Метод картографирования защитных лесных насаждений на основе разновременных спутниковых изображений высокого пространственного разрешения и бисезонного индекса леса

Большая часть лесостепной и степной зоны распахана, что привело к интенсификации водной и ветровой эрозии почв, масштабного проявления пыльных бурь. Одной из ключевых причин развития процессов деградации агроландшафтов является сокращение площади лесов: за последние полтора столетия лесистость чернозёмной зоны России снизилась с 30–40 до 5–15 %. Противостоять негативным явлениям призваны защитные лесные насаждения (ЗЛН), массово создававшиеся в 1950–1970 гг. ЗЛН способствуют снижению интенсивности водной эрозии, дефляции, испарения, повышают плодородие почв и урожайность сельскохозяйственных культур, связывают углерод, имеют высокую рекреационную ценность и способствуют повышению биоразнообразия агроландшафтов. В то же время значительная часть ЗЛН находится в бесхозном состоянии, землепользователи неохотно включают их в границы земельных участков. Полезащитные лесные полосы (ПЗЛП) располагаются на землях сельскохозяйственного назначения, не входят в Государственный лесной фонд и не проходят регулярной инвентаризации.

Для анализа состояния лесов широко применяются данные дистанционного зондирования Земли. Тем не менее инвентаризация ЗЛН по данным ДЗЗ затруднена, поскольку требует использования спутниковых изображений высокого пространственного разрешения, так как ЗЛН в основном представлены в виде полос и лент шириной до 50–60 м. Наибольшая сложность возникает при дешифрировании ПЗЛП, ширина которых часто не превышает 12–15 м. По этой причине большинство спутниковых информационных продуктов, характеризующих типы земного покрова, не отражают наличие ПЗЛП и других протяженных ЗЛН.

Проводимые исследования состояния ПЗЛП опираются преимущественно на визуальное дешифрирование изображений сверхвысокого пространственного разрешения, в том числе находящихся в открытом доступе (например, сервис Google Earth), картографические материалы, либо на результаты наземной съёмки с помощью GNSS-приёмников. Построение технологий регулярного мониторинга состояния ЗЛН на подобных данных практически не реализуемо, а визуальное дешифрирование спутниковых изображений трудоёмко.

Целью исследований являлась разработка подхода для картографирования ЗЛН по материалам спутниковой съёмки КА Sentinel-2 с использованием разносезонных спутниковых изображений, получаемых как в течение вегетационного сезона, так и в зимнее время при наличии снежного покрова на земной поверхности.

На спутниковых изображениях обрабатываемые пахотные земли наиболее сильно контрастируют с ЗЛН после вспашки, созревания культур или уборки. Окружающая естественная травянистая растительность может быть отделена от ЗЛН по данным ДЗЗ в период, когда её вегетационный период завершён, но деревья остаются в облиственном состоянии. Также выделение ЗЛН возможно по зимним изображениям снежного покрова, поскольку поля и травянистая растительность в этот период будут скрыты под снегом.

Рисунок 1 ‒ Схема расчёта индекса BSFI для картографирования
по разновременным спутниковым изображениям защитных лесных насаждений

Поскольку состояние пахотных земель зависит от севооборотов, то разделить древесно-кустарниковую растительность (ДКР), пашни и естественный травостой по одномоментному спутниковому изображению на основе значений спектрально-яркостных признаков в фиксированный момент времени затруднительно. А по спутниковым изображениям, полученным в зимний период при наличии снежного покрова на земной поверхности, к ДКР могут быть отнесены поля с неубранными пожнивными остатками или урожаем, возвышающиеся над снегом объекты, к примеру, дороги на насыпях. Таким образом, с учётом вышеизложенных предпосылок, разделение ДКР, сельскохозяйственных культур и естественной травянистой растительности может быть основано на комплексном использовании разновременных спутниковых изображений, полученных как при наличии снежного покрова, так и в вегетационный период. При этом по данным разновременных измерений спектрально-отражательных характеристик земного покрова за пределами зимнего сезона целесообразно получение композитного изображения на основе минимизации значения нормализованного разностного вегетационного индекса NDVI за период спутниковых наблюдений. При анализе временной серии данных с минимизацией NDVI возрастает вероятность включения в композитное изображение пикселей, относящихся к убранным или вспаханным полям, высохшей естественной растительности. При этом, соответствующие ДКР минимизированные значения NDVI будут существенно превышать характерные величины данного показателя для сельскохозяйственных культур в начале или конце вегетационного периода, открытой почвы, антропогенных и водных объектов. В то же время, снежный покров, маскированный кронами ДКР, будет менее выражен на зимних спутниковых изображениях: значения нормализованного разностного индекса снега NDSI и альбедо в видимом и ближнем ИК диапазонах будут ниже.

Чем больше разница между показателями минимизированного NDVI и NDSI или альбедо снежного покрова, тем больше проявляется влияние древесной растительности и, следовательно, имеется больше оснований для отнесения соответствующих территорий к покрытым ДКР. Альбедо может принимать значения от 0 до 1, а NDVI и NDSI — от –1 до +1. Использование нормализованной разницы NDVI и альбедо (или NDSI) позволяет получить новый индекс, значения которого также будут лежать в диапазоне от -1 до 1, при этом предварительная фильтрация отрицательных значений NDVI, позволяет исключить из анализа водные и непокрытые снегом антропогенные объекты. Схема расчёта предложенного индекса BSFI (Bi-Season Forest Index) показана на рисунке 1.

