Лесоведение, 2020, № 1, стр. 17-34

ОБЪЕКТЫ И МЕТОДИКА

Национальный парк “Смоленское Поозерье” создан в 1992 г. на землях Демидовского и Духовщинского районов Смоленской области для сохранения природных комплексов в рекреационных, просветительских, научных и культурных целях (Постановление …, 1992). Его общая площадь составляет 146 237 га, в том числе 114 444 га (78%) – это площадь земель особо охраняемых территорий и объектов (Лесохозяйственный …, 2015). К лесным землям (включая покрытые лесом) относятся 108 327 га (94.6%); среди нелесных земель преобладают болота и водоемы (4%).

Национальный парк расположен в границах трех существенно различающихся геоморфологических районов (Шкаликов, 1995; Шкаликов и др., 2005): большая часть территории относится к Слободской холмисто-моренной возвышенности и Аржатско-Ельшанской озерно-ледниково-зандровой низине, а самая восточная и юго-восточная части – к Духовщинской моренно-эрозионной возвышенности. Практически вся его территория находится в пределах области валдайского оледенения, и только ландшафты Духовщинской возвышенности сформировались в эпоху днепровского оледенения. В районе Слободской холмисто-моренной возвышенности наибольшее распространение имеют мелкохолмистые пологоволнистые моренные равнины. Рельеф центральной части этого района устроен особенно сложно, для него характерны крутые конечно-моренные холмы, комплексы озовых и озово-камовых образований. Южнее конечно-моренных образований распространены плоские и слабоволнистые зандровые равнины, которые занимают относительно большие площади. В районе Аржатско-Ельшанской озерно-ледниково-зандровой низины, расположенном восточнее р. Ельша, преимущественное распространение имеет водно-ледниковый рельеф, представленный плоскими и слабоволнистыми зандровыми и озерно-ледниковыми равнинами. Заметно меньшие площади занимают пологоволнистые и мелкохолмистые моренные равнины. В целом территория этого района на 10–20 м ниже первого, поэтому она заметно менее дренирована, здесь намного больше избыточно увлажненных земель и торфяников (рис. 1).

Рис. 1.

Цифровая модель рельефа национального парка “Смоленское Поозерье”.

Леса территорий разнообразны по составу древесных видов, среди которых наибольшее представительство по площади имеют береза (41.2%), ель (13.8%), сосна (12.5%), осина (14%), ольха серая (9.3%), дуб (6.5%) и липа (2.4%). Для лесных биогеоценозов характерны подзолистые и дерново-подзолистые почвы разной степени оподзоливания и оглеения под лесами; кроме того, значительную часть территории национального парка занимают торфяные почвы (Научные …, 2003; Растительность …, 2003). Подзолистые почвы широко распространены под хвойными, преимущественно еловыми лесами, обеднены гумусом, азотом и элементами минерального питания. Дерново-подзолистые почвы распространены под хвойно-лиственными и лиственными (дубово-липовыми, березовыми, осиновыми) лесами. Для сосновых лесов, формирующихся на песчаных отложениях, характерно развитие подзолов и дерново-подзолов – кислых почв, бедных обменными основаниями, элементами минерального питания, азотом и гумусом. Химический состав торфяных почв определяется в основном видовым составом растений-торфообразователей: торфяные почвы верховых болот отличаются низкой зольностью, максимальное содержание зольных элементов характерно для торфяных почв низинных болот, из которых многие покрыты черноольховыми лесами.

В 2006–2018 гг. в национальном парке “Смоленское Поозерье” проводились геоботанические исследования лесов с геопривязкой заложенных временных учетных площадок (400 м²) при помощи GPS-навигатора, что позволяет использовать собранные данные в тематической обработке спутниковых изображений. В ходе выполнения геоботанических описаний характеризовали местоположения и ярусную структуру лесных сообществ, составляли полные списки видов сосудистых и моховидных растений, в ряде случаев выборочно определяли возраст деревьев при помощи бурава Пресслера (Методические …, 2010).

