Разработка имитационных моделей и комплексов программ для оценки динамики наземных экосистем на основе интеграции данных спутникового мониторинга тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Хвостиков, Сергей Антонович

• Хвостиков, Сергей Антонович
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Хвостиков, Сергей Антонович

ОГЛАВЛЕНИЕ

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИИ

ВВЕДЕНИЕ

Глава 1. МОДЕЛИ ДИНАМИКИ И МЕТОДЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ НАЗЕМНЫХ ЭКОСИСТЕМ

1.1 Научные и прикладные задачи изучения динамики наземных экосистем на основе моделирования и методов дистанционного зондирования

1.2 Физические основы и методы мониторинга наземных экосистем на основе данных дистанционного зондирования в оптическом диапазоне

1.2.1 Спутниковое картографирование растительного покрова

1.2.2 Спутниковый мониторинг природных пожаров

1.3 Моделирование динамики наземных экосистем

1.3.1 Глобальные модели динамики растительного покрова

1.3.2 Модели распространения природных пожаров

1.4 Численные методы интеграции данных дистанционного зондирования

в модели динамики наземных экосистем

Выводы к первой главе

Глава 2. МОДЕЛИРОВАНИЕ ДИНАМИКИ РАСТИТЕЛЬНОГО ПОКРОВА НА ОСНОВЕ ИНТЕГРАЦИИ РЕЗУЛЬТАТОВ СПУТНИКОВОГО КАРТОГРАФИРОВАНИЯ

2.1 Глобальная модель динамики растительного покрова SEVER

2.2 Модификация модели динамики растительного покрова SEVER

2.3 Региональная параметризация модели динамики растительного покрова на основе интеграции результатов спутникового

картографирования

Выводы ко второй главе

Глава 3. МОДЕЛИРОВАНИЕ РАЗВИТИЯ ПРИРОДНЫХ ПОЖАРОВ НА ОСНОВЕ ИНТЕГРАЦИИ В МОДЕЛЬ ИХ ДИНАМИКИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

3.1 Модель распространения природного пожара

3.2 Региональная параметризация модели распространения природных пожаров с использованием результатов спутникового детектирования очагов горения

3.3 Детерминированная и стохастическая модель прогнозирования динамики природных пожаров

3.4 Алгоритм оперативной оценки развития природных пожаров

3.5 Система оперативного прогнозирования развития природных пожаров

на основе интеграции данных дистанционного зондирования

Выводы к третьей главе

Глава 4. ПРОГРАММНЫЙ КОМПЛЕКС LAGMA-PLUS ЛОКАЛЬНО-АДАПТИВНОЙ КЛАССИФИКАЦИИ И ОЦЕНИВАНИЯ ХАРАКТЕРИСТИК НАЗЕМНЫХ ЭКОСИСТЕМ НА ОСНОВЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

4.1 Концепция метода LAGMA

4.2 Программная реализация метода LAGMA

4.3 Примеры практической апробации LAGMA-PLUS в технологиях

оценки наземных экосистем

Выводы к четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ. АКТЫ О ВНЕДРЕНИИ

149

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

Сокращения названий и выражений на русском языке

ДЗЗ Дистанционное зондирование Земли

ИКИ Институт Космических исследований

ИСДМ- Информационная система дистанционного мониторинга

Рослесхоз лесных пожаров

ПО Программное обеспечение

РАН Российская Академия Наук

с.х. сельскохозяйственный

Сокращения иностранных названий и выражений

BETTY Biosphere Energy-Transfer and Hydrology model

Модель гидрологии и переноса энергии в биосфере

ERTS Earth Resources Technological Satellite

Технологический спутник мониторинга земных ресурсов

EVI Enhanced Vegetation Index

Улучшенный вегетационный индекс

GAI Green Area Index

Индекс зеленой поверхности растения

GPP Gross Primary Production

Общая первичная продукция

GtC Gigatonnes of Carbon

Гигатонна углерода

GUESS General Ecosystem Simulator Общая модель экосистем

HadCM3 Hadley Centre Coupled Model, version

Объединенная модель центра Хэдли, версия 3 (модель атмосферы и океана)

HadOCC Hadley Centre Ocean Carbon Cycle Model

Модель океанического углеродного цикла центра Хэдли

LAGMA Locally Adaptive Global Mapping Algorithm

Локально-адаптивный алгоритм глобального картографирования

LAI Leaf area index

Индекс листовой поверхности

LPJ Lund-Potsdam-Jena

Лунд-Потсдам-Йена (Глобальная модель динамики растительного покрова)

MARS Monitoring Agricultural Resources

Мониторинг сельскохозяйственных ресурсов

MODIS Moderate-Resolution Imaging Spectroradiometer Спектрорадиометр среднего разрешения

NCAR National Center for Atmospheric Research

Национальный центр исследования атмосферы США

NCEP National Centers for Environmental Predictions

Национальные центры метеорологических прогнозов США

NDVI Normalised Difference Vegetation Index

Нормализованный разностный вегетационный индекс

NPP Suomi National Polar-orbiting Partnership

Полярно-орбитальный спутник международного сотрудничества Суоми

PVI Perpendicular Vegetation Index

Перпендикулярный вегетационный индекс

SWAP Soil, Water, Atmosphere and Plant

Почва, вода, атмосфера, растительность (модель развития с.х. культур)

TRIFFID Top-down Representation of Interative Foliage and Flora Including Dynamics

Нисходящее представление интерактивной динамики флоры и листвы (модель динамики растительности)

VIRS Visible Infrared Imaging Radiometer Suite

Радиометр оптической и инфракрасной съемки

WOFOST World Food Studies

Изучение всемирных продовольственных вопросов (модель развития с.х. культур)

Введение диссертации (часть автореферата) на тему «Разработка имитационных моделей и комплексов программ для оценки динамики наземных экосистем на основе интеграции данных спутникового мониторинга»

ВВЕДЕНИЕ

Наземные экосистемы являются важнейшей составляющей биосферы Земли и играют ключевую роль в фундаментальных процессах обмена веществом и энергией на планете. Растительный покров, как неотъемлемая компонента различных типов наземных экосистем планеты, покрывает около 80% земной поверхности и содержит почти 99% наземной биомассы. Растительность играет важную роль в глобальном цикле углерода, усваивая его из атмосферы в процессе фотосинтеза и выделяя в атмосферу в процессе дыхания и в почву в результате отмирания тканей.

В последние столетия деятельность человека значительно усилила свое влияние на наземные экосистемы. Массовые вырубки лесов и сельскохозяйственное использование земель приводят к трансформации наземных экосистем. К числу антропогенных последствий ряд ученых относит и увеличение содержания углерода в атмосфере, что предположительно играет значительную роль в наблюдаемых климатических изменениях. Состояние и ареал распространения растительного покрова Земли не остается неизменным в условиях меняющегося климата планеты. При этом наземные, и, в особенности, лесные, экосистемы являются одним из основных потребителей атмосферного углерода и потенциально способны скомпенсировать его антропогенные выбросы. Роль динамики растительного покрова в глобальных климатических и биосферных процессах приводит к необходимости мониторинга и прогноза его состояния.

Математическое моделирование является мощным инструментом изучения динамики наземных экосистем. Существует большое количество моделей динамики растительности, имеющих разную область применения и степень детальности, а также предназначенных для применения в различных условиях, как для оценки состояния наземных экосистем, так и для прогноза их динамики. Используемые на практике модели обычно основаны на упрощенных, описываемых эмпирическими уравнениями, представлениях о

процессах, происходящих в наземных экосистемах. Поэтому для построения, настройки и верификации таких моделей важно наличие данных о процессах в наземных экосистемах.

