Лесоведение, 2021, № 6, стр. 609-626

ОБЪЕКТЫ И МЕТОДИКА

Исследование проводилось для территории Брянской области (рис. 1). По геоботаническому районированию регион относится к южной полосе широколиственных лесов Европейской широколиственной области Восточноевропейской провинции и лежит на стыке двух подпровинций: Полесской, с господством дубово-сосновых лесов с грабом, и Среднерусской, с преобладанием сосново-дубовых лесов (Растительность …, 1980). Леса на территории области распространены неравномерно, наиболее крупные массивы тянутся полосой по левобережью р. Десны, несколько меньшие – вдоль рр. Судости и Ипути. По данным официальной статистики (БГД – Регионы России, 2020) в XXI в. лесистость региона практически не менялась и остается на уровне около 33%, а общая площадь лесов составляет 1146 тыс. га с общим запасом 221.6 млн м³ на конец 2019 г. Из них примерно 48% площади занимают хвойные насаждения. В породной структуре лесов выделяются сосна обыкновенная (Pinus sylvestris, 38% по площади), различные виды березы (Betula pendula, B. pubescens, 29%), ель обыкновенная (Picea abies, 10%), осина обыкновенная (Populus tremula, 9%), ольха черная (Alnus glutinosa, 7%) и дуб черешчатый (Quercus robur, 6%); в возрастной структуре преобладают средневозрастные насаждения (49%), затем идут молодняки (20%), приспевающие (18%), спелые и перестойные древостои (13%) (Открытые данные …, 2021).

Рис. 1.

Территория исследования. 1 – границы градусных ячеек, для которых проводилось геопространственное моделирование; 2 – территория заповедника “Брянский лес” и его охранной зоны; 3 – центры оцифрованных лесоустроительных кварталов за пределами заповедника “Брянский лес; 4 – лесной покров с сомкнутостью не менее 30% на 2000 г. (по данным Global Forest Change); 5 – реки и водоемы; 6 – населенные пункты; 7 – граница Российской Федерации; 8 – граница Брянской области; 9 – прочие государственные и административные границы.

В качестве исходной информации о лесах территории использовались преобразованные и включенные в единую базу данных текстовые таксационные описания для государственного природного биосферного заповедника “Брянский лес” и 87 участковых лесничеств области, полученные в результате лесоустроительных работ 2002–2005 гг. Эти материалы охватывают 199 565 выделов в 8685 кварталах в пределах лесного фонда на площади 693 429 га (60% от всех лесов области). Из общего объема лесоустроительной информации в работе использовались данные о 450 кварталах, содержащих около 10 000 выделов с общей площадью 35 тыс. га. Примерно половина из этих кварталов приходится на территорию заповедника “Брянский лес” (включая его охранную зону), для которой электронные лесоустроительные материалы были предоставлены администрацией. Остальные кварталы, нерегулярно распределенные по территории Брянской области (рис. 1), были вручную оцифрованы и “привязаны” к географической системе координат авторами статьи.

Кварталы для оцифровки подбирались таким образом, чтобы максимально полно охватить вариабельность моделируемых характеристик на уровне выделов. Биометрические показатели древостоев в общем случае зависят от возраста, бонитета и полноты насаждения, а доли хвойных и лиственных пород по запасу отражены в формуле породного состава. Поэтому на основе имеющихся таксационных описаний все лесоустроительные выделы площадью более 1 га за пределами заповедника “Брянский лес” были стратифицированы на комплексные тематические группы с уникальными сочетаниями дискретных значений четырех показателей: класса возраста (10 классов от 1 до 10), бонитета (5 классов с I по V), относительной полноты (4 класса от 0.3 до 1.0 через 0.2 единицы) и доли хвойных пород в формуле породного состава (6 классов от 0 до 10 через 2 единицы). Затем для каждого квартала было оценено число N представленных в нем тематических групп. Далее для каждой тематической группы общей площадью более 100 га среди всех кварталов, в которых она была представлена хотя бы одним выделом, выбирался один квартал с максимальным числом N. Среди нескольких кварталов с одинаковым N предпочтение отдавалось кварталам с наименьшим общим числом выделов. В границах отобранных таким образом кварталов производилась сплошная оцифровка контуров выделов по растровым планам лесонасаждений участковых лесничеств. Такой подход позволил обеспечить охват наиболее распространенных по территории области тематических групп в нескольких повторностях при минимальном объеме и максимальной локализации работ по оцифровке.

