Мониторинг состояния лесов с использованием кластерного анализа при дешифрировании космических снимков среднего и высокого разрешения

Целью настоящего исследования была оценка возможности совместного использования двух инструментов кластерного анализа в мониторинге состояния лесов. Мультиспектральные космические снимки высокого и среднего разрешения Landsat TM/ЕТМ+, Aster, Spot, IRS, сделанные с 1995 по 2011 г., и их фрагменты подвергались двухэтапной обработке. Вначале проводились неуправляемая классификации методом ISODATA (Iterative Self-Organizing Data Analysis Technigue), затем расчет тематической разности результатов классификации. Показана перспективность показателя тематической разности пикселей при оценке нарушенности лесов от пожаров. Нарушенные участки леса имеют сумму пикселей во 2-м подклассе тематической разности большую, чем в 1-м. Тогда как ненарушенные участки леса имеют сумму пикселей в 1-м подклассе тематической разности большую или равную сумме пикселей 2-го подкласса тематической разности. Показана перспективность инструментов кластерного анализа в мониторинге сезонных изменений состояния лесов. Из сравнения двух фрагментов с доминированием лиственницы и сосны сибирской видно, что в сентябре, октябре происходит резкое увеличение пикселей во 2-м подклассе тематической разности фрагмента с доминированием лиственницы за счет увеличения доли пикселей с высокой оптической плотностью после хвоепада и листопада. Для фрагмента с доминированием сосны сибирской сезонные изменения показателя симметрии распределения пикселей менее выражены. Рассмотрена перспективность использования инструментов кластерного анализа пикселей в долговременном мониторинге состояния лесных экосистем (на примере процесса восстановления лесов после пожара). Определена скорость восстановления леса на фрагменте гари площадью 698 га. Показано, что скорость восстановления после пожара зависит от нарушенности леса после него.

1. Dash J., Curran P.J. MTCI: The MERIS Terrestrial chlorophyll index // International Journal of Remote Sensing. – 2004. – № 25. – P. 5403–5413.

2. Hall R.J., Skakun R.S., Arsenault E.J, Case B.S. Modelling forest stand structure attributes using Landsat ETM+ data: application to mapping of aboveground biomass and stand volume // Forest ecology and management. – 2006. – №225. – P.378–390.

3. Krankina O.N., Harmon M.E., Cohen W.B., Oetter D.R., Duane M.V. Carbon stores, thinks, and sources in forests of northwestern Russia can we reconcile forest inventories with remote sensing results? // Climate change. – 2004. – № 67. – P.257–272.

4. Escuin S., Navarro R., Fernandez P. Fire severity assessment by using NBR (Normalized Burn Ratio) and NDVI (Normalized Difference Vegetation Index) derived from Landsat TM/ETM images // Jounal of Remote Sensing. – 2008. – № 29. – P.1053–1073.

5. Hudak A.T., Morgan P., Bobbitt M.J.,Smith M.S., Lewis S.A., Lentile L.B., Robichand P.R., Clark J.T., McKinley R.A. Relationship of multispectral satellite imagery to immediate fire effects // Journal of Fire ecology. – 2007. – №3. – P. 64–90.

6. Рожков Ю.Ф., Кондакова М.Ю. Оценка нарушенности лесных экосистем после пожаров с использованием дешифрирования космических снимков // Фундаментальные исследования. – 2014. – № 9 (часть 9). – С. 2018–2022.

7. ArcView Image Analisis. Руководство пользователя. – М.: Дата+, 1998. – 270 с.