CC BY
126
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
принятия адекватных управляющих решений. Последнее особенно актуально для городских особо охраняемых природных территорий, назначение которых многофункционально: природоохранные функции, поддержание экологического средостабилизирующего баланса в городских условиях, рекреационное использование и экологическое просвещение населения.
Библиографический список
1. Беднова, О.В. Мониторинг биоразнообразия лесных и урбоэкосистем / О.В. Беднова // Мониторинг состояния лесных и городских экосистем: под ред. В.С Шалаева, Е..Г. Мозолевской.- М.: МГУЛ, 2004. - С. 39-51.
2. Беднова, О.В. Структурное разнообразие лесных биогеоценозов как параметр лесоэкологического мониторинга на городских особо охраняемых территориях / О.В.Беднова // Вестник МГУЛ - Лесной вестник. - 2009.- № 5 (68).- С. 182-191.
3. Беднова, О.В. Экологические индикаторы устойчивого развития мегаполиса / О.В. Беднова, В.А.Кузнецов // Лесной вестник. - 2010.- № 7 (75).- С. 20-24.
4. Критерии и методы формирования экологической сети природных территорий. Вып. 1.-2-е изд.- М.: Центр охраны дикой природы СоЭС, 1999.- 48 с.
5. Кузнецов, В.А. Разработка способов интегральной оценки влияния городов на состояние окружающей среды и технических решений по минимизации приоритетных факторов химического воздействия / В.А.Кузнецов: автореф. дис. ... д-ра техн. наук- М.: РХТУ им. Д.И. Менделеева.- 34 с.
6. Дилигенский, Н.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология / Н.В Дилигенский, Л.Г. Дымова, П.В. Севастьянов.- М.: «Издательство Машиностроение - 1», 2004. - 397 с.
7. Ахназарова, С.Л. Методы оптимизации эксперимента в химической технологии / С.Л. Ахназарова, В.В.Кафаров.- М.: Высшая школа, 1985.- 327 с.
8. Ахназарова, С.Л.. Использование функции желательности Харрингтона при решении оптимизационных задач химической технологии. Учебно-методическое пособие /С.Л Ахназарова, Л.С. Гордеев.- М.: РХТУ им. Д.С. Менделеева.- 2003.76 с.
9. Воробейчик, Е.Л. Экологическое нормирование техногенных загрязнений наземных экосистем / Е.Л. Воробейчик, О.Ф Садыков, М.Г. Фарафонтов.
- Екатеринбург: УиФ Наука, 1994. - 280 с.
10. Вторжение в природную среду. Оценка воздействия. М.: Прогресс, 1983.- 191 с.
11. Булгаков, Н.Г. Экологический мониторинг. Часть 5. Учебное пособие / Н.Г. Булгаков., А.П. Левич, В.Н. Максимов / Под ред. проф. Д.Б.Гелашвили.
- Нижний Новгород: Изд-во Нижегородского унта, 2003. - С. 93-259.
12. http://www.mosecom.ru
13. Беднова, О.В. Троекуровский лес: каким ему быть?/ О.В. Беднова // Мониторинг состояния природно-культурных комплексов лесопарковых территорий. Сб. докл. научно-практ. конф. - М.: ГУ «Природно-историче ский заповедник-спецле схоз «Горки», 2009.- С. 76-80.
14. Harrington E.C. Desirability function and its application /E.C. Harrington // Industrial Quality Control. - 1965.-V 21 - № 10. - P.49.
