Теория и методы инвентаризации лесов на основе данных дистанционного зондирования земли, цифрового моделирования рельефа и ГИС-технологий тема диссертации и автореферата по ВАК РФ 06.03.02, доктор наук Черниховский Дмитрий Михайлович

• Черниховский Дмитрий Михайлович
• доктор наук
• 2020

Оглавление диссертации доктор наук Черниховский Дмитрий Михайлович

ВВЕДЕНИЕ

ГЛАВА 1. ПРИМЕНЕНИЕ ДИСТАНЦИОННЫХ МЕТОДОВ ДЛЯ ВЫПОЛНЕНИЯ ЛЕСОУЧЕТНЫХ РАБОТ

1.1. Лесоучётные работы в Российской Федерации

1.1.1. Государственная инвентаризация лесов

1.1.2. Лесоустройство

1.2. Применение дистанционных методов при лесоучетных работах в РФ

1.2.1. Материалы ДЗЗ, применяемые при лесоучетных работах в РФ

1.2.2. Методология лесного стереоскопического дешифрирования

1.2.3. Автоматизированная классификация материалов ДЗЗ при изучении лесов

1.3. Мировой опыт применения дистанционных методов для решения задач лесоустройства и национальной инвентаризации лесов

1.3.1. Применение материалов ДЗЗ при НИЛ

1.3.2. Применение материалов ДЗЗ при таксации лесов

1.3.3. Сближение НИЛ и лесоустройства

1.4. Выводы по главе

ГЛАВА 2. ПРОГРАММА ИССЛЕДОВАНИЙ И ОСНОВНЫЕ

МЕТОДИЧЕСКИЕ ПОЛОЖЕНИЯ

ГЛАВА 3. ЛЕСНОЕ СТЕРЕОСКОПИЧЕСКОЕ ДЕШИФРИРОВАНИЕ МАТЕРИАЛОВ АЭРОКОСМИЧЕСКИХ СЪЕМОК С ПРИМЕНЕНИЕМ ФОТОГРАММЕТРИЧЕСКОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

3.1. Анализ информационных возможностей современных материалов аэрокосмических съемок с применением фотограмметрического программного обеспечения

3.1.1. Лесное стереоскопическое дешифрирование материалов цифровой аэрофотосъемки

3.1.2. Лесное стереоскопическое дешифрирование материалов космической съемки

3.2. Технические требования к материалам аэро- и космических цифровых стереоизображений для целей таксации лесов

3.3. Программные и аппаратные средства для стереоскопической таксации лесов дешифровочным способом

3.3.1. Обзор программного обеспечения для обработки материалов ДЗЗ в целях выполнения лесоучетных работ

3.3.2. Разработка программного обеспечения для лесного стереоскопического дешифрирования

3.3.3. Разработка программного обеспечения для статистической обработки и анализа признаков дешифрирования

3.3.4. Разработка программного обеспечения для формирования геоинформационных баз данных лесоустройства и лесного планирования

3.3.5. Требования к аппаратному обеспечению для лесного стереоскопического дешифрирования

3.4. Разработка технологии работ по лесному стереоскопическому дешифрированию материалов аэрокосмических съемок

3.5. Разработка учебных программ и пособий для подготовки специалистов по лесному дешифрированию

3.6. Выводы по главе

ГЛАВА 4. АВТОМАТИЗИРОВАННАЯ КЛАССИФИКАЦИЯ

МАТЕРИАЛОВ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ В ЦЕЛЯХ ИНВЕНТАРИЗАЦИИ ЛЕСОВ

4.1. Метод ближайших соседей для определения характеристик лесов на основе материалов дистанционного зондирования Земли и наземных пробных площадей

4.2.1. Применение метода ближайших соседей для изучения лесов

4.2.2. Основные понятия, алгоритм работы и исходные данные

4.2.3. Использование метода ближайших соседей в целях инвентаризации лесов

4.2. Оценка возможностей применения автоматизированной классификации методом ближайшего соседа (к-№Ы) для определения обобщенных характеристик лесов

4.3. Выводы по главе

ГЛАВА 5. ИЗУЧЕНИЕ ВЗАИМОСВЯЗЕЙ ХАРАКТЕРИСТИК

СТРУКТУРЫ И ПРОДУКТИВНОСТИ ЛЕСОВ С МОРФОМЕТРИЧЕСКИМИ

ВЕЛИЧИНАМИ

5.1 Значение рельефа в формировании лесных ландшафтов

5.1.1. Ландшафтный подход при изучении лесов

5.1.2. Влияние рельефа на формирование лесных местопроизрастаний

5.1.3. Учет рельефа при выполнении лесоучётных работ

5.1.4. Тенденции современного ландшафтоведения

5.2. Цифровое моделирование рельефа. Основные положения, исходные материалы и методы

5.2.1. Геоморфометрия

5.2.2. Особенности отображения поверхности лесного полога на глобальных моделях высот, получаемых на основе интерферометрических съемок

5.2.3. Изучение взаимосвязей морфометрических величин с характеристиками структуры и продуктивности лесов

5.3. Основные положения оценки взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами

5.3.1. Определение морфометрических величин. Автоматическая классификация поверхности рельефа

5.3.2. Порядок работ по оценке взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами

5.4. Оценка взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами на основе глобальных моделей высот

5.5. Оценка высот и запасов лесных насаждений на основе данных радарной топографической съемки SRTM

5.6. Оценка взаимосвязей характеристик структуры и продуктивности лесов с результатами автоматических классификаций рельефа

5.7. Анализ связей характеристик структуры и продуктивности лесов с результатами автоматической классификации рельефа на региональном уровне (на примере ландшафтов Ленинградской области)

5.8. Выводы по главе

ГЛАВА 6. ПРЕДЛОЖЕНИЯ ПО СОВЕРШЕНСТВОВАНИЮ СИСТЕМЫ

ГИЛ РФ

6.1. Необходимость модификации системы ГИЛ РФ

6.2. Предложения по совершенствованию системы ГИЛ РФ

6.2.1. Зонирование

6.2.2. Стратификация лесов

6.2.3. Размещение пробных площадей

6.2.4. Группировка пробных площадей (формирование кластеров)

6.2.5. Применение дистанционных методов

6.2.6. Организация работ по ГИЛ на труднодоступных территориях

6.2.7. Планирование ежегодных работ

6.2.8. Организация и представление информации средствами ГИС и интернет-технологий

6.3. Система многоисточниковой государственной инвентаризации лесов

6.4. Выводы по главе

ГЛАВА 7. РЕКОМЕНДАЦИИ ПО СОВЕРШЕНСТВОВАНИЮ

ЛЕСОУЧЕТНЫХ РАБОТ НА ОСНОВЕ ПРИМЕНЕНИЯ ДИСТАНЦИОННЫХ МЕТОДОВ, ЦИФРОВОГО МОДЕЛИРОВАНИЯ РЕЛЬЕФА И ГИС-ТЕХНОЛОГИЙ

7.1 Возможные направления использования результатов исследований для решения задач лесоучетных работ

7.2. Технология стереоскопической таксации лесов

7.3. Автоматизированная классификация материалов дистанционного зондирования Земли

7.4. Изучение взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами

ЗАКЛЮЧЕНИЕ

Список сокращений и условных обозначений

Термины и определения

СПИСОК ЛИТЕРАТУРЫ

Список иллюстративного материала

ПРИЛОЖЕНИЕ 1. Фрагменты изображений космической съемки спутником GeoEye - 1 на территорию таксационно-дешифровочных полигонов.

Характеристика материалов космической съемки

ПРИЛОЖЕНИЕ 2. Пример камерального анализа признаков дешифрирования лесных насаждений тренировочного таксационно

дешифровочного полигона по лесным районам и лесным стратам

ПРИЛОЖЕНИЕ 3. Модельные участки на территории Волховского лесничества Ленинградской области и Нанайского лесничества Хабаровского края для изучения взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами на основе глобальных моделей высот 377 ПРИЛОЖЕНИЕ 4. Результаты автоматических классификаций цифровых

моделей рельефа и поверхности

ПРИЛОЖЕНИЕ 5. Характеристики модельных участков на территории Ленинградской области

Введение диссертации (часть автореферата) на тему «Теория и методы инвентаризации лесов на основе данных дистанционного зондирования земли, цифрового моделирования рельефа и ГИС-технологий»

ВВЕДЕНИЕ

Актуальность темы исследования. Устойчивое управление лесами, на которое направлены усилия мирового сообщества, должно обеспечиваться достоверной, разносторонней и актуальной информацией о лесных экосистемах. Основными источниками информации о лесах в Российской Федерации служат материалы государственной инвентаризации лесов (ГИЛ) и лесоустройства. Методические, организационные и технологические составляющие отечественной системы лесоучетных работ в настоящее время не являются совершенными. Результаты лесоучетных работ не отвечают в полной мере современным потребностям государства, бизнеса и общества. Необходимость совершенствования системы лесоучетных работ в Российской Федерации признается большинством экспертов и является научной проблемой, имеющей важное хозяйственное значение. Актуальность работы связана с проведением исследований, направленных на совершенствование отдельных направлений отечественных лесоучетных работ (применение дистанционных методов и геоинформационных технологий для решения задач лесоустройства и государственной инвентаризации лесов), а также выявление и изучение объективных количественных характеристик рельефа, определяющих изменчивость характеристик лесов в рамках ландшафтно-экологического подхода.

Степень разработанности темы исследования. В рамках исследования рассматривается совокупность теоретических и методических подходов, направленных на совершенствование лесоучетных работ - применение материалов современных аэрокосмических съемок для решения задач лесоустройства и ГИЛ, изучение количественных взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами, разработка предложений по совершенствованию методики ГИЛ на основе мирового и отечественного опыта.

В последние десятилетия в мире наблюдается значительный прогресс в области применения дистанционных методов в области лесоучетных работ. Методические основы таксации лесов дешифровочным способом в СССР были заложены еще в 1950-х гг. проф. Г.Г. Самойловичем и его последователями (Самойлович, 1964; Киреев, 1977; Данюлис и др., 1989; Дмитриев и др., 1989; Сухих, 2005). Современные подходы к инвентаризации лесов с использованием дистанционных методов отражены в публикациях (Holopainen, KalHovirta, 2006; McRoberts, Tomppo, 2007; Koch, 2015; Barrett et al., 2016; Щепаченко и др., 2017; Kangas et al., 2018). При проведении национальных инвентаризаций лесов во многих странах успешно используются методы автоматизированной классификации материалов дистанционного зондирования Земли. Метод «ближайшего соседа» или метод k-NN является одним из наиболее распространенных (Kangas, Maltamo, 2006; Gjertsen, 2007; McRoberts, Tomppo, 2007; Tomppo et al., 2008).

