1. На главную
  2. Электронные версии
  3. Исследование Земли из Космоса
  4. № 3, 2020

Исследование Земли из Космоса, 2020, № 3, стр. 14-25

Оценка динамики послепожарного состояния растительности на территории Ивано-Арахлейского природного парка (Забайкальский край) по радарным и оптическим данным спутников Sentinel 1/2

Н. В. Родионова a, *, И. Л. Вахнина b, Т. В. Желибо b

a Институт радиотехники и электроники им. В.А. Котельникова РАН, Фрязинский филиал
Московская обл., Фрязино, Россия

b Институт природных ресурсов, экологии и криологии СО РАН
Чита, Россия

* E-mail: rnv@ire.rssi.ru

Поступила в редакцию 29.01.2020

Полный текст (PDF)

Аннотация

Приводятся результаты анализа многовременных данных спутникового мониторинга состояния растительности на территории Ивано-Арахлейского природного парка (Забайкальский край) после пожара 2015 года по радарным данным Sentinel 1 и оптическим данным Sentinel 2. Для оценки динамики восстановления растительного покрова, подвергшегося воздействию природного пожара, использованы спектральные индексы NDVI, NBR, MIRBI, NDRE и радарный вегетационный индекс RVI. Показана положительная динамика в состоянии растительности за прошедшие после пожара 2016–2019 годы через рост значений вегетационных индексов NDVI, NBR, NDRE, RVI. Показано влияние атмосферы на значения вегетационных индексов.

Ключевые слова: радарные данные C-диапазона, многоспектральные оптические данные, растительный покров, природные пожары, вегетационные индексы

ВВЕДЕНИЕ

Один из самых высоких уровней пожарной активности в Сибири наблюдается в Забайкальском крае. Климат здесь резко континентальный, характерным является наличие вечной мерзлоты. Земля глубоко промерзает на 1–1.5 м и медленно оттаивает. Возобновление растительности существенно затруднено из-за малого количества осадков, 90% которых (в пределах 300 мм) выпадает в теплый период, преимущественно в июле-августе. Зимы малоснежные, и почва не увлажняется за счет снега. Это приводит к тому, что весной регион очень сильно горит. Специалисты (Shvetsov et al., 2019) выяснили, что успешному возобновлению забайкальского леса препятствует ряд причин: 1) высокая температура почвы на гарях, приводящая к высыханию молодых деревьев, 2) недостаток влаги и питательных веществ, приводящие к жесткой конкуренции между растениями и разрастанию травы, 3) повторные пожары.

Для мониторинга состояния леса после пожара используются данные дистанционного зондирования Земли и наземные данные.

В работе (Горбунов и др., 2015) описываются проведенные в 2013–2014 годах наземные исследования состояния древесной растительности на территории Ивано-Арахлейского природного парка после низовых пожаров 2000, 2001, 2003 и 2010 годов. Пробные площадки, заложенные на юго-восточных склонах Осинового хребта, имеют характерные типы леса листвяги рододендровые, брусничные и ерниковые. Эти древостои были подвержены низовым пожарам различной интенсивности. В результате исследования показано, что естественное возобновление древесных пород характеризуется как неудовлетворительное.

В середине апреля 2015 года в Забайкалье в районе Беклемишевской системы озер на территории Ивано- Арахлейского природного парка наблюдались сильные лесные пожары. На рис. 1, а приведена карта пожаров на этой территории за 14 апреля 2015 года по данным системы оперативного мониторинга СКАНЭКС, сервис “Космоснимки-Пожары” (http://fires.kosmosnimki.ru). В работе (Родионова, 2016) по радарным изображениям спутника Sentinel 1 (S1) определялись области гарей в данном районе на базе использования амплитудной и текстурной информации.

Рис. 1.

Карта пожаров за 14.4.2015 (а), расположение модельных площадей для исследования динамики изменения растительных сообществ (б).

После 2015 года территории Ивано-Арахлейского парка в течение четырех лет не подвергались воздействию огня.

В данной работе прослеживается динамика восстановления растительности за 4 года, прошедшие после пожара 2015 года, на территории Ивано-Арахлейского парка по радарным и оптическим данным спутников Sentinel 1/2.