ПРИМЕНЕНИЕ МЕТОДОВ ДИСТАНЦИОННОГО МОНИТОРИНГА
в оптическом и свч диапазонах на этапах моделирования лесных экосистем
В.Д. БУРКОВ, проф. каф. ИИС и ТПМГУЛ, д-р техн. наук, М.В. ЧЕРЕМИСИН, асп. каф. ИИс и ТП МГУЛ,
В.С. ШАЛАЕВ, проф. МГУЛ, д-р техн. наук
дистанционные методы оптического и СВч мониторинга лесных экосистем
Спутниковое зондирование лесных экосистем в оптическом диапазоне в настоящее время является основным дистанционным методом при определении главных характе-
ристик лесов. Этот диапазон начал использоваться первым в ДЗЗ, и к настоящему времени наработаны технологии его использования для различных целей. В оптическом диапазоне можно получить наилучшее пространственное разрешение, изображения в видимом спектре более привычны для людей по восприятию.
ЛЕСНОЙ ВЕСТНИК 7/2011
41
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Таблица 1
Основные задачи дистанционного мониторинга лесных экосистем
Задачи мониторинга Объекты и процессы наблюдения Оцениваемые характеристики
Картографирование и оценка структуры лесов Растительный покров Водно-болотные комплексы Не покрытые растительностью земли Жизненные формы растительности Тип вегетативных органов Фенологический тип растительности Видовой состав растительности Возрастная структура лесов
Оценка биофизических характеристик лесов Лесной покров Надземная биомасса Индекс листовой поверхности (LAI) Объем первичной продукции (NPP) Доля поглощенной ФАР (fPAR) Концентрация хлорофилла 3D структура лесного покрова
Оценка возмущающих воздействий на леса Лесные пожары Вырубки лесов Факторы биотического воздействия Факторы техногенного воздействия Восстановительная динамика лесов Тип фактора воздействия Площадь повреждений Степень повреждений Время события Скорость восстановления растительности
Оценка фенологической динамики лесов Фенологическая динамика лесных экосистем Продолжительность залегания снега Продолжительность вегетационного сезона Сроки наступления фенологических фаз
Оценка многолетних трендов состояния лесов Границы биомов и зоны перехода Структура лесного покрова Биофизические характеристики Режимы землепользования Возмущающие воздействия на леса Фенологические ритмы Наличие трендовой динамики Направление трендовой динамики Скорость трендовой динамики
Оценка физических характеристик поверхности Все типы наземных экосистем Альбедо Температура Влагосодержание
По пространственному разрешению снимки бывают:
- низкого пространственного разрешения (-1 км);
- среднего пространственного разрешения (250-500 м);
- высокого пространственного разрешения (20-50м);
- детального пространственного разрешения (1-5 м).
Для решения задач мониторинга лесов используются в основном комбинации снимков низкого, среднего и высокого разрешения. Для задач картографирования возможно использование снимков низкого пространственного разрешения, в основном, в масштабах регионального уровня. Для локальных масштабов мониторинга лесов точные результаты дают снимки высокого пространственного разрешения. Ограниченная доступность ука-
занных данных для покрытия больших территорий и пространственная изменчивость лесного покрова делает затруднительной экстраполяцию получаемых данных высокого разрешения на региональные масштабы.
Характеристики лесных экосистем получают из космических оптических изображений в результате специализированной обработки дистанционных данных, с учетом априорной информации об исследуемых объектах. Простейшими характеристиками являются тип растительности и занимаемая площадь. Эти признаки могут быть получены в оптическом диапазоне с достаточно высокой точностью. При этом используются различия в спектрах отражения, характерных для различных типов земных покровов и растительности.
Основные направления мониторинга лесных экосистем по данным космической
42
ЛЕСНОЙ ВЕСТНИК 7/2011
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Таблица 2
Особенности радиолокационной космической съемки
Тип съемки Основные преимущества Основные недостатки Характерные черты Основное назначение
Радиолокационная с синтезированной апертурой Возможность осуществления съемки земной поверхности при наличии облачности, низкой освещенности и в ночное время Высокое энергопотребление съемочной аппаратуры, значительные массы и размеры антенн В зависимости от режима съемки: высокое пространственное разрешение (1-3 м) при узкой полосе съемки; среднее пространственное разрешение (10-30 м) при широкой полосе съемки. Регистрация амплитуды и фазы отраженного сигнала позволяет проводить интерферометрическую обработку Обнаружение, распознавание и определение границ объектов (например лесов, с/х полей, дорог, поселений). Внутривидовая классификация (например, определение видового состава леса, типов с/х культур). Высокоточное определение относительных и абсолютных высот местности, а также смещений земной поверхности по данным интерферометрической обработки, влажности почв
съемки в оптическом диапазоне и оцениваемые характеристики приведены в табл. 1 [2].