Перспективным научным направлением, связанным с определением и изучением количественных характеристик рельефа, является геоморфометрия (Шарый, 2006; Hengl, Reuter, 2008; Флоринский, 2016). Методы геоморфометрии применяются для изучения закономерностей распространения и динамики растительности, оценки повреждений, визуализации и классификации природно -территориальных комплексов (Сысуев, Шарый, 2000; Шарый, 2005 и 2016). Автором в кандидатской диссертации предложен методический подход к определению количественных связей между показателями структуры и продуктивности лесов и характеристиками формы поверхности рельефа ландшафтов (Черниховский, 2001). Установлено количественное влияние характеристик рельефа (энтропии и среднего квадратического отклонения высот) на структуру и продуктивность лесов, выявлен эффект пороговости влияния рельефа на лес, рассмотрены линейные и S-образные регрессионные уравнения (Алексеев, Черниховский, 2001; Черниховский, Алексеев, 2003).

Критика и предложения по совершенствованию отечественной системы лесоучетных работ на основе мирового и отечественного опыта представлены в работах проф. А.С. Алексеева (Алексеев, 2010 и 2019; Alekseev, et а1., 2019).

Перечисленные направления исследований ранее не рассматривались совместно в качестве теоретической основы для совершенствования системы лесоучетных работ.

Цель и задачи исследований. Целью исследования является совершенствование теоретических и методических основ лесоучетных работ (лесоустройства и ГИЛ) на основе применения дистанционных методов, геоинформационных технологий, ландшафтного подхода, цифрового моделирования рельефа и анализа мирового и отечественного опыта.

Для достижения поставленной цели исследований было необходимо решить следующие задачи:

1. Изучить мировой и отечественный опыт применения дистанционных методов и материалов дистанционного зондирования Земли (ДЗЗ) для решения задач лесоучетных работ.

2. Оценить возможности применения материалов современных аэрокосмических съемок в целях определения таксационных характеристик.

3. Оценить возможности автоматизированного дешифрирования материалов космических съемок в целях определения характеристик лесов для ГИЛ.

4. Изучить количественные взаимосвязи характеристик структуры и продуктивности лесов с морфометрическими величинами

5. Изучить мировой опыт проведения национальных инвентаризаций лесов.

6. Разработать рекомендации, методические подходы, программные продукты, программы подготовки специалистов, направленные на совершенствование лесоучетных работ.

Решение поставленных задач обеспечит развитие и совершенствование теоретических и методических основ отечественных лесоучетных работ (ГИЛ и

лесоустройства) и будет способствовать разработке научных основ устойчивого управления лесами.

Научная новизна исследований. На основании проведенных исследований впервые оценены информационные возможности материалов аэрофотосъемки камерой Vision Map A3 - CIR (VisionMap, Израиль) и космической съемки со спутника GeoEye-1 (DigitalGlobe, США) в отношении определения таксационных характеристик.

Разработана методика работ по лесному стереоскопическому дешифрированию материалов аэрокосмических съемок с применением фотограмметрического программного обеспечения. Разработана методика выполнения работ по ГИЛ в объектах с наличием труднодоступных территорий с применением лесного стереоскопического дешифрирования материалов космической съемки и фотостатистического метода инвентаризации лесов.

Впервые в условиях Российской Федерации продемонстрированы возможности применения автоматизированной классификации снимка Landsat-8 методом k-NN для определения количественных и качественных характеристик лесов.

На примере модельных территорий, расположенных в разных ландшафтно-географических условиях, изучены количественные взаимосвязи характеристик структуры и продуктивности лесов с характеристиками рельефа ландшафтов. В качестве характеристик рельефа рассматривались морфометрические величины, классы форм рельефа (результаты автоматической классификации цифровых моделей высот), разница высот между цифровыми моделями высот поверхности и рельефа. На основании проведенных исследований предложен методический подход к изучению количественных взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами на основе цифрового моделирования рельефа, материалов лесоустройства и геоинформационных (ГИС) - технологий.

Сформулированы предложения по совершенствованию (модификации) системы государственной инвентаризации лесов на основе мирового опыта проведения национальных инвентаризаций.

Теоретическая значимость работы. На основании проведенных исследований и выполненного анализа мирового и отечественного опыта предложен ряд методических подходов к выполнению лесоучетных работ:

1. На примере модельной территории подтверждена целесообразность использования общепринятых (рекомендованных ФАО) методических подходов к национальной инвентаризации лесов. К таким подходам относятся размещение пробных площадей на основе регулярной сети, использование материалов ДЗЗ открытого доступа (Landsat, Sentinel и др.), использование автоматизированной классификации для определения количественных и качественных характеристик лесов (метода k-NN) с получением итоговых растровых карт пространственного распределения характеристик лесов.

2. Предложен новый методический подход к определению важнейших характеристик лесных насаждений - высот и запасов на основе цифрового моделирования поверхности и рельефа на основе данных радарной съемки SRTM и топографических карт.

3. Выявлено достоверное влияние морфометрических величин на характеристики структуры и продуктивности лесов для разных ландшафтно-географических условий.

4. Разработан ряд предложений по совершенствованию методики ГИЛ РФ:

- методика выполнения работ по ГИЛ в объектах с наличием труднодоступных территорий с применением лесного стереоскопического дешифрирования материалов космической съемки и фотостатистического метода инвентаризации лесов,

- методический подход к определению характеристик лесов для задач ГИЛ, основанный на автоматизированной классификации космических снимков с применением метода «ближайшего соседа» (k-nn метода),

- предложены рекомендации по совершенствованию отдельных компонентов ГИЛ РФ,

- система многоисточниковой государственной инвентаризации лесов).

5. Разработанные теоретические и методические подходы к изучению количественного влияния рельефа на характеристики структуры и продуктивности лесов будут способствовать развитию знаний о взаимосвязи лесной растительности с факторами ее местообитания, что представляет потенциальную значимость не только для задач лесного хозяйства и лесоучетных работ, но также и для общей, лесной и ландшафтной экологии.

Практическая значимость работы. Результаты исследований, связанных с решением задач таксации лесов дешифровочным способом, используются на практике:

1. Разработана, апробирована и внедрена в лесоустроительное производство технология таксации лесов дешифровочным способом. Начиная с 2015 г. по данной технологии в филиалах ФГБУ «Рослесинфорг» и частных лесоустроительных предприятиях выполнена таксация лесов на площади более 2,2 млн. га на территории Республики Карелии, Ленинградской, Псковской и Архангельской областей.

2. Разработан и внедрен в лесоустроительное производство комплект методических материалов для выполнения таксации лесов дешифровочным способом: Методика лесного стереоскопического дешифрирования аэро- и космических снимков (Методика..., 2015), Рабочие правила по таксации лесов дешифровочным способом (практическое пособие таксатору-дешифровщику) (Рабочие правила., 2015).

3. Разработан и внедрен в лесоустроительное производство модуль для лесного стереоскопического дешифрирования Photomod StereoMeasure (разработка компании «Ракурс» по заказу ФГУП «Рослесинфорг» и ООО «Леспроект»). Начиная с 2015 г. данный модуль используется в филиалах ФГБУ «Рослесинфорг» и частных лесоустроительных предприятиях.

4. Разработаны требования к материалам ДЗЗ для таксации лесов дешифровочным способом.

5. Разработаны требования к программно-аппаратному обеспечению для лесного стереоскопического дешифрирования.

6. Разработаны и внедрены программы подготовки специалистов по лесному стереоскопическому дешифрированию.

Материалы диссертации используются в учебном процессе при преподавании и обучении по курсам «Географические информационные системы в лесном хозяйстве», «Аэрокосмические методы в лесном хозяйстве», «Государственная инвентаризация лесов» (для обучения бакалавров по направлению 35.03.01 «Лесное дело»), «ГИС в лесном деле» (для подготовки бакалавров по направлению 09.03.02 «Информационные системы и технологии»), «Современные дистанционные методы инвентаризации лесных ресурсов», «ГИС в лесоустройстве и лесном хозяйстве», «Информационные технологии в лесном хозяйстве» (для обучения магистрантов по направлению 35.04.01 «Лесное дело»), «Современные геоинформационные технологии и системы» (для обучения магистрантов по направлению 09.04.02 «Информационные системы и технологии»).

Методология и методы исследования. В процессе исследования использовалось сочетание теоретических и методических подходов ряда научных направлений (лесоустройства, дистанционных методов, ландшафтоведения, геоморфометрии, геоинформатики и др.) с поиском и разработкой новых подходов и рекомендаций.

При сборе, обработке и представлении результатов исследований применялись методы и средства геоинформатики (Основы геоинформатики, 2004; Чандра, Гош, 2008) и статистического анализа (Боровиков, 2003; Пузаченко, 2004; Statgraphics..., 2014).

Программа исследований и основные методические положения отражены в Главе 2.

Положения, выносимые на защиту:

1. Лесное стереоскопическое дешифрирование материалов современных цифровых аэрокосмических съемок сверхвысокого пространственного разрешения с применением фотограмметрического программного обеспечения.

2. Автоматизированная классификация материалов космических съемок для определения характеристик лесов при проведении ГИЛ методом k-NN («ближайшего соседа»).

3. Количественные взаимосвязи характеристик структуры и продуктивности лесов с морфометрическими величинами на основе применения ГИС-технологий.

4. Рекомендации по совершенствованию системы лесоустройства и ГИЛ на основе проведенных исследований и выполненного анализа отечественного и мирового опыта.

Степень достоверности результатов исследования. Достоверность результатов исследования подтверждается применением методов математической статистики при выборе опытных участков и обработке данных. Часть данных сформирована на основе материалов лесоустройства, полученных и обработанных по стандартным методикам, соответствующим нормативным документам. Обоснованность и достоверность результатов подтверждаются значительным объемом экспериментального материала (от десятков и сотен лесотаксационных выделов при изучении информационных возможностей материалов ДЗЗ до десятков тысяч выделов при изучении количественных взаимосвязей морфометрических величин с характеристиками структуры и продуктивности лесов).

При статистической обработке данных использовались общепринятые пакеты прикладных программ Statgraphics, Microsoft Excel, а также модули для обработки материалов ДЗЗ в ГИС QGIS, позволяющие оценивать качество автоматизированной классификации. Полученные количественные закономерности статистически значимы и достоверны.

Апробация результатов исследования. Доклады по материалам диссертационной работы за период с 2013 по 2019 г. были представлены на 26

конференциях и семинарах разного уровня (отраслевых, региональных, всероссийских, международных).