До относительно недавнего времени практически единственным источником данных о состоянии наземных экосистем и процессах в них являлись полевые обследования. Такой подход не позволяет на практике обеспечить регулярность сбора данных на больших территориях глобального или континентального уровней. Появление методов дистанционного зондирования Земли (ДЗЗ) из космоса открыло принципиально новую возможность получения актуальной и регулярно обновляемой информацию о состоянии наземных экосистем на различных уровнях территориального охвата. Современные системы ДЗЗ позволяют получать информацию о характеристиках отраженного и собственного излучения земного покрова в различных диапазонах длин волн. К настоящему времени разработано большое количество методов получения информации о растительном покрове по данным измерений его спектрально-отражательных характеристик.

Спутниковые данные предоставляют принципиально новую возможность регулярного получения актуальной информации о состоянии наземных экосистем на больших территориях. Это, в свою очередь, оказало значительное стимулирующее влияние на развитие подходов по интеграции результатов дистанционных измерений характеристик наземных экосистем в модели их динамики. Данные спутникового мониторинга могут интегрироваться в качестве входной информации в модели, применяться для их параметризации или коррекции модельных оценок результатами измерений (ассимиляция данных).

В диссертационной работе разработаны и апробированы численные методы и программные комплексы оценки состояния наземных экосистем на основе интеграции данных спутникового мониторинга в описывающие их

динамику модели. Рассмотрены две модели наземных экосистем контрастно различных уровней:

- глобальная модель динамики растительного покрова, воспроизводящая изменение пространственного распределения основных его типов на основе описания ключевых процессов роста растений с учетом влияния различных факторов, включая природные пожары;

- локальная эмпирическая модель распространения природного пожара на основе данных о метеорологических условиях, типах и состоянии горючих материалов, рельефе местности.

Получение данных о состоянии наземных экосистем, необходимых для настройки, верификации и использования моделей, потребовало создания нового программного комплекса локально-адаптивного глобального картографирования. Данный программный комплекс позволил решить проблему автоматизации картографирования и оценивания многолетней динамики земного покрова на больших территориях, и, таким образом, обеспечил регулярное поступление актуальных данных для моделирования наземных экосистем.

Регионально адаптированные к условиям России модели наземных экосистем позволяют проводить оценку их состояния и динамики с использованием ограниченного набора данных, оперативно доступных для всей территории страны. Важность решения задач мониторинга наземных экосистем и практической сложности его проведения другими методами служит обоснованием актуальности диссертационной работы.

Современное состояние исследований в данной области. Вопросам моделирования динамики наземных экосистем и возмущающих воздействий в них (пожаров), в том числе и с использованием спутниковых данных, посвятили свои труды многие отечественные и зарубежные ученые: Н.В. Барановский, С.В. Веневский, А.М. Гришин, Г.А. Доррер, А.С. Комаров, Н.М. Чебакова, С.И. Чумаченко, F.A. Albini, M.A. Finney, W. Kramer, J.

Mandel, I.C. Prentice, M. Rochoux, R.C. Rothermel, S. Sitch, K. Thonicke. Но существующие модели наземных экосистем обычно проверяются на ограниченном количестве примеров или не адаптированы для использования на территории России, что затрудняет их применения для оценки и прогнозирования динамики наземных экосистем в масштабах страны.

Цель и задачи исследований. Целью проведенных исследований являлась разработка численных методов, имитационных моделей и комплексов программ для исследования и прогнозирования динамики наземных экосистем на основе интеграции данных спутникового мониторинга, которые позволят повысить эффективность решения задач управления природными ресурсами и охраны окружающей среды. Достижение вышеуказанной цели диссертационной работы потребовало решения следующих задач исследований и разработок:

- анализ математических моделей динамики растительного покрова, обеспечивающих потенциальную возможность мониторинга и прогноза состояния наземных экосистем путем ассимиляции спутниковых данных ДЗЗ;

- анализ возможностей использования спутниковых данных ДЗЗ для картографирования и мониторинга растительного покрова;

- разработка многопоточного программного комплекса LAGMA-PLUS (Locally Adaptive Global Mapping Algorithm PLUS) для решения задач глобального спутникового картографирования и оценивания характеристик наземных экосистем на основе спутниковых данных ДЗЗ;

- региональная адаптация моделей динамики растительного покрова на основе интеграции данных спутникового мониторинга, обеспечившая качественное повышение достоверности результатов моделирования на территории России;

- региональная параметризация имитационной модели распространения пожара на основе данных спутникового мониторинга динамики очагов горения;

- разработка алгоритма вероятностного прогнозирования развития природных пожаров на основе метода Монте-Карло с ассимиляцией данных спутникового мониторинга в модель распространения кромки горения;

- разработка алгоритма оперативного уточнения положения фронта пожара на основе ассимиляции данных спутникового мониторинга в имитационную модель динамики распространения огня;

- программная реализация системы оперативной оценки и прогнозирования динамики лесных пожаров на основе регионально параметризованной математической модели их развития и результатов спутникового детектирования очагов горения.

Методы исследований. В работе использованы численные методы, методы математического моделирования, методы дистанционного зондирования Земли, методы статистического анализа, методы классификации изображений, методы оптимизации и прикладного программирования.

Научная новизна работы.

1. Впервые на основе данных спутникового картографирования растительного покрова проведена региональная параметризация глобальной модели его динамики, позволившая существенно повысить достоверность результатов моделирования на территории России;

2. Разработана модификация глобальной модели динамики растительности, позволяющая учитывать процессы конкуренции за свет между растениями, влияние климатических факторов на формирование тундры, существенно повысившая достоверность результатов моделирования;

3. Разработана регионально адаптированная и параметризованная на основе данных спутникового мониторинга модель динамики природного пожара, обеспечивающая возможность оперативного моделирования распространения огня на всей территории России с использованием информации спутниковых и метеорологических наблюдений;

4. Предложен новый алгоритм оперативного уточнения положения фронта пожара на основе ассимиляции данных спутникового мониторинга в имитационную модель динамики распространения огня.

Основные защищаемые результаты.

1. Регионально адаптированная на основе результатов спутникового картографирования и модифицированная (учет конкуренции за свет между деревьями и климатических факторов формирования тундры) глобальная модель динамики растительности, обеспечивающая повышение качества результатов моделирования;

2. Регионально адаптированная модель динамики природного пожара и комплекс программ, обеспечивающие возможность оперативного детерминистического и стохастического (методом Монте-Карло) прогнозирования распространения огня на территории России по данным спутниковых и метеорологических наблюдений;

3. Алгоритм оперативного уточнения оценки положения фронта пожара на основе ассимиляции результатов дистанционного детектирования очагов горения в модель динамики распространения огня;

4. Программный комплекс локально-адаптивной классификации и оценивания характеристик земного покрова на основе автоматизированной многопоточной обработки данных дистанционного зондирования, обеспечивающий возможность регулярного спутникового картографирования наземных экосистем на больших территориях.

Практическая значимость. Система оперативного прогнозирования развития очагов горения широко используется в составе Информационной

системы дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства Российской Федерации (ИСДМ-Рослесхоз).

Программное обеспечение LAGMA-PLUS нашло активное применение в решении задач спутникового картографирования наземных экосистем России, в том числе при создании многолетних рядов карт типов растительного покрова, карт используемых сельскохозяйственных земель, видового состава лесов и запасов стволовой древесины в лесах.

Параметризованная модель динамики растительного покрова позволяет осуществлять прогнозирование состояния наземных экосистем России с учетом различных сценариев климатических изменений.