На основе классификации EUNIS составлен предварительный список типов биотопов (местообитаний), представленных на рассматриваемой территории. Для этого были проанализированы классификационные категории и их описательные характеристики, начиная с самого нижнего уровня, для которого наиболее детально и точно описаны диагностические признаки, в т. ч. географическая локализация типов биотопов. Используя материалы собственных геоботанических исследований (183 описания), а также фондовых и опубликованных источников, определяли принадлежность выявленных растительных сообществ к типологическим категориям системы EUNIS с помощью анализа флористических списков. Затем устанавливали, какие из них рассматриваются как ключевые в современной природоохранной практике (Annex …, 2007; Revised Annex …, 2010-2014). После этого на основе лесоустроительных материалов оценили наличие всех и ключевых биотопов в лесах национального парка. В результате применения изложенного выше подхода составлен перечень типов наземных биотопов, который включает 19 лесных, 2 кустарниковых, 8 болотных и 10 травяных (в т. ч. 7 луговых, 1 опушечный, 2 рудеральных). Среди них к ключевым относятся 12 лесных, 7 болотных и 1 луговой тип. Для исследований выбраны четыре типа ключевых лесных биотопов (табл. 1).

Для моделирования распределения ключевых биотопов в лесах национального парка использовалось два типа геопространственных данных: мультиспектральные спутниковые изображения Sentinel-2 (ESA Sentinel-2, 2019) и базовые топографические показатели, рассчитанные с использованием цифровой модели рельефа и гидрографической сети местности. Было проанализировано более ста сцен Sentinel-2 из онлайн-архива Европейского космического агентства (ESA) за период с 2015 по 2018 г. и отобрано для тематической обработки шесть безоблачных разносезонных изображений (продукты уровня L1C) за следующие даты: 23 сентября 2017 г., 11 апреля, 11 мая, 26 мая, 24 августа и 18 октября 2018 г. Исходные значения спектральных яркостей на уровне верхних слоев атмосферы в каналах отобранных изображений были пересчитаны в соответствующие значения на уровне земной поверхности с использованием алгоритма MAJA (Hagolle et al., 2015). Цифровая модель рельефа местности была построена на основе горизонталей, оцифрованных по крупномасштабной топографической карте масштаба 1 : 25 000 (материалы обрабатывались сотрудниками национального парка). Прочие элементы географической основы, включая гидрографическую сеть, были сформированы из открытых данных проекта OpenStreetMap (Open …, 2019). Полный список использованных в работе спектральных и топографических признаков с пояснениями содержится в табл. 2. Для предварительной стратификации территории на покрытые и не покрытые лесом участки использовались актуальные (по состоянию на 2017 г.) материалы проекта GFC – Global Forest Change (Hansen et al., 2013), содержащие оценки сомкнутости и нарушений лесного покрова в глобальном масштабе, полученные на основе спутниковых данных Landsat. В качестве априорной информации о лесах парка использовались материалы лесоустройства 2014–2015 гг., включающие географически привязанную сеть выделов с полными таксационными описаниями.

Выборка эталонных участков для моделирования пространственного распределения ключевых и всех прочих лесных биотопов парка была сформирована на основе пространственного пересечения сети лесоустроительных выделов с результатами автоматической сегментации спутниковых изображений Sentinel-2 алгоритмом Full Lambda Schedule (Redding et al., 1999). Для сегментации использовались только каналы видимого и ближнего инфракрасного диапазонов с пространственным разрешением 10 м. Участки, образованные пересечением выделов и сегментов, отбирались для дальнейшего анализа по нескольким критериям: площадь (не менее 1 га), доля взаимного перекрытия (не менее 50%) и сомкнутость древостоев (не менее 50%). Затем они объединялись на основе таксационных характеристик в комплексные тематические группы, которые в дальнейшем рассматривались как прототипы для ключевых и прочих лесных биотопов. Для этого каждому участку присваивался восьмизначный составной код, первые пять цифр которого соответствовали долям ели, сосны, широколиственных пород, ольхи черной и всех прочих мелколиственных пород в составе, следующие две цифры отображали значения трофности и влажности условий местопроизрастания (по П.С. Погребняку), а последняя цифра идентифицировала возраст древостоев. При этом доли породного состава объединялись в три условных градации – преобладание (6 и более единиц в породной формуле), присутствие (1–5 единиц) и отсутствие той или иной группы пород. Показатели влажности были преобразованы в две категории – сухие или нормальные (1–3) и влажные (4–5) условия произрастания. Значения возраста также были сведены к двум группам – молодые (1–2 класс возраста) и взрослые (3 и более) древостои. По уникальным значениям составного кода было выделено 88 наиболее представленных на территории парка прототипов биотопов, которые суммарно покрывают более 95% от площади лесного фонда. Общий размер эталонной выборки, полученной на данном этапе, составил 1399 участков, при этом четыре прототипа, соответствующие ключевым биотопам, вошли в нее целиком, а для всех остальных групп случайным образом формировались подвыборки в объеме 20% от общего числа входящих в них участков, которые затем объединялись в один комплексный тематический класс “все прочие биотопы”. Такой подход позволил сформировать относительно сбалансированную по составу обучающую выборку – от 110 до 401 наблюдения в каждом из пяти классов, для дальнейшей вероятностной классификации.