К наиболее значительным выступлениям по материалам диссертационной работы относятся доклады, сделанные на следующих конференциях и семинарах:

1. Всероссийские конференции - «Всероссийское совещание по вопросам государственной инвентаризации лесов, лесоустройства и государственного лесного реестра»: Всероссийская научн.-тех. конф., 16-17 декабря 2015 г. (Московская область, г. Пушкино, ВНИИЛМ, 2015); «Леса России: политика, промышленность, наука, образование»: Научн.-тех. конф., 1315 апреля 2016 г. (Санкт-Петербург, СПбГЛТУ, 2016); «Леса России: политика, промышленность, наука, образование»: II Научн.-тех. конф., 24-26 мая 2017 г. (Санкт-Петербург, СПбГЛТУ, 2017); «Леса России: политика, промышленность, наука, образование»: IV Научн.-тех. конф., 22-24 мая 2019 г. (Санкт-Петербург, СПбГЛТУ, 2019).

2. Международные конференции - «Международный семинар по обмену опытом национальных инвентаризаций лесов России и Финляндии»: Междунар. научн.-практич. конф., 10-11 апреля 2013 г. (Санкт-Петербург: ФГУП «Севзаплеспроект», 2013); «Интеграция геопространства - будущее информационных технологий»: Международный форум 17-19 апреля 2013 г. (Москва, 2013); «Интерэкспо Гео-Сибирь-2013»: Международный научный форум 24-26 апреля 2013 г. (Новосибирск: филиал ФГУП «Запсиблеспроект», 2013); «Инновации и технологии в лесном хозяйстве - 2013»: Междунар. научн.-практич. конф., 22 по 24 мая 2013 г. (Санкт-Петербург: ФБУ «СПбНИИЛХ», 2013); «От снимка к карте: цифровые фотограмметрические технологии»: 13-я Междунар. научн.-технич. конф., 21-27 сентября 2013 г. (Франция, Фонтенбло, 2013); «Геодезия. Маркшейдерия. Аэросъемка. На рубеже веков»: V международная научно-практическая конференция, 13-14 февраля 2014 г. (Москва, 2014); «Инновации и технологии в лесном хозяйстве» - 1ТБ-2014»: IV Международная научн.-практич. конф. 27-28 мая 2014 г. (Санкт-Петербург: ФБУ «СПбНИИЛХ», 2014); «XVII Петербургский Международный Лесопромышленный Форум»:

Междунар. научн.-практич. конф., 30 сентября 2015 г. (Санкт-Петербург, 2015); «От снимка к карте: цифровые фотограмметрические технологии»: 15-я Международная научн.-технич. конф., 26-28 октября 2015 г. (Мексика, Юкатан, 2015); «Проблемы инвентаризации лесов и лесоустройства»: 5-я Междунар. научн. - практич. конф., 4-6 октября 2018 г. (Воронеж, 2018).

Отдельные результаты исследований были апробированы в рамках международных проектов: SURGE («Усиление адаптационного потенциала лесов Западной Украины, Северо-Запада России и Юго-Западной Германии при изменении условий окружающей среды и социальных потребностей»); Erasmus+ («Программа мобильности преподавателей»); FORPEC (программа подготовки магистров по профилю «Лесная политика и лесная экономика» на английском языке).

Личный вклад автора. Автор участвовал в основных этапах диссертационного исследования - в планировании работы (совместно с научным консультантом), сборе и анализе научной литературы, сборе и обработке исходных материалов, статистической обработке и анализе полученных результатов (совместно с научным консультантом), написании и публикации статей (совместно с соавторами), представлении основных результатов на конференциях и семинарах (совместно с соавторами), написании и оформлении рукописи диссертации.

Публикации. По теме диссертации опубликовано 40 статей в журналах и сборниках, в том числе 11 статей в рецензируемых изданиях, рекомендованных ВАК РФ (1 статья в журнале, входящем в перечень Scopus, 1 статья в журнале из перечня Web of Science), 26 статей в прочих изданиях, одно учебное пособие, получено одно свидетельство о регистрации программы для ЭВМ.

Структура и объём диссертации. Диссертация состоит из введения, 7 глав, заключения, списка литературы (435 источников, в том числе 85 на иностранных языках) и 5 приложений. Основная часть диссертации изложена на 370 страницах, включает 45 таблиц и 36 рисунков; общий объём диссертации (с приложениями) — 386 страниц.

Благодарности. Приношу глубокую благодарность моим учителям и коллегам за приобретенные в процессе совместной работы опыт и знания. Искренне благодарю коллег - участников авторского коллектива ФГУП «Рослесинфорг» (2012-2015 гг.) и ООО «Леспроект» (2015-2019 гг.) Архипова В.И., Баскова В.И., Белова В.А., Березина В.И., Чухрия В.В., а также коллег по кафедре лесной таксации, лесоустройства и геоинформационных систем СПбГЛТУ за разностороннюю помощь в подготовке и обсуждении диссертационной работы. Особую благодарность выражаю научному консультанту - профессору А.С. Алексееву за руководство, координацию и обсуждение результатов исследований.

ГЛАВА 1. ПРИМЕНЕНИЕ ДИСТАНЦИОННЫХ МЕТОДОВ ДЛЯ ВЫПОЛНЕНИЯ ЛЕСОУЧЕТНЫХ РАБОТ

1.1. Лесоучётные работы в Российской Федерации

Основными видами лесоучетных работ в РФ являются государственная (национальная) инвентаризация лесов и лесоустройство. В соответствии с действующим лесным законодательством к лесоучетным работам также относятся постановка лесных участков на государственный кадастровый учет и ведение лесного реестра (в данной работе последние два направления не рассматриваются).

На необходимость и безальтернативность применения материалов дистанционных съемок в качестве информационной основы лесоучётных работ в РФ многократно указывают специалисты. На сегодняшний момент, по сравнению с периодом наивысшего развития дистанционных методов в лесном хозяйстве СССР (большинством специалистов таким периодом считаются 1970-1980-е гг.), произошел ряд прогрессивных шагов в области развития дистанционных методов: изменились летательные аппараты для съемок, появились качественно новые съемочные системы, развиваются технические средства и методы обработки материалов дистанционного зондирования Земли (ДЗЗ), существенно повысились качественные характеристик съемок, увеличилось их разнообразие. Также за последние десятилетия отмечается совершенствование и развитие информационных технологий, методов обработки информации, программного обеспечения, ГИС-технологий. По ряду направлений, связанных с картографированием и инвентаризацией природных ресурсов (картография, фотограмметрическая обработка материалов аэрокосмосъемки, создание и ведение информационных систем территориального развития, 3D-моделирование территорий и объектов, геодезические и маркшейдерские работы и пр.)

применение цифровых данных ДЗЗ и методов их компьютерной обработки стало обязательной составляющей производства.

К сожалению, несмотря на значительный прогресс в сфере дистанционных методов в целом, в части их применения в лесном хозяйстве Российской Федерации отмечается многолетний застой: используется ограниченный состав материалов ДЗЗ, технологии и инструменты лесного дешифрирования практически не меняются с 1980-х гг., процессы обработки и представления материалов аэрокосмосъемки во многом несовершенны. В 1990-е гг. в РФ были фактически свернуты все научно-исследовательские работы по применению дистанционных методов в лесном хозяйстве. Подготовка специалистов в области дистанционных методов в лесоустройстве и лесном хозяйстве не соответствует современному научному и техническому уровню (Березин, Черниховский и др., 2016).

1.1.1. Государственная инвентаризация лесов

Понятие государственной инвентаризации лесов (ГИЛ) определено статьей 90 Лесного кодекса 2006 года и представляет собой новый вид лесоучетных работ, ранее не применявшийся на территории России. ГИЛ представляет собой мероприятия по проверке состояния лесов, их количественных и качественных характеристик. Главным направлением ГИЛ является определение количественных и качественных характеристик лесов, которое проводится на сети постоянных пробных площадей, размещаемой с помощью методов математической статистики.

Методические и организационные проблемы ГИЛ обсуждались на представительных российских и международных конференциях в Новосибирске (2012 г.), Брянске (2013 г.), Иркутске (2014 г.) и Воронеже (2018 г.). В решениях конференций отражены актуальные вопросы совершенствования и развития системы ГИЛ (Решение., 2012; Решение 2013; Решение ., 2018).

Вопросы необходимости изучения международного опыта проведения национальных инвентаризаций лесов (НИЛ), необходимости активного применения дистанционных методов и развития научного обоснования ГИЛ отражены в решениях всех конференций. Также отмечаются несовершенство действующей модели стратификации ГИЛ (Решение ..., 2013), необходимость зонирования территории РФ с применением разных подходов к проведению работ по ГИЛ в разных частях страны. Отмечается необходимость применения различных новых подходов и методов ГИЛ путем оптимизации соотношения трудозатрат, сроков выполнения работ и получения практически значимых результатов (Решение ..., 2013), важность адаптации материалов ГИЛ к международной отчетности по лесам и отсутствие научно-обоснованных требований по адресности и формату использования результатов ГИЛ в различных сферах деятельности (Решение., 2018). Представляют интерес предложения рассмотреть на НТС ФАЛХ «.алгоритмы математико-статистических моделей, применяемых в ПИК ГИЛ, с участием признанных экспертов в области статистических работ», а также инициировать проведение международного аудита методологии ГИЛ (Решение 2013).

Отсутствие к настоящему моменту выработанных и обоснованных решений относительно оптимальных алгоритмов обработки и представления результатов первого цикла работ по ГИЛ и планирования второго цикла подтверждается констатацией необходимости совершенствования практически всех основных методических вопросов: «Методика проведения ГИЛ (особенно вопросы стратификации лесов), система планирования и организации выполнения работ, обработки результатов измерений на постоянных пробных площадях, их интерпретации требуют совершенствования и дальнейшего развития с учетом разрабатываемых новых и модификаций существующих технологий, что является весьма актуальным при переходе на второй цикл ГИЛ» (Решение., 2018).

Недостатки системы ГИЛ РФ стали активно обсуждаться после знакомства экспертов с первыми результатами выполненных работ по ГИЛ (Решение., 2013). Представленные экспертам результаты ГИЛ (направление «оценка

количественных и качественных характеристик лесов») содержали серьезные противоречия сразу на нескольких уровнях - всей страны, субъектов Федерации и отдельных страт.