Для соблюдения временнóго соответствия с лесоустроительными материалами в качестве исходных данных для геопространственного моделирования были использованы все доступные для территории исследования оптические мультиспектральные спутниковые изображения с аппарата Landsat 7 с сенсором ETM+ (USGS Landsat 7, 2021) за период с 1999 по 2003 г. Сцены Landsat 7 содержат семь спектральных каналов видимого, а также ближнего, коротковолнового и теплового инфракрасного диапазонов пространственным разрешением 30 м (60 м для теплового канала), а также один панхроматический канал разрешением 15 м. В работе использовались только сцены первого раздела первой коллекции Landsat (Collection 1 Tier 1) (Wulder et al., 2019), прошедшие стандартные процедуры предварительной обработки и преобразованные в значения спектральной яркости на уровне подстилающей поверхности (Masek et al., 2006).

Для разграничения территорий, покрытых и непокрытых лесной растительностью, при тематической обработке спутниковых изображений и анализе результатов моделирования использовались геопространственные данные проекта Global Forest Change (GFC) (Hansen et al., 2013). Маска лесов была сформирована из продукта сомкнутости лесного покрова по состоянию на 2000 г. с внесением ежегодных изменений (нарушений) до 2003 г. включительно. К лесным относились не подвергавшиеся изменениям пиксели с исходными значениями сомкнутости 30% и более.

Основные этапы геопространственного моделирования выполнялись на базе GЕЕ и включали в себя: (1) формирование серии разносезонных спутниковых композитных изображений (композитов); (2) преобразование исходных значений пикселей в каналах композитов в производные спектральные признаки; (3) извлечение значений признаков в местах расположения эталонных выделов с известными характеристиками лесов; (4) обучение регрессионной модели по извлеченным признакам; (5) применение обученной модели ко всем пикселям композитов. Сопутствующие процессы для оценки эффективности и статистической значимости обученных моделей, информативности использованных признаков и точности результатов моделирования выполнялись локально в программной среде R версии 4.0.2 (R Core Team, 2020). Для оптимизации производительности обработка геопространственных данных проводилась последовательно по регулярной сети ячеек размером 1° × 1° (примерно 70 × 110 км), двенадцать из которых полностью или частично находятся в границах Брянской области (рис. 1).

На основе исходных сцен Landsat 7 для каждой ячейки сети было сформировано шесть безоблачных разносезонных композитов, соответствующих последовательным периодам фенологического цикла зеленой растительности (табл. 1). Временные границы периодов определялись по данным MODIS о динамике наземного покрова (MCD12Q2) версии 6 (Friedl et al., 2019). MCD12Q2 – это набор ежегодных (с 2000 по 2017 г.) глобальных тематических изображений с пространственным разрешением 500 м, которые содержат информацию о семи ключевых датах (представленных как номера дней в году) в динамике хода кривой спектрального вегетационного индекса EVI2 (Jiang et al., 2008). Ключевые даты соответствуют началу и середине роста, выходу на плато, пику, началу, середине и окончанию убывания значений индекса и, таким образом, косвенно отражают смену фенологических фаз. В работе использовались шесть ключевых дат (все, кроме пика) для разграничения шести периодов года: снежная зима, первая и вторая половина весны, лето, первая и вторая половина осени. Для каждой ячейки фиксированные границы периодов определялись следующим образом: сначала попиксельно вычислялись межгодовые медианные значения ключевых дат по изображениям MCD12Q2 за 2000–2003 гг., после чего рассчитывались медианные значения по всем пикселям в пределах ячейки. Начало зимы для всех ячеек было зафиксировано на середине февраля (45-й день года), чтобы исключить влияние слабой освещенности при съемке в первые зимние месяцы.