Соответствие паспорту специальности. Содержание работы соответствует п. 4 «Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента», п. 5 «Комплексные исследования научных и технических проблем с применением современной технологии математического моделирования и вычислительного эксперимента», п. 7 «Разработка новых математических методов и алгоритмов интерпретации натурного эксперимента на основе его математической модели» и п. 8 «Разработка систем компьютерного и имитационного моделирования»

Апробация работы. По результатам данной работы было сделано 14 докладов на российских и международных конференциях в Москве, Санкт-Петербурге и Томске. Автор трижды (2011, 2012 и 2014 годы) становился призером конкурса Всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса» за лучший доклад молодого ученого.

Личный вклад. Автор лично разработал программное обеспечение модели распространения природных пожаров и метода ассимиляции в нее данных спутникового мониторинга, а также осуществил региональную адаптацию моделей динамики наземных экосистем. Автор лично выполнил

работы по развитию алгоритма ЬЛОМЛ и разработке программного комплекса LAGMA-PLUS для многопоточной обработки данных дистанционного зондирования с целью локально-адаптивной классификации и оценивания характеристик земного покрова.

Публикации. По результатам исследований и разработок опубликовано более 20 печатных работ, в том числе 7 научных статей в журналах из списка, рекомендованного ВАК.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, библиографического списка, включающего 153 наименования, и приложений. Объем диссертации составляет 151 страницу машинописного текста, 26 рисунков и 7 таблиц.

Глава 1. МОДЕЛИ ДИНАМИКИ И МЕТОДЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ НАЗЕМНЫХ ЭКОСИСТЕМ

1.1 Научные и прикладные задачи изучения динамики наземных экосистем на основе моделирования и методов дистанционного зондирования

Начиная с прошлого столетия климат Земли претерпевает существенные изменения. По данным метеорологических наблюдений, средняя температура приземного слоя воздуха за последние сто лет поднялась почти на 1°С (Рисунок 1.1). Наблюдаются изменения в режиме выпадения осадков, в частности, в Северном полушарии для территории выше 30 градусов северной широты наблюдается положительный тренд количества осадков (Рисунок 1.2).

1850 1900 1950 2000

Рисунок 1.1 - График отклонений средней температуры поверхности Земли

в течение последнего столетия [26]

Наиболее вероятно, что изменения климата Земли связаны с эмиссией углерода в атмосферу, преимущественно в виде углекислого газа С02 и метана СН4. Суммарная эмиссия углерода в результате человеческой

деятельности составляет 555 01:С (гигатонн углерода): 375 01:С от сжигания органического топлива и производства цемента и 180 01:С от вырубки леса и сельскохозяйственной деятельности [27]. Деятельность человека в последние несколько столетий привела к преобразованию 40% всей территории суши в с.х. поля и пастбища [28], причем площадь лесов планеты продолжает уменьшаться со скоростью около 13х106 гагод-1 [29].

1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000 2010 Рисунок 1.2 - График средних отклонений количества осадков за год по

широтам [26]

Согласно существующей научной гипотезе, накопление парниковых газов в атмосфере приводит к глобальному потеплению Земли. По имеющимся прогнозам [27], в зависимости от дальнейшего характера деятельности человека, температура воздуха может подняться в среднем на 1°С - 4°С в течение следующего столетия. Растительный покров Земли, наряду с Мировым океаном, обладает способностью усваивать излишки углерода. В течение текущего столетия растительный покров может усвоить из атмосферы от 60 до 230 GtC [30].

В силу наличия в геосистеме обратных связей, изменение климата может существенно сказаться на растительном покрове. По некоторым прогнозам [31] усиливающиеся засухи могут привести к постепенному исчезновению лесов в тропическом и субтропическом поясе. В то же время

потепление климата может способствовать расширению ареала бореальных лесов. Эти изменения могут сказаться и на деятельности людей ввиду их продовольственной, ресурсной и экологической зависимости от состояния растительного покрова.

Глобальное потепление может сказаться на частоте и интенсивности природных пожаров. Ежегодно природные пожары повреждают около 370 млн. га растительного покрова по всему миру [32]. Сильнее всего пожары поражают травянистые экосистемы в Африке, Южной Америке, Австралии (Рисунок 1.3). В России пожары проходят в среднем около 10 млн. га ежегодно [33].

Рисунок 1.3 - Среднегодовая доля площади территории, повреждаемая

природными пожарами [34]

Природные пожары являются причиной эмиссии около 2 01:С ежегодно [35]. Стоит отметить, что появление новой растительности на лесных гарях с течением времени компенсирует эмиссию углерода в атмосферу от пожаров. При неизменном распределении и количестве природных пожаров баланс углерода в растительности также преимущественно остается неизменным. Но изменение климата приводит к увеличению продолжительности пожарного сезона и, предположительно, к увеличению числа пожаров и их суммарной

площади (особенно в бореальных регионах), что может сказаться и на углеродном цикле [34]. Увеличение количества и интенсивности пожаров может также повысить наносимый ими вред здоровью и жизни людей, объектам экономики и хозяйственной деятельности.

Происходящие изменения в климате планеты и зависимость людей от растительного покрова Земли обуславливает необходимость осуществления его мониторинга. В конце прошлого столетия для мониторинга динамики растительного покрова начали достаточно широко применяться методы дистанционного зондирования Земли из космоса и математические модели.

Возможность использования данных дистанционного зондирования для мониторинга растительности стала рассматриваться вскоре после появления первых спутниковых аппаратов. Например, в США этот вопрос начал широко обсуждаться в середине-конце 60-х годов. Именно в это время были разработаны планы первого спутника для наблюдения за земным покровом, выработаны и апробированы (преимущественно по данным аэрофотосъемки) технологии и методы применения данных ДЗЗ для мониторинга растительности. Наблюдение за состоянием растительности для решения задач в сферах сельского хозяйства, лесоводства и географии считалось одним из приоритетных направлений в развитии методов ДЗЗ [36]. В дальнейшем успешное применение первого аппарата серии Landsat (Earth Resources Technological Satellite - ERTS-1) продемонстрировало возможности мультиспектрального дистанционного зондирования и способствовало развитию этого направления [37].

В ранний период использования ДЗЗ для мониторинга растительности используемые данные были ограничены эпизодически доступными изображениями, а их анализ проводился преимущественно методами визуального дешифрирования. Автоматические алгоритмы и методы обработки ДЗЗ в то время использовались преимущественно скорее для демонстрации их потенциала, чем для решения реальных задач. С конца 90-х годов, по мере увеличения объема доступных спутниковых данных и

изменения политики доступа к ним, ситуация начала меняться. Начиная с этого периода, появилась возможность осуществления регулярного мониторинга растительности на обширных территориях и решения задач континентального и глобального картографирования [38].

На данный момент на орбите Земли находится свыше 80 спутниковых аппаратов, способных осуществлять мониторинг растительного покрова на глобальном уровне [39]. В задачах мониторинга наземных экосистем наиболее широко используются данные спектрорадиометров, к числу которых относятся системы MODIS (Moderate-Resolution Imaging Spectroradiometer), Landsat, NPP-VIRS (Suomi National Polar-orbiting Partnership Visible Infrared Imaging Radiometer Suite) и ряд других. Получаемые указанными системами ДЗЗ данные позволили сформировать глобальные архивы многолетних измерений спектрально-отражательных характеристик земной поверхности. В последние годы можно отметить появление все большого количества гиперспектрометров (Hyperion, гиперспектральная аппаратура (ГСА) на Ресурс-П), радаров (Radarsat, TerraSAR), и других аппаратов, которые можно использовать для мониторинга растительности. Также можно отметить появление все большего числа аппаратов ДЗЗ (WorldView, GlobEye, Ресурс-П), осуществляющих съемку с детальным пространственным разрешением (размер пикселя изображения - от десятков сантиметров до единиц метров), хотя их применение пока еще часто ограничено малой областью захвата и высокой стоимостью данных.