К недостаткам отечественной системы ГИЛ относятся (Алексеев, 2009 и 20Ш):

- недостаточный уровень научного обоснования методики ГИЛ,

- неточно сформулированные цели (цели ГИЛ прямо не сфокусированы на основную ее задачу - получение достоверной статистической информации о лесном фонде и лесах на землях других категорий),

Список литературы диссертационного исследования доктор наук Черниховский Дмитрий Михайлович, 2020 год

- -

: :

- 15

10

10

15

20

25

Ьзрс

М = 14,781 ЗЪврс

400

300

200

100

- ♦

- ♦♦♦♦ ш ♦

- -

<

10

15

20

25

Ь$рс

Рисунок 5.5. Графики зависимости средних высот и запасов насаждений от средних высот центра фазы рассеяния SRTM внутри ячеек регулярной сети: а -

зависимость средней высоты насаждений к (м), от средней высоты фазы

рассеяния крс (м), коэффициент детерминации Я2 = 99,18%, б - зависимость

__-5 —

среднего запаса насаждений м (м /га) от средней высоты фазы рассеяния к5рс (м), коэффициент детерминации Я2 = 98,35% (Черниховский, Алексеев, 2019Ь)

б

регрессии для всех выделов насаждений четырех групп основных лесообразующих пород в целом близки. Отличия регрессионных коэффициентов

между группами насаждений при прочих равных условиях можно трактовать различной пропускной способностью древесного полога.

Величина площади выдела практически не влияет на значения регрессионных коэффициентов и тесноту связи для всех групп насаждений. Увеличение относительной полноты для всех пород однозначно приводит к снижению коэффициентов регрессии. Коэффициент регрессии в данном случае характеризует отличие средней высоты насаждения от средней высоты центра фазы рассеяния (чем больше отличие коэффициента регрессии от единицы, тем более глубоко проникают лучи радарной съемки в лесной полог). Максимальные значения коэффициентов регрессии отмечаются в низкополнотных насаждениях. Изменения коэффициентов регрессии в зависимости от изменения состава насаждений проявляются неодинаково для насаждений разных пород. Для хвойных насаждений максимальные значения коэффициентов регрессии (следовательно, и максимальная пропускная способность полога для лучей радарной съемки) отмечаются в смешанных насаждениях с долей преобладающей породы в составе 5 и менее единиц. Увеличение доли преобладающей породы в составе насаждения приводит к снижению коэффициента регрессии. Для лиственных насаждений изменение доли преобладающей породы в составе практически не сказывается на значениях коэффициентов регрессии (они остаются близкими к средним по всем выделам).

Из результатов, представленных в таблице 5.8, видно, что регрессионные коэффициенты для всех групп насаждений в целом близки и незначительно отличаются от коэффициента 1,38, определенного для всех лесопокрытых участков регулярной сети (рисунок 5.5а). При этом наиболее низкие значения коэффициентов регрессии отмечаются для сосновых (1,32) и еловых (1,35) насаждений, наиболее высокие (1,44) - для осиновых.

В таблице 5.9 представлены результаты регрессионного анализа зависимости среднего запаса насаждений от средней высоты фазы рассеяния. Для данного анализа коэффициент регрессии может рассматриваться как «плотность» насаждений (чем выше значение коэффициента регрессии, тем больше запас

Таблица 5.8 - Регрессионные уравнения зависимостей средней высоты насаждений Ь (м) от средней высоты фазы рассеяния Ь„рс (м). В скобках указано количе-_ство выделов (шт.) (Черниховский, Алексеев, 2019Ь)_

Критерии оцен- Группы насаждений

ки и их градации сосновые еловые березовые осиновые

Все насаждения Ь = 1,44Ьр Ь = 1,46Ь„рс Ь = 1,49Ь„рс Ь = 1,52Ь„рс

Я2 = 95,83% (1815) Я2 = 96,28% (1851) Я2 = 96,56% (1307) Я = 97,16% (1026)

Площадь выдела, га

менее 2,5 га Ь = 1,44Ьр Ь = 1,45Ь„рс Ь = 1,49Ь„рс Ь = 1,52Ьр

Я2 = 95,48% (1061) Я2 = 96,06% (1264) Я2 = 96,13% (854) Я2 = 96,96% (673)

2,5-5 га Ь = 1,43Ьрс Ь = 1,48Ь„рс Ь = 1,48Ь„рс Ь = 1,5Ь„рс

Я2 = 96,41% (521) Я2 = 96,69% (434) Я2 = 97,13% (302) Я2 = 97,57% (243)

более 5 га Ь = \46hspc Ь = 1,51Ь„рс Ь = 1,47Ьрс Ь = 1,53Ьрс

Я2 = 96,19% (233) Я2 = 97,08% (153) Я2 = 97,87% (151) Я2 = 97,53% (110)

Относительная полнота, доля единицы

0,5 и менее Ь = 1,65Ьрс Ь = 1,57 Ь„рс Ь = 1,69Ь„рс Ь = 1,64Ь„рс

Я2 = 95,03% (476) Я2 = 95,82% (549) Я2 = 96,05% (250) Я2 = 96,89% (285)

0,6-0,7 Ь = 1,41Ьрс Ь = 1,44Ь„рс Ь = 1,47Ь„рс Ь = 1,49Ь„рс

Я2 = 96,92% (1080) Я2 = 96,74% (910) Я2 = 96,86% (799) Я2 = 97,44% (554)

0,8 и выше Ь = 1,32Ь,рс Ь = 1,35Ь „рс Ь = 1,39Ь „рс Ь = 1,44Ьрс

Я2 = 97,91% (259) Я2 = 97,57% (392) Я2 = 98,25% (258) Я2 = 98,11% (187)

Коэффициент преобладающей породы в составе, ед.

5 и менее Ь = 1,65Ьрс Ь = 1,49Ь„рс Ь = 1,48Ьр Ь = 1,5Ь„рс

Я2 = 95,03% (476) Я2 = 96,51% (1315) Я2 = 96,77% (686) Я2 = 97,22% (535)

6-7 Ь = 1,41Ьрс Ь = 1,37Ьрс Ь = 1,5Ь„рс Ь = 1,55Ь„рс

Я2 = 96,62% (1080) Я2 = 96,63% (412) Я2 = 96,56% (510) Я2 = 97,06% (364)

8 и более Ь = 1,32Ь „рс Ь = 1,39Ь„рс Ь = 1,47Ь„рс Ь = 1,47Ь„рс

Я2 = 97,91% (259) Я2 = 94,02% (124) Я2 = 95,21% (111) Я2 = 97,41% (127)

лесного насаждения при одинаковых значениях высоты фазы рассеяния). Закономерного влияния площади выдела на величину регрессионных

Таблица 5.9 - Регрессионные уравнения зависимостей среднего запаса

__-5 —

насаждений М (м /га) от средней высоты центра фазы рассеяния к.рс (м) _(Черниховский, Алексеев, 2019Ь)_

Критерии Группы насаждений

оценки и их градации сосновые еловые березовые осиновые

Все насаж- М = 15,73крС М = 16,83к.рс М = 13,96крс М = 16,19крс

дения Я2 = 95,17% (1815) Я2 = 93,35% (1851) Я2 = 95,4% (1307) Я2 = 94,67% (1026)

Площадь выдела, га

менее 2,5 га М = 15,65к.рс М = 16,7 к .рс М = 13,7 к.рс М = 16,31крс

Я2 = 94,77% (1061) Я2 = 92,77% (1264) Я2 = 94,85% (854) Я2 = 94,64% (673)

2,5-5 га М = 15,71к .рс М = 17,14крс М = 14,36к .рс М = 15,77 к.рс

Я2 = 95,64% (521) Я2 = 94,6% (434) Я2 = 96,21% (302) Я2 = 94,54% (243)

более 5 га М = 16,13к.рс М = 17 к .рс М = 14,53крс М = 16,45к.рс

Я2 = 96,08% (233) Я2 = 94,56% (153) Я2 = 96,97% (151) Я2 = 95,39% (110)

Относительная полнота, доля единицы

0,5 и менее М = 12,7 к .рс М = 13,04к .рс М = 11,46крс М = 12,51крс

Я2 = 93,8% (476) Я2 = 93,05% (549) Я2 = 94,3% (250) Я2 = 95,57% (285)

0,6 - 0,7 М = 15,99к.рс М = 17,58к .рс М = 14,02к.рс М = 16,55к.рс

Я2 = 96,41% (1080) Я2 = 95,98% (910) Я2 = 96,05% (799) Я2 = 96,94% (554)

0,8 и выше М = 18,39к.рс М = 20,3к.рс М = 15,69крс М = 20,1к.рс

Я2 = 97,6% (259) Я2 = 96,47% (392) Я2 = 97,31% (258) Я2 = 97,82% (187)

Коэффициент преобладающей породы в составе, ед.

5 и менее М = 15,48к.рс М = 16,92к.рс М = 13,84к.рс М = 15,26к рс

Я2 = 94,79% (815) Я2 = 94,09% (1315) Я2 = 95,69% (686) Я2 = 95,36% (535)

6 - 7 М = 15,58к .рс М = 16,67крс М = 14,18крс М = 16,87крс

Я2 = 95,68% (454) Я2 = 92,53% (412) Я2 = 95,22% (510) Я2 = 94,61% (364)

8 и более М = 16,33к.рс М = 16,24к.рс М = 13,73к.рс М = 18,1к.рс

Я2 = 95,55% (209) Я2 = 87,04% (124) Я2 = 94,49% (111) Я2 = 95,31% (127)

коэффициентов и тесноту связей не отмечается. Для всех групп насаждений

коэффициенты регрессии увеличиваются с ростом относительной полноты. Для

сосновых и осиновых насаждений отмечается также рост коэффициентов регрессии с увеличением в составе доли преобладающей породы (то есть переходом от смешанных к чистым насаждениям). Для еловых насаждений наоборот - с увеличением доли ели в составе коэффициент регрессии несколько уменьшается. Среди насаждений основных групп древесных пород наиболее высокие коэффициенты регрессии отмечаются у ельников. Максимальные значения коэффициентов регрессии - у высокополнотных еловых и осиновых насаждений.

В результате проведенного этапа исследования получены следующие заключения (Черниховский, Алексеев, 2018, 2019Ь и 2019^:

1. Разработан метод определения высот и запасов лесных насаждений на основе данных радарной съемки SRTM и топографических карт с применением ГИС-технологий.

2. Установлены тесные, статистически достоверные зависимости средних высот и запасов насаждений от высоты центра фазы рассеивания для ячеек регулярной сети с шагом 1 км.

3. Установлены тесные, статистически достоверные зависимости средних высот и запасов насаждений от высоты центра фазы рассеивания для лесотаксационных выделов. Оценено влияние на изменчивость средних высот и запасов насаждений коэффициента состава преобладающей породы, относительной полноты и площади выдела.

