориях землепользования, соответствующих шести классам, определённым выше, или позволяющим их получить посредством агрегации или переклассификации;
- продукты должны обеспечивать покрытие территории России или соизмеримых по размеру стран с сопоставимыми классами ландшафтного покрова.
Продукты были систематизированы по пространственному разрешению: низкому ((100+) м), среднему (30 м) и высокому (10 м). Для каждого продукта рассмотрены ключевые характеристики: используемые спутниковые системы, методы получения, выделяемые классы, временной охват, особенности доступа, обновляемость, точность и области применения. Всего произведён обзор двадцати четырёх глобальных и региональных картографических продуктов на основе спутниковых данных. Все рассмотренные продукты приведены в таблице 1.
Выявлены тенденции развития отрасли: увеличение частоты обновления данных, повышение пространственного разрешения, рост общей точности классификации и широкое внедрение алгоритмов машинного обучения. Однако также было выявлено, что в ряде случаев их точность и качество в конкретном регионе не всегда высоки и остаются предметом изучения. Таким образом, несмотря на высокий потенциал многих существующих продуктов, их применение для территории России требует дополнительных исследований, включая оценку точности на региональном уровне и адаптацию к национальным методикам учёта парниковых газов.
Таблица 1 — Сводная таблица рассмотренных картографических продукт
|
Название
|
Год издания
|
Система ДЗЗ
|
ПР, м
|
Территория
|
Временной период, гг.
|
Обновление (период)
|
Кол-во классов
|
Модель
|
Точность, %
|
|
CORINE LC
|
1990
|
Sentinel-1, -2, Landsat-8 (ранее Landsat-5, -7, SPOT-4, -5, IRS P6, RapidEye)
|
100
|
Европа
|
1986–2018
|
6 лет
|
44
|
Semi-Automatic Computer Assisted Photointerpretation
|
85
|
|
IGBP-DISCover
|
1997
|
NOAA-AVHRR
|
1000
|
Глобальная
|
1992–1993
|
–
|
17
|
Unsupervised Classification
|
67
|
|
GLC2000
|
2003
|
SPOT-VEGETATION
|
1000
|
Глобальная
|
2000
|
–
|
21
|
Supervised & Unsupervised Classifications
|
69
|
|
GlobCover
|
2008
|
Envisat-MERIS
|
300
|
Глобальная
|
2004–2009
|
–
|
22
|
Spectro-Temporal Classification
|
75
|
|
ESA CCI LC
|
2010
|
MERIS, AVHRR, PROBA-V, Sentinel-2, -3
|
300
|
Глобальная
|
1992–2020
|
–
|
22
|
Spectro-Temporal Classifications
|
71
|
|
MODIS LC
|
2010
|
MODIS (Terra, Aqua)
|
500
|
Глобальная
|
2001–2023
|
Ежегодно
|
9–17
|
Decision Tree
|
75
|
|
CGLS-LC100
|
2015
|
PROBA-V
|
100
|
Глобальная
|
2015–2019
|
–
|
23
|
Random Forest
|
80
|
|
Карты ИКИ РАН
|
2016
|
MODIS (Terra, Aqua)
|
250
|
Северная Евразия
|
2001–2024
|
Ежегодно
|
23
|
LAGMA
|
–
|
|
GlobeLand30 (GLC30)
|
2015
|
Landsat-4, -5, -7, Huanjing-1
|
30
|
Глобальная
|
2000–2020
|
10 лет
|
10
|
Pixel-Object-Knowledge
|
80
|
|
GLC_FCS30D
|
2023
|
Landsat composites
|
30
|
Глобальная
|
1985–2022
|
Ежегодно
|
35
|
Spatiotemporal Classification, Temporal-Consistency Optimization
|
81
|
|
AGLC-2000-2015
|
2021
|
Landsat-5, -7, -8
|
30
|
Глобальная
|
2000–2015
|
–
|
10
|
Random Forest
|
76
|
|
GFC
|
2013
|
Landsat composites
|
30
|
Глобальная
|
2000–2024
|
Ежегодно
|
2 (бинарная)
|
Decision Tree
|
60–95
|
|
GLCLUC (GLAD)
|
2022
|
Landsat composites
|
30
|
Глобальная
|
2000-2020
|
–
|
5 (106 подклассов)
|
Decision Tree, CNN, Regression Models
|
85
|
|
GLCLU (GLAD)
|
2022
|
Landsat composites
|
30
|
Глобальная
|
2019
|
–
|
14
|
Bagging Decision Tree Ensembles, U-Net CNN
|
78
|
|
SBTN NLM
|
2024
|
Sentinel & Landsat composites
|
30
|
Глобальная
|
2020
|
–
|
11
|
Series of Overlays and Decision Rules
|
91
|
|
USGS NLCD
|
2001
|
Landsat-4, -5, -7, -8
|
30
|
США
|
1992–2021
|
2–3 года
|
2019 г. — 20
2021 г. — 16
|
Decision Tree
|
80
|
|
USDA NASS CDL
|
2008
|
Landsat-8, -9, Sentinel-2
|
30
|
США
|
1997–2024
|
Ежегодно
|
133
|
Decision Tree, с 2024 г. — Random Forest
|
81
|
|
AAFC ACI
|
2009
|
Landsat-8, -9, Sentinel-2, RCM (ранее AWiFS, DMC, Gaofen-1, Landsat-5, SPOT, Radarsat-2)
|
30
|
Канада
|
2009–2023
|
Ежегодно
|
73
|
Decision Tree
|
85
|
|
USFS LCMS
|
2012
|
Landsat-4, -5, -7, -8, -9, Sentinel-2
|
30
|
США
|
1985–2024
|
Ежегодно
|
LC — 14, LU — 6
|
Random Forest, Ensemble CART
|
79
|
|
CLCD
|
2021
|
Landsat-5, -7, -8
|
30
|
Китай
|
1990–2019
|
–
|
9
|
Random Forest
|
79
|
|
FROM-GLC10
|
2017
|
Sentinel-2
|
10
|
Глобальная
|
2015
|
–
|
10
|
Stable Classification with Limited Global Sample
|
73
|
|
ESA WorldCover
|
2021
|
Sentinel-1,2
|
10
|
Глобальная
|
2020–2021
|
–
|
11
|
CatBoost
|
77
|
|
ESRI LULC
|
2021
|
Sentinel-2
|
10
|
Глобальная
|
2017–2024
|
Ежегодно
|
9
|
U-Net CNN
|
75
|
|
Dynamic World
|
2020
|
Sentinel-2
|
10
|
Глобальная
|
2015–2025
|
2–5 дней
|
9
|
Fully Convolutional Neural Network
|
74
|