Одно из основных преимуществ методов ДЗЗ перед другими источниками данных о наземных экосистемах состоит в возможности оперативного и регулярного получения актуальной информации о состоянии растительного покрова обширных территорий при достаточно малых затратах.

Данные дистанционного зондирования Земли позволяют определять целый ряд характеристик растительности, таких как содержание хлорофилла

[6], [8], доля проективного покрытия [7], LAI (Leaf area index) [5], GAI (Green Area Index) [11], сроков наступления фенологических фаз развития [10, 40, 41], GPP (Gross Primary Production) [9], влагосодержания [11, 42], биомассы [13] и др.

Данные ДЗЗ используются при проведении исследований процессов глобального потепления и изменений в растительном покрове планеты. Например, спутниковая информация используется для оценки изменений в площади и распределении лесов планеты [43]. Также данные ДЗЗ могут использоваться для регулярной оценки запасов углерода в растительности [44].

Данные ДЗЗ позволяют решать ряд практических задач мониторинга растительного покрова, включая определение запасов древесины в лесах [45], оценку состояния с.х. посевов и прогноз их урожайности [46], выявление лесных пожаров и оценку их последствий ([47], http : //cwfis.cfs. nrcan. gc.ca/home).

Моделирование динамики наземных экосистем - один из интенсивно развиваемых в последние годы подходов к изучению и мониторингу состояния растительного покрова. При его использовании строится математическая имитация процессов в наземных экосистемах, позволяющая определять состояние растительности по данным, характеризующим условия ее произрастания (метеорология, почва и др.). Модели наземных экосистем могут быть как достаточно простыми (например, регрессия между метеорологическими признаками и урожайностью с.х. культур), так и основанными на детальном описании процессов в растительности и окружающей среде, применительно к индивидуальному растению или глобальной биосфере в целом.

Модели динамики растительного покрова могут использоваться для оценки процессов, связанных с изменением климата Земли, например, с помощью их интеграции в модели геосистемы [48]. Также модели могут использоваться для оценки и прогнозирования глобального распределения

природных пожаров, их влияния на наземные экосистемы и углеродный цикл Земли [49].

Модели динамики растительного покрова могут использоваться для решения практических задач мониторинга: оценки и прогнозирования состояния с.х. растительности [15], моделирования развития природных пожаров [50].

В последнее время получили развитие методы, основанные на интеграции данных дистанционного зондирования и моделей динамики наземных экосистем. Интеграция может осуществляться посредством использования информации спутникового мониторинга в качестве входных данных в модели динамики растительного покрова. Кроме того, такого рода интеграция может осуществляться методами параметризации, ассимиляции данных, инверсии моделей. Известны примеры эффективной интеграции данных ДЗЗ и моделей динамики наземных экосистем для решения задач оценки эмиссии углерода от природных пожаров [35], получения информации о состоянии посевов [24], прогноза динамики лесных пожаров [23].

1.2 Физические основы и методы мониторинга наземных экосистем на основе данных дистанционного зондирования в оптическом диапазоне

1.2.1 Спутниковое картографирование растительного покрова

Приборы и методы дистанционного зондирования Земли со спутников позволяют получить данные о спектрально-отражательных характеристиках земного покрова. Системы ДЗЗ могут измерять спектральные характеристики отраженного земной поверхностью солнечного излучения (пассивное зондирование) или сами формировать электромагнитное излучение в

определенном (например, радиоволновом) диапазоне электромагнитного спектра с последующим измерением характеристик отраженного сигнала (активное зондирование). В задачах дистанционного зондирования используются преимущественно видимая (0.38 - 0.72 мкм), инфракрасная (0.72 - 1000 мкм) и радиоволновая (более 1000 мкм) области электромагнитного спектра.

Получаемые спектрально-отражательные характеристики зависят не только от отраженного земной поверхностью излучения, но и от рассеяния атмосферы и отражения соседних объектов. Также необходимо учитывать поглощение излучения компонентами атмосферы - водяным паром, углекислым газом, метаном и др. Области спектра, в которых большая часть излучения пропускается атмосферой, называются «окнами прозрачности». Известно несколько окон прозрачности земной атмосферы, например области 0,3 - 1,3 мкм, 3 - 5 мкм, 8 - 14 мкм, степень прозрачности атмосферы в которых неоднородна.

Спектр отражения растительности зависит от ее состояния и архитектоники, формируемой строением листьев и крон. Обычно зеленые листья поглощают большую часть излучения в красной и синей частях спектра, отражая значительную часть излучения в зеленом и ближнем инфракрасном диапазонах. Эта характерная особенность спектра отражения позволяет оценивать состояние и характеристики растительного покрова по спутниковым данным [4]. В частности, спектрально-отражательные характеристики растительного покрова могут использоваться для решения задач его спутникового картографирования, включая распознавание различных его типов.

Список литературы диссертационного исследования кандидат наук Хвостиков, Сергей Антонович, 2016 год

СПИСОК ЛИТЕРАТУРЫ

[1] Field C, Behrenfeld M, Randerson J, Falkowski P. Primary production of the biosphere: integrating terrestrial and oceanic components. Science. 1998; 281(5374):237-240.

[2] IPCC. Climate Change 2007: Synthesis Report. IPCC, Geneva, Switzerland; 2007.

[3] Watson R T, Noble I R, Bolin B, Ravindranath N H, Verardo D J, Dokken D J, et al. Land use, land-use change and forestry: a special report of the Intergovernmental Panel on Climate Change. Cambridge University Press; 2000.

[4] Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В.. Аэрокосмические методы географических исследований. М.: Издательский центр "Академия"; 2004.

[5] Chen J, Pavlic G, Brown L, Cihlar J, Leblanc S, White H, Hall R.J, Peddle D.R, King D.J, Trofymow J.A, Swift E, Sanden J Van der, Pellikkah P.K.E Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements. Remote sensing of environment. 2002; 80(1):165-184.

[6] Daughtry C, Walthall C, Kim M, De Colstoun E, McMurtrey I. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote sensing of Environment. 2000;74(2):229-239.

[7] Gitelson A, Kaufman Y, Stark R, Rundquist D. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment. 2002; 80(1):76-87.

[8] Haboudane D, Miller J, Tremblay N, Zarco-Tejada P, Dextraze L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote sensing of environment. 2002; 81(2):416-426.

[9] Heinsch F, Zhao M, Running S, Kimball JS, Nemani R, Davis K, Bolstad P.V., Cook B.D., Desai A.R., Ricciuto D.M., Law B.E., Oechel W.C.,

Kwon H, Luo H, Wofsy S.C., Dunn A.L., Munger J.W., Baldocchi D.D., Xu L, Hollinger D.Y., Richardson A.D., Stoy P.C., Siqueira M.B.S., Monson R.K., Burns S.P., Flanagan L.B. Evaluation of remote sensing based terrestrial productivity from MODIS using regional tower eddy flux network observations. Geoscience and Remote Sensing, IEEE Transactions on. 2006; 44(7):1908-1925.

[10] Sakamoto T, Yokozawa M, Toritani H, Shibayama M, Ishitsuka N, Ohno H. A crop phenology detection method using time-series MODIS data. Remote sensing of environment. 2005; 96(3):366-374.

[11] Sims D, Gamon J. Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance: a comparison of indices based on liquid water and chlorophyll absorption features. Remote Sensing of Environment. 2003; 84(4):526-537.