В настоящее время широкое развитие приобретает мониторинг лесов с помощью радиолокационной съемки из космоса при использовании радиолокаторов с синтезированной апертурой (РСА). Особенности радиолокационной космической съемки представлены в табл. 2.
Радиолокационное зондирование на сегодняшний день может решать задачи по получению ряда ценных биофизических данных лесных экосистем.
По радиолокационным данным могут быть оценены следующие биофизические параметры:
- плотность древостоя;
- влагосодержание;
- листовой индекс;
- диаметр стволов;
- высота леса;
- плотность растительности;
- запас древесины;
- преобладающая ориентация отражателей (листьев, ветвей, стволов).
Обратно рассеянный от леса радиолокационный сигнал существенно зависит от диэлектрических свойств растительной среды и подстилающей почвы, геометрии растительного слоя и шероховатости почвенного покрова, влажности почвы и наличия на ее поверхности воды или снега.
Эффективность применения радиолокации увеличивается при одновременной съемке поверхности другими системами зондирования (например оптическими) и при использовании данных наземных измерений.
Основным количественным параметром при анализе радиолокационных изображений является удельная эффективная поверхность рассеяния (УЭПР) каждого элемента изображения, обозначаемая символом о°. Анализ данных существенно расширяется при совместной обработке снимков, снятых в разные дни (разновременные наблюдения) и/или на разных частотах (многочастотные наблюдения). Разновременные наблюдения, сделанные с близких в пространстве траекторий носителя, позволяют также проводить интерферометрическую обработку пар изображений. Полной характеристикой зондируемого объекта является его матрица рассеяния, содержащая сведения об амплитуде и фазе рассеянного сигнала для разных сочетаний поляризации на излучении и приеме. Поляризационные измерения позволяют провести более точную классификацию типов подстилающей поверхности, а поляриметрическая интерферометрия дает информацию о структуре и свойствах кроны. Каждый из этих способов успешно используется для оценки состояния лесной растительности. Радиолокационные данные лесных территорий получают в Х- , С- и L-диапазонах длин волн [6].
ЛЕСНОЙ ВЕСТНИК 7/2011
43
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Популярность в мониторинге земной поверхности сегодня получает метод радиолокационной интерферометрии - обработки пар изображений, снятых с близких траекторий носителей. Метод позволяет получать цифровые модели рельефа, оценивать величины смещения перемещений участков земной поверхности. В случае исследования лесных сообществ наиболее продуктивна поляриметрическая интерферометрия [8], она позволяет получить информацию о высотной структуре леса. Разнообразные модели рассеяния, используемые для интерпретации данных поляриметрической интерферометрии, позволяют разделить вклады в интерферометрическую фазу объемного и поверхностного рассеяния, оценить такие параметры растительности, как высота и плотность растительной массы. Для извлечения параметра высоты растительности из полнополяриметрических данных используют базис Паули, стандартный HV-базис. Высота лесных массивов, тем или иным способом полученная из данных поляриметрической интерферометрии, является необходимым параметром для оценки биомассы [13]. Однако для этого метода оценки биомассы необходимы не только данные дистанционного зондирования, но и наземная информация: видовой состав деревьев, их средний возраст. Оценки биомассы растительности, приходящейся на единицу площади с использованием данных оптического диапазона, затруднены из-за эффекта насыщения зависимости отраженного сигнала от величины биомассы при низких уровнях биомассы. В радиодиапазоне насыщение указанной зависимости достигается при значительно больших значениях биомассы [6]. По измерениям в С-диапазоне можно определять биомассу растительности до 10 т/га, а в L-диапазоне - до 100 т/га. Данные этих измерений позволят определить биомассу лугов и посевов, а также молодых лесов и кустарников. Наиболее пригоден для определения биомассы лесов Р-диапазон, так как рассеянная в этом диапазоне мощность определяется густотой стволов и больших ветвей. При измерении на горизонтальной по-
ляризации в Р-диапазоне можно определять биомассу до 500 т/га и выше [11].