Рисунок 2 ‒ Средние значения BSFI, альбедо, минимального NDVI и NDSI для разных категорий земель (а, по вертикальной оси значения указанных показателей) и сопоставление проективного покрытия леса и значений BSFI

В качестве региона исследований выбраны 15 правобережных районов Саратовской области общей площадью 3,6 млн га, расположенные в подзоне южных и типичных чернозёмов. Исследование основано на спутниковых данных Sentinel-2 уровня обработки L2A (BOA — Bottom of atmosphere), прошедших атмосферную коррекцию и радиометрическую калибровку. Выбор указанных данных обусловлен наилучшем пространственным разрешением среди находящихся в открытом доступе данных. В результате были рассчитаны значения BSFI на основе разницы NDVI и альбедо, а также NDVI и NDSI — BSFI (NDSI). Преимуществом вычисления BSFI на основе альбедо, а не NDSI является более высокое пространственное разрешение, так как для расчёта NDSI требуется коротковолновый ИК-канал разрешения 20 м. Для проверки результатов картографирования ЗЛН по предложенному алгоритму использовались данные типов земного покрова за 2020 г. GLC30 разрешения 30 м, ESRI разрешения 10 м, ESA разрешения 10 м, продукт проективного покрытия леса Global Forest Change (GFC) v. 1.8. Также выполнено экспертное дешифрирование ЗЛН и границ сельскохозяйственных земель на территории исследований по данным сверхвысокого разрешения Google Earth. Леса и ЗЛН выделены в 10 районах, сельскохозяйственные земли — в 15 районах региона исследований. Статистические данные приводятся согласно Национальному атласу почв РФ.

На первом этапе для векторных объектов, созданных на основе визуального дешифрирования данных сверхвысокого разрешения, были определены средние значения BSFI и показателей, на основе которых он рассчитывается (рисунок 2). Леса характеризуются наибольшими значениями минимизированных за вегетационный сезон NDVI и минимальными значениями альбедо зимой. Индекс NDSI лесов имеет значительно большие значения, чем альбедо, поэтому подходит в меньшей степени. Значения BSFI на основе альбедо в лесах в 2–3 раза превышают BSFI на основе NDSI, при том, что сельскохозяйственные земли и антропогенные объекты оба показателя отделяют примерно одинаково.

Кросс-валидация результатов картографирования лесных насаждений на основе экспертного дешифрирования, использования индекса BSFI и информационных продуктов ESA и GFC20 показала общую точность 96, 94 и 95 % соответственно. Высокое значение общей точности обусловлено большими площадями, которые не заняты лесом и правильно были отнесены к нелесным по обоим наборам данных. Producer’s accuracy при выделении леса по данным BSFI составила 91 %, по данным ESA — 62 %, по данным GFC20 — 76 %. User’s accuracy по данным BSFI равна 75 %, ESA — 54 %, GFC20 — 73 %. Таким образом, предложенный подход намного точнее позволяет идентифицировать лесные насаждения по сравнению с GFC20 при сопоставимом уровне ложного выделения покрытых древесной растительностью территорий.

Рисунок 3 ‒ Фрагменты карт ЗЛН по разным данным: экспертное дешифрирование (а), BSFI (б), GFC (в), GFC20 (г); спутниковое изображение Sentinel-2 от 4 сентября 2020 г.

Разработанный подход не ограничивается использованием данных Sentinel-2 для картографирования ПЗЛП. Перспективным направлением является идентификация лесов на основе BSFI в малолесных регионах по данным Landsat. Наличие почти полувекового архива миссии Landsat позволяет провести ретроспективный анализ динамики лесопокрытой площади, в том числе за счёт создания ЗЛН, вырубок, пожаров и других факторов деградации лесов. Кроме анализа непосредственно данных BSFI возможно их включение в композитные многоканальные изображения для последующей их автоматизированной обработки. На рисунке 3 показан пример выделения полезащитных лесных полос на основе BSFI.

Сопоставление данных BSFI и GFC показало тесную связь между проективным покрытием древесной растительности и значениями индекса. В дальнейшем возможно определение проективного покрытия древесной растительности и преобладающих пород по данным BSFI при наличии набора данных для соответствующей калибровки.

В каждом регионе в зависимости от почвенно-климатических условий отличается породный состав, конструкция и ширина ЗЛН. Поэтому необходимо проведение дальнейших работ по оценке точности выделения ЗЛН на основе BSFI и определение значений индекса, соответствующих лесопокрытой площади. Ограничивающим фактором для таких работ в настоящее время является доступность точно выделенных границ полей и ЗЛН, по которым можно было бы проводить оценку точности. В качестве альтернативы векторным границам полей для оценки защищённости пашни могут выступать растровые маски пахотных земель разного пространственного разрешения, например, GLC, ESRI и др. В регионах, где снежный покров не устойчив, выделение ЗЛН может быть основано на композитах минимальных значений NDVI, что требует проведения дополнительных исследований.