Лесоведение, 2022, № 6, стр. 617-630
Оценка и картографирование ценотического разнообразия лесов Московского региона
Т. В. Черненькова a, *, И. П. Котлов b, Н. Г. Беляева a, Е. Г. Суслова c, О. В. Морозова a
a Институт географии РАН
119017 Москва, Старомонетный пер., д. 29, Россия
b Институт проблем экологии и эволюции им. А.Н. Северцова
119071 Москва, Ленинский пр-кт, д. 33, Россия
c Московский государственный университет им. М.В. Ломоносова
119991 Москва, Ленинские горы, д. 1, Россия
* E-mail: chernenkova50@mail.ru
Поступила в редакцию 14.03.2022
После доработки 14.04.2022
Принята к публикации 07.06.2022
- EDN: DUBMEX
- DOI: 10.31857/S0024114822060043
Аннотация
Растущая плотность населения крупных мегаполисов придает биоразнообразию лесного покрова все большую экологическую и социальную значимость. Отсутствие актуальных картографических материалов затрудняет оценку качества природной среды и сохранение ценных природных объектов с учетом условий местообитаний и видов землепользования. Целью работы является выявление и картографирование ценотического разнообразия лесного покрова Московского региона. Для изучения пространственной структуры сообществ использованы дистанционные данные (Sentinеl-2A, радарные снимки PALSAR), цифровые модели рельефа (ЦМР SRTM) в сочетании с данными наземных исследований. Для компенсации дефицитного и неравномерного распределения полевых данных применен подход выравнивания обучающей выборки с подбором оптимального алгоритма моделирования (“случайный лес”). Разработаны картографические модели современного фитоценотического разнообразия лесного покрова Московского региона для тематических единиц в ранге формации (11 классов) и группы ассоциаций (31 класс), сопровождаемые подробной легендой. Статистические методы и цифровой формат картографических материалов определяют адаптивность подхода и необходимую актуализацию материалов. Предлагаемая методика картографирования и выполненная оценка типологического разнообразия лесов могут быть использованы для создания пространственной основы мониторинга биоразнообразия лесов Московской области и городских лесов Москвы.
Лесной покров выступает ключевым ресурсом для поддержания устойчивого состояния природной среды, выполняя функции регулирования температуры, очищения воздуха, связывания углерода и поддержания биоразнообразия (Мониторинг биологического разнообразия …, 2008; Abad-Segura et al., 2020). Биоразнообразие, в свою очередь, является одной из экосистемных услуг, обладающих внутренней ценностью (Ghilarov, 2000; Lutz et al., 2001; Reyers et al., 2012). Выявление ценотического разнообразия лесов имеет решающее значение при оценке качества растительного покрова, сохранения ценных природных объектов, организации мониторинга и ландшафтного планирования территории (Рысин, Савельева, 1980). При неоспоримой значимости лесов тем не менее актуальная лесоустроительная информация (на период менее 10 лет) имеется лишь для 15% площади лесов России (Барталев, Стыценко, 2020). Особенно остро эта проблема стоит для территорий крупных мегаполисов, где ресурсная значимость лесной продукции отходит на второй план.
В настоящее время научное сообщество продвинулось далеко вперед в изучении состава насаждений в городской и пригородной среде с применением спутниковых снимков высокого разрешения (Haase et al., 2019; Wang et al., 2019), LiDAR (Light Detection and Ranging) (Haase et al., 2019), аэрофотоснимков (АФС) (Reyers et al., 2012) и цифровых наземных изображений (Jiang et al., 2017). В относительно узкой области совмещения спутниковых и полевых данных арсенал техник и методов многообразен, однако решающее значение на качество выходных данных оказывает не столько сложность и новизна применяемых методов, сколько систематизированный сбор полевой информации, ее проверка, верификация и адекватная подготовка в качестве обучающей выборки для классификации либо моделирования (Gillespie et al., 2008).
Важной проблемой является частота и регулярность расположения пробных площадей, необходимость которых определяется совместной обработкой наземных наблюдений и данных дистанционного зондирования Земли (ДЗЗ). Ограниченная выборка (пространственная и временная) часто не может полностью охватить динамику и пространственную неоднородность лесного покрова (Baines et al., 2020). Для России это является достаточно актуальной проблемой, поскольку размещение пробных площадей осуществляется в основном на нерегулярной основе. Их плотность в пересчете на единицу площади как минимум в 6 раз меньше, чем таковая в рамках системы за рубежом на основе регулярных сетей участков National Forest Inventories (NFI), а пространственное распределение имеет сильные сдвиги к дорожной сети и населенным пунктам либо, напротив, к особо охраняемым природным территориям (ООПТ). При этом известно, что минимальный объем выборки для построения статистических зависимостей – 20 элементов, а оптимальное число, по различным оценкам, варьирует от 50 до 80 (Lisovsky et al., 2020).
Для оценки ценотического разнообразия лесного покрова, помимо качества источников данных, требуется соответствующая их подготовка и использование единых принципов классификации. Большое число региональных классификационных систем, выполненных на различных основаниях, вызывает затруднения как в отнесении описываемых сообществ к синтаксонам определенного ранга, так и при сравнении их между собой в процессе анализа ботанико-географических связей. На это неоднократно указывалось рядом исследователей (Нешатаев, 2001; Черненькова, Морозова, 2017; Плугатарь и др., 2020). Наконец, важным условием является применение единых алгоритмов моделирования, определяемых степенью изученности территории и требуемой детальностью дешифрирования природных объектов.
Большинство отечественных работ по изучению типологического разнообразия и крупномасштабному картографированию лесов осуществлялись методом совмещения полевых исследований с лесотаксационными планами, топографическими картами и аэрофото- и космоснимками (Сирин и др., 2014; Разумовская, 2018; Васильев и др., 2019; Волкова, Храмцов, 2019; Семенищенков, Корсиков, 2020 и др.). Использование автоматизированных подходов на основе ДДЗ и материалов наземных исследований встречается реже (Нешатаев, Нешатаев, 2012; Neshataeva et al., 2012; Рыжкова и др., 2015; Черненькова и др., 2019; Груммо и др., 2019), в том числе для оценки распределения типологических единиц высокого ранга – уровня классов формаций (Ершов и др., 2015; Мелкий и др., 2019).