Мониторинг последствий лесных пожаров возможен при помощи оценки динамики значений УЭПР, а также интерферометрической когерентности[7, 14].
Данные L-диапазона являются оптимальными для исследования лесов. Более короткие волны почти полностью отражаются от кроны и с меньшей вероятностью достигают земли, а для более длинных, наоборот, крона является почти прозрачной, и сигнал является источником информации только о поверхности, на которой растет лес [6]. Одним из основных параметров при мониторинге растительности является ее высота. Существует область частот, оптимальная при извлечении этого параметра для конкретных видов растений. Так, для кукурузы высота определяется с точностью до 10 % в полосе частот 2-5 ГГц (реальная высота - 1,8 м), а для молодой сосны той же высоты диапазон допустимых частот меньше: 1,8—2,8 ГГц. При выборе частоты следует учитывать тот факт, что чем ниже частота, тем меньше коэффициент поглощения и тем легче его учет в модели прямой и обратной задачи. Так, для P-диапазона коэффициент поглощения составляет 0,05 дБ/м, для L-диапазона - 0,1 дБ/м, для C-диапазона - 0,5 дБ/м [9,10].
Результаты многочисленных применений методов оптического и СВЧ мониторинга лесов доказывают эффективность именно комплексного подхода для решения задач по оценке важнейших биофизических параметров.
Особенности моделирования процессов лесного биогеоценоза на основе методов ДЗЗ
Результаты дистанционной оценки биофизических и физических характеристик лесов могут использоваться в качестве входных параметров при моделировании процессов лесного биогеоценоза. Эти оценки, в свою очередь, являются продуктами моделирования прямых (прохождение ЭМВ от Солнца сквозь атмосферу и лесной полог) и обратных задач (оценка параметров леса по отраженным от поверхности ЭМВ).
44
ЛЕСНОЙ ВЕСТНИК 7/2011
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Рис. 1. Область исследования ДЗЗ из космоса
К основным лимитирующим факторам, подверженным дистанционному мониторингу и определяющим пространственную структуру древесного полога, можно отнести особенность светового режима леса. Световой режим характеризуется ФАР (фотосинтетически активной радиацией). В вопросах дистанционного мониторинга в зарубежных публикациях применяется три варианта названия параметра FiPAR/FaPAR/FPAR (fraction of intercepted/absorbed PAR, доля перехваченной/ поглощенной пологом фотосинтетически активной радиации). Все три названия отражают один параметр, для определенности чаще других используется аббревиатуру FPAR.
Наземные измерения ФАР проводят с помощью приборов, представляющих собой фотоэлектрический приемник со светофильтрами, способными ограничивать область поглощения света до интервала действия ФАР (селеновые фотоэлементы, висмуто-цезиевые с корректирующим светофильтром и др.). Распределение интенсивности ФАР под пологом в отдельных участках спектра измеряется статистическим анализатором радиационного поля, соединенным со спектрофотометром [4]. К современным приборам измерения можно отнести производства Decagon Devices (США) прибор LP-80.