Мы использовали метод случайных лесов (Breiman, 2001) для анализа возможностей распознавания ключевых биотопов и получения вероятностных оценок их пространственного распределения по территории исследования. В контексте случайных лесов вероятность отнесения объекта к конкретному тематическому классу – это доля деревьев решений от общего числа, в результате классификации по которым этот объект был отнесен к данному классу. При этом оценки вероятностей, полученные этим методом, как правило, являются достаточно объективными без дополнительной калибровки (Kruppa et al., 2014). В качестве переменных при обучении классификационной модели использовались медианные значения спектральных и топографических признаков, рассчитанные в пределах отобранных эталонных участков. Степень информативности каждой из переменных, а также оптимальный состав признаков, позволяющий достигнуть наилучших результатов при классификации, оценивались в процессе автоматизированной процедуры рекурсивного исключения признаков на основе критерия MDA – Mean Decrease in Accuracy (Liaw, Wiener, 2002). Качество классификационной модели, выстроенной с использованием фиксированного набора признаков, оценивалось стандартным для случайных лесов методом out-of-bag (OOB), когда случайная выборка для построения дерева решений генерируется с помощью бутстрепа (т.е. с возвращением элементов), а та часть измерений, которая не попала в эту выборку, используется в качестве контрольных данных. Мы использовали значения OOB-каппы в качестве основного критерия для оптимизации набора переменных, а также для автоматического подбора основных входных параметров для алгоритма классификации. Состав обучающей выборки корректировался с помощью показателей отступа (разность долей от общего числа деревьев, по которым элемент выборки классифицировался правильно и неправильно), определяемых в процессе обучения модели. Элементы исходной выборки со значениями отступа меньше –0.1 были отброшены. В результате объем итоговой обучающей выборки составил 1046 наблюдений.

Вероятностные оценки пространственного распределения ключевых биотопов по территории парка рассчитывались попиксельно на основе оптимального набора наиболее информативных признаков, приведенных к пространственному разрешению 10 метров. Точность результатов вероятностной классификации оценивалась на основе показателя Бриера (Brier, 1950) и величины площади под ROC-кривой (Bradley, 1997), рассчитанных индивидуально для каждого из пяти тематических классов относительно исходных прототипов биотопов, полученных из лесоустроительных материалов. Оптимальные пороговые значения вероятностей для однозначного отнесения пикселей изображения к ключевым биотопам определялись автоматически по критерию минимума суммарного числа ошибок распознавания I и II рода.

Для сравнения результатов классификации с наземными геоботаническими описаниями вычислялись средние значения вероятностей отнесения пикселей к тому или иному биотопу в радиусе 15 м от центра пробной площади (т.е. на площадке 3 × 3 пикселя), после чего весь участок относился к биотопу с максимальным значением средней вероятности.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

По результатам процедуры рекурсивного исключения признаков (рис. 2) мы определили набор из 30 переменных, использование которых позволяет достичь наилучших результатов классификации (рис. 3а). При этом сравнительный анализ информативности не выявил конкретных групп признаков, однозначно дискриминирующих ключевые биотопы, как между собой, так и от всех прочих биотопов на территории исследования.

Рис. 2.

Зависимость формальных показателей точности классификационной модели случайных лесов от числа переменных, использованных в ходе обучения. 1 – OOВ-точность; 2 – ООВ-каппа.

Рис. 3

Информативность спектральных и топографических переменных в процессе обучения классификационной модели случайных лесов (“больше – лучше”). (а) MDA всех переменных (пунктирной линией отделены 30 оптимальных); (б) MDA, осредненное по спектральным признакам; (в) MDA, осредненное по датам съемки; (г) MDA топографических признаков. Обозначения признаков см. табл. 2; Topo* – осредненное MDA всех топографических признаков.

