Развитие подходов к картографированию структурных характеристик пастбищной растительности с применением временных рядов спутниковых данных Sentinel-2 и MODIS

Пастбища являются очень важным типом экосистем, обеспечивающим отгонное скотоводство, а также сохранение биоразнообразия при соблюдении норм выпаса. Мониторинг состояния пастбищ и своевременное регулирования поголовья скота в зависимости от их емкости позволяют избежать деградации растительности. При этом фитомасса степной и пустынной растительностью отличается значительной сезонной и межгодовой изменчивостью. Технологии обработки спутниковых данных позволяют проводить широкомасштабный мониторинг значительно эффективнее и быстрее традиционных наземных обследований, что крайне важно в условиях продолжающихся процессов опустынивания на юге России. Наиболее широко в исследованиях пастбищ используются данные дистанционного зондирования, получаемые спутниковыми системами MODIS, Landsat-8/9 OLI, Sentinel-2 MSI. Высокое пространственное разрешение спутниковых изображений Sentinel-2 и Landsat дает возможность учесть существенную пространственную неоднородность растительного покрова пастбищ в засушливых условиях, но преимуществом данных MODIS является более высокое временное разрешение, что также важно, поскольку растительность аридных ландшафтов отличается значительной сезонной динамичностью. Наличие ежедневных данных MODIS с устраненными влиянием облачности позволяет сопоставить спектрально-отражательные характеристики и наземные данные непосредственно в день их получения. Спутниковые изображения Sentinel-2 по сравнению с Landsat имеют не только более высокое пространственное, но и временное разрешение, поэтому их использование более предпочтительно. В ходе исследования проводилось сопоставление данных наземных измерений пастбищной растительности российской части Северного Прикаспия и спутниковых данных Sentinel-2 (ежемесячные композитные изображения) и MODIS (ежедневные композитные изображения непосредственно на даты проведенных полевых измерений).

Сила корреляционной связи фитомассы в воздушно-сухом состоянии и NDVI значительно слабее по сравнению с сырой, но статистически значима (R = 0,55, p < 0,001). У однолетниковых и эфемероидных фитоценозов отсутствует связь фитомассы и КСЯ в голубом, зеленом, ближнем инфракрасном (БИК) диапазонах и EVI. Также нет связи проективного покрытия и КСЯ в БИК-диапазоне, при том, что с NDVI корреляция высокая. Для однолетниковых и эфемероидных растительных сообществ характерны более низкие значения NDVI и относительно высокие КСЯ во всех диапазонах по сравнению со злаками и полукустарничками при равном проективном покрытии (рисунок 1).

 
Рисунок 1 — Связь проективного покрытия (а) и фитомассы (б) с NDVI по данным Sentinel-2 для различных типов растительных сообществ (I — многолетние злаки, II — однолетники и эфемероиды, III — полукустарнички)

 
Рисунок 2 — Связь проективного покрытия (а) и фитомассы (б) с NDVI по данным MODIS для различных типов растительных сообществ (I — многолетние злаки, II –однолетники и эфемероиды, III — полукустарнички)

Использование ежедневных данных MODIS с устраненным влиянием облачности дало возможность получить значения NDVI непосредственно на дни проведения наземных исследований (рисунок 2). Это позволило повысить силу корреляционной связи проективного покрытия и NDVI на уровне выделенных групп растительного покрова, но в случае с фитомассой существенной разницы по сравнению с использованием данных Sentinel-2 не выявлено. Это может быть связано со значительной неоднородностью растительного покрова в границах пикселей MODIS, что усугубляется из-за значительной межгодовой и сезонной изменчивости растительности. При анализе по отдельным годам исследований сила связи NDVI и проективного покрытия по данным MODIS практически не меняется по сравнению с Sentinel-2, но существенно растет в случае с фитомассой однолетников и полукустарничков, доминировавших на геоботанических площадках в 2021 и 2022 гг.

В исследовании была предпринята попытка использовать алгоритм Random forest для построения модели регрессии структурных и спектрально-отражательных характеристик по данным Sentinel-2, что позволило несколько повысить точность по сравнению с линейной регрессией для фитомассы (R2 = 0,62), но не для проективного покрытия (R2 = 0,45). Добавление данных о суммах осадков за предшествующий наземным исследованиям период, коэффициентов обратного рассеяния поляризации VV (вертикально-вертикальная) и VH (вертикально-горизонтальная) по данным Sentinel-1, их отношения и нормализованной разницы в качестве признаков не дало увеличения точности ни по одному из показателей. Наибольший вес при определении проективного покрытия методом Random forest имеют значения NDVI и КСЯ в голубом и красном каналах. Для определения фитомассы наиболее важны NDVI и КСЯ красного диапазона. При этом ВИ PVI и SAVI, которые считаются более подходящими для картографирования разреженной растительности в условиях значительного влияния отражения почвенного покрова, не дают значительной прибавки точности и имеют слабый вес.

В результате проведенных исследований установлено, что видовые различия растительности играют менее значимую роль по сравнению с ее структурными характеристиками. Межгодовые и внутрисезонные изменения проективного покрытия и особенно фитомассы влияют на спектрально-отражательные характеристики сильнее, чем видовые особенности растений. Использование ежедневных данных MODIS, полученных непосредственно на даты проведения наземных измерений, позволило получить более сильную связь фитомассы и спектрально-отражательных характеристик по сравнению с Sentinel-2, которые могли быть получены через 1–12 дней. Несмотря на значительно более низкое пространственное разрешение спутниковых изображений MODIS по сравнению с Sentinel-2, в условиях значительной неоднородности растительного покрова более высокое временное разрешение является крайне важным при определении фитомассы. Также зависимость результатов от многолетних и сезонных изменений состояния растительного покрова под влиянием природных и антропогенных факторов требует регулярного обновления опорных наземных данных.