Дистанційний моніторинг змін лісистості Волинської області: зріз за перші два десятиліття ХХІ ст.
Анотація
У статті висвітлюється значення лісистості як важливого індикатора стану навколишнього середовища. Згідно доповіді Продовольчої та сільськогосподарської організації ООН (FAO) щодо оцінки лісових ресурсів (FRA) за 2020 рік, в якій зазначено, що з 1990 року площа лісів у світі скоротилася на 178 мільйонів гектарів. На прикладі Волинської області показано, як обробка даних дистанційного зондування із використанням хмарних сервісів і класифікація рослинності можуть допомогти кількісно визначити динаміку лісів з 2000 по 2020 рік, дозволяючи місцевій владі та особам, які приймають рішення, відстежувати та аналізувати тенденції майже в режимі реального часу. Загалом ця робота дає зрозуміти важливість моніторингу динаміки лісу та потенціал технології дистанційного зондування для полегшення цього процесу. Дистанційне зондування є ефективним інструментом для моніторингу та управління лісами, а Google Earth Engine (GEE) – це онлайн-платформа, яка об’єднує дані від різних установ для аналізу різного роду даних. У дослідженні використано дані Landsat 7 Collection 1 Tier 1 та алгоритм CART для побудови бінарного дерева рішень. Дослідження базувалося на інформації Головного управління статистики у Волинській області про площі лісів та площі, де проводилися рубки протягом зазначеного періоду. Слід відзначити, що незважаючи на зменшення територій на яких здійснюється лісозаготівля, спостерігається збільшення втрати лісового покриву в межах лісових масивів. Це може бути викликано різними причинами, такими як незаконна вирубка лісу або природні порушення, як-от пожежі чи спалахи хвороб. Використання методів машинного навчання, таких як класифікація CART, може допомогти виявити та відстежувати ці зміни, які потім можна використовувати для інформування про рішення та методи управління для зменшення втрати лісового покриву. Загалом у Волинській області спостерігається поступове зменшення площ, де проводяться різні види рубок, з 524 км2 у 2003 р. до 239 км2 у 2020 р. Натомість втрати лісистого покриву в межах лісових масивів стрімко зросли з 37,85 км2 у 2015 р. до 84,01 км2 у 2017 р., а за межами з 5,53 км2 до 10,80 км2 у 2015 р. та 2017 р. відповідно. У цьому дослідженні оцінка точності проводилася з використанням 30% контрольних точок, отриманих початково, на основі даних про достовірність земельного покриву. Точність виробника та точність користувача були розраховані для оцінки пропусків помилок і можливостей віднесення пікселя до певної категорії. Просторова роздільна здатність даних Landsat 7, використаних у цьому дослідженні, становила 30 м, з мінімальною площею розрахунку 0,337 га. Загальна точність і коефіцієнт κ є найбільш репрезентативними показниками точності, із середньою точністю класифікації OAav=98,82% і κav=0,9764.
Завантаження
Посилання
FAO. (2020). Global Forest Assessment Resources 2020 Main report. Food and Agriculture Organization of the United Nations, 1–36.
Melnyk, A., & Manko, P. (2018). Classification of volyn forests according to data of multispectral satellite images. ScienceRise, 9, 25–30.
Uhl, A. V., Melnyk, O. V., Melnyk, Yu. A., & Melniichuk, M. M. (2022). Dystantsiinyi monitorynh urbanizovanykh terytorii. Suchasni tekhnolohii ta metody rozrakhunkiv u budivnytstvi, 18, 162–173. https://doi.org/10.36910/6775-2410-6208-2022-8(18)-17 [in Ukrainian]
Blackburn, G. A. (2002). Remote sensing of forest pigments using airborne imaging spectrometer and LIDAR imagery. Remote Sensing of Environment, 82(2–3), 311–321.