После определения границ временных периодов процесс формирования разносезонных композитов в GEE сводится к простой последовательности полностью автоматизированных операций (Stuhler et al., 2016): (1) фильтрация выбранной коллекции спутниковых данных (в нашем случае – Landsat 7) по границам области интереса (ячейки градусной сети), временному периоду и формальным свойствам, которые содержатся в атрибутах изображений (облачность меньше 50%); (2) маскирование облачных, затененных и дефектных пикселей для каждого из оставшихся изображений в коллекции (сцены Landsat укомплектованы тематическими масками качества пикселей); (3) статистическая агрегация валидных измерений в единый композит (использовались медианные значения).

В качестве спектральных признаков (переменных) для последующего моделирования использовались исходные значения спектральной яркости в зеленом (2-й канал по порядку, рабочий диапазон длин волн 519–601 нм), красном (3, 631–692 нм), ближнем инфракрасном (4, 772–898 нм), первом (5, 1547–1748 нм) и втором (7, 2065–2346 нм) коротковолновом инфракрасном каналах полученных композитов, а также их попарные нормализованные отношения. Нормализованные отношения каналов (Crippen, 1990) являются обобщенными функциональными аналогами широко распространенных вегетационных индексов, таких как NDVI или SWVI, и рассчитываются по формуле:

где NR_{i + n, i} – значение нормализованного отношения канала c порядковым номером i + n к каналу с порядковым номером i; B_i – значение пикселя в канале изображения с порядковым номером i; B_{i + n} – значение пикселя в канале изображения с порядковым номером i + n; i – целое число в пределах от 1 до N – 1; n – целое число в пределах от 1 до N – i; N – общее число каналов в изображении. В нашем случае при использовании пяти спектральных каналов можно получить 10 таких отношений. Всего, таким образом, на основе шести разносезонных композитов было получено 90 геопространственных переменных (30 исходных каналов и 60 нормализованных отношений).

Отбор оцифрованных выделов в эталонную выборку проводился по критериям площади (не менее 1 га), ярусности (наличие только 1-го яруса), показателям среднего возраста (от 10 лет), высоты (от 5 м) и диаметра ствола (от 4 см), а также по однородности в контексте спектральных характеристик. В качестве меры однородности использовался коэффициент вариации (Brown, 1998), который рассчитывался для каждого выдела по значениям спектральной яркости в каналах сформированных разносезонных композитов. Выделы хотя бы с одним значением коэффициента вариации больше 30% отсеивались. В результате в итоговую эталонную выборку вошло 6137 выделов, которые затем были разбиты на обучающую и контрольную подвыборки в соотношении 3 : 1. Для разбиения применялся метод стратифицированного случайного отбора, с использованием в качестве страт описанных выше комплексных тематических групп. В качестве обучающих и контрольных значений моделируемых биометрических показателей среднего возраста, высоты и диаметра ствола рассматривались значения для главной породы выдела, для запаса – интегральное значение по всем породам (в м³ га^–1). Доли хвойных и лиственных пород по запасу оценивались согласно формуле породного состава и переводились в шкалу от 0 до 100%. Очевидно, что доли хвойных и лиственных пород – это взаимообратные величины, однако для удобства и полноты представления результатов в работе они рассматриваются как два независимых показателя.

Для сопоставления со значениями моделируемых характеристик лесов использовались средние значения геопространственных переменных, рассчитанные в пределах эталонных выделов. В расчете участвовали только пиксели, центры которых попадали в границы выдела, без учета площади их пересечения. Также на растры спектральных признаков предварительно накладывалась маска лесов по данным GFC, чтобы исключить из расчетов нелесные пиксели.

На основе значений переменных, осреднённых в пределах выделов, проводился корреляционный анализ с целью оптимизации исходного набора спектральных признаков. Для всех переменных оценивалась попарная корреляция Пирсона (r), после чего из пар со значением r > 0.95 отбрасывались переменные c более высоким средним значением r, рассчитанным для каждой переменной по всем ее парам. Таким образом, исходный набор разносезонных спектральных признаков был сокращен до 66. К ним также были добавлены две переменные, отражающие пространственное положение выделов, – широта и долгота их центров, выраженные в десятичных градусах, – для учета в процессе моделирования локальных особенностей мест произрастания лесов, не отражающихся на спутниковых изображениях.