С учетом глобального характера данных SRTM выявленные закономерности могут оказаться полезными для лесоучетных работ регионального и глобального уровней (государственной инвентаризации лесов), а также решения глобальных экологических задач (определения запасов углерода, оценки надземной биомассы). При дальнейшем развитии полученных результатов вместо топографических карт могут использоваться цифровые модели рельефа, получаемые на основе материалов ДЗЗ. Вместо материалов лесоустройства -данные наземных пробных площадей.

5.6. Оценка взаимосвязей характеристик структуры и продуктивности лесов с результатами автоматических классификаций рельефа

Автоматическая классификация на основе морфометрических величин является одним из направлений количественной характеристики рельефа (Hengl, Reuter, 2008). Для оценки возможностей применения результатов автоматической классификации рельефа в целях изучения лесов были поставлены следующие задачи:

- разработка методики работ по оценке взаимосвязей характеристик структуры и продуктивности лесов с результатами автоматических классификаций рельефа,

- выполнение автоматических классификаций цифровых моделей высот модельной территории средствами ГИС-технологий,

- оценка взаимосвязей характеристик структуры и продуктивности лесов с результатами классификаций рельефа.

Порядок и содержание работ по проведению исследований соответствуют действиям, описанным в таблице 5.3 (п. 5.3.2.) Для формирования цифровой модели поверхности использовались глобальные модели высот SRTM, для формирования ЦМР - топографические карты (выполнялось сканирование топографических карт, трансформация растровых изображений в ГИС-проект, оцифровка горизонталей вручную средствами ГИС с присвоением им значений высот, формирование ЦМР). Далее выполнялась автоматическая классификация рельефа с помощью ГИС Saga GIS.

Объектом исследования служила Лисинская часть Учебно-опытного лесничества (бывшего Лисинского Учебно-опытного лесхоза), разделенная регулярной сетью на ячейки с шагом 1 км (рисунок 5.2а). Краткая характеристика модельной территории и сравнение моделей высот на основе цифровой модели поверхности SRTM и ЦМР на основе топографических карт приведены в разделе 5.5.

На рисунке 5.6 показано трёхмерное представление цифровой модели поверхности (рисунок 5.6а) и рельефа (рисунок 5.6б).

Для обеих моделей высот выполнена автоматическая классификация рельефа по алгоритму Ивахаши и Пайка с помощью ГИС Saga GIS (Iwahashi, Pike, 2007; Conrad et al., 2015).

а б

Рисунок 5.6. Трёхмерное представление цифровых моделей высот: а - модель высот SRTM, б - модель рельефа на основе оцифрованных топографических карт

(Черниховский, 2018)

Выполнены следующие варианты автоматической классификации рельефа:

- на основе ЦМР, сформированной по оцифрованным топографическим картам (размер ячейки 30),

- на основе цифровой модели поверхности SRTM (метод Ивахаши и Пайка с размерами ячейки 30, 90 и 150 м),

- на основе цифровой модели поверхности SRTM (метод индекса превышения - TPI с размерами ячейки 30 и 90 м).

Карты распределения площадей по классам форм рельефа (Приложение 4) демонстрируют, что автоматическая классификация цифровых моделей

поверхности и рельефа на одну и ту же территорию дает разные результаты. Очевидными причинами получения разных результатов классификации являются различия исходных пространственных данных - моделей рельефа и поверхности (рисунки 5.2 и 5.6). Результаты автоматической классификации ЦМР в целом соответствуют рисунку горизонталей исходных топографических карт. Карты результатов классификации рельефа на основе цифровой модели поверхности SRTM менее наглядны и однозначны. С учетом известных сведений о модели SRTM, указанных в п. 5.2.3, профилей высот (рисунок 5.3), а также трехмерного представления модельной территории (рисунок 5.6) можно заключить, что модель высот SRTM отражает волнистую поверхность, проходящую ниже поверхности лесного полога и близкую к модели рельефа на открытых местах. Покрытые лесом равнинные участки теоретически должны представлять собой преимущественно террасообразные плоские возвышения. Но результаты классификации модельной территории представляют собой достаточно пеструю картину с присутствием различных вариантов склонов. Переходы между покрытыми и непокрытыми лесной растительностью участками (лесами и болотами, вырубками, пашнями) имеют резкие скачки высот, которые при классификации рельефа идентифицируются как крутые склоны. Малозначительные с позиций таксации лесов различия в характеристике лесного полога могут приводить к выделению нескольких классов склонов даже в пределах одного лесотаксационного выдела. К таким различиям относятся перепады высот, неравномерная полнота и состав насаждений, наличие линейных объектов (дорог, просек, линий электропередач) и открытых участков. Узкие полосы вдоль лесных опушек в большинстве случаев классифицируются как крутые склоны. Плоскими склонами характеризуются поверхности болот, вырубок и насаждений с ровным пологом. Наиболее разнообразными в отношении вариантов склонов являются участки, пройденные выборочными рубками, молодняки с наличием единичных деревьев, переходы между покрытыми и непокрытыми лесной растительностью (или нелесными) участками. В процессе автоматической классификации поверхность модели SRTM

разделяется на склоны с различными геометрическими характеристиками. Например, лесной массив с ровным однородным пологом может относиться к плоскому склону, полосы шириной 30-50 метров по краям массива - к крутым склонам, возвышенная часть лесного массива - к плоским склонам с высокой выпуклостью. При этом без привлечения дополнительных источников (материалов дистанционного зондирования, лесных карт) определить категорию земель конкретного участка практически невозможно.

В результате выполнения многофакторного регрессионного анализа для каждого варианта автоматической классификации рельефа определен набор из 34 классов форм рельефа, способный объяснять 50-80% изменчивости большинства анализируемых характеристик структуры и продуктивности лесов (таблица 5.10).

Результаты регрессионного анализа, продемонстрированные в таблице 5.10, подтверждают наличие взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами (обобщенными в виде классов форм рельефа Ивахаши и Пайка). Примечательно, что для всех рассматриваемых вариантов моделей высот (ЦМР и ЦМП с разными размерами пиксела) получены близкие по тесноте связи регрессионные уравнения.

Подобные регрессионные уравнения также получены для результатов классификации ЦМР по алгоритму TPI (таблица 5.11) (Черниховский, 2017a).

Результаты автоматических классификаций ЦМВ чувствительны к исходным установкам, определяющим размеры окрестности для расчетов, пространственному разрешению ЦМВ, а также размерам территории. Важно отметить, что равнинный рельеф изучаемой территории достаточно слабо выражен, а сама модельная территория принадлежит к двум разным ландшафтам.

Полученные результаты позволяют сделать ряд предположений:

- поверхность рельефа (характеризуемая классами форм поверхности на основе морфометрических величин) через перераспределение потоков вещества и энергии способна оказывать существенное влияние на изменчивость количественных и качественных характеристик лесов;

Таблица 5.10 - Коэффициенты регрессионных уравнений связей характеристик

структуры и продуктивности лесов с классами форм рельефа

Характеристики Классы форм поверхности рельефа по классификации Коэффициент

структуры и продук- Ивахаши и Пайка детерминации

тивности лесов R2, %

Cl2 Cl4 Cl5 Cl 6 Cl7 Cl8

Цифровая модель рельефа на основе топографических карт

с Cher 0,43 0,54 - 0,37 - 0,37 79,00

SKisl 0,52 0,47 - 0,45 - 0,27 74,19

s pine - - - 0,26 - 0,51 67,64

S spruce 0,50 0,68 - 0,35 - 0,24 83,43

s birch 0,30 - - 0,25 - 0,18 72,37

s Aspen 0,24 - - 0,12 - 0,13 51,93

SLes 1,00 0,98 - 0,98 - 0,96 98,53

M 227,45 226,52 - 188,11 - 222,06 94,61

B 4,14 3,79 - 4,27 - 4,81 97,27

Coeff 5,44 4,31 - 5,35 - 6,18 97,20

Цифровая модель поверхности на основе SRTM с разрешением 30 м

с Cher - - - 0,53 - 0,44 64,54

SKisl - - 3,57 0,63 - 0,33 60,52

S pine - - 1,38 0,26 - 0,50 68,26

S spruce - - 2,25 0,53 - 0,32 60,67

S birch - - 1,42 0,35 - 0,18 60,58

S Aspen - - 0,20 0,63 - 0,12 51,12

SLes - - 4,56 1,34 - 1,08 84,68

M - - 1283,32 270,18 - 248,77 80,74

B 24,81 5,75 5,26 86,81

Coeff 33,15 7,28 6,69 86,68

Цифровая модель поверхности на основе SRTM с разрешением 90 м

с Cher - - 0,85 0.66 0,73 0,41 79,23

SKisl - - 0,63 0,59 0,80 0,58 72,31

S pine - - 0,41 0,39 0,55 0,41 56,29

S spruce - - 0,79 0,44 0,74 0,46 78,07

S birch - - 0,39 0,31 0,36 0,30 68,20

S Aspen - - 0,23 0,20 0,38 0,18 51,13

SLes - - 1,81 1,34 2,01 1,27 96,28

M - - 393,05 320,04 342,40 290,40 95,44

B - - 7,99 5,46 9,38 6,00 94,67

Coeff - - 9,94 7,44 11,35 7,65 95,02

Характеристики структуры и продуктивности лесов Классы форм поверхности рельефа по классификации Ивахаши и Пайка Коэффициент детерминации R2, %

Cl2 Cl4 Cl 5 Cl 6 Cl7 Cl8

Цифровая модель поверхности на основе SRTM с разрешением 150 м

с Cher - - 0,66 0,69 0,83 0,43 78,00

SKisl - - 0,70 0,50 0,49 0,63 72,06

s pine - - 0,37 0,44 0,65 0,37 55,18

s spruce - - 0,66 0,48 0,76 0,48 76,57

s birch - - 0,31 0,28 0,39 0,35 68,22

s Aspen - - 0,33 0,12 - 0,21 50,82

SLes - - 1,65 1.32 1,89 1,33 94,45

M - - 349,89 307,71 366,50 300,67 93,83

B - - 7,25 5,53 9,25 6,17 92,37

Coeff - - 9,17 7,41 11,21 7,82 93,08

Примечание. Доли площади ячейки регулярной сети от покрытой лесной растительностью площади, %: 8СЬег- черничная группа типов леса, - кисличная группа типов леса,

Б рШе - сосновые насаждения, $ ршсе - еловые насаждения, 8Ъггск - березовые насаждения, 8А!1рт -осиновые насаждения - лесопокрытые земли. Средние значения таксационных характеристик насаждений: м - запас на га, м3, В - класс бонитета, Сое^[ - доля (коэффициент) преобладающей породы в составе, С12 - С18 - классы форм поверхности рельефа по классификации

Ивахаши и Пайка

- близкие значения коэффициентов детерминации регрессионных уравнений при использовании разных вариантов классификаций можно объяснить предположением о том, что выбираемые в качестве независимых переменных классы рельефа способны отражать важнейшие для лесов свойства поверхности рельефа;

- различия в тесноте связей полученных регрессионных уравнений для разных характеристик лесов могут объясняться различной чувствительностью анализируемых характеристик к изменениям формы поверхности рельефа.