Pérez-Hoyos, A., García-Haro, F. J., & San-Miguel-Ayanz, J. (2012). Conventional and fuzzy comparisons of large scale land cover products: Application to CORINE, GLC2000, MODIS and GlobCover in Europe. ISPRS Journal of Photogrammetry and Remote Sensing, 74, 185–201. https://doi.org/10.1016/j.isprsjprs.2012.09.006
Loozen, Y., Rebel, K. T., de Jong, S. M., Lu, M., Ollinger, S. V, Wassen, M. J., & Karssenberg, D. (2020). Mapping canopy nitrogen in European forests using remote sensing and environmental variables with the random forests method. Remote Sensing of Environment, 247, 111933. https://doi.org/10.1016/j.rse.2020.111933
Barrett, F., McRoberts, R. E., Tomppo, E., Cienciala, E., & Waser, L. T. (2016). A questionnaire-based review of the operational use of remotely sensed data by national forest inventories. Remote Sensing of Environment, 174, 279–289. https://doi.org/10.1016/j.rse.2015.08.029
Tang, H., Armston, J., Hancock, S., Marselis, S., Goetz, S., & Dubayah, R. (2019). Characterizing global forest canopy cover distribution using spaceborne lidar. Remote Sensing of Environment, 231, 111262. https://doi.org/10.1016/j.rse.2019.111262
Potapov, P. V, Turubanova, S. A., Tyukavina, A., Krylov, A. M., McCarty, J. L., Radeloff, V. C., & Hansen, M. C. (2015). Eastern Europe’s forest cover dynamics from 1985 to 2012 quantified from the full Landsat archive. Remote Sensing of Environment, 159, 28–43. https://doi.org/10.1016/j.rse.2014.11.027
d’Andrimont, R., Verhegghen, A., Lemoine, G., Kempeneers, P., Meroni, M., & van der Velde, M. (2021). From parcel to continental scale – A first European crop type map based on Sentinel-1 and LUCAS Copernicus in-situ observations. Remote Sensing of Environment, 266, 112708. https://doi.org/10.1016/j.rse.2021.112708
Waser, L. T., & Schwarz, M. (2006). Comparison of large-area land cover products with national forest inventories and CORINE land cover in the European Alps. International Journal of Applied Earth Observation and Geoinformation, 8(3), 196–207. https://doi.org/10.1016/j.jag.2005.10.001
Cvitanović, M., Lučev, I., Fürst-Bjeliš, B., Borčić, L. S., Horvat, S., & Valožić, L. (2017). Analyzing post-socialist grassland conversion in a traditional agricultural landscape – Case study Croatia. Journal of Rural Studies, 51, 53–63. https://doi.org/10.1016/j.jrurstud.2017.01.008
Mongus, D., & Žalik, B. (2015). An efficient approach to 3D single tree-crown delineation in LiDAR data. ISPRS Journal of Photogrammetry and Remote Sensing, 108, 219–233. https://doi.org/10.1016/j.isprsjprs.2015.08.004
Jurjević, L., Liang, X., Gašparović, M., & Balenović, I. (2020). Is field-measured tree height as reliable as believed – Part II, A comparison study of tree height estimates from conventional field measurement and low-cost close-range remote sensing in a deciduous forest. ISPRS Journal of Photogrammetry and Remote Sensing, 169, 227–241. https://doi.org/10.1016/j.isprsjprs.2020.09.014
Zakšek, K., & Schroedter-Homscheidt, M. (2009). Parameterization of air temperature in high temporal and spatial resolution from a combination of the SEVIRI and MODIS instruments. ISPRS Journal of Photogrammetry and Remote Sensing, 64(4), 414–421. https://doi.org/10.1016/j.isprsjprs.2009.02.006
Garbarino, M., Borgogno Mondino, E., Lingua, E., Nagel, T. A., Dukić, V., Govedar, Z., & Motta, R. (2012). Gap disturbances and regeneration patterns in a Bosnian old-growth forest: a multispectral remote sensing and ground-based approach. Annals of Forest Science, 69(5), 617–625. https://doi.org/10.1007/s13595-011-0177-9
Isaienkov, K., Yushchuk, M., Khramtsov, V., & Seliverstov, O. (2021). Deep Learning for Regular Change Detection in Ukrainian Forest Ecosystem With Sentinel-2. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 364–376. https://doi.org/10.1109/JSTARS.2020.3034186
Bilous, A., Myroniuk, V., Holiaka, D., Bilous, S., See, L., & Schepaschenko, D. (2017). Mapping growing stock volume and forest live biomass: a case study of the Polissya region of Ukraine. Environmental Research Letters, 12(10), 105001. https://doi.org/10.1088/1748-9326/aa8352
Kuemmerle, T., Chaskovskyy, O., Knorn, J., Radeloff, V. C., Kruhlov, I., Keeton, W. S., & Hostert, P. (2009). Forest cover change and illegal logging in the Ukrainian Carpathians in the transition period from 1988 to 2007. Remote Sensing of Environment, 113(6), 1194–1207. https://doi.org/10.1016/j.rse.2009.02.006