ХАРАКТЕРИСТИКА РАЙОНОВ ИССЛЕДОВАНИЯ

В горно-таежных лиственничных ландшафтах Кондинского остепненно-котловинного округа выделены модельные площади для исследования динамики изменения растительных сообществ (рис. 1, б). Площадь на хребте Осиновый, расположенная в бассейне р. Осиновка, условно названа “Осиновка”, площадь на Яблоновом хребте в бассейне р. Рышмалей названа “Рышмалей”. Подробные описания площадок в Осиновке с фотосъемкой общего вида пробных площадей, по которым проводились работы в 2018 году сотрудниками Института природных ресурсов, экологии и криологии СО РАН, г. Чита, даны в табл. 1.

Таблица 1.  

Описание тестовых площадок в Осиновке

В данной работе из 49 площадок были выбраны 12 площадок в Осиновке с номерами №№ 3, 13, 16, 19, 20, 41, 42, 46, 52, 53, 71, 72, на территориях, где были гари после пожаров 2015 года.

На рис. 2 показано Sentinel 2 (S2) изображение исследуемого района, дата съемки 31.7.2018, где красными прямоугольниками отмечено местоположение тестовых площадок, объединенных в 4 группы: 1 – площадки с номерами № 20, № 52, № 53, № 72; 2 – № 19, № 71; 3 – № 3, № 13; 4 – № 41, № 42, № 46. И между 3 и 4 группами расположена площадка № 16.

Рис. 2.

Расположение тестовых площадок, объединенных в 4 группы.

ИСПОЛЬЗУЕМЫЕ ДАННЫЕ И МЕТОДЫ ИССЛЕДОВАНИЯ

Исходные радарные данные Sentinel 1. Радарный вегетационный индекс

В работе использованы находящиеся в открытом доступе Sentinel 1 радарные данные С-диапазона IW (interferometric wide swath) моды с поляризацией VV и VH и пространственным разрешением 10 м. Работа с изображениями S1 осуществлялась с помощью программы SNAP (https://sentinel. esa.int/web/sentinel/toolboxes/sentinel-1). Предварительная обработка данных включала выделение фрагмента с исследуемой областью и радиометрическую калибровку.

Для определения среднего значения по профилю коэффициента обратного рассеяния (КОР) для исследуемых 12 площадок были взяты сеансы S1 за 26.07.2017, 02.08.2018 и 28.07.2019 годов. Для сравнения с площадками с гарями была выбрана фоновая площадка, где пожара в 2015 году не было, в северной части Шакшинского озера, координаты профиля 52.2037° с.ш., 112.7229° в.д. На рис. 3, а показан график изменения КОР в дБ для 12 площадок и фонового профиля за 2017–2019 годы. Нумерация площадок по оси абсцисс осуществлялась по группам с 1 по 4, далее площадка № 16 и фоновая площадка. Значения КОР увеличились для обеих поляризаций за период 2017–2019 для всех тестовых участков. Наибольшие изменения КОР отмечены для кросс-поляризации VH. Так, для площадки № 20 изменения составляют за два года 6.6 дБ, т.е. значительное увеличение объемного рассеяния, связанное с ростом растительности, тогда как для VV поляризации 1.8 дБ. Самые малые изменения КОР VH поляризации составляют 2.5 дБ для фонового профиля.

Рис. 3.

Изменение коэффициента обратного рассеяния (а) и RVI (б) для тестовых участков за 2017–2019 годы.

Коэффициент обратного рассеяния является абсолютным поляриметрическим параметром, тогда как радарный вегетационный индекс (radar vegetation index (RVI)) (Kim, van Zyl, 2004)) является относительным параметром, который не очень чувствителен к углу обзора и природным условиям. RVI используют для мониторинга уровня роста растительности по многовременным радарным данным:

(1)
${\text{RVI}} = \frac{{8{{\sigma }_{{{\text{HV}}}}}}}{{{{\sigma }_{{{\text{HH}}}}} + {{\sigma }_{{{\text{VV}}}}} + 2{{\sigma }_{{{\text{HV}}}}}}}$