В Московской области работали известные научные коллективы под руководством таких ученых, как А.А. Алехин, Л.П. Рысин, С.Ф. Курнаев, Н.В. Дылис, Ю.Д. Абатуров, и многие другие, заложившие более полувека назад основы биогеоценотических комплексных исследований на стационарах и биостанциях, а также на ООПТ. В итоге накоплен большой объем геоботанических исследований, разработана карта Растительности Московской области под редакцией Г.Н. Огуреевой (1996). Опираясь на колоссальный опыт отечественных фундаментальных знаний в области типологии, экологии и динамики лесов, современные исследователи осознают необходимость их синтеза и дальнейшего развития с учетом развивающихся технологий.
Несмотря на относительно большой объем оригинальных полевых описаний в Московском регионе, они характеризуются дефицитным и неравномерным распределением. Это обуславливает разный объем типологических единиц и точность их выявления (Kotlov, Chernenkova, 2020). Исключительная сложность организации лесного покрова, представленного сукцессионной мозаикой сообществ с полидоминантным составом древесного яруса или монодоминантными лесами искусственного происхождения, существенно затрудняет типизацию сообществ. В этой связи при выявлении ценотического разнообразия лесного покрова на максимально возможном по детальности пространственном уровне мы старались компенсировать эти проблемы созданием равномерной обучающей выборки, подбором оптимального алгоритма моделирования и совершенствованием методов, ориентированных в первую очередь на статистическую обработку данных.
Целью данного исследования является выявление и картографирование ценотического разнообразия лесного покрова Московского региона с использованием наземных описаний и открытых спутниковых данных. Работа направлена на развитие системы паспортизации лесов, включающей классификацию и картографирование ценотического разнообразия лесного покрова на цифровой основе и обеспечивающей пространственную основу для мониторинга и ландшафтного планирования территории Московской области и городских лесов Москвы.
ОБЪЕКТЫ И МЕТОДИКА
Район исследований
Московский регион расположен в центральной части Восточно-Европейской (Русской) равнины – 35°10′–40°15′ в.д., 54°12′–56°55′ с.ш., занимает площадь 4.58 млн га. Район исследования включает территорию Новой Москвы площадью 0.15 млн га.
Лесной покров исследуемой территории на протяжении нескольких столетий испытывал сильное антропогенное воздействие (вырубка, распашка земель). В первой половине 20 века и особенно активно после Великой Отечественной войны (1941–1945 гг.) произошла значительная смена направления воздействия – активное создание лесных культур (главным образом сосны и ели) на месте бывших пахотных земель, благодаря чему сильно выросла лесистость региона. В 1947 г. все леса Московской области были признаны зеленой зоной, исключающей промышленные рубки. Однако вплоть до конца 20 века в регионе происходило наращивание темпов промышленного развития – строительство и эксплуатация машиностроительных заводов и сопутствующей инфраструктуры, включая предприятия энергетического и нефтеперерабатывающего комплексов (Vergel et al., 2019). Это привело к росту выбросов загрязняющих веществ в атмосферу и гидросферу. В начале 21 века направление воздействия сменилось на постиндустриальное. В связи с развитием финансового сектора экономики начался прирост населения, строительство жилищного фонда, новых автомагистралей (Lurie et al., 2015; Nefedova, Mkrtchan, 2017). Кроме того, зафиксировано ухудшение объема лесохозяйственных мероприятий, направленных на поддержание устойчивости лесных насаждений. Отмечены крупные вспышки инвазий вредителей леса, лесные пожары, в том числе вследствие нарушения природоохранного режима – несанкционированные рубки, свалки бытовых и промышленных отходов (Лесной план …, 2018).
Тем не менее защитный статус лесов (ограничение промышленных рубок и рубок ухода) способствовал определенной сохранности лесов региона с возможностью осуществления естественных биогенных циклов, формирования естественной структуры и сукцессионной динамики. В пределах большинства ООПТ сохранились отдельные участки коренных сообществ. Несмотря на близость к крупнейшему мегаполису Москве и высокую долю лесов искусственного происхождения, лесной покров территории с точки зрения флористического богатства и типологического разнообразия приближается к составу коренных сообществ широколиственно-хвойной зоны (Chernenkova et al., 2020).
Источники дистанционных данных
В качестве источника ДДЗ взяты мультиспектральные данные спутника Sentinel-2A, обладающие высокой периодичностью съемки (1 раз в 5 дней), достаточно высоким пространственным разрешением (до 10 м/пиксель), широкой полосой съемки (290 км) и наличием нескольких инфракрасных каналов и каналов “красный край” (Red Edge). Использовались снимки, выполненные при благоприятных погодных условиях в июне и июле 2021 г. Изображения (в количестве 28) агрегированы до разрешения 60 метров и соединены в бесшовную мозаику. В составе мозаики задействованы 11 спектральных каналов, с использованием которых рассчитан 41 спектральный индекс, включая индексы, оцененные как чувствительные к стрессовому состоянию растительности (Abdullah et al., 2019). Для повышения качества модели использованы данные радарного спутника ALOS Palsar-2 – два слоя согласованной HH и перекрестной HV-поляризации (Shimada et al., 2014). Кроме того, в анализе применяли цифровую модель рельефа SRTM и 10 морфометрических характеристик, рассчитанных на ее основе. В общей сложности получены 63 растровых слоя.
Для снятия автокорреляции использован метод удаления высоко скоррелированных слоев по границе отсечения 0.5. В результате оставлено 7 слоев, которые имели парные корреляции не более 0.5: каналы голубой (2) и красный край (6), индексы NDWI2, BNDWI, GLI, абсолютная высота и согласованная поляризация HH (Таблица 1).
Таблица 1.