Поскольку все характеристики лесов, рассматриваемые в рамках данной работы, выражаются в непрерывных численных значениях, при геопространственном моделировании применялись модели регрессионного типа. Для их построения использовался метод случайных лесов (Breiman, 2001), а также сопутствующий ему комплекс функций для оценки информативности переменных и эффективности обучения. GEE включает в себя программную реализацию случайных лесов Smile (Li, 2014), для локальных расчетов использовалась реализация в программной среде R в пакете ranger (Wright, Ziegler, 2017). Для обучения регрессионных моделей использовался ансамбль из 500 деревьев, число случайных признаков при расщеплении дерева было зафиксировано на значении 34 (половина от общего числа), а минимальный размера узла был установлен на уровне 1 (т.е. деревья проращивались полностью). В качестве результата прогнозирования модели использовалось простое осреднение предсказаний всех деревьев ансамбля.

Эффективность обучения полученных моделей оценивалась по стандартным статистическим метрикам – коэффициенту детерминации (R²), средней абсолютной ошибке (MAE) и квадратному корню из средней квадратической ошибки (RMSE), а также относительным величинам MAE и RMSE – процентным значениям от среднего (AVG) и разброса (RNG) моделируемых показателей. Метрики оценивались на основе предсказаний для исходной обучающей выборки, полученных интегрированным в случайные леса методом out-of-bag (OOB, Breiman, 1996). Статистическую значимость моделей (p-значение) оценивалась на основе множественного пермутационного теста из 200 итераций для зависимой переменной (Altmann et al., 2010). В качестве меры информативности переменных в процессе обучения использовался стандартный для случайных лесов показатель среднего уменьшения общей точности модели (MDA – Mean Decrease in Accuracy) после однократной пермутации оцениваемой независимой переменной. В случае регрессионного анализа MDA характеризует разницу между величиной средней квадратической ошибкой модели до перестановки значений переменной и после нее. Для возможности прямого сопоставления информативности переменных при моделировании характеристик разного типа и размерности в работе использовались относительные показатели MDA (в %), получаемые путем нормирования всех исходных значений на величину максимального из них.

Для получения итоговых тематических продуктов к оптимизированному набору геопространственных данных на пиксельном уровне применялись соответствующие модели, после чего результаты – растровые изображения пространственным разрешением 30 м – выгружались из GEE в облачное хранилище. По окончании последовательной обработки всех градусных ячеек эти изображения объединялись в единый растр, на который накладывалась маска лесного покрова по данным GFC, формируя таким образом финальные результаты моделирования.

Точность полученных тематических продуктов оценивалась по контрольной выборке из 1536 выделов по тем же статистическим метрикам, что и эффективность обучения моделей. Попиксельные результаты моделирования осреднялись в границах выделов для сравнения с контрольными значениями анализируемых показателей по тем же принципам, что и при извлечении признаков для обучения. Кроме того, полученные тематические продукты запасов и доли хвойных пород, пересчитанные в суммарные значения запасов для 18 лесничеств и территории заповедника “Брянский лес”, сравнивались с официальными данными, содержащимися в Лесном плане Брянской области 2008 г. (Лесной план …, 2008). В качестве количественных метрик для сравнения использовались квадрат корреляции Пирсона между абсолютными значениями показателей (r²) и относительное среднее отклонение (MD), рассчитанное аналогично показателю MAE для регрессионных моделей c нормировкой по среднему значению.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

По результатам работы были получены геопространственные тематические продукты разрешением 30 м, характеризующие средний возраст, высоту, диаметр ствола, запас и соотношение (по запасу) хвойных и лиственных пород в древостоях Брянской области по состоянию на 2003 год (рис. 2). Общая площадь лесов в границах региона, выделенная по данным GFC, составила 1547 тыс. га, а суммарный запас, оцененный по результатам моделирования, – 261.7 млн м³, что значительно выше данных официальной статистики. Это естественная ситуация, поскольку публичная информация о лесных ресурсах в России, как правило, относится только к территории лесного фонда, а не ко всем территориям, покрытым древесной растительностью.