[12] Барталев С.А., Егоров В.А., Ершов Д.В., Исаев А.С., Лупян Е.А, Плотников Д.Е., Уваров И.А. Спутниковое картографирование растительного покрова России по данным спектрорадиометра MODIS. Современные проблемы дистанционного зондирования Земли из космоса. 2011; 8(4):285-302.

[13] Foody G, Boyd D, Cutler M. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment. 2003; 85(4):463-474.

[14] Cox P. Description of the TRIFFID dynamic global vegetation model. 2001;

[15] Diepen C, Wolf J, Keulen H, Rappoldt C. WOFOST: a simulation model of crop production. Soil use and management. 1989; 5(1): 16-24.

[16] Friend A, Schugart H, Running S. A physiology-based gap model of forest dynamics. Ecology. 1993; p. 792-797.

[17] Perera A, Baldwin D, Yemshanov D, Schnekenburger F, Weaver K, Boychuk D. Predicting the potential for old-growth forests by spatial simulation of landscape ageing patterns. The Forestry Chronicle. 2003; 79(3):621-631.

[18] Sitch S, Smith B, Prentice I, Ameth A, Bondeau A, Cramer W, Kaplan J. O. Levis S., Lucht W., Sykes M. T. Evaluation of ecosystem dynamics, plant geography and terrestrial carbon cycling in the LPJ dynamic global vegetation model. Global Change Biology. 2003; 9(2): 161—185.

[19] Smith B, Prentice I, Sykes M. Representation of vegetation dynamics in the modelling of terrestrial ecosystems: comparing two contrasting approaches within European climate space. Global Ecology and Biogeography. 2001; 10(6):621-637.

[20] Thonicke K, Venevsky S, Sitch S, Cramer W. The role of fire disturbance for global vegetation dynamics: coupling fire into a Dynamic Global Vegetation Model. Global Ecology and Biogeography. 2001; 10(6):661-677.

[21] Wit de, A, Duveiller G, Defourny P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations. Agricultural and forest meteorology. 2012; 164:39-52.

[22] Knorr W. Annual and interannual CO2 exchanges of the terrestrial biosphere: Process-based simulations and uncertainties. Global Ecology and Biogeography. 2000; 9(3):225-252.

[23] Lautenberger C. Wildland fire modeling with an Eulerian level set method and automated calibration. Fire Safety Journal. 2013; 62:289-298.

[24] Ines A, Das N, Hansen J, Njoku E. Assimilation of remotely sensed soil moisture and vegetation with a crop simulation model for maize yield prediction. Remote Sensing of Environment. 2013; 138:149-164.

[25] Mandel J, Bennethum L, Beezley J, Coen J, Douglas C, Kim M, Vodacek A. A wildland fire model with data assimilation. Mathematics and Computers in Simulation. 2008; 79(3):584-606.

[26] Hartmann D, Klein Tank A, Rusicucci M, Alexander L, Broenniman B, Charabi Y, et al. Observations: atmosphere and surface. 2013;

[27] Alexander LV, Allen SK, Bindoff NL, Breon F-M, Church JA, Cubasch U, Emori S, Forster P, Friedlingstein P, Gillett N, Gregory JM, Hartmann DL, Jansen E, Kirtman B, Knutti R, Kanikicharla KK, Lemke P, Marotzke J,

Masson-Delmotte V, Meehl GA, Mokhov II, Piao S, Plattner G-K, Dahe Q, Ramaswamy V, Randall R, Rhein M, Rojas M, Sabine C, Shindell D, Stocker TF, Talley LD, Vaughan DG, Xie S-P. IPCC, 2013: Summary for Policymakers. In Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change (Cambridge Univ Press, Cambridge, UK, 2013). 2013;

[28] Foley J, DeFries R, Asner GP, Barford C, Bonan G, Carpenter S, Chapin F, Coe M, Daily G, Gibbs H, Helkowski J, Holloway T, Howard E, Kucharik C, Monfreda C, Patz J, Prentice I, Ramankutty N, Snyder P. Global consequences of land use science. 2005; 309(5734):570-574.

[29] FAO. Global forest resources assessment 2010: Main report. Food and Agriculture Organization of the United Nations; 2010.

[30] Ciais P, Sabine C, Bala G, Bopp L, Brovkin V, Canadell J, Chhabra A, DeFries R, Galloway J, Haimann M, Jones C, Le Quere C, Myneni R, Piao S, Thorton P. Carbon and other biogeochemical cycles. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press; 2014. p. 465-570.

[31] Cramer W, Bondeau A, Woodward F, Prentice I, Betts R, Brovkin V, Cox P.M., Fisher V., Foley J.A., Friend A.D., Kucharik C., Lomas M.R., Ramankutty N., Sitch S., Smith B., White A., Young-Molling C. Global response of terrestrial ecosystem structure and function to CO2 and climate change: results from six dynamic global vegetation models. Global change biology. 2001;7(4):357-373.

[32] Giglio L., Randerson J. T., van derWerf G. R., Kasibhatla P. S., Collatz G. J., Morton D. C., DeFries R. S. Assessing variability and long-term trends in burned area by merging multiple satellite fire products. Biogeosciences. 2010;7(3).

[33] Барталев С.А., Егоров В.А., Ефремов В.Ю., Лупян Е.А., Стыценко Ф.В. и Флитман Е.В. Оценка площади пожаров на основе

комплексирования спутниковых данных различного пространственного разрешения MODIS и Landsat-TM/ETM+. Современные проблемы дистанционного зондирования Земли из космоса. 2012; (2):343-351.

[34] Flannigan M, Krawchuk M, de Groot W, Wotton B, Gowman L. Implications of changing climate for global wildland fire. International Journal of Wildland Fire. 2009; 18(5):483-507.

[35] Werf van der G. R., Randerson J. T, Giglio L, Collatz G. J, Mu M, Kasibhatla P. S, Morton D. C., DeFries R. S., Jin Y., van Leeuwen T. T. Global fire emissions and the contribution of deforestation, savanna, forest, agricultural, and peat fires (1997-2009). Atmospheric Chemistry and Physics. 2010; 10(23): 11707-11735.

[36] Landgrebe D. Multispectral land sensing: where from, where to? IEEE Transactions on Geoscience and Remote Sensing. 2005; 43(3):414-421.

[37] Landgrebe D. The evolution of Landsat data analysis. Photogrammetric Engineering and Remote Sensing. 1997; 63(7):859-867.

[38] Барталев С. A, Лупян Е.А. Исследования и разработки ИКИ РАН по развитию методов спутникового мониторинга растительного покрова. Современные проблемы дистанционного зондирования Земли из космоса. 2013; 10(1): 197-214.

[39] Belward A, Sk0ien J. Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS Journal of Photogrammetry and Remote Sensing. 2014;

[40] Медведева М.А., Савин И.Ю, Барталев С.А., Лупян Е.А. Использование данных NOAA-AVHRR для выявления многолетней динамики растительности Северной Евразии. Исследования Земли из космоса. 2011; (4):55-62.

[41] Zhang X, Friedl M, Schaaf C, Strahler A, Hodges J, Gao F, Reed B, Huete A. Monitoring vegetation phenology using MODIS. Remote sensing of environment. 2003; 84(3):471-475.

[42] Zarco-Tejada P, Rueda C, Ustin S. Water content estimation in vegetation with MODIS reflectance data and model inversion methods. Remote Sensing of Environment. 2003; 85(1):109-124.

[43] Hansen M, Potapov P, Moore R, Hancher M, Turubanova S, Tyukavina A, Thau D., Stehman S. V., Goetz S. J., Loveland T. R., Kommareddy A., Egorov A., Chini L., Justice C. O., Townshend J. R. G. High-resolution global maps of 21st-century forest cover change. science. 2013; 342(6160):850-853.