Chaskovskyi, O. H., & Hrynyk, H. H. (2020). Otsiniuvannia vtrat lisovoho pokryvu Ukrainskykh Karpat dystantsiinymy metodamy za materialamy vidkrytykh dzherel suputnykovoi informatsii. Naukovyi visnyk NLTU Ukrainy, 30(1), 66–73. https://doi.org/10.36930/40300111 [in Ukrainian]
Melnyk, O., Manko, P., & Brunn, A. (2023). Remote sensing methods for estimating tree species of forests in the Volyn region, Ukraine. Frontiers in Forests and Global Change, 6. https://doi.org/10.3389/ffgc.2023.1041882
Melnyk O.V., & Manko P.V. (2019). Klasyfikatsiia lisovkrytykh terytorii za multyspektralnymy danymy. V Suchasni tekhnolohii ta metody rozrakhunkiv u budivnytstvi: zb.nauk.prats (Number 12, pp 112–122). Lutskyi NTU. [in Ukrainian]
Hansen, M. C., Potapov, P. V, Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., Thau, D., Stehman, S. V, Goetz, S. J., Loveland, T. R., Kommareddy, A., Egorov, A., Chini, L., Justice, C. O., & Townshend, J. R. G. (2013). High-resolution global maps of 21st-century forest cover change. Science (New York, N.Y.), 342(6160), 850–853. https://doi.org/10.1126/science.1244693
Woodcock, C. E., Allen, R., Anderson, M., Belward, A., Bindschadler, R., Cohen, W., Gao, F., Goward, S. N., Helder, D., Helmer, E., Nemani, R., Oreopoulos, L., Schott, J., Thenkabail, P. S., Vermote, E. F., Vogelmann, J., Wulder, M. A., & Wynne, R. (2008). Free access to Landsat imagery. В Science (New York, N.Y.) (Vol 320, Number 5879, p 1011). https://doi.org/10.1126/science.320.5879.1011a
Bagan, H., & Yamagata, Y. (2012). Landsat analysis of urban growth: How Tokyo became the world’s largest megacity during the last 40 years. Remote Sensing of Environment, 127. https://doi.org/10.1016/j.rse.2012.09.011
Xiong, J., Thenkabail, P. S., Gumma, M. K., Teluguntla, P., Poehnelt, J., Congalton, R. G., Yadav, K., & Thau, D. (2017). Automated cropland mapping of continental Africa using Google Earth Engine cloud computing. ISPRS Journal of Photogrammetry and Remote Sensing, 126, 225–244. https://doi.org/10.1016/j.isprsjprs.2017.01.019
Fadli, A. H., Kosugo, A., Ichii, K., & Ramli, R. (2019). Satellite-based monitoring of forest cover change in indonesia using google earth engine from 2000 to 2016. Journal of Physics: Conference Series, 1317(1), 12046. https://doi.org/10.1088/1742-6596/1317/1/012046
Michel, A., Prescher, A.-K., & Schwärzel, K. (2020). Forest Condition in Europe: The 2020 Assessment. ICP Forests Technical Report under the UNECE Convention on Long-range Transboundary Air Pollution (Air Convention). https://doi.org/10.3220/ICPTR1606916913000
Understanding Deforestation - Coalition for Rainforest Nations. (n.d.). Retrieved 14, March 2023, https://www.rainforestcoalition.org/understanding-deforestation/
The Montréal Process Criteria and Indicators. (n.d.). Retrieved 14, March 2023, https://montreal-process.org/The_Montreal_Process/Criteria_and_Indicators/index.shtml
Forests | UNEP - UN Environment Programme. (n.d.). Retrieved 14, March 2023, https://www.unep.org/explore-topics/forests?gclid=Cj0KCQjwtsCgBhDEARIsAE7RYh3CkYj_DAG2wQEDbxRC8NEgqUV6QZuDnZcr_BqLUJja9sJDpfHHkncaAvxFEALw_wcB
Kabinet ministriv Ukrainy. (2021). Pro zatverdzhennia Poriadku provedennia natsionalnoi inventaryzatsii lisiv ta vnesennia zminy u dodatok do Polozhennia pro nabory danykh, yaki pidliahaiut opryliudnenniu u formi vidkrytykh danykh. 18. https://zakon.rada.gov.ua/laws/show/392-2021-п#Text [in Ukrainian]
Sakal O.V. (2012). Efektyvne upravlinnia zemliamy lisohospodarskohopryznachennia. Derzhavna ustanova «Instytut ekonomiky pryrodokorystuvannia ta staloho rozvytkuNatsionalnoi akademii nauk Ukrainy».
Oliinyk Ye.M. (2019). Lisohospodarska diialnist v Ukraini. Analitychne doslidzhennia. Hromadska spilka «Bioenerhetychna asotsiatsiia Ukrainy». [in Ukrainian]
Gordon, A. D., Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Biometrics, 40(3), 874. https://doi.org/10.2307/2530946
McLachlan, & J., G. (1992). Discriminant analysis and statistical pattern recognition. https://doi.org/10.1002/0471725293
![Ліцезія Creative Commons](http://i.creativecommons.org/l/by/4.0/88x31.png)
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.