Из коротковолнового излучения Солнца только 44-48 % относится к ФАР - свет по длине волны, пригодный для фотосинтеза, то есть примерно половину солнечного потока [3]. Эффективность использования ФАР различна для конкретных видов растений, условий их произрастания и стадий развития. В растительном пологе формируется внутренний радиационный режим, который вызван архитектурой растительного покрова (распределение листьев разного размера, углы наклона на разных уровнях фитоценозов и др.). Рассеянная внутри растительного покрова радиация имеет такое же фотосинтетическое значение, как и поступающая на поверхность растительного покрова прямая и рассеянная [1]. В целом по земному шару усвоение растениями солнечной энергии не превышает 0,1 %. Ограничения вызваны множеством факторов, среди них таких, как недостаток тепла и влаги, неблагоприятные физические и химические свойства почвы и т.д. Средний коэффициент использования энергии ФАР для территории России равен 0,8 %, на европейской части страны составляет 1,0—1,2 %, а в восточных районах, где условия увлажнения менее благоприятны, не превышает 0,4—0,8 % [3].
Современные методы спутникового мониторинга лесов подробно представлены в ис-
ЛЕСНОЙ ВЕСТНИК 7/2011
45
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
следованиях группы ученых NASA (Knyazikhin, Y, Myneni, R.B, Schull, M.A, Xu, L.A, Shabanov, N.V и др.), результатами работы которых стал проект мониторинга приборами MODIS и AVHRR с получением готовых продуктов биофизических параметров. Пользователям предоставляются готовые оценки параметров LAI (Leaf area index, индекс листовой поверхности), FPAR в километровом пространственном разрешении на местности. Проект в общем случае основан на моделировании пространственно неоднородного поля солнечной радиации в растительном покрове, которое сведено к решению интегродифференциального уравнения переноса численными методами Монте-Карло, дискретных ординат или итерационными методами [5]. Всего на настоящий момент предлагается 44 вида производных изображений, которые разделены на четыре тематических группы для исследования суши, атмосферы и океана.
В отличие от традиционно применяемого вегетационного индекса NDVI для расчета LAI/FPAR используется большее количество спектральных зон съемки (до 7 каналов-648 нм, 858 нм, 470 нм, 555 нм, 1240 нм, 2130 нм) и атмосферно скорректированный фактор двунаправленного отражения, учитывается карта типов покрова поверхности Земли и дополнительная наземная информация. Радиометры NOAA-AVHRR Terra/Aqua-MODIS проводят мониторинг поверхности в NIR, SWIR и TIR частях ИК области спектра. MODIS имеет 36 спектральных каналов с 12битным радиометрическим разрешением в видимом, ближнем, среднем и тепловом инфракрасном диапазонах. Оценка LAI и FPAR осуществляется для 6 биомов, на которые разделены все варианты земной поверхности. Восстановление параметров выполняется на основе следующих трех методов:
1. Главного алгоритма (моделирование прямых и обратных задач с использованием продуктов MODIS предшествующих коллекций и теории переноса излучения).
2. Резервного алгоритма (эмпирические модели связи искомых параметров с вегетационным индексом NDVI).
3. Нейросетевые методы [15]. Применение подходов ученых Бостонского универ-
ситета в локальных задачах экологии растений и биологии встречается довольно редко в отличие от решения климатологических задач учета углеродного баланса обширных территорий.
На сегодня большая часть подходов моделирования параметров индекса листовой поверхности и доли поглощенной ФАР сводятся к теории переноса излучения. Неоднородный растительный полог описывается трехмерной функцией распределения поверхности листвы f Значение этого параметра в точке пространства зависит от распределения ветвей и ствола, топографии растения, дисперсии листвы, размеров листьев и кроны, степени слипания листьев в кроне и др. В упрощенном виде параметр LAI описывается
LAI = (1/XY)\fL(s)ds, (1)
где V - область, в которой находится растительный купол;
X, Y - горизонтальные размеры области
V;
s - элементарные проекции.
Если растительный купол состоит из N отдельных деревьев, LAI выражается
lai=z z m тН ul=z N=i mkLAik, (2)
'-Jk
где Gk - площадь проекции поверхности листвы (кроны) k-го растения или дерева на землю;
mk = GJX Y и LAIk - индекс листовой поверхности индивидуального растения или дерева.