[44] Asner G. Tropical forest carbon assessment: integrating satellite and airborne mapping approaches. Environmental Research Letters. 2009; 4(3):034009.

[45] Huttich C, Korets M, Bartalev S, Zharko V, Schepaschenko D, Shvidenko A, Schmullius C. Exploiting Growing Stock Volume Maps for Large Scale Forest Resource Assessment: Cross-Comparisons of ASAR-and PALSAR-Based GSV Estimates with Forest Inventory in Central Siberia. Forests. 2014; 5(7):1753-1776.

[46] Atzberger C. Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs. Remote Sensing. 2013; 5(2):949-981.

[47] Барталев С.А., Ершов Д.В., Коровин Г.Н., Котельников Р.В., Лупян Е.А., Щетинский В.Е.. Информационная система дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства РФ (состояние и перспективы развития). Современные проблемы дистанционного зондирования Земли из космоса. 2008;

[48] Cox P, Betts R, Jones C, Spall S, Totterdell I. Acceleration of global warming due to carbon-cycle feedbacks in a coupled climate model. Nature. 2000; 408(6809): 184-187.

[49] Venevsky S, Thonicke K, Sitch S, Cramer W. Simulating fire regimes in human-dominated ecosystems: Iberian Peninsula case study. Global Change Biology. 2002; 8(10):984-998.

[50] Anderson K, Englefield P, Little J, Reuter G. An approach to operational forest fire growth predictions for Canada. International journal of wildland fire. 2010; 18(8):893-905.

[51] De Fries R, Hansen M, Townshend J, Sohlberg R. Global land cover classifications at 8 km spatial resolution: the use of training data derived from Landsat imagery in decision tree classifiers. International Journal of Remote Sensing. 1998; 19(16):3141-3168.

[52] Bartholome E, Belward A. GLC2000: a new approach to global land cover mapping from Earth observation data. International Journal of Remote Sensing. 2005; 26(9):1959-1977.

[53] Friedl M, McIver D, Hodges J, Zhang X, Muchoney D, Strahler A, Woodcock C.E, Gopal S, Schneider A, Cooper A, Baccini A, Gao F, Schaaf C Global land cover mapping from MODIS: algorithms and early results. Remote Sensing of Environment. 2002; 83(1):287-302.

[54] Friedl M, Sulla-Menashe D, Tan B, Schneider A, Ramankutty N, Sibley A, Huang X.. MODIS Collection 5 global land cover: Algorithm refinements and characterization of new datasets. Remote Sensing of Environment. 2010; 114(1): 168—182.

[55] Барталев С.А., Егоров В.А., Ершов Д.В., Исаев А.С., Лупян Е.А., Плотников Д.Е., et al. Спутниковое картографирование растительного покрова России по данным спектрорадиометра MODIS. Современные проблемы дистанционного зондирования Земли из космоса. 2011;8(4):285-302.

[56] Bontemps S, Defourny P, Bogaert E, Arino O, Kalogirou V, Perez JR. GLOBCOVER 2009-Products Description and Validation Report. 2011.

[57] Gong P, Wang J, Yu L, Zhao Y, Zhao Y, Liang L, Niu Z, Huang X, Fu H, Liu S, Li C, Li X, Fu W, Liu C, Xu Y, Wang X, Cheng Q, Hu L, Yao W, Zhang H, Zhu P, Zhao Z, Zhang H, Zheng Y, Ji L, Zhang Y, Chen H, Yan A, Guo J, Yu L, Wang L, Liu X, Shi T, Zhu M, Chen Y, Yang G, Tang P, Xu B, Giri C, Clinton N, Zhu Z, Chen J, Chen J. Finer resolution observation and monitoring of

global land cover: first mapping results with Landsat TM and ETM+ data. International Journal of Remote Sensing. 2013; 34(7):2607-2654.

[58] Bruzzone Lorenzo, Marconcini Mattia, Wegmuller Urs, Wiesmann Andreas. An advanced system for the automatic classification of multitemporal SAR images. Geoscience and Remote Sensing, IEEE Transactions on. 2004; 42(6):1321-1334.

[59] Pignatti Stefano, Cavalli Rosa Maria, Cuomo Vincenzo, Fusilli Lorenzo, Pascucci Ssimone, Poscolieri Maurizio, Santini Federico Evaluating Hyperion capability for land cover mapping in a fragmented ecosystem: Pollino National Park, Italy. Remote Sensing of Environment. 2009, V. 113 N. 3, pp. 622634.

[60] Richardson A, Weigand C. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing. 1977; 43(12).

[61] Rouse Jr J, Haas R, Schell J, Deering D. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication. 1974; 351-309.

[62] Jain AK, Murty MN, Flynn PJ. Data clustering: a review. ACM computing surveys (CSUR). 1999; 31(3):264-323.

[63] Franco-Lopez H, Ek A, Bauer M. Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method. Remote sensing of environment. 2001; 77(3):251-274.

[64] Pal M, Mather P. An assessment of the effectiveness of decision tree methods for land cover classification. Remote sensing of environment. 2003; 86(4):554-565.

[65] Atkinson P, Tatnall A. Introduction neural networks in remote sensing. International Journal of remote sensing. 1997;18(4):699-709.

[66] Rodriguez-Galiano V, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sanchez J. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing. 2012; 67:93-104.

[67] Foody G, Mathur A. A relative evaluation of multiclass image classification by support vector machines. Geoscience and Remote Sensing, IEEE Transactions on. 2004; 42(6):1335-1343.

[68] Maulik U, Chakraborty D. A self-trained ensemble with semisupervised SVM: An application to pixel classification of remote sensing imagery. Pattern Recognition. 2011;44(3):615-623.

[69] Bruzzone L, Chi M, Marconcini M. A novel transductive SVM for semisupervised classification of remote-sensing images. Geoscience and Remote Sensing, IEEE Transactions on. 2006;44(11):3363-3373.

[70] Laliberte A, Rango A, Havstad K, Paris J, Beck R, McNeely R, Gonzalez A. Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico. Remote Sensing of Environment. 2004; 93(1): 198—210.

[71] Bruzzone L, Prieto D. Automatic analysis of the difference image for unsupervised change detection. Geoscience and Remote Sensing, IEEE Transactions on. 2000; 38(3):1171-1182.

[72] Elmore A, Mustard J, Manning S, Lobell D. Quantifying vegetation change in semiarid environments: precision and accuracy of spectral mixture analysis and the normalized difference vegetation index. Remote sensing of environment. 2000; 73(1):87-102.

[73] Verbesselt J, Hyndman R, Newnham G, Culvenor D. Detecting trend and seasonal changes in satellite image time series. Remote sensing of Environment. 2010;114(1): 106-115.

[74] Plaza A, Martinez P, Pérez R, Plaza J. Spatial/spectral endmember extraction by multidimensional morphological operations. Geoscience and Remote Sensing, IEEE Transactions on. 2002;40(9):2025-2041.

[75] Benediktsson J, Palmason J, Sveinsson J. Classification of hyperspectral data from urban areas based on extended morphological profiles. Geoscience and Remote Sensing, IEEE Transactions on. 2005; 43(3):480-491.

[76] Shackelford A, Davis C. A combined fuzzy pixel-based and object-based approach for classification of high-resolution multispectral data over urban areas. Geoscience and Remote Sensing, IEEE Transactions on. 2003; 41(10):2354-2363.

[77] Blaschke T. Object based image analysis for remote sensing. ISPRS journal of photogrammetry and remote sensing. 2010; 65(1):2-16.