RVI меняется от 0 (гладкая голая почва) до 1 в процессе роста растительности и является мерой объемного рассеяния. Для Sentinel 1 моды IW GRD есть только две поляризации VV и VH. Тогда в предположении (Charbonneau et al., 2005), что ${{\sigma }_{{{\text{HH}}}}} \approx {{\sigma }_{{{\text{VV}}}}}$, уравнение (1) можно представить в виде: ${\text{RVI}} = \frac{{4{{\sigma }_{{{\text{VH}}}}}}}{{{{\sigma }_{{{\text{VV}}}}} + {{\sigma }_{{{\text{VH}}}}}}}$. Предположение (Charbonneau et al., 2005) справедливо при пренебрежимо малом взаимодействии между почвой и растительностью (Trudel et al., 2012). RVI коррелирует с VWC (Volumetric Water Content), LAI (Leaf Area Index) и NDVI (Normalized Difference Vegetation Index) и слабо чувствителен к природным условиям (Kim, van Zyl, 2009). На рис. 3, б показан график изменения RVI для исследуемых тестовых участков с датами съемки 26.7.17, 2.8.18, 28.7.19. Наибольший рост RVI характерен для площадок из 1 группы, самой северной по расположению. Отметим значительный рост растительности для площадки № 20, где RVI изменилось с 0.385 в 2017 году до 0.99 в 2018 году. Для этой же площадки отмечалось выше увеличение КОР на 6.6 дБ для VH поляризации. Несколько меньший рост RVI получен для площадки № 52 с увеличением RVI на 0.5 и для площадки №42 с увеличением RVI на 0.35. Уменьшение RVI за два года отмечено для площадки № 46 и фоновой площадки.

На рис. 4 приведены изображения исследуемой территории для обеих поляризаций в RGB кодировке red- дата съемки 26.7.2017, green – 2.8.2018, blue – 28.7.2019. Все изменения происходили за прошедшие годы 2017–2019 на территории гарей, появившихся после пожара 2015 года. И эта территория обозначилась в правой части рис. 4. Многовременные радарные изображения позволили выявить области гарей. Остальная территория изменилась незначительно.

Рис. 4.

Изображения исследуемой территории в RGB кодировке: red-26.7.2017, green – 2.8.2018, blue – 28.7.2019.

Исходные мультиспектральные данные Sentinel 2. Спектральные индексы

Спутник Sentinel 2A (S2A) был запущен в июне 2015 года, а Sentinel 2B (S2B) в марте 2017 года. Спутники ESA S2A и S2B имеют пространственное разрешение (ПР) 10–60 м, периодичность совместной съемки 5 дней. В мультиспектральной камере спутников 13 спектральных каналов: прибрежный аэрозоль (В1), три канала видимого диапазона длин волн (В2, В3, В4), четыре red-edge канала (В5, В6, В7 и В8а), два канала ближнего ИК диапазона (NIR: B8, B9) и три SWIR канала (В10, В11 и В12). Обработка изображений осуществлялась программой SNAP.

Мультиспектральные сенсоры широко используют для оценки степени опасности пожара и для послепожарной динамики восстановления растительности. Большинство авторов применяют при этом спектральные каналы Red (В4), NIR (В8) и SWIR (В11 и В12).

Спектральные индексы (СИ), получаемые по оптическим данным ДЗЗ, такие как Normalized Difference Vegetation Index (NDVI) (нормализованный вегетационный индекс (ВИ)) (Rouse et al., 1973), Normalized Burn Ratio (NBR) (нормализованный индекс гари (Key, Benson, 2005)) и их модификации Dndvi- разностный ВИ, Dnbr- разностный индекс гари, определяющие разность индексов до и после пожара, дают хорошие результаты по выявлению участков с повреждением растительного покрова. Графики на основе индексов гарей NBR и Dnbr отражают динамику и характер восстановления растительного покрова на выгоревших территориях (Бондур и др., 2019). В настоящей работе не удалось использовать разностные индексы, поскольку допожарные данные приходились на 2014 год, когда съемки Sentinel 2 еще не было.

В данной работе, наряду с традиционно используемыми СИ NDVI и NBR, для оценки уровня восстановления растительности после пожаров используются СИ MIRBI (Mid-Infrared Burn Index) (Trigg, Flasse, 2001) и NDRE (normalized difference red-edge index) (Barnes et al., 2000), в формулу для последнего входит red-edge канал В6.