Растровые слои пространственных характеристик с парными корреляциями менее 0.5
| № | Характеристики | Описание | Характеристики |
|---|---|---|---|
| 1 | B02 – Blue | Чувствительность к старению растений, каротиноидам, побурению и почвенному фону; атмосферная поправка (аэрозольное рассеяние) | 458–522 нм |
| 2 | B06 – Red Edge | Положение красного края, атмосферная коррекция; извлечение аэрозольной нагрузки | 733–747 нм |
| 3 | NDWI2 | Нормализованный разностный водный индекс. Подчеркивает влажность местообитаний (Shimada et al., 2014) | $\frac{{{\text{Green}} - {\text{NIR}}}}{{{\text{Green}} + {\text{NIR}}}}$ |
| 4 | BNDWI | Нормализованный разностный индекс голубого и инфракрасного каналов. Связь с индексом листовой пластины и объемом сухой биомассы (Abdullah et al., 2019; Hancock, Dougherty, 2007) | $\frac{{{\text{NIR}} - {\text{BLUE}}}}{{{\text{NIR}} + {\text{BLUE}}}}$ |
| 5 | GLI | Зеленый листовой индекс. Характеристики хлорофилла и листовой поверхности на основе каналов видимого спектра (Abdullah et al., 2019; Gobron et al., 2000) | $\frac{{{\text{2}} \times {\text{Green}} - {\text{Red}} - {\text{Blue}}}}{{{\text{2}} \times {\text{Green}} + {\text{Red}} - {\text{Blue}}}}$ |
| 6 | DEM SRTM (высота) | Положение относительно водоразделов и долин водотоков, ледниковые и водноледниковые ландшафты (Puzachenko и др., 2014). | Метры |
| 7 | HH Palsar | Текстурная неоднородность кроновой поверхности, высота древесного яруса, запас биомассы (Shimada и др., 2014) | Условные единицы |
Наземные описания и классификация
Геоботанические описания общим числом 1684 выполнены по стандартной методике в пределах растительных сообществ, однородных по общему флористическому составу, составу доминантов каждого яруса, структуре сообществ и условиям местообитания, на пробных площадях 20 × 20 м с использованием GPS-позиционирования. Оценивали состав и структуру древесного яруса (проективное покрытие крон, среднюю высоту взрослых деревьев и подроста). Выявлялся полный видовой состав кустарникового, травяно-кустарничкового и мохового ярусов с оценкой проективного покрытия (ПП) в процентах.
При классификации описаний использован эколого-фитоценотический подход (Черненькова, Морозова, 2017; Черненькова и др., 2020). Ряд причин объясняет применение данной классификации: 1) хорошее соответствие типологических и картографируемых единиц; 2) соответствие российским единицам лесной типологии, учитывающим базу нормативно-правовых документов и регулирующих вопросы лесопользования, в целом землеустройства и кадастрового учета земель; 3) иерархичность используемых единиц; 4) учет редких типов лесных сообществ, а также вторичных сообществ, что важно с природоохранной точки зрения.
Для формальной проверки классификации применен линейный пошаговый дискриминантный анализ в программе IBM SPSS Statistics 12. В качестве переменных предикторов использованы значения покрытий видов древостоя и сумма покрытий видов, относящихся к определенной эколого-ценотической группе (ЭЦГ). Отнесение видов к ЭЦГ выполнено по модифицированной схеме В.Э. Смирнова с соавторами (2006) c учетом диагностических видов классов растительности в системе Браун-Бланке (Ермаков, 2012; Mucina et al., 1993).
Предварительная подготовка обучающей выборки
С опорой на предыдущий опыт картографирования лесов (Chernenkova et al., 2020; Kotlov, Chernenkova, 2020) выполнена предварительная подготовка обучающей выборки. Как было указано выше, основной проблемой моделирования на региональном уровне является недостаток точек полевых описаний. В нашем исследовании эту проблему решали методом оцифровки выделов по разносезонным высокодетальным изображениям в программе SASPlanet. Оцифровывали выделы, соответствующие определенному типу сообщества ранга группы ассоциаций, границы которых четко читались по различным снимкам и подтверждались полевыми наблюдениями. Средняя площадь выдела составила 1.81 га, общая площадь оцифрованных выделов – 667.4 га. Итоговое среднее число пикселей каждого тематического класса для обучающей выборки – 122.
Построенная модель типов лесных сообществ в ранге группы ассоциаций дополнительно отфильтрована по маске леса Global Forest Watch (Hansen et al., 2013). С этой целью использован слой лесопокрытой площади и отсечены участки с площадью покрытия лесного участка менее 30 м. Кроме того, отсечены участки, на которых выявлены лесопотери различного генезиса. Такая методика рекомендована авторами продукта Global Forest Watch (Hansen et al., 2013). Слои нелесных и непокрытых лесом территорий отфильтрованы соответственно по обратной нелесной маске. Слои сельхозугодий, водных объектов и населенных пунктов подготовлены с использованием данных OpenStreetMap (Haklay, Weber, 2008).
Алгоритм моделирования
Для моделирования пространственной структуры лесного покрова выбран алгоритм машинного обучения случайный лес, являющийся частным случаем метода “деревьев решений” (Grabska et al., 2020). Это разновидность ансамблевого алгоритма, называемого бэггингом (Gislason et al., 2004). Использовано программное обеспечение Orfeo Toolbox (Inglada, Christophe, 2009).
Для подбора оптимальных параметров моделирования и выработки наилучшей модели применен способ калибровки на основе тестовой выборки. От исходного объема описаний в качестве тестовой выборки использовали не участвовавшие в моделировании 30% описаний. Тестовую выборку готовили методом случайного стратифицированного отбора. Эффективность использования тестовых выборок показана для методов моделирования ДДЗ (Lyons et al., 2018), в частности, в случае применения алгоритма случайного леса (Joelsson et al., 2006). Таким образом, выбранный подход калибровки позволил для каждого качественного и количественного показателя лесных сообществ, а также набора ДДЗ выявить и устранить недостатки моделей и подобрать наилучшим образом параметры алгоритмов. Это обеспечило более высокую точность моделирования на основе максимально независимой калибровки. Доля точек тестовой выборки, для которых правильно определена принадлежность к моделируемому типу, называется сходимость типа, общая доля правильно определенных типов – общая сходимость. Общее качество моделирования оценивалось двумя матрицами неточностей для разного уровня детальности пространственных единиц в ранге формаций и групп ассоциаций, алгоритм которого детально изложен в более ранней работе (Kotlov, Chernenkova, 2020). Названия видов сосудистых растений приведены по С.К. Черепанову (1995), мхов – по М.С. Игнатову и Е.А. Игнатовой (2003).
Построение карты
Картографирование ценотического разнообразия растительного покрова — это результат совместного анализа выделенных дешифрируемых классов, полученных на основе характеристик из полевых описаний лесных сообществ и внешних переменных среды. Заключительным этапом является построение карты лесного покрова на основе перевода результатов интерполяции дешифрируемых классов в векторный формат с фильтрацией объектов площадью в один пиксель и оформление легенды.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Классификация и составление легенды к карте лесов Московского региона
При классификации полевых описаний лесных сообществ выделены синтаксономические единицы в ранге группы ассоциаций (табл. 2). Подробная характеристика синтаксонов с точки зрения их состава и структуры, происхождения, а также зависимости типов лесных сообществ от условий экотопа изложена в предыдущей работе (Черненькова и др., 2020). Исследование показало, что лесной покров территории представлен сукцессионной мозаикой с большой долей вторичных мелколиственных лесов и хвойных насаждений искусственного происхождения (Chernenkova et al., 2020). Наличие активно протекающих аллогенных и автогенных сукцессий, сложный полидоминантный состав древесного яруса и сочетаний неморальных и бореальных групп видов в подчиненных ярусах крайне затруднили классификацию лесных сообществ как при первичной обработке описаний, так и по спутниковым изображениям, объективно понижая точность оценки и однозначной интерпретации данных.