- можно предположить, что классы форм рельефа, комплексно характеризуя морфометрические свойства поверхности рельефа ландшафтов, также способны комплексно характеризовать структуру лесных местопроизрастаний;

Таблица 5.11. Многофакторные регрессионные уравнения связей характеристик

структуры и продуктивности лесов с результатами автоматической классификации форм рельефа TPI (в скобках - коэффициент детерминации, %)

ЦМР с разрешением 30 м и радиусами окрестности 100 и 1000 м ЦМР с разрешением 90 м и радиусами окрестности 1000 и 3000 м

M = 188,34Cl3 + 288,21Cl4 + 463,28Cl6 M = 195,28Cl0 + 249,38C74 + 379,93Cl6

R2 = 94,30% R2 = 94,60%

B = 9,30Cl3 + 5,94Cl4 + 7,71Cl6 B = 7,26Cl0 + 5,22Cl4 + 5,79Cl6

R2 = 96,90% R2 = 94,76%

Coeff = 10,35Cl3 + 7,45Cl4 + 11,26Cl6 Coeff = 8,68Cl0 + 6,58Cl4 + 8,26Cl6

R2 = 97,26% R2 = 95,61%

Susn = 111,25C^ + 128,48Cl4 + 206,32Cl6 sLeSn = 84,79Cl0 + 116,56Cl4 + 144,99Cl6

r2 = 94,25% R2 = 95,58%

SChern = 0,37Cl3 + 0,52Cl4 + 0,92Cl6 SChern = 0,41Clo + 0,46Cl4 + 0,78Cl6

R2 = 75,15% R2 = 78,17%

SKlsl = 0,66Cl3 + 0,51Cl4 + 0,78Cl6 SKlsl = 0,48Cl0 + 0,47Cl4 + 0,61Cl6 r2 = 71,15%

R2 = 68,57% R2 = 71,15%

SPme = 0,52Cl3 + 0,40Cl4 + 0,64Cl6 Sp,ne = 0,44Cl0 + 0,36Cl4

R2 = 59,92% R2 = 52,28%

SSpruce = 0,77 Cl3 + 0,44Cl4 + 0,52Cl6 Sspruce = 0,50Cl0 + 0,42Cl4 + 0,39Cl6

R2 = 72,94% R2 = 77,83%

SBirch = 0,34Cl3 + 0,32Cl4 + 0,29Cl6 S^ = 0,31Cl0 + 0,26Cl4 + 0,49Cl6

R2 = 68,72% R2 = 73,78%

Примечание. Доля площади ячейки регулярной сети от покрытой лесной растительностью площади, %: SCher - черничная группа типов леса, SKisl - кисличная группа типов леса, S pine

- сосновые насаждения, Sspruce - еловые насаждения, Sbirch - березовые насаждения, SAspen - осиновые насаждения SLes - лесопокрытые земли. Средние значения таксационных характеристик насаждений: M - запас на га, м3, B - класс бонитета, Coeff - доля (коэффициент) преобладающей породы в составе. Классы форм поверхности рельефа по классификации TPI: Cl0 - класс 0,

Cl3 - класс 3, Cl4 - класс 4, Cl6 - класс 6

- использование при изучении лесов результатов автоматической классификации рельефа может оказаться предпочтительнее использования отдельно взятых морфометрических величин (крутизны и экспозиции склонов, высоты над уровнем моря, показателей кривизны и расчлененности рельефа).

Наличие связей характеристик структуры и продуктивности лесов с морфометрическими величинами, определяемыми на основе модели поверхности SRTM пока не имеет однозначного объяснения. Ни сама модель высот SRTM, ни выделяемые на ее основе классы рельефа даже не позволяют отличать покрытые лесной растительностью земли от непокрытых. Маловероятно, что классы рельефа могут характеризовать условия местопроизрастания, поскольку они характеризуют только лесной полог. Поверхность модели SRTM теоретически может различаться для разных по таксационным характеристикам насаждений. Но используемые размеры пиксела (30, 90, 150 м) не могут отражать характеристики крон отдельных деревьев.

Классификация рельефа на основе топографических карт никак не связана с характеристиками лесов, их состоянием, интенсивностью хозяйственных мероприятий и лесозаготовок. Наличие регрессионных связей в данном случае может объясняться влиянием формы поверхности рельефа на водный режим и распределение почвообразующих пород, определяющих формирование лесных местопроизрастаний.

В результате исследований, посвященных выявлению количественных взаимосвязей между характеристиками структуры и продуктивности лесов и результатами автоматической классификации моделей высот, получены следующие выводы:

1. Впервые предложен методический подход к изучению количественных взаимосвязей характеристик структуры и продуктивности лесов с морфометрическими величинами на основе автоматической классификации рельефа и ГИС-технологий.

2. Получен набор регрессионных уравнений связей характеристик структуры и продуктивности лесов с классами форм поверхности рельефа для различных вариантов классификаций и исходных данных о поверхности лесных ландшафтов

5.7. Анализ связей характеристик структуры и продуктивности лесов с результатами автоматической классификации рельефа на региональном уровне (на примере ландшафтов Ленинградской области)

Наиболее ценным результатом исследований, представленных в предыдущем разделе, было получение регрессионных уравнений связей характеристик структуры и продуктивности лесов с классами форм рельефа. Представляет интерес развитие данного направления исследований для модельных территорий, относящихся к разным ландшафтам. Вопросами, требующими изучения, являются:

- проверка пригодности используемого алгоритма для разных территорий,

- оценка пригодности регрессионных уравнений связей характеристик лесов с результатами автоматических классификаций для прогнозирования,

- интерпретация влияния формы поверхности рельефа (результатов автоматической классификаци) на характеристики структуры и продуктивности лесов.

Задачами исследования являлись:

- автоматическая классификация рельефа отдельного региона,

- формирование набора модельных участков, относящихся к разным ландшафтно-географическим условиям,

- выявление и интерпретация взаимосвязей классов рельефа с характеристиками структуры и продуктивности лесов.

Методика проведения исследования в целом соответствует порядку, изложенному в п. 5.3.2. Исходными материалами для выполнения исследования служили геоинформационные базы данных лесоустройства, ЦМВ ASTER и ландшафтные карты.

Объектом исследования выбрана территория Ленинградской области, характеризующаяся значительной долей земель, покрытых лесной

растительностью и представленностью различных видов ландшафтов (Исаченко, 1994; Ландшафтная карта.).

Выбор модельных участков определялся следующими критериями:

- представленностью характерных для Ленинградской области видовых групп ландшафтов,

- преобладанием на территории участков земель лесного фонда, а среди них - земель покрытых лесной растительностью.

На основе ландшафтной карты Ленинградской области (Исаченко, 1994; Ландшафтная карта.) выбрано 12 модельных участков разной величины, относящихся к 11 видам ландшафтов (таблица 5.12, рисунок 5.7, приложение 5).

Выбранные участки относятся к ландшафтам бореального (таежного) умеренно-климатического типа, среднетаёжного и южнотаёжного подтипов, равнинному классу с подклассами низменных и возвышенных ландшафтов. Среднетаёжные ландшафты: II а - низменные озерно-ледниковые заболоченные песчаные (28), 1Уа - низменные и повышенные моренные заболоченные на бескарбонатных валунных суглинках (29), У11а - возвышенные холмисто-моренные на бескарбонатных коренных породах (33). Южно-таёжные ландшафты: 1б - низменные озерно-ледниковые заболоченные песчаные (11, 22, 27), 1Уб - низменные и повышенные моренные заболоченные на бескарбонатных валунных суглинках (15, 21), VI - низменно-возвышенные камовые и озерно-ледниковые песчаные (24), VIIб - возвышенные холмисто-моренные на бескарбонатных коренных породах (25), VIIIб - возвышенные холмисто-моренные на карбоновом известняковом цоколе (26).

Таблица 5.12 - Принадлежность модельных участков к ландшафтам _и лесничествам Ленинградской области_

Номер модельного участка Название и номер ландшафта Число ячеек регулярной сети 1x1 км, шт. Название лесничеств и участковых лесничеств

1 Лужско-Оредежский (15) 600 Волосовское (Верестское, Хотнежское, Извар-ское), Лужское (Низовское), Гатчинское (Рыле-евское)

2 Лужско-Оредежский (15) 109 Учебно-опытное (Перинское, Лисинское, Ка-стенское)

3 Пашско-Сясьский (21) 600 Волховское (Хваловское, Мыслинское), Тихвинское (Черенцовское)

4 Свирско-Олонецкий (29) 280 Лодейнопольское (Мандрогское, Кондушское, Свирское сельское, Свирское)

5 Нижнесвирский (28) 636 Лодейнопольское (Мандрогское, Кондушское, Свирское сельское, Свирское, Шоткусское, Лю-говское, Лодейнопольское)

6 Свирско-Оятский (33) 826 Лодейнопольское (Свирское сельское, Лодейно-польское, Люговское, Шапшинское, Алеховщин-ское, Алеховщинское сельское, Тененское)

7 Южное Приладо-жье (11) 229 Лодейнопольское (Шоткусское, Доможировское, Свирское сельское, Яровщинское)

8 Среднеоятский (24) 779 Лодейнопольское (Шапшинское, Яровщинское, Алеховщинское, Ребовское, Пирозерское, Але-ховщинское сельское, Тервеничское)

9 Капшинский (25) 222 Лодейнопольское (Тервеничское, Пирозерское, Ребовское)

10 Тихвинский (22) 600 Тихвинское (Березовское, Шомушское), Бокси-тогорское (Большедворское, Михайловское)

11 Тихвинская гряда (26) 955 Бокситогорское (Михайловское, Деревское, Новодеревенское, Борское, Бокситогорское, Пика-левское, Самойловское, Озеревское, Мозолев-ское, Раменское, Анисимовское)

12 Судско-Чагодский (27) 2484 Бокситогорское (Михайловское, Деревское, Новодеревенское, Борское, Бокситогорское, Пика-левское, Самойловское, Озеревское, Мозолев-ское, Раменское, Анисимовское)

Рисунок 5.7. Расположение модельных участков на карте Ленинградской области.