Рис. 2.

Результаты геопространственного моделирования характеристик древостоев Брянской области. а – средний возраст; б – средняя высота; в – средний диаметр стволов; г – запас стволовой древесины; д – доля хвойных пород по запасу; е – доля лиственных пород по запасу.

Средний возраст древостоев Брянской области по результатам моделирования составил 57 лет, средняя высота – 17 м, средний диаметр ствола – 20 см, средний запас – 169 м³ га^–1, соотношение хвойных и лиственных пород по запасу – 41 : 59. Остальные статистические характеристики распределения полученных показателей, в сравнении с исходными лесоустроительными материалами, приведены в табл. 2. Результаты моделирования довольно близки к таксационным данным в средних значениях (за исключением запаса, который ниже примерно на 16%), но при этом гораздо более однородны (стандартное отклонение ниже примерно в два раза для всех показателей). Кроме того, прослеживается явная тенденция к недооценке высоких значений биометрических характеристик, а также переоценке доли лиственных древостоев по запасу, что подтверждается и результатами валидации.

Сводные показатели эффективности обучения моделей, а также результаты валидации тематических продуктов приводятся в табл. 3, а на рис. 3 представлены диаграммы рассеяния контрольных и предсказанных значений. Оценки, полученные при сравнении результатов моделирования с тестовым набором выделов, незначительно ниже оценок, полученных в процессе обучения на основе OOB-метода. Все модели статистически значимы (p < 0.005). Наилучшие результаты наблюдаются при моделировании соотношения хвойных и лиственных пород по запасу – R² примерно 0.7 и RMSE около 22%. При этом характерная недооценка доли хвойных пород в запасе древостоев может быть связана с более компактной формой кроны по сравнению с лиственными деревьями, что обусловливает их более низкий вклад в проективное покрытие полога, а, значит, и в значение спектральной яркости смешанного пикселя при одном и том же числе стволов.

Рис. 3.

Диаграммы рассеяния предсказанных и контрольных значений для характеристик древостоев Брянской области. а – средний возраст, лет; б – средняя высота, м; в – средний диаметр стволов, см; г – запас стволовой древесины, м³ га^–1; д – доля хвойных пород по запасу, %; е – доля лиственных пород по запасу, %.

Для биометрических характеристик уровень точности несколько ниже: R² изменяется от 0.4 для возраста до 0.5 для запаса, а RMSE_AVG находится в пределах 26–37%. Тенденции к завышению низких и занижению высоких значений в разной степени выражены для всех моделей биометрических показателей. Наиболее вероятной причиной является низкая чувствительность использованных переменных к вариабельности анализируемых характеристик древостоев по достижении ими определенных пороговых значений на обоих концах распределения, т.е. наблюдается эффект насыщения, хорошо известный для оптических спутниковых данных (Zhao et al., 2016). При оценке точности результатов моделирования для ограниченного диапазона значений (табл. 4) наблюдается заметное снижение RMSE для показателей возраста (на 14%) и диаметра ствола (на 29%). Для показателей высоты и запаса этот эффект выражен в значительно меньшей степени.

В целом полученные показатели эффективности хорошо согласуются с результатами похожих исследований. G. Matasci с соавт. (2018) при моделировании биометрических показателей лесов всей Канады на основе данных Landsat и лидарных трансект приводят оценки точности для высот на уровне R² = 0.5 при RMSE = 3.6 м (34%) и для запасов R² = 0.5 при RMSE = 72 м³ га^–1 (79%). H. Astola с соавт. (2019) на территории Финляндии получили R² = 0.51 при RMSE = 37% для высот, R² = 0.47 при RMSE = 45% для диаметров ствола и R² = 0.38 при RMSE = 72% для запасов при оценке по данным Landsat и более точные результаты (RMSE на 6–13% ниже) по данным Sentinel-2. В. Жарко с соавт. (Zharko et al., 2020) приводят значения R² = 0.61 и RMSE = 67 м³ га^–1 при моделировании запасов на основе зимних изображений Sentinel-2 в Костромской области. C. Senf с соавт. (2020) при оценке многолетней динамики соотношения хвойных и лиственных пород в национальном парке “Баварский лес” получили R² около 0.6 при RMSE = 19–24% в зависимости от использованного сенсора Landsat. Для возраста древостоев даже при совместном использовании оптических изображений и материалов лазерного сканирования характерные ошибки моделирования находятся в диапазоне 10–20 лет (Schumacher et al., 2020). Таким образом, в аспекте точности наши результаты можно охарактеризовать как ожидаемые для описанного сочетания исходных данных и методов, при этом использование лесоустроительных выделов вместо наземных пробных площадей для обучения моделей никак не сказалось на показателях их эффективности.