Для определения ВИ по профилям для исследуемых 12 площадок были взяты сеансы S2 за 31.7.2016, 5.08.2017, 31.07.2018 и 26.7.2019. Выбор снимков определялся прежде всего отсутствием облачности для июля месяца и близостью дат к датам радарной съемки. Поскольку для ряда площадок за 26.7.2019 территории были закрыты облаками или их тенями, то данные для площадок № 20, № 41, № 42, № 53 и № 72 были заменены данными за 6.7.2019.

Вегетационный индекс NDVI показывает наличие и состояние растительности (относительную биомассу) и определяется по формуле: ${\text{NDVI}} = \frac{{{\text{NIR}} - {\text{R}}}}{{{\text{NIR}} + {\text{R}}}}$ , где NIR и R – значения коэффициента отражения земной поверхности в ближнем ИК и красном диапазонах спектра. NDVI меняется в диапазоне [–1, 1]. Изменения в отражательной способности в видимом и ближнем ИК зонах спектра связаны с уменьшением содержания хлорофилла в вегетативных органах усыхающих деревьев. Полоса поглощения хлорофилла в красной области спектра (0.65 мкм) определяет низкий уровень отражения растительности в видимом диапазоне. В состоянии стресса образование хлорофилла в растениях уменьшается, что приводит к снижению его поглощения в видимом диапазоне и, соответственно, увеличению отражательной способности. В ближнем ИК диапазоне коэффициент отражения зеленой растительностью заметно растет, достигая 45–50% (Барталев и др., 2010).

На рис. 5, а показаны графики изменения NDVI для исследуемых тестовых площадок с 2016 по 2019 годы. Интересно, что для всех площадок из 1 группы значения NDVI уменьшились за прошедшие после пожара годы. Возможной причиной является ряд недостатков ВИ NDVI, приводящих к неопределенностям при его количественной оценке. В работе (Huete et al., 2002) среди таких недостатков отмечены следующие: нелинейность, влияние атмосферы (водяной пар и аэрозоли), насыщение при больших значениях биомассы, чувствительность к наличию облачности, влияние почвы, геометрии объекта, влияние спектральных эффектов (разные инструменты). Главным же ограничением NDVI и подобных ему индексов в том, что оптические сенсоры могут осуществлять мониторинг только очень тонкого слоя растительного покрова, и не могут давать информацию о древесной растительности. Ниже будет показано влияние на количественное значение СИ, включая и NDVI, атмосферной коррекции.

Рис. 5.

Изменение NDVI (а) и NBR (б) для тестовых площадок за 2016–2019 годы.

Нормализованный индекс гари NBR определяется по формуле (Key et al., 2005):

${\text{NBR}} = \frac{{{\text{NIR}} - {\text{SWIR}}2}}{{{\text{NIR}} + {\text{SWIR}}2}},$
где SWIR2 – значение коэффициента отражения земной поверхности в среднем ИК канале, центральная длина волны 2.2024 мкм (S2A) и 2.1857 мкм (S2B) (канал 12, ПР = 20 м).

Средняя ИК область спектра отражает изменения в содержании в растениях влаги, а также изменения структуры полога и структуры листьев. Совместное использование средней ИК области спектра с ближней ИК областью, которая не зависит от насыщенности влагой растения, но зависит от структуры листа, повышает точность оценки содержания влаги в растении вне зависимости от структуры листа (Ceccato et al., 2001).

На рис. 5, б показаны графики изменения NBR для рассматриваемых тестовых площадок для 2016–2019 годов. Судя по изменению значений NBR за 2016–2019 гг., содержание влаги в растениях для всех тестовых площадок, ранее подверженных огню, увеличилось, и практически осталось тем же для фонового участка, где пожара не было.

Наибольшие увеличение NBR отмечено для площадок № 3, № 41 и № 53, больше 0.2. Для площадок № 13 и № 71 – больше 0.15. Наименьшее изменение NBR, равное 0.05, отмечено для фоновой площадки.

В работе (Rahman et al., 2019) для оценки тяжести пожара и послепожарной динамики восстановления растительности предлагается совместно использовать два СИ MIRBI (Trigg, Flasse, 2001) (для оценки степени тяжести пожара) и NDRE (Barnes et al., 2000) (для оценки динамики восстановления растительности), где добавляется Red Edge канал. В работе (Korets et al., 2010) показано, что ВИ на основе Red Edge канала (индикаторы содержания хлорофилла) весьма полезны для количественной оценки поражения лесов из-за пожара.