Таким образом, значение LAI можно представить
LAI = p LAI0, (3)
Р = z
Nc
k=1 mk ,
(4)
где p - коэффициент, характеризующий конкретный тип земного покрытия, био-ма.
Число биомов может быть равном 6 (как в проекте MODIS), может быть увеличено с учетом биоразнообразия региона до 8-10. Среднее значение индекса листовой поверхности одиночного дерева или растения выражается
LAIo = р Z N=i mt LAI,. (5)
46
ЛЕСНОЙ ВЕСТНИК 7/2011
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Оценка параметра FPAR на основе теории переноса излучения в обобщенном виде может быть описана согласно выражению
FPAR(биома) = Г C (X,W )d X = Q (биом,
J400hm чп
LAI, W)+ ^подлее. (биом, LAI, W), (6)
где C - доля поглощенного излучения на интервале длин волн от 400-700 нм в направлении;
W- доля однонаправленных солнечных лучей, падающих на границы вершины купола;
йчп - функция поглощения излучения внутри полога для черной поверхности земли, зависит от типа биома, индекса листовой поверхности биома и направления солнечных лучей;
йподлес - функция, описывающая дополнительное поглощение внутри полога, вызванное взаимодействием излучения с поверхностью земли (почвой, подлеском) и самим пологом. Динамика процессов лесных биогеоценозов более корректно и емко представлена в сложных экологических моделях (например модели динамики многовидовых разновозрастных насаждений), которые, в свою очередь, состоят из самостоятельных подмоделей низкого уровня (модель «Естественного развития», «Экзогенных воздействий» и др.) [5]. Большинство экологических моделей используют более упрощенные подмодели учета светового режима растительности, восстановления индекса листовой поверхности и ряда других параметров в отличие от методов их оценок в задачах ДЗЗ. Результаты восстановления параметров леса в методах ДЗЗ уже первоначально являются промежуточными и часто используются как входные данные в более сложных экологических и климатических моделях. Из публикаций можно констатировать, что исследования с применением дистанционно определяемых параметров леса в многофакторных экологических моделях динамики лесного биогеоценоза немногочисленны. В основном это связано с низким пространственным разрешением готовых продуктов биофизических параметров лесов или трудоемкостью их восстановления. Однако
планомерное улучшение качества, разрешающей способности в пространстве (до 250 м в перспективной коллекции № 5 продуктов MODIS), многочисленные исследования по валидации данных позволяют использовать их, после рассмотрения вопросов адаптации, в качестве входных параметров более сложных экологических моделей.
Корректные исследования лесных экосистем проводятся на эталонных участках с известной лесотаксационной метрологией. На рис. 2-5 отображены продукты прибора MODIS LAI и FPAR восточного участка При-окско-террасного заповедника, территория которого определена визуально на основе снимков геопортала Google, снимок сделан в конце мая 2011 г. На сегодня доступными являются продукты прибора MODIS лишь низкого пространственного разрешения (1 км), которые в мировой практике в основном используются при решении климатических задач с учетом обширных площадей лесов и других биомов (рис. 2-5). Известны исследования по получению данных на основе других спутниковых приборов (SPOT-VEGETATION, MISR, POLDER и др.), некоторые имеют показатели более высокого пространственного разрешения (250 м), однако возможности свободного использования этих материалов затруднительны.
Статистика распределения значений параметров LAI, FPAR отражена на гистограммах 4, 5 соответственно и в табл. 3.