Таблица 2.
Легенда к карте лесов Московского региона и относительное качество дискриминантного анализа (ДА), %
| Класс легенды | ДА, % | |
|---|---|---|
| 1 | Хвойные и хвойно-мелколиственные леса Еловые (Picea abies) |
|
| 1. Еловые с березой (Betulapendula, B. pubescens), осиной (Populustremula) и сосной (Pinussylvestris) кустарничковые мелкотравно-зеленомошные (Vacciniummyrtillus, V. vitis-idaea, Oxalisacetosella, Calamagrostisarundinacea, Luzulapilosa, Pleuroziumschreberi, Hylocomiumsplendens) | 62.2 | |
| 2. **) Еловые с березой и осиной мелкотравные (Oxalisacetosella) | 57.5 | |
| 3. **) Еловые с березой, осиной и сосной лещиновые (Corylusavellana) мелкотравно-широкотравные (Oxalisacetosella, Carexpilosa, Galeobdolonluteum) | 58.5 | |
| 4. **) Еловые с березой, осиной, сосной, дубом и липой (Quercusrobur, Tiliacordata) широкотравные (Galeobdolonluteum, Aegopodiumpodagraria, Carexpilosa, Anemonoidesnemorosa, Oxalisacetosella) | 70.9 | |
| 2 | Елово-березово-осиновые | 50.0 |
| 5. **) Елово-березово-осиновые кустарничковые мелкотравно-зеленомошные (Vacciniummyrtillus, Oxalisacetosella, Calamagrostisarundinacea, Orthiliasecunda, Pleuroziumschreberi, Hylocomiumsplendens) | ||
| 6. **) Елово-березовые и елово-осиновые мелкотравные (Oxalisacetosella, Dryopteriscarthusiana, Rubussaxatilis, Plagiomniumaffine) | 36.4 | |
| 7. **) Елово-березовые и елово-осиновые лещиновые мелкотравно-широкотравные (Athyriumfilix-femina, Dryopteriscarthusiana, D. filix-mas, Oxalisacetosella, Rubussaxatilis, Ajugareptans, Convallariamajalis, Galeobdolonluteum, Atrichumundulatum, Hylocomoimsplendens) | 46.9 | |
| 8. **) Елово-березовые с дубом, липой и кленом (Acerplatanoides) лещиновые широкотравные (Aegopodiumpodagraria, Carexpilosa, Pulmonariaobscura, Dryopterisfilix-mas, Galeobdolonluteum, Eurhynchiumangustirete) | 52.0 | |
| 3 | Сосново-еловые | 37.5 |
| 9. **) Сосново-еловые с березой кустарничковые мелкотравно-зеленомошные (Vacciniummyrtillus, Oxalisacetosella, Dryopteriscarthusisna, Pleuroziumschreberi, Hylocomiumsplendens) | ||
| 10. **) Сосново-еловые мелкотравные (Oxalisacetosella) | 62.5 | |
| 11. **) Сосново-еловые лещиновые мелкотравно-широкотравные (Oxalisacetosella, Galeobdolonluteum, Dryopteriscarthusiana) | 43.2 | |
| 12. **) Сосново-еловые c березой, лещиной и жимолостью (Loniceraxylosteum) широкотравные (Athyriumfilix-femina, Galeobdolonluteum, Carexpilosa, Oxalisacetosella) | 57.1 | |
| 4 | Сосновые | 52.2 |
| 13. **) Сосновые с елью и березой кустарничковые мелкотравно-зеленомошные (Vacciniummyrtillus, V. vitis-idaea, Pteridiumaquilinum, Calamagrostisarundinacea, Convallariamajalis, Luzulapilosa, Maianthemumbifolium, Hylocomiumsplendens, Pleuroziumschreberi, Dicranumscoparium) | ||
| 14. **) Сосновые с елью и березой лещиновые мелкотравные и кустарничково-мелкотравные (Oxalis acetosella, Vacciniummyrtillus, Calamagrostisarundinacea) | 47.8 | |
| 15. **) Сосновые с елью и березой, местами с липой и дубом мелкотравно-широкотравные (Oxalisacetosella, Gymnocarpiumdryopteris, Galeobdolonluteum, Dryopteriscarthusiana, Athyriumfilix-femina, Aegopodiumpodagraria) | 25.7 | |
| 16. **) Сосновые с елью, березой, дубом, липой и кленом лещиновые широкотравные (Carexpilosa, Convallariamajalis, Galeobdolonluteum, Ranunculuscassubicus, Oxalisacetosella) | 71.9 | |
| 17. **) Сосновые с елью и березой разнотравные (Calamagrostisarundinacea, Poaangustifolia, Convallariamajalis, Fragariavesca) | 20.0 | |
| 18. Сосновые с березой (Betulapubescens) кустарничковые травяно-сфагновые (Chamaedaphnecalyculata, Ledumpalustre, Vacciniummyrtillus, V. uliginosum, Oxycoccuspalustris, Eriophorumvaginatum, Sphagnumangustifolium, S. magellanicum) | 66.7 | |
| 5 | Широколиственные и широколиственно-еловые леса Дубовые |
86.0 |
| 19. Дубовые с липой, елью и березой лещиновые широкотравные (Aegopodiumpodagraria, Carexpilosa, Galeobdolonluteum) | ||
| 6 | Липовые | 82.1 |
| 20. *) Липовые широкотравные (Carexpilosa, Aegopodiumpodagraria, Mercurialisperennis, Pulmonariaobscura) | ||
| 7 | Дубово-липово-еловые | 55.3 |
| 21. *) Дубово-липово-еловые лещиновые широкотравные (Carexpilosa, Galeobdolonluteum, Aegopodiumpodagraria, Asarumeuropaeum, Pulmonariaobscura, Ranunculuscassubicus, Stellarianemorum) | ||
| 8 | Мелколиственные леса Березовые |
42.9 |
| 22. **) Березовые с елью и осиной мелкотравные (Oxalisacetosella, Pyrolarotundifolia, Luzulapilosa) | ||
| 23. **) Березовые с елью и осиной мелкотравно-широкотравные (Oxalisacetosella, Athyriumfilix-femina, Calamagrostisarundinacea, Rubussaxatilis, Galeobdolonluteum, Aegopodiumpodagraria, Pyrolarotundifolia, Cirriphyllumpiliferum) | 51.7 | |
| 24. **) Березовые с елью, ольхой серой (Alnusincana) местами с дубом и липой лещиновые широкотравные (Aegopodiumpodagraria, Carexpilosa, Galeobdolonluteum, Pulmonariaobscura, Stellarianemorum) | 63.6 | |
| 25. **) Березняки с осиной, ольхой серой, ивой козьей (Salixcaprea), елью влажнотравно-широкотравные (Filipendulaulmaria, Athyriumfilix-femina, Urticadioica, Calamagrostisarundinacea, Impatiensnoli-tangere, Pulmonariaobscura, Geumrivale, Atrichumundulatum) | 41.2 | |
