Исследователи используют модель обучения для картографирования посаженных и естественных лесов по спутниковым снимкам
Хотя посадка деревьев может казаться простым способом борьбы с изменением климата, лесопосадки часто вторгаются на территории естественных лесов, водно-болотных угодий и лугов. Это может снижать биоразнообразие, нарушать природную среду и влиять на круговорот углерода и воды.
Несмотря на глобальный прирост лесного покрова, сложно определить, является ли это восстановлением естественных лесов или результатом новых посадок. Точное картографирование этих лесов с помощью технологий дистанционного зондирования могло бы помочь.
Однако комплексные карты посаженных и естественных лесов отсутствуют, хотя различить их на спутниковых снимках по характеристикам возможно.
Исследование, опубликованное 21 августа в Journal of Remote Sensing, представило инновационный подход для автоматической генерации обучающих выборок, позволяющий точно картографировать естественные и посаженные леса с пространственным разрешением 30 метров.
"Точное картографирование глобального распределения естественных и посаженных лесов с высоким разрешением — это сложная задача, но она крайне важна для понимания и смягчения таких экологических проблем, как секвестрация углерода и потеря биоразнообразия", — сказал Юэлун Сяо, докторант Колледжа геодезии и геоинформатики Университета Тунцзи в Шанхае.
"Традиционным методам часто не хватает достаточного количества обучающих выборок, что снижает точность и разрешение глобальных карт лесов. Наше исследование представляет новый подход для преодоления этого ограничения путем генерации обширных обучающих выборок с помощью анализа временных рядов снимков Landsat".
Исследователи использовали данные из нескольких картографических систем. Основными источниками были снимки Landsat с 1985 по 2021 год из Google Earth Engine, предварительно обработанные Геологической службой США, и снимки со спутника Sentinel-1 за 2021 год.
Также были использованы карты земного покрова Европейского космического агентства за 2021 год (WorldCover2021) и данные ALOS Global Digital Surface Model. Чтобы обойти вычислительные ограничения, исследователи разделили земной шар на небольшие тайлы, получив 57 559 тайлов, покрывающих весь земной шар, и 70 миллионов обучающих выборок.
Для различения устоявшихся естественных лесов и лесопосадок исследователи использовали показатель частоты нарушений. Естественные леса более стабильны и менее подвержены изменениям площади из-за внешних факторов.
В сравнении с этим, посаженные леса с большей вероятностью подвергаются нарушениям из-за лесовосстановления, вырубки или других естественных и антропогенных изменений. Отслеживая частоту нарушений лесной территории на спутниковых снимках, можно идентифицировать тип леса.
Посаженными лесами считались пиксели со значением частоты нарушений больше трех. Значение рассчитывалось на основе количества событий нарушения (например, посадок) и надежности обучающих выборок. Для естественных лесов события нарушения отсутствовали. Исследователи также учли, что все их снимки относятся к периоду с 1985 года.
Для учета лесопосадок, которые могли быть созданы до 1985 года, они использовали другие характеристики для различения типов леса. Для проверки точности своей модели исследователи сравнили полученные карты с результатами других исследований.
Исследование продемонстрировало, что менее трудоемкий метод картографирования с использованием автоматически сгенерированных обучающих выборок для различения естественных и посаженных лесов возможен.
"Этот метод для точного глобального картографирования естественных и посаженных лесов с разрешением 30 метров является надежным, а созданная карта и обучающие выборки представляют ценный ресурс для будущих исследований и управления окружающей средой, внося вклад в борьбу с изменением климата", — сказал Сяо.
В перспективе исследователи надеются интегрировать улучшения в систему картографирования.
"Далее мы будем использовать сгенерированные обучающие выборки и метод картографирования для регулярного обновления и уточнения глобальной карты лесов. Наша конечная цель — повысить точность и разрешение карт лесов по всему миру, предоставляя критически важные данные для политиков и исследователей", — сказал Сяо.