Спектральный индекс MIRBI (Trigg, Flasse, 2001), определяется через два SWIR канала. Авторы (Trigg, Flasse, 2001) нашли, что комбинация этих двух каналов обладает способностью к сильному спектральному разделению областей, подвергшихся пожарам и не горевших.

${\text{MIRBI}} = 10x{\text{SWIR}}2 - 9.8x{\text{SWIR}}1 + 2.$

Способность СИ MIRBI по своим значениям разделять области с гарями и с их отсутствием показана на рис. 6, а. А именно, для фона (область, не подвергавшаяся пожарам), MIRBI не изменила значений за 3 года. Для всех остальных 12 площадок произошло спектральное разделение по уровню изменения MIRBI за 3 года. Самые большие изменения для площадок 2-й группы (№ 19 и № 71), и несколько меньшие для площадок № 16 и № 46. Для площадок № 41 и № 52 изменения MIRBI незначительные. Степень тяжести пожара для площадок 1 группы меньшая в сравнении с площадками 2-й группы.

Рис. 6.

Изменение значений СИ MIRBI и NDRE за 2016–2019 годы.

Спектральный индекс NDRE определяется по формуле (Barnes et al., 2000):

${\text{NDRE}} = \frac{{\left( {{\text{NIR}} - {\text{Red\;Edge}}} \right)}}{{\left( {{\text{NIR}} + {\text{Red\;Edge}}} \right)}},$
где Red Edge – канал В6 Sentinel 2. На рис. 6, б приведены графики изменения СИ NDRE для 13 площадок для дат съемки 31.7.2016, 31.7.2018 и 6, 26.7.2019. Увеличение значений NDRE произошло для всех площадок, кроме № 46. Наибольшее увеличение отмечается для площадки №16 и площадок 3 группы.

Интересно отметить зависимость от широты места значений СИ, прослеживаемую по графикам NDVI, NBR на рис. 5 и NDRE на рис. 6, б, а именно, значения СИ уменьшаются с увеличением географической широты тестовой площадки. То есть растительность на тестовых площадках с более северным расположением характеризуется меньшей биомассой, меньшим содержанием влаги и хлорофилла.

На рис. 7 показан сводный график изменений по абсолютной величине индексов: радарного вегетационного RVI (2017–2019 годы) и спектральных NBR, MIRBI, NDRE (2016–2019 годы), в порядке размещения тестовых площадок по группам. Отметим следующее: 1) значительное отличие изменений по рассматриваемым индексам за прошедшие с 2015 годы для фоновой площадки от всех остальных. Для фоновой площадки изменения наименьшие, 2) площадки 1 группы выделились повышенным увеличением объемного рассеяния, 3) площадки 2 группы отличает более высокая тяжесть пожара и значительное увеличение объемного рассеяния, 4) площадки 3 группы отличает увеличение содержания влаги и хлорофилла в растениях, при малом объемном рассеянии, 5) площадки 4 группы отличает малое изменение содержания хлорофилла, увеличение влаги в растениях, увеличение объемного рассеяния, 6) для площадки № 16 есть отличие в большей тяжести пожара, наибольшее увеличение содержания хлорофилла в сравнении с другими площадками.

Рис. 7.

Изменение значений по абсолютной величине вегетационного радарного и спектральных индексов для исследуемых площадок.

Исходя из рассмотренных спектральных индексов NDVI, NBR, MIRBI и NDRE, можно сделать общий вывод о положительной динамике восстановления растительности после пожара 2015 года на 12 рассматриваемых площадках на территории Ивано-Арахлейского природного парка. Наибольшая тяжесть пожара, исходя из индекса MIRBI, отмечена для площадок 2 группы, и далее по убывающей, для площадки № 16, 1, 3 и 4 групп. Значения индекса NBR, отражающего наличие влаги в растительности, и индекса NDRE, индикатора содержания хлорофилла, увеличились за послепожарные годы для всех тестовых площадок. На базе радарного вегетационного индекса RVI показано увеличение объемного рассеяния, связанного с ростом растительности, для всех площадок, в большей степени для 1 группы, и по убывающей для 2 и 4.