| 26. Березовые с елью и осиной травяно-болотные (Filipendulaulmaria, Calamagrostiscanescens, Phragmites australis, Carexacuta, C. elongata, C. vesicaria, Scirpussylvaticus, Aulacomniumpalustre, Climaciumdendroides) | 61.1 | |
| 27. **) Березовые с елью, осиной и ивой козьей разнотравные (Bromopsisinermis, Calamagrostisarundinacea, С. еpigeios, Fragariavesca, Lysimachianummularia, Veronicachamaedrys, Deschampsiacespitosa) | 73.1 | |
| 28. **) Березовые с елью кустарничковые травяно-сфагновые (Chamaedaphnecalyculata, Vacciniumuliginosum, Eriophorumvaginatum, Carexlasiocarpa, виды р. Sphagnum, Polytrichumcommune) | 70.0 | |
| 9 | Осиновые | 80.0 |
| 29. **) Осиновые с березой, елью, дубом и липой лещиновые широкотравные (Aegopodiumpodagraria, Galeobdolonluteum, Carexpilosa, Mercurialisperennis) | ||
| 30. **) Осиновые с березой, елью, дубом и черемухой (Padusavium) влажнотравно-широкотравные (Athyriumfilix-femina, Crepispaludosa, Filipendulaulmaria, Urticadioica, Pulmonariaobscura, Equisetumpratense, Stellarianemorum, Impatiensnoli-tangere, Atrichumundulatum, Plagiomniumcuspidatum) | 62.5 | |
| 10 | Сероольховые | 96.4 |
| 31. *) Сероольховые (Alnusincana) влажнотравно-широкотравные (Urticadioica, Campanulalatifolia, Filipendulaulmaria, Rubusidaeus, Aegopodiumpodagraria, Chrysospleniumalternifolium, Myosotonaquaticum, Stellarianemorum, Plagiomniumundulatum) | ||
| 11 | Черноольховые | 87.0 |
| 32. Черноольховые (Alnusglutinosa) влажнотравно-широкотравные (Impatiensnoli-tangere, Urticadioica, Miliumeffusum, Parisquadrifolia, Ranunculuscassubicus) | ||
| 33. *) Черноольховые травяно-болотные (Urticadioica, Filipendulaulmaria, Phragmitesaustralis, Carexappropinquata, C. vesicaria, Callapalustris, Humuluslupulus) | 67.7 |
Результаты линейного пошагового дискриминантного анализа показали, что по видовому составу с наилучшим качеством (87.0%) выделяются сероольховые леса (гр. 31). Это объясняется доминированием ольхи серой (Alnus incana) в древостое только в этой группе ассоциаций. С высокой точностью выделяются черноольховые леса (гр. 32) (96.4%) в силу приуроченности черноольховых к влажнотравно-широкотравным сообществам и к гидроморфным условиям в поймах рек и озерных котловин (Морозова и др., 2021). Хорошо дискриминируются также дубовые и липовые широкотравные леса (гр. 19 и 20) – 86.0 и 82.1% соответственно. Осиновые широкотравные сообщества (гр. 29), еловые сообщества (гр. 1 и 4), сосновые (гр. 16, 18) и березняки разнотравные (гр. 27) выделяются с меньшей точностью в диапазоне 62–80%.
Хуже всего (в диапазоне 20–37%) определяются елово-мелколиственные мелкотравные сообщества (гр. 6), сосново-еловые кустарничковые мелкотравно-зеленомошные (гр. 9), сосновые мелкотравно-широкотравные (гр. 15) и сосновые разнотравные (гр. 17). В случае смешанного состава древостоя это объясняется варьированием соотношения доминантов и отнесением отдельных сообществ к близким монодоминантным группам. Например, в случае елово-мелколиственных лесов (гр. 6) большая их часть отнесена к еловым мелкотравным сообществам (гр. 2), а в случае сосново-еловых (гр. 9) – к сосновым кустарничково-мелкотравно-зеленомошным (гр. 13). Сосновые мелкотравно-широкотравные леса (гр. 15) распознаются с невысоким качеством в связи с процессом возобновления в древостое ели, участие которой варьирует в сообществах и различной долей бореальных и неморальных видов в травяно-кустарничковом ярусе. Сосновые разнотравные леса (гр. 17) характеризуются низким уровнем распознавания из-за разнообразия экологических условий и участия представителей различных эколого-ценотических групп на фоне преобладания светолюбивых видов. В целом наблюдается следующая закономерность – при отнесении значительной доли сообществ к иному классу сообществ, классификатор определяет их в группу той же формации или того же состава растительности наземных ярусов. Общая точность классификации полевых описаний по результатам линейного пошагового дискриминантного составила 62.1%. В этой связи близкие по составу соседние группы (гр. 14–15, 22–23), характеризующиеся низким качеством дискриминации и небольшим числом описаний, были объединены. В результате точность модели повышена без существенной утраты информативности карты. В итоге в составе легенды фигурирует 31 группа лесных ассоциаций.
Высшие подразделения легенды – типы растительности (болотная, лесная, луговая, кустарниковая) (табл. 2). Лесная растительность подразделена на классы формаций (хвойные, хвойно-мелколиственные, широколиственные, широколиственно-хвойные и мелколиственные леса). В пределах классов формаций по общности лесообразующей породы деревьев на уровне рода выделены формации (еловые, сосновые, березовые и прочие леса). Основной картографируемой единицей является группа ассоциаций, которая выделена по составу основных доминантов древесного яруса и преобладающим эколого-морфологическим группам наземного покрова. Наименования групп ассоциаций дополнены перечнем основных характерных видов. В легенде нашло отражение сукцессионное состояние лесов. Знаком “**” обозначены производные сообщества; знаком “*” – сообщества разного генезиса, являющиеся в одних случаях коренными, в других – производными вследствие хозяйственного преобразования условий местообитаний.