Модельные участки показаны серым цветом. Цифрами обозначены номера

модельных участков

Средствами ГИС сформированы наборы пространственных данных для модельных участков, построена регулярная сеть ячеек с шагом 1 км, определены обобщенные значения лесотаксационных характеристик для ячеек (средние запасы, классы бонитета, коэффициенты преобладающей породы, доли площади основных групп типов леса и основных преобладающих пород). Из дальнейшего анализа исключались «неполные» ячейки (в которых доля земель лесного фонда составляла менее 95% от общей площади), а также ячейки в которых доля земель, покрытых лесной растительностью, составляла менее 90% от общей площади.

Автоматическая классификация рельефа данных глобальной ЦМВ ASTER выполнялась с помощью программы Saga GIS (Conrad et al., 2015) методом Ивахаши и Пайка (Iwahashi, Pike, 2007; Hengl, Reuter, 2008; Hrvatin, Perko, 2012). Оценка взаимосвязей характеристик структуры и продуктивности лесов с

классами рельефа выполнялась средствами многофакторного регрессионного анализа. Для прогнозирования характеристик лесов различных ландшафтов на основе полученных регрессионных уравнений использовался медианный тест (Mann-Whitney W-test). Для выявления наиболее значимых классов рельефа использовался метод главных компонент (Jucker et al., 2018). Наличие связи между классами рельефа и характеристиками лесов оценивалось с помощью рангового корреляционного анализа.

В Приложении 5 и на рисунке 5.8 показано распределение площадей модельных участков по классам рельефа.

Рисунок 5.8. Распределение площади участков по классам форм рельефа Ивахаши

и Пайка

Для каждого из двенадцати модельных участков получен набор из 6-8 многофакторных регрессионных уравнений вида (11):

y = а0О5 + aCh + + аъС^%

(11)

где у - показатель структуры или продуктивности лесов, С15 - доля площади 5-го класса рельефа, С16 - доля площади 6-го класса рельефа, С17 - доля площади 7-го класса рельефа, С\% - доля площади 8-го класса рельефа, а0... а3 -коэффициенты. Уравнения объясняли 50-100% изменчивости анализируемых

характеристик лесов на основе классов форм рельефа. Примеры наборов регрессионных уравнений по двум модельным участкам показаны в таблице 5.13.

Таблица 5.13 - Примеры многофакторных регрессионных уравнений связей характеристик структуры и продуктивности лесов с результатами автоматической _классификации Ивахаши и Пайка для модельных участков №1 и №2

№ участка Класс рельефа R2 M B Coeff S pine S spruce S birch Cher SKisl S Les

1 Cl 5 275,67 7,82 9,02 0,28 0,52 0,62 0,78 0,39 1,40

Cl б 181,91 5,81 6,57 0,23 0,38 0,50 0,42 0,26 1,12

Cl7 200,99 7,40 7,72 0,29 0,49 0,51 0,63 0,22 1,13

Cl8 170,05 5,80 6,54 0,21 0,46 0,44 0,43 0,29 1,10

R2 89,17 96,94 93,95 45,80 68,36 71,98 72,73 51,42 88,92

2 Cl5 332,63 7,87 9,75 0,57 0,68 0,37 0,82 0,51 -

Cl б 282,18 5,57 7,25 0,26 0,48 0,37 0,59 0,38 1,56

Cl7 223,32 5,74 7,10 0,00 0,53 - 0,94 - 1,25

Cl8 201,29 6,51 7,75 0,61 0,38 0,22 0,51 0,26 0,78

R2 94,82 93,96 95,25 50,60 81,36 78,46 84,68 66,24 93,35

Примечание. Доли площади ячейки регулярной сети от покрытой лесной растительностью площади, %: SCher - черничная группа типов леса, SKjsl - кисличная группа типов леса, Spnne -

сосновые насаждения, Sspruce - еловые насаждения, Sbirch - березовые насаждения. Средние значе-

_ ^ _ _

ния таксационных характеристик насаждений: M - запас на га, м , B - класс бонитета, Coeff -доля (коэффициент) преобладающей породы в составе. Классы форм поверхности рельефа по классификации Ивахаши и Пайка: Cl5 - класс 5, Cl6 - класс 6, Cl7 - класс 7, Cl8 - класс 8 Многофакторные регрессионные уравнения, показанные в таблице 5.13,

демонстрируют близкие по тесноте связи для определенных характеристик лесов.

Наиболее тесные связи по всем 12 участкам отмечаются для среднего запаса,

среднего класса бонитета, среднего коэффициента преобладающей породы в

составе. Подобные результаты были получены ранее для территории Лисинского

Учебно-опытного лесничества (Черниховский, 2017a и 2018).

Возможность использования полученных регрессионных зависимостей для

прогнозирования характеристик структуры и продуктивности лесов оценивалась

путем сравнения средних значений характеристик лесов каждого модельного

участка со средними значениями, рассчитанными на основе регрессионных

уравнений других участков. Сравнение средних двух выборок выполнялось на

основе медианного теста (Mann-Whitney W-test) в программе Statgraphics. Тест

заключается в комбинировании данных двух выборок, сортировке значений от минимальных до максимальных и сравнении средних рангов двух выборок. При уровне значимости теста р > 0.05 нулевая гипотеза о равенстве медиан двух выборок подтверждается и статистически значимой разницы между медианами на 95% уровне доверительных интервалов не наблюдается.

В ячейках таблицы 5.14 указаны положительные результаты медианного теста (с уровнями значимости р > 0.05) между истинными и прогнозируемыми характеристиками структуры и продуктивности лесов всех участков. В каждой строке таблицы 5.14 показаны результаты оценки характеристик структуры и продуктивности лесов конкретного участка с помощью регрессионных уравнений других участков. В столбцах - результаты использования регрессионных уравнений конкретного участка для остальных участков.

Анализ представленных в таблице 5.14 результатов показывает, что отдельные характеристики структуры и продуктивности лесов большинства участков, относящихся к разным ландшафтам, могут относительно успешно моделироваться с помощью уравнений других участков. При этом наименее «уникальные» участки (для моделирования которых могут использоваться уравнения 8-9 участков) относятся к видовой группе низменных и повышенных моренных заболоченных ландшафтов на бескарбонатных валунных суглинках (ландшафт №15 - участок №2 и ландшафты № 21, 29). Самым «уникальным» участком (для моделирования не подходят уравнения ни одного другого участка) является участок, относящийся к группе возвышенных холмисто-моренных ландшафтов на бескарбонатных коренных породах (ландшафт №25). Большая часть участков моделируется группами уравнений 5-6 участков (можно характеризовать, как умеренно «уникальные»). К ним относятся участки низменных и повышенных моренных заболоченных ландшафтов на бескарбонатных валунных суглинках (ландшафт №15 - участок №1), низменных озерно-ледниковых заболоченных песчаных ландшафтов (ландашфты №11, 22, 27, 28), низменно-возвышенных камовых и озерно-ледниковых песчаных

Таблица 5.14. Результаты сравнения истинных и прогнозируемых характеристик структуры и продуктивности лесов модельных участков на основе медианного теста для p > 0.05. В строках - результаты моделирования характеристик структуры и продуктивности лесов участка г (г = 1...12) с помощью групп регрессионных уравнений других участков у. В столбцах - результаты использования групп регрессионных уравнений участка у (у = 1 ...12) для участков г (у ф г)

№ уч аст ка i Номера групп регрессионных уравнений по участкам, у

1 2 3 4 5 6 7 8 9 10 11 12

1 B (0.46) B (0.62) B (0.14) M (0.88) B (0.79) e Cher (0.23)

2 B (0.87) SKisl (0.07) B (1.0) B (0.39) SKisl (0.08) S birch (0.87) Coeff (0.29) S Kisl (0.34) M (0.32) S spruce (0.34) B (0.82) e Cher (0.13) sbirch (0.90) B (0.14) ^ Kisl (0.43)

3 M (0.08) B (0.28) B (0.06) S Kisl (0.15) B (0.81) Coeff (0.08) SKisl (0.44) B (0.06) S Kisl (0.17) M (0.88) B (0.18) Coeff (0.45) M (0.21) Coeff (0.17) ^ Kisl (0.22) M (0.13) Coeff (0.05)

4 SKisl (0.06) M (0.65) S Kisl (0.75) B (0.15) Coeff (0.30) s birch (0.08) B (0.05) Sbirch (0.19) S Cher (0.18) S Kisl (0.53) M (0.16) Coeff (0.74) S Cher (0.44) Coeff (0.30) С Cher (0.40) ^ Kisl (0.08) Coeff (0.18) s birch (0.27)

5 s pine (0.07) B (0.74) M (0.71) B (0.44) Coeff (0.76) s spruce (0.11) sbirch (0.49) ^ Cher (0.33) B (0.93) Coeff (0.30) s pine (0.08) s spruce (0.96)

6 Coeff (0.43) M (0.17) s birch (0.69) B (0.15) s spruce (0.71) B (0.71)

Окончание таблицы 5.14.

№ уч аст ка 7 Номера групп регрессионных уравнений по участкам, у

1 2 3 4 5 6 7 8 9 10 11 12

7 с Cher (0.08) M (0.11) M (0.67) M (0.24) M (0.55) B (0.65) M (0.98) e Cher (0.11)

8 s spruce (0.19) ^ birch (0.60) С Cher (0.16) B (0.19) B (0.15) B (0.32) sbirch (0.29)

9 - - - - - - - - - - -

10 M (0.19) S birch (0.27) С Cher (0.16) s pine (0.52) B (0.96) Coeff (0.52) B (0.17) e Cher (0.06) M (0.20)

11 s sp ru ce (0.69) s spruce (0.05) s spruce (0.33) sbirch (0.08) e Cher (0.95)

12 M (0.85) Coeff (0.71) sbirch (0.05) e Cher (0.17) B (0.37) Coeff (0.96) M (0.13)

Примечание. Характеристики структуры и продуктивности лесов. Доля площади ячейки сети, %: 8СЛег - черничная группа типов леса, - кисличная группа типов леса, £рппе - сосновые

насаждения, £ргисе - еловые насаждения, 8Ыгск - березовые насаждения. Средние значения такса- ^ — _

ционных характеристик насаждений: М - запас на га, м , В - класс бонитета, Сое$' - доля (коэффициент) преобладающей породы в составе.

ландшафтов (ландшафт №24), возвышенных холмисто-моренных ландшафтов на карбоновом известняковом цоколе (ландшафт №26) и возвышенных холмисто-моренных ландшафтах на бескарбонатных коренных породах (ландшафт №33).

