Оценка углеродного цикла: подходы в обработке данных ДЗЗ и БПЛА на примере мониторинга лесных экосистем
https://doi.org/10.18303/2619-1563-2023-4-45
Аннотация
В статье представлен комплексный обзор современных методов и подходов обработки больших объемов данных наблюдений в контексте мониторинга лесных экосистем. Показаны примеры обработки различных данных, полученных при помощи дистанционного зондирования Земли (ДЗЗ) и беспилотных летательных аппаратов (БЛА, БПЛА). Особое внимание уделяется оценке углеродного цикла, подробно рассмотрены практики применения методов машинного обучения в обработке данных мониторинга, так как они играют ключевую роль в повышении точности получаемых оценок. В рамках статьи рассматриваются современные геоинформационные системы, предназначенные для комплексного анализа данных различных природных комплексов.
При поддержке: Работа была выполнена в рамках государственного задания № FSUS -2023-0001 «Создание геоинформационной системы изучения ландшафтных биокомплексов на основе данных дистанционного зондирования Земли с использованием методов машинного обучения».
Об авторах
М. В. Платонова
Новосибирский государственный университет
Россия
Россия
Платонова Марина Владимировна – младший научный сотрудник
ул. Пирогова, 1, Новосибирск, 630090
В. Д. Котлер
Новосибирский государственный университет
Россия
Россия
Котлер Василий Дмитриевич – младший научный сотрудник НГУ
ул. Пирогова, 1, Новосибирск, 630090;
ул. Золотодолинская, 101, Новосибирск, 630090
А. В. Кухарский
Новосибирский государственный университет
Россия
Россия
Кухарский Александр Витальевич – младший научный сотрудник
ул. Пирогова, 1, Новосибирск, 630090
С. Ю. Иванов
Новосибирский государственный университет
Россия
Россия
Иванов Станислав Юрьевич – ведущий инженер
ул. Пирогова, 1, Новосибирск, 630090
Список литературы
1. Baldocchi D., Falge E., Gu L., Olson R., Hollinger D., Running S., Anthoni P., Bernhofer Ch., Davis K., Evans R., Fuentes J., Goldstein A., Katul G., Law B., Lee X., Malhi Y., Meyers T., Munger W., Oechel W., Paw K.T., Pilegaard K., Schmid H.P., Valentini R., Verma S., Vesala T., Wilson K., Wofsy S. FLUXNET: A new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities // Bulletin of the American Meteorological Society. – 2001. – Vol. 82 (11). – P. 2415–2434, doi: 10.1175/1520-0477(2001)082<2415:FANTTS>2.3.CO;2.
2. Bourgoin C., Blanc L., Bailly J.S., Cornu G., Berenguer E., Oszwald J., Tritsch I., Laurent, F., Hasan, A.F., Sist, P., Gond V. The potential of multisource remote sensing for mapping the biomass of a degraded Amazonian forest // Forests. – 2018. – Vol. 9. – Article 303, doi: 10.3390/f9060303.
3. Brandt L.A., Derby Lewis A., Fahey R.T., Scott L., Darling L., Swanston C.W. A framework for adapting urban forests to climate change // Environmental Science and Policy. – 2016. – Vol. 66. – P. 393–402, doi: 10.1016/j.envsci.2016.06.005.
4. Carreiras J.M.B., Melo J.B., Vasconcelos M.J. Estimating the above-ground biomass in Miombo savanna woodlands using L-band synthetic aperture radar data // Remote Sensing. – 2013. – Vol. 5. – P. 1524–1548, doi: 10.3390/rs5041524.
5. Clark M.L., Aide T.M., Grau H.R., Riner G. A scalable approach to mapping annual land cover at 250 m using MODIS time series data: A case study in the Dry Chaco ecoregion of South America // Remote Sensing of Environment. – 2010. – Vol. 114 (11). – P. 2816–2832, doi: 10.1016/j.rse.2010.07.001.
6. Cunliffe A.M., Assmann J.J., Daskalova G.N., Kerby J.T., Myers-Smith I.H. Aboveground biomass corresponds strongly with drone-derived canopy height but weakly with greenness (NDVI) in a shrub tundra landscape // Environmental Research Letter. – 2020. – Vol. 15. – 125004, doi: 10.1088/1748-9326/aba470.
7. Flower C., Fant J., Hoban S., Knight K., Steger L., Aubihl E., Gonzalez-Meler M., Forry S., Hille A., Royo A. Optimizing conservation strategies for a threatened tree species: in situ conservation of white ash (Flaxinum americana L.) genetic diversity through insecticide treatment // Forests. – 2018. – Vol. 9. – Article 202, doi: 10.3390/f9040202.
8. Güneralp İ., Filippi A.M., Randall J. Estimation of floodplain aboveground biomass using multispectral remote sensing and nonparametric modeling // International Journal of Applied Earth Observation and Geoinformation. – 2014. – Vol. 33. – P. 119–126, doi: 10.1016/j.jag.2014.05.004.
9. Huang S., Tang L., Hupy J.P., Wang Y., Shao G. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing // Journal of Forestry Research. – 2021. – Vol. 32 (5). – P. 1–6, doi: 10.1007/s11676-020-01155-1.
10. ICOS HANDBOOK 2022. –ICOS ERIC, Helsinki, 2022.
11. Johnston C.M.T., Withey P. Managing forests for carbon and timber: a Markov decision model of uneven-aged forest management with risk // Ecological Economics. – 2017. – Vol. 138. – P. 31–39, doi: 10.1016/j.ecolecon.2017.03.023.