В целом в легенде выделено 39 категорий. Из нелесных категорий представлены следующие: 32 – мелколиственная поросль, 33 – вырубки, 34 – луга, 35 – открытые заболоченные местообитания, 36 – ивняки, 37 – сельхозугодья, 38 – водные объекты, 39 – населенные пункты.
Результаты моделирования
Моделирование пространственного распределения классов лесного покрова проведено для двух категорий: для формаций и групп ассоциаций (рис. 1). Лесные формации, как более крупные и агрегированные синтаксоны, подтверждаются статистически достаточными и однородными обучающими выборками. Это делает данные лесные образования более надежными для пространственного моделирования. Пространственные единицы в ранге группы ассоциаций более разнородны, они имеют неоднородные обучающие выборки и, следовательно, являются при моделировании более чувствительными к разного рода погрешностям естественными объектами.
Рис. 1.
Картографическая модель разнообразия лесов Московского региона: а – формации, б – фрагмент карты лесов (группы ассоциаций). Обозначение выделенных тематических классов лесной растительности дано в табл. 2.
Моделирование отдельно по формациям и по группам ассоциаций выполняет функцию оценки неопределенности моделей. Отклонения долей лесной площади, полученных по двум различным моделям для типологических единиц на разных пространственных уровнях, незначительны, варьируют по модулям от 0.1 до 7.6% (березовая формация) и составляют в среднем 2.19%. Это является аргументом в пользу того, что аналогичные типологические единицы корректны и устойчиво дешифрируются в рамках обеих моделей сходным наборам спектральных яркостей.
Общая сходимость для пространственных единиц в ранге групп ассоциаций составила 59%. Наименьшая сходимость наблюдается для еловых и елово-мелколиственных сообществ: гр. 7 – 13%; гр. 4 – 18%; гр. 8 – 21%; гр. 3 – 23%; гр. 5 – 30%, а также в сероольховой гр. 31 – 36%. Наибольшая неопределенность наблюдалась при отделении друг от друга еловых, елово-мелколиственных мелкотравных, мелкотравно-широкотравных групп ассоциаций, березовых и осиновых широкотравных и влажнотравно-широкотравных групп ассоциаций. В модели формаций при общей сходимости 67% наименьшая доля правильно определенных типов наблюдалась у елово-мелколиственных и сероольховых формаций. Елово-мелколиственная чаще всего плохо отделялась от еловой, а сероольховая – от еловой, сосново-еловой и сосновой формаций.
Факторы указанных расхождений частично обсуждались ранее (Kotlov, Chernenkova, 2020; Chernenkova et al., 2020) и заключаются в следующем: в ошибках GPS-позиционирования точек, неоднородности спектральных яркостей в силу воздействия атмосферных искажений, недостатке точек полевых описаний и сходных спектральных свойств разных типов сообществ. По мнению авторов, вклад первых трех факторов удалось минимизировать благодаря отрисовке контуров. Однако спектральная близость различных сообществ ранга формаций и особенно групп ассоциаций, скорее всего, не позволит на региональном уровне отделять леса с точностью выше 80%, сходные как по составу древесного, так и травяно-кустарничкового яруса. Особенности верификации выделенных групп от спутниковых данных и показателей рельефа в целом соответствуют закономерностям варьирования точности классификации полевых описаний и объясняются свойствами естественной континуальности состава лесного покрова исследуемого региона.
Можно отметить, что, по сравнению с аналогичными исследованиями в Норвегии (7710 точек) и Эстонии (более 102 тысяч точек), число наших полевых описаний невелико (менее 2000 точек) с учетом 30% отобранных для верификации в качестве тестовой выборки. Однако при таком существенном дефиците полевых данных удалось достичь приемлемого уровня сходимости (0.59 – по группам ассоциаций, 0.67 – по формациям). Данный уровень точности модели сравним с результатами упомянутых исследований: 0.6 – для оценки запасов древостоя в Норвегии (Puliti et al., 2020), 0.75 – для оценки одной из семи преобладающих пород в Эстонии (Lang et al., 2018). При этом очевидно, что в представленном исследовании решалась более сложная задача – моделирование тематических классов, учитывающих не только сложный полидоминантный состав древесного яруса, но и состав травяно-кустарничкового и мохового ярусов, отражающих особенности биотопов, а также характерное сукцессионное состояние лесных сообществ.
ЗАКЛЮЧЕНИЕ
Мониторинг и количественная оценка разнообразия лесного покрова важны для поддержания устойчивого развития природной среды. Данное исследование демонстрирует результаты моделирования ценотического разнообразия лесов на примере Московского региона. Применение количественных методов анализа наземной и дистанционной информации позволило с оптимальной на сегодняшний день детальностью отразить современное состояние и в определенной мере причины неоднородности лесного покрова. Использованный в работе метод дал возможность значительно расширить существующую практику инвентаризации лесных насаждений и впервые создать картографическую цифровую модель лесного покрова Московского региона на детальном типологическом уровне. Разработанные карты лесов в ранге формации и групп ассоциаций отражают современное типологическое разнообразие региона. Предлагаемый алгоритм пространственного моделирования отличается простотой и воспроизводимостью, опирается на открытые ДДЗ и полевые данные. Статистические методы и цифровой формат картографических материалов определяют адаптивность подхода и необходимую актуализацию материалов.
Пополнение данных наземных исследований, безусловно, увеличит общую долю правильно определенных типов сообществ и в целом точность картографической модели. При этом следует учитывать, что любая модель всегда будет носить условный характер, отражая в разной мере фундаментальные свойства растительного покрова – его континуальность и дискретность.
Благодарности. Авторы благодарны М.В. Архиповой, Н.Г. Кадетову, С.Ю. Попову и многим другим коллегам, принимавшим участие в сборе геоботанических описаний, Е.А. Игнатовой – за помощь в определении мохообразных видов. Мы также признательны авторам монографии “Химкинская дубрава: опыт комплексного обследования” (2015) за размещенные там геоботанические описания широколиственных лесов, которые использованы нами в общем анализе данных.
Список литературы
Барталев С.А., Стыценко Ф.В. Космические исследования лесов // Земля и Вселенная. 2020. № 6. С. 5–17.
Васильев О.Д., Огуреева Г.Н., Чистов С.В. Оценка ценотического разнообразия лесного покрова и его динамики в эталонных ландшафтах Московского региона по данным дистанционного зондирования // Вестник Санкт-Петербургского университета. Науки о Земле. 2019. Т. 64. № 2. С. 185–205.