Обработка статистических данных с учетом лесотаксационных показателей дает возможность оценить динамику изменения биофизических параметров во времени, вклад преобладающих древесных пород в их величину и ряд других немаловажных особенностей. В ходе дальнейших исследований предполагается выполнение статистического
Т а б л и ц а 3
Статистика распределения значений параметров LAI, FPAR
Пара- метр Min значение Max значение Среднее Диспер- сия
LAI 0,025 6,6 2,518 2,21
FPAR 0,003 0,95 0,511 0,413
ЛЕСНОЙ ВЕСТНИК 7/2011
47
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Рис. 2. Пространственное распределение параметра LAI участка Приокско-террасного заповедника Московской области по данным MODIS
Рис. 3. Пространственное распределение параметра FPAR участка Приокско-террасного заповедника Московской области по данным MODIS
0.9
0.8
0.7
0.6
0.5
0.4
анализа годового изменения параметров LAI/ FPAR с выявлением корреляционных зависимостей с климатическими данными.
Результаты экологического моделирования в основном проверяются натурными измерениями. Они первоначально требуют высокого пространственного разрешения распределенных в пространстве входных параметров и учет их неоднородности по ярус-ности древесного полога (касательно параметров светового режима). На сегодняшний день эти требования трудновыполнимы при использовании лишь спутниковых методов оценки. Встает объективная задача по поиску вариантов адаптации существующих методов
оценки параметров леса под решение сложных климатических и экологических задач, представленных многофакторными моделями более высокого уровня.
Учитывая основные подходы алгоритма имитационного моделирования многовидовых разновозрастных лесных насаждений, описанных в [5], можно предположить возможность применения методов обработки данных ДЗ лесов для восстановления входных параметров модели. Первоначально в модели задаются эмпирические видоспецифичные функции онтогенетического состояния (прирост в высоту за шаг моделирования или временной интервал, изменение площади
48
ЛЕСНОЙ ВЕСТНИК 7/2011
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Рис. 4. Гистограммы распределения значений параметра LAI по количеству пикселей на участке. Ось Х-значение параметра, ось Y-число пикселей с соответствующим значением
Рис. 5. Г истограммы распределения значений параметра FPAR по количеству пикселей на участке. Ось Х - значение параметра, ось Y - число пикселей с соответствующим значением
кроны, коэффициент прозрачности кроны и др. возрастные и габитусные (внешняя форма) ограничения), которые вполне могут быть оценены по данным спутникового мониторинга в высоком/детальном пространственном разрешении. Наиболее испытанными являются методы классификации породного состава участка леса. Варианты применения таких методов должны отталкиваться от пространственных уровней экологических моде-
лей, представленных дискретными ячейками с заданными размерами. Размеры ячеек при этом зависят от пространственных размеров исследуемых участков (от отдельных деревьев до лесхозов) и выбираются исходя из исследований [5], не более 20x20 м при высоте древостоя 30-35 м.
Малые размеры ячейки 0,5x0,5x0,5 м описывают форму крон любой сложности и применяются для расчета структуры фито-
ЛЕСНОИ ВЕСТНИК 7/2011
49
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
массы древостоя лесных экосистем. Применение дистанционных спутниковых методов затруднительно вследствие современных возможностей ДЗЗ. Средние размеры ячейки 2x2-10x10 м позволяют моделировать по-деревно, и к возможности применения ДЗЗ предъявляют высокие требования к привязке, пространственному разрешению снимков (предельное пространственное разрешение на сегодняшний день в мультиспектральном режиме составляет 1,65 м - спутник GeoEye-1 (США)) и учете многоярусности. С нашей точки зрения вероятнее сегодня использование ДЗЗ методов в моделях с ячейками большого размера (20x20 м), которые позволяют решать задачи динамики насаждений на уровне лесничеств и лесхозов с покогортным (группы особей) моделированием. Кроны в этом случае аппроксимируются телами вращения (конус, цилиндр, параболоид и комбинации), а доступная ФАР определяется исходя из усредненных данных высот крон и количества особей.
Процедура проверки результатов моделирования также может применять методы обработки спутниковых данных, определяя суммарные площади, занимаемые каждым видом в генеративном состоянии, средние площади крон, высоту особей и др. параметры.