Формально среди спектральных признаков наибольшую информативность продемонстрировали индекс NDVI и значения зеленого канала Sentinel-2, наименьшую – значения второго среднего инфракрасного канала (рис. 3б). Наиболее значимыми периодами съемки для распознавания биотопов оказались конец сентября и конец мая, наименее значимым – начало апреля (рис. 3в). Разница в значениях MDA по группам признаков и по датам съемки относительно невелика (не более 4.6%), что не позволяет единовременно отказаться от всех переменных одного типа или одного периода без потерь в точности классификационной модели.

Из одиннадцати исходных топографических признаков только шесть самых информативных вошли в оптимизированный набор переменных для классификации биотопов – это координаты пикселей по осям X и Y, высота над уровнем моря, расстояние до ближайших водных объектов, топографический индекс влажности и крутизна склонов (рис. 3г). В целом можно отметить явное (но не абсолютное) преимущество в информативности спектральных признаков над топографическими.

На основе оптимизированного набора переменных и скорректированной в процессе обучения эталонной выборки мы получили итоговую модель для вероятностной классификации ключевых биотопов. Общая OOB-точность модели составила 93% при величине OOB-каппы, равной 0.91. Точность распознавания отдельных классов варьирует в пределах от 89 до 96% (табл. 3).

По результатам классификации были получены четыре тематических изображения территории национального парка и его окрестностей с пространственным разрешением 10 м, характеризующие вероятность отнесения каждого пикселя к одному из четырех типов ключевых лесных биотопов (рис. 4).

Рис. 4.

Вероятностные оценки пространственного распределения ключевых типов лесных биотопов на территории национального парка “Смоленское Поозерье”: бореально-неморальных черничных еловых лесов (T3-F14) (а), сосновых и елово-сосновых брусничных лесов (T3-G2) (б), дубово-липовых лесов (T1-E16A) (в), заболоченных ольховых лесов (T1-5114) (г).

Значения площади под ROC-кривой, определяющие точность вероятностных оценок, для ключевых биотопов находятся в пределах от 88 до 96%, а показатели Бриера не превосходят величины 0.1, что можно интерпретировать как достаточно надежный результат. С использованием оптимальных пороговых значений вероятностей и показателей сомкнутости древостоев по данным GFC мы оценили потенциальные площади, занимаемые ключевыми лесными биотопами модельной территории (табл. 4).

Согласно нашим оценкам, четыре рассматриваемых типа ключевых лесных биотопов суммарно занимают чуть менее 10% от общей площади модельной территории (14.6 тыс. га), или немногим более 13% от покрытой лесом площади. Из них наиболее распространенными являются бореально-неморальные черничные еловые леса, которые занимают 3.1% от площади парка и более характерны для Аржатско-Ельшанской озерно-ледниково-зандровой низины (на восток от р. Ельша), где часто примыкают к крупным болотным массивам. Заболоченные ольховые леса (2.8% территории) приурочены, главным образом, к долинам рек и ручьев, а также бессточным депрессиям на водоразделах, они формируются в условиях застойного увлажнения на торфяных почвах. Дубово-липовые леса занимают 2.5% территории национального парка, их крупные массивы сохранились в пределах Слободской холмисто-моренной возвышенности на западе территории, а также на севере и юге, где они приурочены к возвышенным моренным равнинам с хорошим дренажом и богатыми суглинистыми почвами. Наименее представлены на территории исследования сосновые и елово-сосновые брусничные леса (1.4%), которые приурочены к комплексам озово-камовых образований и повышенным участкам волнистых зандровых равнин.

Сравнение полученных вероятностных оценок с данными наземных обследований (типами биотопов, которые были диагностированы для площадок с геоботаническими описаниями) дало довольно противоречивые результаты (табл. 5). Наилучшая сходимость получена для дубово-липовых лесов (T1-E16A) – лишь одна из десяти площадок была ошибочно отнесена к “прочим биотопам”. В то же время, бореально-неморальные черничные еловые (T3-F14) и сосновые брусничные леса (T3-G2) продемонстрировали довольно низкие показатели сходимости (30 и 40% соответственно), главным образом, за счет ошибочного отнесения к близким к ним по породному составу “прочим биотопам” – мелкотравным (T3-F34) и мезотрофным заболоченным (T3-K) еловым лесам, а также разнотравным (T3-5211) и олиготрофным заболоченным (T3-J) сосновым лесам. Заболоченные ольховые леса, в свою очередь, были корректно распознаны лишь в половине случаев, также из-за перепутывания с “прочими биотопами” – мезофитными мелколиственными лесами (T1-G23, T1-C24, T1-C15).