Волкова Е.А., Храмцов В.Н. Опыт оценки динамического состояния растительности на основе крупномасштабной карты современного растительного покрова (на примере территории “Левашовский лес”, Санкт-Петербург) // Геоботаническое картографирование. 2019. № 2019. С. 39–56.
Груммо Д.Г., Зеленкевич Н.А., Цвирко Р.В. Инвентаризации и оценка современного состояния биологического разнообразия национального парка “Беловежская пуща” с помощью дистанционных и геоинформационных методов // Современные направления развития физической географии: научные и образовательные аспекты в целях устойчивого развития: Материалы междунар. науч.-практ. конф., посвящ. 85-летию фак. географии и геоинформатики Белорус. гос. ун-та и 65-летию Белорус. геогр. о-ва, Минск, 13–15 нояб. 2019 г. Минск: БГУ, 2019. С. 353–356.
Ермаков Н.Б. Продромус высших единиц растительности России // Современное состояние основных концепций науки о растительности. Уфа: АН РБ, Гилем, 2012. С. 377–483.
Ершов Д.В., Гаврилюк Е.А., Карпухина Д.А., Ковганко К.А. Новая карта растительности центральной части Европейской России по спутниковым данным высокой детальности. Доклады Академии наук, 2015. Т. 464. № 5. С. 639–641.
Игнатов М.С, Игнатова Е.А. Флора мхов средней части Европейской России. M.: KMK. 2003. Т. 1–2. 960 с.
Карта “Растительность Московской области” м. 1 : 200 000 / Под ред. Огуреевой Г.Н. 1996. М.: “Экор Москва”.
Лесной план Московской области. Правительство Московской области. Комитет лесного хозяйства Московской области. Книга 1. Красногорск, 2018. 83 с.
Маслов А.А., Полякова Г.А., Меланхолин П.Н., Стороженко В.Г., Рубцов В.В., Уткина И.А., Гульбе Я.И., Орлов М.С., Сирин А.А. Химкинская дубрава: опыт комплексного обследования. М.: Товарищество научных изданий КМК, 2015. 178 с.
Мелкий В.А., Верхотуров А.А., Сабиров Р.Н., Братков В.В. Анализ состояния лесных земель на острове Сахалин // Вестник Северо-Восточного федерального университета им. М.К. Аммосова. Серия: Науки о Земле, 2019. № 2 (14). С. 68–73.
Мониторинг биологического разнообразия лесов России. Методология и методы / Под ред. А.С. Исаева. М.: Наука, 2008. 453 с.
Морозова О.В., Беляева Н.Г., Гнеденко А.Е, Суслова Е.Г., Черненькова Т.В. Синтаксономия и экология черноольшаников Московской области // Растительность России. 2021. № 42. С. 42–62.
Нешатаев В.Ю. Проект Всероссийского кодекса фитоценологической номенклатуры // Растительность России. 2001. № 1. С. 62–70.
Нешатаев М.В., Нешатаев В.Ю. Комбинированный метод картографирования растительности (на примере Лапландского заповедника) // Известия Санкт-Петербургской лесотехнической академии. 2012. № 201. С. 29–40.
Плугатарь Ю.В., Ермаков Н.Б., Крестов П.В., Матвеева Н.В., Мартыненко В.Б., Голуб В.Б., Нешатаева В.Ю., Нешатаев В.Ю., Аненхонов О.А., Лавриненко И.А., Лавриненко О.В., Чепинога В.В., Синельникова Н.В., Морозова О.В., Белоновская Е.А., Тишков А.А., Черненькова Т.В., Кривобоков Л.В., Телятников М.Ю., Лапшина Е.Д., Онипченко В.Г., Королева Н.Е., Черосов М.М., Семенищенков Ю.А., Абрамова Л.М., Лысенко Т.М., Полякова М. А. Концепция классификации растительности России как отражение современных задач фитоценологии // Растительность России. 2020. № 38. С. 3–12.
Разумовская А.В. Подходы к составлению обобщенной крупномасштабной карты растительности территории Кенозерского национального парка // Геоботаническое картографирование 2018. С. 40–65.
Рыжкова В.А., Данилова И.В., Корец М.А. Классификация и пространственное моделирование лесного покрова на основе ГИС (принципы и методика) // ИнтерКарто/ИнтерГИС 21: Материалы междунар. конф. Устойчивое развитие территорий: теория ГИС и практический опыт. Краснодар, Сочи, Сува (Фиджи), 12–19 ноября 2015 г. Краснодар. С. 82–89.
Рысин Л.П., Савельева Л.И. Эталонные леса, их значение и критерии выбора // Ботанический журнал. 1980. Т. 65. № 1. С. 133–140.
Семенищенков Ю.А., Корсиков Р.С. Сравнительный анализ двух подходов к крупномасштабному картографированию лесной растительности в Южном Нечерноземье России // Геоботаническое картографирование. 2020. С. 3–23.
Сирин А.А., Маслов А.А., Валяева Н.А., Цыганова О.П., Глухова Т.В. Картографирование торфяных болот Московской области по данным космической съемки высокого разрешения // Лесоведение. 2014. № 5. С. 65–71.
Смирнов В.Э., Ханина Л.Г., Бобровский М.В. Обоснование системы эколого- ценотических групп видов растений лесной зоны Европейской России на основе экологических шкал, геоботанических описаний и статистического анализа // Бюллетень МОИП. Сер. Биологическая. 2006. Т. 111. № 2. С. 36–47.
Черепанов С.К. Сосудистые растения России и сопредельных государств. СПб.: Мир и семья, 1995. 992 с.
Черненькова Т.В., Пузаченко М.Ю., Беляева Н.Г., Котлов И.П., Морозова О.В. Характеристика и перспективы сохранения сосновых лесов Московской области // Лесоведение. 2019. № 5. С. 449–464.
Черненькова Т.В., Морозова О.В. Классификация и картографирование ценотического разнообразия лесов // Лесоведение. 2017. № 4. С. 243–255.
Черненькова Т.В., Суслова Е.Г., Морозова О.В. и др. Биоразнообразие лесов Московского региона // Экосистемы: экология и динамика. 2020. Т. 4, № 3. С. 61–144.
Abad-Segura E., Batlles de la Fuente A., González-Zamar M.-D., Belmonte-Ureña L.Je. Effects of Circular Economy Policies on the Environment and Sustainable Growth: Worldwide Research // Sustainability. 2020. T. 12. № 14. P. 5792.