Кроме того, результаты моделирования продемонстрировали высокую сходимость с официальными данными на уровне лесничеств (рис. 4). При сравнении площадей, занятых лесной растительностью в границах квартальной сети, значение r² составило 0.98 при величине MD = 5%. Для суммарных значений запасов аналогичные показатели составили 0.96 и 8.6% соответственно. Однако при сравнении суммарных запасов только хвойных насаждений при сопоставимом значении r² = 0.92 MD было заметно выше – 22.9%, что объясняется уже обозначенным характерным эффектом занижения доли хвойных пород древостоев при моделировании. Тем не менее высокая корреляция значений запасов свидетельствует о систематическом характере этого занижения, что оставляет возможности для статистического определения компенсирующих поправок.

Рис. 4.

Диаграммы рассеяния агрегированных на уровне лесничеств результатов геопространственного моделирования и официальных данных Лесного плана Брянской области 2008 г. а – покрытая лесом площадь, тыс. га; б – общий запас стволовой древесины, млн м³; в – общий запас стволовой древесины хвойных насаждений, млн м³.

В данной работе мы не ставили задачу детального исследования информативности геопространственных признаков, использованных для моделирования, однако формальные оценки значимости переменных были проведены (табл. 5). Для всех биометрических характеристик наилучшую информативность продемонстрировал второй коротковолновой канал (7 канал Landsat 7) первой части осени. Кроме того, для показателей возраста, высоты и диаметра ствола сопоставимую значимость показал ближний инфракрасный канал (4) первой части весны. Помимо этого, для высоты древостоев высокую информативность имели красные каналы (3) второй части весны и первой части осени. При моделировании долей хвойных и лиственных пород в запасе самыми значимыми были ближний инфракрасный канал (4) лета, нормализованное отношение коротковолновых каналов (7/5) зимы и второй коротковолновой канал (7) второй части осени. Также стоит отметить, что все 68 использованных переменных имели положительную информативность при обучении моделей для всех шести характеристик древостоев (т.е. повышали их эффективность). Таким образом, для различных моделируемых показателей список наиболее значимых переменных довольно индивидуален, в контексте как типов спектральных признаков, так и их сезонности. Поэтому набор переменных, использованный в работе, в определенной степени является универсальным (но не исчерпывающим) для задач геопространственного моделирования различных биометрических и структурных характеристик лесного покрова.