Отметим, что в работе (Бондур, Чимитдоржиев, 2008) показана важность комплексного использования оптических и радарных данных для дистанционного зондирования лесных массивов.

Влияние атмосферной коррекции на значения спектральных индексов

Луч дважды проходит через атмосферу прежде чем попасть в сенсор спутника. Атмосферное влияние на сигнал связано с рассеянием на частицах аэрозолей и молекулах газов, и поглощением газами. Данные съемочной системы Sentinel 2 предоставляются пользователю с уровнем обработки L1C в виде альбедо на верхней границе атмосферы (TOA – Top-Of-Atmosphere Reflectance) с радиометрической и геометрической коррекцией. Обработка этих данных до уровня L2A в виде альбедо на нижней границе атмосферы (BOA – Bottom-Of-Atmosphere) возможна с помощью бесплатной программы атмосферной коррекции Sen2Cor.

Покажем, как изменились значения рассматриваемых в данной работе СИ после атмосферной коррекции (АК). На рис. 8 приведены графики значений NDVI, NBR, MIRBI и NDRE до и после АК для некоторых из рассматриваемых площадок для даты 26.7.2019 (не удалось сделать для всех площадок из-за наличия облачности на изображениях S2). Как следует из графиков для NDVI и NBR (рис. 8, а), из этих двух СИ более сильное влияние АК оказывает на NDVI, которые после АК увеличивают свои значения более, чем на 10% для отдельных площадок (№ 3, № 13, № 52, фон). Значительно меньшее воздействие оказывает АК на СИ NBR. Значения СИ NBR практически не изменились после АК для всех площадок, кроме № 52 и № 71, причем количественно значения уменьшились. Аналогично NBR, на численные значения СИ MIRBI и NDRE АК оказывает несущественное влияние (рис. 8, б, в). Из чего можно сделать вывод о более высокой атмосферной устойчивости спектральных индексов NBR, MIRBI, NDRE в сравнении с NDVI.

Рис. 8.

Значения СИ NDVI и NBR (а), MIRBI (б), NDRE (в) до и после атмосферной коррекции.

На рис. 9 показаны два изображения S2 исследуемой территории (в нижнем правом углу- озеро Шакшинское), дата съемки 26.7.2019, в естественных цветах путем комбинации каналов В2, В3 и В4, до (рис. 9, а) и после (рис. 9, б) атмосферной коррекции. Размер изображений 1407 × 1159 пикселов.

Рис. 9.

Сравнение двух изображений S2 в естественных цветах (каналы В2, В3, В4) дата съемки 26.7.2019 до (а) и после (б) атмосферной коррекции.

ЗАКЛЮЧЕНИЕ

В настоящей работе дана оценка динамики восстановления растительности на территории Ивано-Арахлейского парка после природных пожаров в апреле 2015 года по радарным и оптических данным спутников Sentinel ½. Используемые спектральные индексы NDVI, NBR, MIRBI, NDRE и радарный вегетационный индекс RVI показали положительную динамику в состоянии растительности на 12 тестовых площадках за прошедшие после пожара 2016–2019 годы через рост значений вегетационных индексов NDVI, NBR, NDRE, RVI. Показан рост значений вегетационных индексов по мере уменьшения широты места расположения исследуемых площадках. Показано, что из используемых для оценки тяжести пожара и после пожарного восстановления растительности СИ более высокой атмосферной устойчивостью обладают спектральные индексы NBR, MIRBI и NDRE в сравнении с NDVI.

Список литературы

  1. Барталев С.А., Егоров В.А., Крылов А.М., Стыценко Ф.В., Ховратович Т.С. Исследование возможностей оценки состояния поврежденных пожарами лесов по данным многоспектральных спутниковых измерений // Соврем. проблемы ДЗЗ из космоса. 2010. № 7. С. 215–225.

  2. Бондур В.Г., Чимитдоржиев Т.Н. Дистанционное зондирование растительности оптико-микроволновыми методами // Изв. высших учебных заведений. Геодезия и аэрофотосъемка. 2008. № 6. С. 64–73.

  3. Бондур В.Г., Цидилина М.Н., Черепанова Е.В. Космический мониторинг воздействия природных пожаров на состояние различных типов растительного покрова в федеральных округах Российской Федерации // Исслед. Земли из Космоса. 2019. № 3. С. 13–32.