Из всего вышеизложенного можно сделать вывод о том, что возникла реальная необходимость создания специализированной системы спутникового мониторинга лесных экосистем РФ для решения экологических, биологических и климатических задач, которая может строиться на основе ГИС-технологий и инструментов моделирования (ГИМС = ГИС + Модель). Однако на первоначальном этапе немаловажным является даже инструментальное использование результатов обработки спутниковых данных в экологических и биологических исследованиях лесов.
Библиографический список
1. Алексеев, В.А. Световой режим леса / В.А. Алексеев. - Л.: Наука, 1975. - 226 с.
2. Барталев, С.А. Разработка методов оценки состояния и динамики лесов на основе данных спутни-
ковых наблюдений: дисс. ... д-ра техн. наук. - М.: ИКИ РАН, 2007. - 291 с.
3. Степановских, А.С. Биологическая экология: теория и практика / А.С. Степановских: учеб. для вузов по экологическим спец. - М.: ЮНИТИ, 2009. - 791 с.
4. Тооминг, Х.Г. Методика измерения фотосинтетически активной радиации / Х.Г. Тооминг, Б.И. Гуляев. - М.: Наука, 1967. - 144 с.
5. Чумаченко С.И. Имитационное моделирование многовидовых разновозрастных лесных насаждений / С.И. Чумаченко: дисс. ... д-ра биолог, наук. - М.: МГУЛ, 2006. - 287 с.
6. Отчет о научно-исследовательской работе в рамках федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009-2013 годы по теме: «Определение роли лесных экосистем в климатических изменениях на основе данных дистанционного зондирования и ГИМС технологий» (промежуточный, этап № 1, 2010). Фрязинский филиал Учреждения Российской академии наук Института радиотехники и электроники им. В.А.Котельникова РАН.
7. Bourgeau-Chavez L. L., Kasischke E. S., N. French H. F., Szeto L. H., and Kherkher C. M. Using ERS-1 SAR imagery to monitor variations in burn severity in an Alaskan fire-distribed boreal forest ecosystem. Proceedings of IGARSS-94, Passadena, California, 812 August, 1994.
8. Cloude S.R. and Papathanassiou K.P. Polarimetric SAR Interferometry. IEEE Trans. on Geoscience and Remote Sensing, Vol. 36, no. 5, September 1998.
9. Cloude S.R., Papatanassiou K.P., Reigber A. Polarimetric SAR Interferometry at P-band for Vegetation Structure Extraction. EUSAR-2000.
10. Cloude S. R., Papathanassiou K. P., Reigber A., Boerner W.M. Multi-Frequency Polarimetric SAR Interferometry for Vegetation Structure Extraction. IGARSS 2000.
11. Le Toan T., Beaudoin A., Riom J., Guyon D. Relating Forest Biomass to SAR Data. IEEE Transactions on Geoscience and Remote Sensing, vol. 30, no. 2, March 1992.
12. Myneni, R. B., Knyazikhin, Y, Glassy, J., Votava, P., Shabanov, N. (2003). User’s guide: FPAR, LAI (ESDT:MOD15A2) 8-day composite NASA MODIS land algorithm. 17 pp.
13. Mette T., Papathanassiou K.P., Hajnsek I., and Zimmermann R. Forest Biomass Estimation using Polarimetric SAR Interferometry. IGARSS 2002.
14. Silgert R. F., Nakayama M. Comparison of ERS-2 and JERS for fire impact assessment in tropical rainforests. Proceedings of IGARS 2000, Honolulu, Hawaii, USA, 24 - 28 July 2000.
15. Watson, R.T., Noble, I.R., Bolin, B., Ravindranath, N.H., Verardo, D.J, Dokken, D.J. (Eds.) (2000) Land use, land-use change, and forestry. Cambridge: Cambridge University Press, 377 pp.
50
ЛЕСНОЙ ВЕСТНИК 7/2011