Возможными причинами выявленных несоответствий могут являться следующие факторы:

использованные спектральные и топографические признаки недостаточны для надежного распознавания лесных биотопов близких по породному составу древостоев; необходимо исследовать возможность применения почвенных характеристик (тип почвы, плодородия и увлажнения) для повышения уровня разделимости;

критерии применяемой классификации EUNIS допускают смешанный (разновидовой) состав древостоя в ключевых лесных биотопах, выбранных для анализа (табл. 1), и при этом для многих лесных сообществ модельной территории именно такой состав очень характерен в результате многовековой хозяйственной деятельности, которая была особенно интенсивной в ХХ в., когда сформировалось подавляющее большинство современных древостоев; для картографирования биотопов на территории с такой сложной историей требуется больше данных, полученных в ходе наземных геоботанических исследований;

большинство геоботанических площадок было заложено для решения различных научно-исследовательских задач, в число которых, тем не менее, изначально не входила валидация результатов геопространственного моделирования распределения биотопов на основе спутниковых и топографических данных; для целей нашего исследования при планировании геоботанического обследования территории необходимо учитывать пространственное разрешение (масштаб) используемых спутниковых изображений и картографических материалов.

Заключение. Использованный в работе подход, основанный на совместном анализе спектральных и топографических признаков, оправдал себя лишь отчасти. Нам удалось с помощью разносезонных спутниковых изображений добиться высокой точности распознавания ключевых лесных биотопов друг относительно друга благодаря их принципиальным различиям в породном составе древостоев. При распознавании ключевых биотопов относительно прочих, близких к ним по породному составу, но различных по условиям местопроизрастания и соответственно типам напочвенного покрова, получить надежный результат нам не удалось. Теоретически дискриминацию по условиям местопроизрастания должны были обеспечить топографические признаки, но, судя по всему, состав и/или детальность исходных данных, использованных нами в работе, оказались недостаточными для решения поставленной задачи. Наилучшие результаты при обучении классификационной модели случайных лесов были достигнуты при одновременном использовании 30 переменных, 80% из которых приходится на спектральные признаки. Кроме того, нам не удалось обнаружить как единственно необходимых, так и абсолютно бесполезных спектральных каналов и индексов, а также периодов съемки среди исходного набора переменных. Это свидетельствует как об относительно низкой информативности исходных топографических данных, так и об очевидном преимуществе временных серий мультиспектральных спутниковых изображений над одномоментными наблюдениями.

Анализ точности полученных нами геопространственных оценок приводит к противоречивым выводам. С одной стороны, мы использовали данные лесоустройства как наиболее полного источника информации о лесах модельной территории, для обучения классификационной модели. Формальные показатели точности распознавания отдельных классов, а также объективности полученных вероятностных оценок показали достаточно высокие результаты. С другой стороны, значительная по объему контрольная выборка из наземных обследований в целом продемонстрировала невысокую сходимость с вероятностными оценками. Оставив за скобками достоверность обоих источников априорной информации, можно заключить что, возможной причиной данной ситуации является недостаточная представительность имеющейся сети площадок геоботанических описаний в силу специфики их исходного назначения и пространственного распределения по территории парка. Очевидно, что для достоверной оценки точности геопространственного моделирования сеть контрольных пробных площадей должна быть спроектирована с учетом особенностей исходных данных (прежде всего, это пространственное разрешение) и полученных результатов (распределения вероятностей тематических классов по территории).

Таким образом, наши дальнейшие исследования будут направлены, во-первых, на выявление дополнительных признаков, которые могут повысить точность распознавания близких по породному составу древостоев лесных биотопов, и, во-вторых, на разработку методики проектирования сети наземных обследований, способной дать объективную оценку точности тематических продуктов, получаемых на основе спутниковых, топографических и других геопространственных данных.

***

Авторы статьи благодарят сотрудников национального парка “Смоленское Поозерье” – директора Александра Семёновича Кочергина и начальника отдела инвентаризации и мониторинга природных комплексов Владимира Рафаэльевича Хохрякова за оказанную помощь и предоставление необходимого материала для выполнения научных исследований в рамках представленной тематики статьи.