  4. Горбунов И.В., Макаров В.П., Малых О.Ф. Послепожарное состояние древесной растительности на территории Ивано-Арахлейского природного парка (Забайкальский край) // Успехи современного естествознания. 2015. № 7. С. 54–59.

  5. Родионова Н.В. Возможность обнаружения гарей по разновременным радарным изображениям SENTINEL 1 для районов юга Сибири в сезон весна–лето 2015 // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 2. С. 164–175.

  6. Barnes E.M., Clarke T.R., Richards S.E., Colaizzi P.D., Haberland J., Kostrzewski M., Waller P., Choi C., Riley E., Thompson T., Lascano R.J., Li H., Moran M.S. Coincident detection of crop water stress, nitrogen status and canopy density using ground-based multispectral data // Copyright © 2000 ASA-CSSA-SSSA, 677 South Segoe Road, Madison, WI 53711, USA. Proceedings of the Fifth International Conference on Precision Agriculture.

  7. Ceccato P., Flasse S., Tarantola S., Jacquemond S., Gregoire J. Detecting vegetation water content using reflectance in the optical domain // Remote Sensing of Environment. 2001. V. 77. P. 22–33.

  8. Charbonneau F., Trudel M., Fernandes R. Use of dual polarization and multi-incidence SAR for soil permeability mapping // In: Advanced Synthetic Aperture Radar (ASAR). 2005. St-Hubert, Canada.

  9. Huete A., Didan K., Miura T. Overview of the radiometric and biophysical performance of the modis vegetation indices // Remote Sens. Environ. 2002. V. 83. № 195. P. 213–221.

  10. Key C.H., Benson N.C. Landscape assessment: ground measure of severity, the Composite Burn Index; and remote sensing of severity, the Normalized Burn Ratio. In ‘FIREMON: Fire Effects Monitoring and Inventory System’. (Eds D.C. Lutes, R.E. Keane, J.F. Caratti, C.H. Key, N.C. Benson, S. Sutherland, L.J. Gangi) USDA Forest Service, Rocky Mountain Research Station, General Technical Report RMRS-GTR-164-CD: LA. 2005. P. 1–15. (Ogden, UT).

  11. Kim Y., van Zyl J. Vegetation effects on soil moisture estimation // Proc. IGARSS’ 2004. V. 2. P. 800–802.

  12. Kim Y., van Zyl J. A time-series approach to estimate soil moisture using polarimetric radar data // IEEE Trans. GRS. 2009. V. 47. № 8. P. 2519–2527.

  13. Korets M.A., Ryzhkova V.A., Danilova I.V., Sukhinin A.I., Bartalev S.A. Forest disturbance assessment using satellite data for moderate and low resolution. In: Balzter H. (Ed.) Environment Change in Siberia: Earth Observation. Field Studies and modeling. 2010. Springer.

  14. Rahman Sh., Chang H.-Ch., Magill Ch., Tomkins K., Hehir W. Spatio-temporal assessment of fire severity and vegetation recovery utilizing SENTINEL-2 imagery in New South Wales, Australia // IGARSS’ 2019. P. 9960–9963.

  15. Rouse J.W., Haas R.H., Schell J.A. Deering D.W. Monitoring vegetation systems in the Great Plains with ERTS // Third ERTS Symposium. NASA SP-351 I. 1973. P. 309–317.

  16. Shvetsov E.G., Kukavskaya E.A., Buryak L.V., Barrett K. Assessment of post-fire vegetation recovery in Southern Siberia using remote sensing observations // Environ. Res. Let. 2019. V. 14. P. 1–10.https://doi.org/10.1088/1748-9326/ab083d

  17. Trigg S., Flasse S. An evaluation of different bi-spectral spaces for discriminating burned shrub-savannah // Int. J. Remote Sensing. 2001. V. 22. № 13. P. 2641–2647.

  18. Trudel M., Charbonneau F., Leconte R. Using RADARSAT-2 polarimetric and ENVISAT-ASAR dual-polarization data for estimating soil moisture over agricultural fields // Can. J. Remote Sensing. 2012. V. 38. № 4. P. 514–527.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Исследование Земли из Космоса

Архивы выпусков Информация о журнале Отправить рукопись в журнал