Полученные результаты позволяют сделать положительные выводы о потенциале и работоспособности использованных исходных данных, инструментов и методики, однако полномасштабная реализация подобного подхода с целью получения геопространственных тематических продуктов для всей территории России на данный момент возможна только в отдаленной перспективе по причине нехватки наземной информации о лесах. Материалы лесоустройства для большей части страны неактуальны, и текущие объемы проводимых работ не позволяют компенсировать их устаревание. Кроме того, в большинстве случаев эти данные не доступны для широкой научной общественности или распространяются на коммерческой основе. Результаты наземных обследований, проводившихся в рамках первого цикла ГИЛ, все еще находятся в обработке, и сроки их открытого опубликования неизвестны. Наземные пробные площади, закладываемые в рамках научных работ, хотя и довольно многочисленные, как правило, очень неоднородны в своем пространственном расположении, периодичности проводимых измерений, а также составе определяемых на них показателей. Особенно стоит отметить, что именно расположение пробных площадей (или их аналогов) оказывает наибольшее влияние на достоверность геопространственного моделирования, поэтому планирование наземных обследований и размещение тестовых участков должно проводиться с учетом результатов предварительной тематической обработки спутниковых данных (автоматическая сегментация, кластерный анализ), которые затем будут использованы при моделировании. Иначе даже выборка из сотен наземных измерений может оказаться недостаточно представительной, например, если пробные площади массово размещаются в переходных зонах между ландшафтами разного типа или в древостоях, в целом нетипичных для территории исследования, по причине их высокого биоразнообразия, и т.п. Строго говоря, для задач геопространственного моделирования характеристик лесов необходимо создание специализированной сети наземного мониторинга, изначально спроектированной на основе данных ДЗЗ. При этом раскрытие и консолидация уже имеющихся материалов наземных обследований, получаемых из разных источников, могли бы стать первыми шагами на пути ее формирования. Результаты функционирования комплексной системы, сочетающей периодическое определение характеристик лесов на пробных площадях с их последующим геопространственным моделированием по спутниковым данным в масштабах регионов и всей страны, могут быть востребованы для широкого спектра прикладных и научных задач лесной отрасли, включая инвентаризацию ресурсов, оценку экосистемных функций и услуг, а также разработку сценариев устойчивого управления лесами.

Заключение. Результаты данной работы в полной мере демонстрируют базовые возможности использования разносезонных оптических спутниковых изображений высокого разрешения в сочетании с выборочными лесотаксационными материалами для задач геопространственного моделирования структурных и биометрических характеристик лесов в региональном масштабе. В своем исследовании мы не касались вопросов качества исходных таксационных данных, а сосредоточились в большей степени на методических аспектах, так как изначально имели возможность использовать только исторические материалы лесоустройства и потому не ставили задачи получения актуальных и достоверных оценок параметров древостоев Брянской области. При этом полученные нами показатели точности в полной мере согласуются с результатами похожих зарубежных и российских работ.

Описанные принципы формирования набора исходных переменных и методика моделирования в достаточной степени универсальны и могут без значительных модификаций быть использованы при работе со спутниковыми данными сходного с Landsat типа (прежде всего, это Sentinel-2) и материалами наземных обследований в виде пробных площадей, а не выделов. Кроме того, на основе тех же данных и принципов может проводиться геопространственное моделирование широкого круга характеристик лесных экосистем, включая типологию и индикаторы биоразнообразия. Реализация автоматизированных этапов методики на платформе GEE потенциально позволяет получать тематические продукты для территорий неограниченного пространственного охвата (вплоть до глобального) при условии наличия достаточно представительной опорной выборки.

При этом необходимо учитывать, что оптические данные ДЗЗ имеют естественные ограничения, которые не позволяют моделировать параметры, имеющие отношение к стволам древостоев, с высокой точностью, что было показано и в нашем исследовании. Использование изображений более высокого пространственного разрешения и/или с увеличенным числом спектральных каналов, а также добавление текстурных признаков и дополнительных переменных (например, характеризующих рельеф местности) в большинстве случаев положительно сказывается на эффективности моделей, однако радикального улучшения точности предсказаний, как правило, не дает. Тем не менее, несмотря на умеренную локальную точность, при агрегации результатов моделирования даже на уровне территориальных единиц относительно небольшой площади (в нашем случае средняя площадь лесничеств была около 2 тыс. км²) наблюдается вполне приемлемая сходимость с официальными данными, что означает возможности получения достаточно достоверных оценок, как минимум, в масштабе регионов. Учитывая этот факт, а также доступность и распространенность данных Landsat и Sentinel-2, оценки, полученные на их основе, помимо широкого спектра научных задач, могли бы быть востребованы и для предстоящего второго цикла ГИЛ России.

Дальнейшие исследования в данном направлении ограничиваются, главным образом, малыми объемами доступной наземной информации о лесах России как в виде измерений на пробных площадях, так и традиционных лесоустроительных материалов. Создание объединенной сети мониторинга на базе существующих стационаров научных организаций, а также опубликование данных, собранных при проведении первого цикла ГИЛ, открыло бы принципиально новые возможности для геопространственного моделирования характеристик лесов на основе спутниковых изображений в масштабах всей страны.