[78] Benz UC, Hofmann P, Willhauck G, Lingenfelder I, Heynen M. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of photogrammetry and remote sensing. 2004; 58(3):239-258.

[79] Duro D, Franklin S, Dube M. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery. Remote Sensing of Environment. 2012; 118:259-272.

[80] Foody G. Status of land cover classification accuracy assessment. Remote sensing of environment. 2002; 80(1): 185-201.

[81] Pontius R, Millones M. Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing. 2011; 32(15):4407-4429.

[82] Woodcock C, Macomber S, Pax-Lenney M, Cohen W. Monitoring large areas for forest change using Landsat: Generalization across space, time and Landsat sensors. Remote Sensing of Environment. 2001; 78(1):194-203.

[83] San-Miguel-Ayanz J, Ravail N. Active fire detection for fire emergency management: Potential and limitations for the operational use of remote sensing. Natural Hazards. 2005; 35(3):361-376.

[84] Giglio L, Descloitres J, Justice C, Kaufman Y. An enhanced contextual fire detection algorithm for MODIS. Remote sensing of environment. 2003; 87(2):273-282.

[85] Schroeder W, Oliva P, Giglio L, Csiszar I. The New VIIRS 375m active fire detection data product: Algorithm description and initial assessment. Remote Sensing of Environment. 2014; 143:85-96.

[86] Roy D, Jin Y, Lewis P, Justice C. Prototyping a global algorithm for systematic fire-affected area mapping using MODIS time series data. Remote sensing of environment. 2005; 97(2):137-162.

[87] Quere CL, Andres R, Boden T, Conway T, Houghton R, House J, et al. The global carbon budget 1959-2011. Earth System Science Data Discussions. 2012;5(2): 1107-1157.

[88] Prentice I, Kelley D, Foster P, Friedlingstein P, Harrison S, Bartlein P. Modeling fire and the terrestrial carbon balance. Global Biogeochemical Cycles. 2011;25(3).

[89] Justice C, Giglio L, Boschetti L, Roy D, Csiszar I, Morisette J, Kaufman Y. MODIS Fire Products Algorithm Technical Background Document. MODIS Science Team. 2006.

[90] Стыценко Ф.В., Барталев C.A., Егоров B.A., Лупян E.A.. Метод оценки степени повреждения лесов пожарами на основе спутниковых данных MODIS. Современные проблемы дистанционного зондирования Земли из космоса. 2013; (1):254-266.

[91] Van Wagtendonk JW, Root R, Key C. Comparison of AVIRIS and Landsat ETM+ detection capabilities for burn severity. Remote Sensing of Environment. 2004; 92(3):397-408.

[92] Massart M, Rembold F, Rojas O, Leo O. The Use of Remote Sensing Data and Meteorological Information for Food Security Monitoring, Examples in East Africa. In: Advances in Earth Observation of Global Change. Springer; 2010. p. 201-216.

[93] Godwin D. A user's guide to CERES WHEAT, V2. 10. vol. 2. International Fertilizer Development Center; 1990.

[94] Van Dam J, Huygen J, Wesseling J, Feddes R, Kabat P, Van Walsum P, et al. Theory of SWAP version 2.0. Technical Document. 1997;45:167.

[95] Bugmann H. A review of forest gap models. Climatic Change. 2001;51(3-4):259-305.

[96] Chumachenko S, Korotkov V, Palenova M, Politov D. Simulation modelling of long-term stand dynamics at different scenarios of forest management for coniferous-broad-leaved forests. Ecological Modelling. 2003;170(2):345-361.

[97] Smith T, Shugart H, Woodward F. Plant functional types: their relevance to ecosystem properties and global change. vol. 1. Cambridge University Press; 1997.

[98] Wania R, Ross I, Prentice I. Implementation and evaluation of a new methane model within a dynamic global vegetation model: LPJ-WHyMe v1. 3.1. Geoscientific Model Development. 2010;3(2):565-584.

[99] Venevsky S, Maksyutov S. SEVER: A modification of the LPJ global dynamic vegetation model for daily time step and parallel computation. Environmental Modelling & Software. 2007;22(1):104-109.

[100] Beer C, Lucht W, Gerten D, Thonicke K, Schmullius C. Effects of soil freezing and thawing on vegetation carbon density in Siberia: A modeling analysis with the Lund-Potsdam-Jena Dynamic Global Vegetation Model (LPJ-DGVM). Global Biogeochemical Cycles. 2007;21(1)

[101] Hawley L. Theoretical considerations regarding factors which influence forest fires. Journal of Forestry. 1926;24(7):756-763.

[102] Lawson D, Britain G, Britain G. Fire and the atomic bomb. HM Stationery Office; 1954.

[103] Sullivan A. Wildland surface fire spread modelling, 1990-2007. 1: Physical and quasi-physical models. International Journal of Wildland Fire. 2009;18(4):349-368.

[104] Sullivan A. Wildland surface fire spread modelling, 1990-2007. 2: Empirical and quasi-empirical models. International Journal of Wildland Fire. 2009;18(4):369-386.

[105] Sullivan A. Wildland surface fire spread modelling, 1990-2007. 3: Simulation and mathematical analogue models. International Journal of Wildland Fire. 2009; 18(4):387-403.

[106] Гришин А.М., Пененко В.В. Математическое моделирование лесных пожаров и новые способы борьбы с ними. наука; 1992.

[107] Доррер Г.А. Динамика лесных пожаров. 2008;

[108] Drossel B, Schwabl F. Self-organized critical forest-fire model. Physical Review Letters. 1992; 69(11):1629.

[109] Karafyllidis I, Thanailakis A. A model for predicting forest fire spreading using cellular automata. Ecological Modelling. 1997; 99(1):87-97.

[110] Nahmias J, Tephany H, Duarte J, Letaconnoux S. Fire spreading experiments on heterogeneous fuel beds. Applications of percolation theory. Canadian journal of forest research. 2000; 30(8): 1318-1328.

[111] Sullivan A, Knight I. A hybrid cellular automata/semi-physical model of fire growth. In: Proceedings of the 7th Asia-Pacific Conference on Complex Systems, Cairns Convention Centre, Cairns, Australia; 2004. .

[112] Perry GL, Sparrow AD, Owens IF. A GIS-supported model for the simulation of the spatial structure of wildland fire, Cass Basin, New Zealand. Journal of Applied Ecology. 1999; 36(4):502-518.

[113] Tymstra C, Bryce R, Wotton B, Armitage O. Development and structure of Prometheus: the Canadian wildland fire growth simulation Model. vol. 417. Northern Forestry Centre; 2010.

[114] Finney M, et al. FARSITE, Fire Area Simulator-model development and evaluation. 2004;.

[115] Bose C, Bryce R, Dueck G. Untangling the Prometheus nightmare. In: Proc. 18th IMACS World Congress MODSIM09 and International Congress on Modelling and Simulation, Cairns, Australia; 2009. p. 13-17.

[116] Hargrove W, Gardner R, Turner M, Romme W, Despain D. Simulating fire patterns in heterogeneous landscapes. Ecological modelling. 2000;135(2):243-263.

[117] Finney M, Grenfell I, McHugh C, Seli R, Trethewey D, Stratton R, et al. A Method for Ensemble Wildland Fire Simulation. Environmental Modeling & Assessment. 2011;16(2): 153-167.

[118] Bastiaanssen W, Ali S. A new crop yield forecasting model based on satellite measurements applied across the Indus Basin, Pakistan. Agriculture, ecosystems & environment. 2003;94(3):321-340.