Abdullah H., Skidmore A., Darvishzadeh R., Heurich M. Sentinel-2 accurately maps green-attack stage of European spruce bark beetle (Ips typographus, L.) compared with Landsat-8 // Remote sensing in ecology and conservation. 2019. T. 5. № 1. P. 87–106.
Baines O., Wilkes P., Disney M. Quantifying urban forest structure with open-access remote sensing data sets // Urban Forestry & Urban Greening. 2020. V. 50. № 126653.
Chernenkova T., Kotlov I., Belyaeva N., Suslova E., Morozova O., Pesterova O., Arkhipova M. Role of Silviculture in the Formation of Norway Spruce Forests along the Southern Edge of Their Range in the Central Russian Plain // Forests. 2020. V. 11. P. 778. [Электронный ресурс https:// www.mdpi.com/1999-4907/11/7/778/pdf (дата обращения 14.03.2022)].
Ghilarov A.M. Ecosystem functioning and intrinsic value of biodiversity // Oikos. 2000. V. 90. № 2. P. 408–412.
Gillespie T., Foody G. M., Rocchini D., Giorgi A. P., Saatchi S. Measuring and modeling biodiversity from space // Progress in Physical Geography. 2008. V. 32. P. 203–221.
Gislason P.O., Benediktsson J.A., Sveinsson J.R. Random forest classification of multisource remote sensing and geographic data. IEEE, 2004. P. 1049–1052.
Gobron N., Pinty B., Verstraete M., Widlowski J. Advanced vegetation indices optimized for up-coming sensors: Design, performance, and applications // IEEE Transactions on Geoscience and Remote Sensing. 2000. V. 38. № 6. P. 2489–2505.
Grabska E., Frantz D., Ostapowicz K. Evaluation of machine learning algorithms for forest stand species mapping using Sentinel-2 imagery and environmental data in the Polish Carpathians // Remote Sensing of Environment. 2020. V. 251. P. 112103.
Haase D., Jänicke C., Wellmann T. Front and back yard green analysis with subpixel vegetation fractions from earth observation data in a city // Landscape and Urban Planning. 2019. V. 182. P. 44–54.
Haklay M., Weber P. Openstreetmap: User-generated street maps // IEEE Pervasive Computing. 2008. V. 7. № 4. P. 12–18.
Hancock D.W., Dougherty C.T. Relationships between blue- and red-based vegetation indices and leaf area and yield of alfalfa // Crop Science. 2007. V. 47. № 6. P. 2547–2556.
Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A. et al. High-resolution global maps of 21st-century forest cover change // Science. 2013. V. 342. № 6160. P. 850–853.
Inglada J., Christophe E. The Orfeo Toolbox remote sensing image processing software // IEEE International Geoscience and Remote Sensing Symposium. 2009. P. IV-733- IV–736.
Jiang B., Brian D., HaoZhi P., Linda L. et al. Remotely-sensed imagery vs. eye-level photography: Evaluating associations among measurements of tree cover density // Landscape and Urban Planning. 2017. V. 157. P. 270–281.
Joelsson S.R., Benediktsson J.A., Sveinsson J.R. Random forest classification of remote sensing data // Signal and Image Processing for Remote Sensing. 2006. Vol. 978. P. 344–361.
Kotlov I.P., Chernenkova T.V. Modeling of forest communities spatial structure at the regional level through remote sensing and field sampling: constraints and solutions // Forests. 2020. V 11. № 10. P. 1088.
Lang M., Kaha M., Laarmann D., Sims A. Construction of tree species composition map of Estonia using multispectral satellite images, soil map and a random forest algorithm // Forestry Studies. 2018. V. 68. № 1. P. 5–24.
Lisovsky A., Dudov S., Obolenskaya E. Advantages and limitations of application of the species distribution modeling methods. 1. A general approach // Biology Bulletin Reviews. 2020. T. 81. № 2. P. 123–134.
Lurie I.K., Baldina E.A., Prasolova A.I., Prokhorova E.A., Semin V.N., Chistov S.V. A series of maps of the environmental-geographical assessment of land resources of the New Moscow territory // Vestnik Moskovskogo universiteta. 2015. P. 50–59.
Lutz W., Sanderson W., Scherbov S. The end of world population growth // Nature. 2001. V. 412. № 6846. P. 543–545.
Lyons M.B. Keith D.A., Phinn S. et al. A comparison of resampling methods for remote sensing classification and accuracy assessment // Remote Sensing of Environment. 2018. V. 208. P. 145–153.
Mucina L., Grabherr G., Wallnöfer S., Geisselbercht L., Grass V., Gutermann W., Justin Ch., Wirth J.M. Die Pflanzengesellschaften Österrreichs. Teil III. Wälder und Gebüsche. Jena, 1993. 356 p.
Nefedova T.G., Mkrtchan N.V. Migration of rural population and dynamics of agricultural employment in the regions of Russia // Vestnik Moskovskogo universiteta. 2017. P. 58–67.
Neshataeva V.Y., Pesterov A., Golubev S. Boreal Vegetation of the Kamchatka Peninsula and Adjacent Areas and its Geobotanical Mapping // Global Research Initiative in Alpine Environments (GLORIA). 2012. P. 35.
Puliti S., Hauglin M., Breidenbach J. et al. Modelling above-ground biomass stock over Norway using national forest inventory data with ArcticDEM and Sentinel-2 data // Remote Sensing of Environment. 2020. V. 236. № 111501.
Puzachenko Yu.G., Sandlerskiy R., Krenke A., Puzachenko M.Yu. Multispectral remote information in forest research // Contemporary Problems of Ecology. 2014. V. 7. № 7. P. 838–854.
Reyers B., Polasky S., Tallis H. et al. Finding Common Ground for Biodiversity and Ecosystem Services // BioScience. 2012. V. 62. № 5. P. 503–507.
Shimada M., Itoh T., Motooka T., Watanabe M., Tomohiro S., Thapa R., Lucas R. New global forest/non-forest maps from ALOS PALSAR data (2007–2010) // Remote Sensing of Environment. 2014. V. 155. P. 13–31.
Vergel K., Zinicovscaia I., Yushin N., Frontasyeva M.V. Heavy Metal Atmospheric Deposition Study in Moscow Region, Russia // Bulletin of Environmental Contamination and Toxicology 2019. V. 103. P. 435–440.
Wang K., Wang T., Liu X. A Review: Individual Tree Species Classification Using Integrated Airborne LiDAR and Optical Imagery with a Focus on the Urban Environment // Forests. 2019. V. 10. № 1.
Дополнительные материалы отсутствуют.
Пн.-пт.: 10.00-19.00