12. Jung M., Schwalm C., Migliavacca M., Walther S., Camps-Valls G., Koirala S., Anthoni P., Besnard S., Bodesheim P., Carvalhais N., Chevallier F., Gans F., Goll D.S., Haverd V., Köhler P., Ichii K., Jain A.K., Liu J., Lombardozzi D., Nabel J.E.M.S. Nelson J.A., O’Sullivan M., Pallandt M., Papale D., Petera W., Pongratz J., Rödenbeck C., Sitch S.,Tramontana G., Walker A., Weber U., Reichstein M. Scaling carbon fluxes from eddy covariance sites to globe: synthesis and evaluation of the FLUXCOM approach // Biogeosciences. – 2020. – Vol. 17 (5). – P.1343–1365, doi: 10.5194/bg-17-1343-2020.
13. Lakyda P., Shvidenko A., Bilous A., Myroniuk V., Matsala M., Zibtsev S., Schepaschenko D., Holiaka D., Vasylyshyn R., Lakyda I., Diachuk P., Kraxner F. Impact of disturbances on the carbon cycle of forest ecosystems in Ukrainian Polissya // Forests. – 2019. – Vol. 10 (4). – Article 337, doi: 10.3390/f10040337.
14. Lechner A.M., Foody G.M., Boyd D.S. Applications in remote sensing to forest ecology and management // ONE Earth. – 2020. – Vol. 2 (5). – P. 405–412, doi: 10.1016/j.oneear.2020.05.001.
15. Marrs J., Ni-Meister W. Machine learning techniques for tree species classification using co-registered LiDAR and hyperspectral data // Remote Sensing. – 2019. – Vol. 11. – Article 819, doi: 10.3390/rs11070819.
16. McNulty S., Treasure E., Jennings L., Merriwether D., Harris D., Arndt P. Translating national level forest service goals to local level land management: Carbon sequestration // Climatic Change. – 2018. – Vol. 146. – P. 133–144, doi: 10.1007/s10584-017-2046-5.
17. Ontl T.A., Janowiak M.K., Swanston C.W., Daley J., Handler S., Cornett M., Hagenbuch S., Handrick C., McCarthy L., Patch N. Forest management for carbon sequestration // Journal of Forestry. – 2020. – Vol. 118 (1). – P. 86–101, doi: 10.1093/jofore/fvz062.
18. Schepaschenko D., Moltchanova E., Fedorov S., Karminov V., Ontikov P., Santoro M., See L., Kositsyn V., Shvidenko A., Romanovskaya A., Korotkov V., Lisiv M., Bartalev S., Fritz S., Shchepashchenko M., Kraxner F. Russian forest sequesters substantially more carbon than previously reported // Scientific Reports. – 2021. – Vol. 11. – Article 12825, doi: 10.1038/s41598-021-92152-9.
19. Shannon P.D., Swanston C.W., Janowiak M.K., Handler S.D., Schmitt K.M., Brandt L.A., Butler-Leopold P.R., Ontl T.A. Adaptation strategies and approaches for forested watersheds // Climate Services. – 2019. – Vol. 13. – P. 51–64, doi: 10.1016/j.cliser.2019.01.005.
20. Srivastava P.K., Han D., Ramirez M.R., Islam T. Machine learning techniques for downscaling SMOS satellite soil moisture using MODIS land surface temperature for hydrological application // Water Resources Management. – 2013. – Vol. 27. – P. 3127–3144, doi: 10.1007/s11269-013-0337-9.
21. Tramontana G., Jung M., Schwalm C.R., Ichii K., Camps-Valls G., Ráduly B., Reichstein M., Altaf-Arain M., Cescatti A., Kiely G., Merbold L., Serrano-Ortiz P., Sicjert S., Wolf S., Papale D. Predicting carbon dioxide and energy fluxes across global FLUXNET sites with regression algorithms // Biogeosciences. – 2016. – Vol. 13 (14). – P. 4291–4313, doi: 10.5194/bg-13-4291-2016.
22. Wang W., Peng C., Kneeshaw D.D., Larocque G.R., Lei X., Zhu Q., Song X., Tong Q. Modeling the effects of varied forest management regimes on carbon dynamics in jack pine stands under climate change // Canadian Journal of Forest Research. – 2013. – Vol. 43. – P. 469–479, doi: 10.1139/cjfr-2012-0320.
23. Xiao J., Chevallier F., Gomez C., Guanter L., Hicke J.A., Huete A.R., Ichii K., Ni W., Pang Y., Rahman A.F., Sun G., Yuan W., Zhang L., Zhang X. Remote sensing of the terrestrial carbon cycle: A review of advances over 50 years // Remote Sensing of Environment. – 2019. – Vol. 233. – Article 111383, doi: 10.1016/j.rse.2019.111383.
24. Zhao K., Popescu S., Meng X., Pang Y., Agca M. Characterizing forest canopy structure with LiDAR composite metrics and machine learning // Remote Sensing of Environment. – 2011. – Vol. 115. – P. 1978–1996, doi: 10.1016/j.rse.2011.04.001.
Рецензия
Для цитирования:
Платонова М.В., Котлер В.Д., Кухарский А.В., Иванов С.Ю. Оценка углеродного цикла: подходы в обработке данных ДЗЗ и БПЛА на примере мониторинга лесных экосистем. Геофизические технологии. 2023;(4):45-52. https://doi.org/10.18303/2619-1563-2023-4-45
For citation:
Platonova M.V., Kotler V.D., Kukharskii A.V., Ivanov S.Yu. Carbon cycle: ESP and UAV data processing approaches for forest ecosystem monitoring examples. Russian Journal of Geophysical Technologies. 2023;(4):45-52. (In Russ.) https://doi.org/10.18303/2619-1563-2023-4-45
Просмотров:
373
Послать статью по эл. почте 