[119] Доррер Г.А., Коморовский В.С., Якимов С.П. Оценка и прогнозирование динамики крупных лесных пожаров. Технологии техносферной безопасности: Интернет-журнал МЧС России, Академия ГПС. 2011;(2).

[120] Жиглявский А.А., Жилинскас А.Г.. Методы поиска глобального экстремума. М. : Наука; 1991.

[121] Weise T. Global Optimization Algorithms - Theory and Application. Germany: it-weise.de (self-published); 2009.

[122] Floudas C, Gounaris C. A review of recent advances in global optimization. Journal of Global Optimization. 2009;45(1):3-38.

[123] Kirkpatrick S, Gelatt C, Vecchi M. Optimization by simulated annealing. SCIENCE. 1983; 220(4598):671-680.

[124] Goldberg D. Genetic Algorithms in Search, Optimization and Machine Learning. 1st ed. Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc.; 1989.

[125] Storn R, Price K. Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Journal of Global Optimization. 1997;11(4):341-359.

[126] Kennedy J, Eberhart R. Particle swarm optimization. In: Neural Networks, 1995. Proceedings., IEEE International Conference on. vol. 4; 1995. p. 1942-1948 vol.4.

[127] Dorigo M, Stutzle T. Ant Colony Optimization. Scituate, MA, USA: Bradford Company; 2004.

[128] Jones D, Schonlau M, Welch W. Efficient global optimization of expensive black-box functions. Journal of Global optimization. 1998;13(4):455-492.

[129] Villemonteix J, Vazquez E, Walter E. An informational approach to the global optimization of expensive-to-evaluate functions. Journal of Global Optimization. 2009;44(4):509-534.

[130] Sasena M. Flexibility and efficiency enhancements for constrained global design optimization with kriging approximations. University of Michigan; 2002.

[131] Trudinger Cathy M., Raupach Michael R., Rayner Peter J., Kattge Jens, Liu Qing, Pak Bernard, Reichstein Markus, Renzullo Luigi, Richardson Andrew D., Roxburgh Stephen H., Styles Julie, Wang Ying Ping, Briggs Peter, Barrett Damian, Nikolova Sonja. OptIC project: An intercomparison of optimization techniques for parameter estimation in terrestrial biogeochemical models. Journal of Geophysical Research: Biogeosciences (2005-2012). 2007;112.

[132] Shan S, Wang G. Survey of modeling and optimization strategies to solve high-dimensional design problems with computationally-expensive blackbox functions. Structural and Multidisciplinary Optimization. 2010; 41(2):219-241.

[133] Wolpert D, Macready W. No Free Lunch Theorems for Search; 1995.

[134] Haxeltine A, Prentice I. A general model for the light-use efficiency of primary production. Functional Ecology. 1996;p. 551-561.

[135] Team R, et al. R: A language and environment for statistical computing. 2012;.

[136] Roustant O, Ginsbourger D, Deville Y. DiceKriging, DiceOptim: Two R packages for the analysis of computer experiments by kriging-based metamodeling and optimization. 2012;.

[137] Simpson T, Mauery T, Korte J, Mistree F. Kriging models for global approximation in simulation-based multidisciplinary design optimization. AIAA journal. 2001;39(12):2233-2241.

[138] Reuter H, Nelson A, Jarvis A. An evaluation of void-filling interpolation methods for SRTM data. International Journal of Geographical Information Science. 2007;21(9):983-1008.

[139] Mebane W, Sekhon J. Genetic optimization using derivatives: the rgenoud package for R. Journal of Statistical Software. 2011;42(11): 1—26.

[140] Жарко В.О., Ховратович Т.С., Барталев С.А. Метод оценки запаса стволовой древесины на основе совместного использования продуктов данных ASAR и MODIS. Одиннадцатая всероссийская открытая конференция "Современные проблемы дистанционного зондирования Земли из космоса". 2013. p. 331.

[141] Барталев С.А., Ершов Д^., Коровин Г.Н., Котельников Р.В., Лупян E.A., Щетинский В.Е. Основные возможности и структура информационной системы дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства РФ (ИСДМ Рослесхоз). Современные проблемы дистанционного зондирования Земли из космоса. 2010;7(2):97-105.

[142] Ефремов В.Ю., Балашов И.В., Котельников Г.Н., Лупян Е.А., Мазуров А.А., Прошин А.А., et al. Объединенный картографический интерфейс для работы с данными ИСДМ Рослесхоз. Современные проблемы дистанционного зондирования Земли из космоса. 2011;8(3):129-139.

[143] Уваров И.А., Барталев С.А. Алгоритм и программный комплекс распознавания типов земного покрова на основе локально-адаптивной обучаемой классификации спутниковых изображений. Современные проблемы дистанционного зондирования Земли из космоса. 2010;7(1):353-365.

[144] Егоров В.А., Барталев С.А. Анализ динамики лесного покрова России на основе многолетних спутниковых данных MODIS. Десятая всероссийская открытая ежегодная конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Физические основы, методы и технологии мониторинга окружающей среды, природных и

антропогенных объектов) Москва, ИКИ РАН, 12-16 ноября 2012 г.; 2012. с.383.

[145] Жарко В.О., Барталев С.А., Егоров В.А. Метод итеративной экспансии обучающей выборки и его применение для распознавания озимых культур по спутниковым данным. In: X Конференция молодых ученых "Фундаментальные и прикладные космические исследования"; 2013. с. 38-39.

[146] Плотников Д.Е., Барталев С.А., Хвостиков С.А. Метод итеративной экспансии обучающей выборки и его применение для распознавания озимых культур по спутниковым данным. Одиннадцатая Всероссийская открытая конференция "Современные проблемы дистанционного зондирования Земли из космоса"; 2013. с. 346.

[147] Жарко В.О. Методы обработки данных спутниковых измерений спектрально-временных характеристик отраженного излучения для дистанционной оценки параметров лесного покрова. НТЦ УП РАН; 2015.

[148] Лупян Е.А., Барталев С.А., Ершов Д.В., Котельников Р.В., Балашов И.В., Бурцев М.А., Егоров В.А., Ефремов В.Ю., Жарко В.О., Ковганко К.А., Колбудаев П.А., Крашенинникова Ю.С., Прошин А.А., Мазуров А.А., Уваров И.А., Стыценко Ф.В., Сычугов И.Г., Флитман Е.В., Хвостиков С.А., Шуляк П.П. Организация работы со спутниковыми данными в информационной системе дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства (ИСДМ-Рослесхоз). Современные проблемы дистанционного зондирования Земли из космоса. 2015; 12(5) С. 222-250.

[149] Khvostikov S., Venevsky S., Bartalev S. Regional adaptation of a dynamic global vegetation model using a remote sensing data derived land cover map of Russia // Environmental Research Letters. 2015. Т. 10. №. 12. С. 125.

[150] Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А. Состояние и перспективы развития методов спутникового картографирования растительного покрова России // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т.12. № 5. С.203-221.

[151] Bartalev S.A., Egorov V.A., Loupian E.A., Khvostikov S.A. A new locally-adaptive classification method LAGMA for large-scale land cover mapping using remote-sensing data // Remote Sensing Letters. 2014. Т. 5 № 1. С. 55-64.

[152] Хвостиков С.А., Веневский С.В., Барталев С.А. Региональная параметризация глобальной модели растительности SEVER на основе ассимиляции спутниковой карты земного покрова России // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т.10. № 3. С.271-285.

[153] Хвостиков С.А., Балашов И.В., Барталев С.А., Ефремов В.Ю., Лупян Е.А. Региональная оптимизация параметров прогнозной модели природных пожаров и оперативное моделирование динамики их развития с использованием данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 3. С.91-100.