С целью выявления ведущих классов рельефа, определяющих изменчивость поверхности ландшафтов, выполнен анализ распределения площади участков по классам рельефа методом главных компонент (рисунок 5.9, таблица 5.15). Анализ показал, что две первые компоненты могут объяснять 89,47% общей изменчивости.

Таблица 5.15 - Результаты анализа главных компонент

Число главных компонент Собственное значение Доля изменчивости, % Накопленный процент, %

1 5.3245 66.557 66.56

2 1.8332 22.915 89.47

3 0.3984 4.980 94.45

4 0.3797 4.746 99.20

5 0.0387 0.483 99.68

6 0.0205 0.257 99.94

7 0.005 0.062 100

8 4.1526*10-16 0.000 100

012345678

Число главных компонент

Рисунок 5.9. График собственных значений главных компонент распределения

площадей по классам форм рельефа

Максимальные значения статистических нагрузок (весов) по первой главной компоненте имеют классы форм рельефа 1 и 6, по второй главной компоненте -классы 7 и 3 (таблица 5.16).

Таблица 5.16 - Статистические нагрузки (веса) главных компонент

Классы форм рельефа Статистические нагрузки (веса) главных компонент

Компонента 1 Компонента 2

1 0.4185 -0.0878

2 -0.3734 -0.2425

3 0.3195 0.4149

4 -0.3780 0.3412

5 0.3758 -0.1818

6 -0.4113 -0.191

7 0.0844 0.6706

8 -0.3505 0.3544

Оценена ранговая корреляция характеристик лесов с выявленными в результате анализа главных компонент классами рельефа (таблица 5.17). Наличие достоверных коэффициентов ранговой корреляции указывает на возможное существование связей между условиями местопроизрастания (определяемыми в частности, рельефом) и отдельными характеристиками структуры и продуктивности лесов. Характеристики лесов, с которыми установлены корреляции, отражают продуктивность и производительность насаждений (средний запас на га, средний бонитет), а также представленность наиболее богатых в данном регионе условий местопроизрастания (доля лесов кисличной группы типов леса).

Таблица 5.17 - Результаты рангового корреляционного анализа характеристик _лесов модельных участков с классами форм рельефа № 1, 6, 7_

Характеристики лесов Расчетный коэффициент ран- Критическое значение коэф-

говой корреляции фициента ранговой корреляции

Уровень значимости

0.05 0.10

Средний запас на га 0.6993 0.576 0.497

Средний класс бонитета 0.5315 0.576 0.497

Доля кисличной группы ти- 0.6014 0.576 0.497

пов леса

Одним из подходов к классификации лесных местопроизрастаний на основе форм рельефа является сформулированное А.Г. Исаченко представление о ландшафтных типах лесных местопроизрастаний на примере ландшафтов южной тайги Северо-Западного региона. Под ландшафтными типами лесных местопроизрастаний (ЛТЛМ) понимаются крупные морфологические части ландшафта, рассматриваемые как локальные сочетания лесорастительных условий, которым соответствуют устойчивые типы лесных массивов (Исаченко, 1998; Исаченко, Книзе и др., 2000). Основными критериями классификации ЛТЛМ являются формы мезорельефа и минеральный субстрат (материнские породы). Каждому ландшафту присущ сопряженный ряд ЛТЛМ. Для условий Северо-Запада А.Г. Исаченко выделяет два обобщенных ряда ЛТЛМ. Первый -ландшафты с расчлененным рельефом, холмисто-котловиной или грядово-ложбинной структурой (в настоящем исследовании доля таких участков около 45%). В таких ЛТЛМ происходит гравитационное перераспределение атмосферной влаги по профилю рельефа, наиболее сухие местопроизрастания располагаются в верхней части, избыточно увлажненные - в нижней части. Второй ряд - ландшафты с плоским рельефом и слабым естественным дренажем (в настоящем исследовании доля таких участков около 55%). Для таких ландшафтов определяющим водный режим фактором служит уровень грунтовых вод. Возвышенные участки в центре междуречий занимают верховые болота. Вдоль рек располагаются относительно дренированные ЛТЛМ.

С учетом того, что при обработке исключались ячейки регулярной сети с долей площади нелесных земель более 10%, крупные болота, занимающие значительные площади некоторых модельных участков, в расчетах фактически не учитывались. Поэтому представленность площади классов рельефа № 1, 6, 7 в составе изучаемых участков можно интерпретировать как общее улучшение условий местопроизрастания для насаждений за счет улучшения условий дренажа, что особенно важно для ландшафтов Ленинградской области, относящихся к зоне избыточного увлажнения. Класс № 1 характеризуется крутыми склонами, выраженной текстурой и высокой выпуклостью, класс № 6 -

пологими склонами, невыраженной текстурой и высокой выпуклостью, класс №7 - пологими склонами, выраженной текстурой и низкой выпуклостью. Можно предположить, что низкая выпуклость рельефа (класс №7) может компенсироваться выраженной текстурой (чередованием выпуклых и вогнутых элементов - «гребней», «ям», элементов гидрографической сети).

В таблице 5.18 показаны результаты регрессионного анализа связей количественных и качественных характеристик лесов с результатами автоматической классификации.

Таблица 5.18 - Многофакторные регрессионные уравнения связей характеристик

структуры и продуктивности лесов с результатами автоматической _ классификации Ивахаши и Пайка_

Характеристики структуры и продуктивности лесов Регрессионные уравнения Коэффициент детерминации Я2, %

Средний запас на га, 3 м М = 3.5444«! + 4.0653С/б 98.81

Средний класс бонитета В = 0.0879^ + 0.1173С/6 96.17

Средний коэффициент преобладающей породы в составе Соф = 0.1207С^ + 0.1504С/6 95.46

Доля площади еловых насаждений ^ = 0.0055С1, + 0.0077С/6 87.17

Доля площади березовых насаждений ^ = 0.0063С/, + 0.0068С16 92.37

Доля площади черничной группы типов леса ^егп = 0.0096«! + 0.011С/6 93.45

Доля площади кисличной группы типов леса = 0.0053С^ + 0.0053С/6 88.12

Примечание. Средние значения таксационных характеристик насаждений: М - запас на

га, м3, В - класс бонитета, Соеф - доля (коэффициент) преобладающей породы в составе. Доля

площади ячейки сети от покрытой лесной растительностью площади, %: $сЫш- черничная группа типов леса, - кисличная группа типов леса, $ршсе - еловые насаждения, $Ыгск - березовые насаждения. Площадь (%) классов форм поверхности рельефа по классификации Ивахаши и Пайка: С^ - класс 1, С16 - класс 6.

Рост представленности по площади набора классов форм рельефа (выделенного по результатам анализа главных компонент) отражается на изменении характеристик структуры и продуктивности лесов (среднего запаса,

среднего класса бонитета, доли площади лесов кисличной группы). Можно предположить, что выбранные классы форм рельефа способны определять условия местопроизрастания. Морфометрические величины, на основе которых выполняется классификация Ивахаши и Пайка (крутизна склонов, текстура, выпуклость), при близости иных условий формирования лесных местопроизрастаний, определяют условия дренажа и способны замещать друг друга с формированием однородного лесорастительного эффекта.

Ранее были установлены аналогичные показанным в таблице 5.18 многофакторные регрессионные зависимости между характеристиками лесов и классами форм рельефа для одного из модельных участков - Лисинского учебно-опытного лесхоза (Черниховский, 2017а и 2018). Примечательно, что регрессионные уравнения установлены для разных масштабных уровней. Так на примере Лисинского учебно-опытного лесхоза регрессионные уравнения были установлены для ячеек регулярной сети с шагом 1 км. В настоящем исследовании аналогичные уравнения получены для модельных участков площадью 99-862 км2. Существование однородных регрессионных зависимостей показателей структуры и продуктивности лесов от классов форм рельефа на разных масштабных уровнях (урочища, местности и ландшафты) позволяет сделать предположение о близости механизма влияния формы поверхности рельефа на характеристики структуры и продуктивности лесов в данных условиях.

В настоящем исследовании модельные участки относятся к ландшафтам восьми ландшафтных групп, отличающихся характером рельефа, зональной принадлежностью и подстилающими породами. Тем не менее, наличие статистических связей между показателями структуры и продуктивности лесов с классами форм рельефа указывает на возможное существование общего для разных ландшафтов характера влияния рельефа на лес.

В результате выполненного исследования получены следующие выводы: 1. На примере 12 модельных участков, относящихся к 11 видам ландшафтов Ленинградской области, получен набор регрессионных уравнений между характеристиками структуры и продуктивности лесов и классами форм рельефа.

Наиболее тесные взаимосвязи отмечаются для среднего запаса, среднего класса бонитета, среднего коэффициента преобладающей породы в составе.

2. Установлено, что изменчивость рельефа участков может характеризоваться ограниченным набором классов форм, определяемых по результатам анализа главных компонент. Можно предположить, что выбранные по результатам анализа главных компонент классы форм рельефа (выделяемые на основе относительных характеристик крутизны, текстуры и выпуклости склонов) способны определять условия лесных местопроизрастаний. Морфометрические величины, на основе которых выполняется классификация Ивахаши и Пайка (крутизна склонов, текстура, выпуклость), при близости иных условий формирования лесных местопроизрастаний определяют условия дренажа и способны замещать друг друга с формированием однородного лесорастительного эффекта.

3. Оценена возможность использования полученных регрессионных уравнений для определения средних характеристик структуры и продуктивности лесов участков, относящихся к другим ландшафтам.

4. Использование при регрессионном анализе классов форм рельефа с наибольшими статистическими нагрузками (весами) позволило получить значимые регрессионные уравнения для большинства анализируемых характеристик структуры и продуктивности лесов.

5.8. Выводы по главе

Проведенные исследования, связанные с поиском и объяснением влияния морфометрических величин на характеристики структуры и продуктивности лесов, позволяют сделать следующие заключения:

1. Предложен методический подход для выявления взаимосвязей между морфометрическими величинами и характеристиками структуры и продуктивности лесов на основе ГИС-технологий и цифровых моделей высот.

Данный подход успешно продемонстрирован на примерах модельных территорий, расположенных в разных ландшафтно-географических условиях. В качестве исходных данных о рельефе использовались: модель рельефа, полученная на основе оцифровки топографических карт, глобальные модели высот ASTER и SRTM.

2. Получен набор регрессионных уравнений связей характеристик структуры и продуктивности лесов с морфометрическими величинами. В качестве характеристик структуры и продуктивности лесов рассматривались средний класс бонитета, средний запас, доли представленности насаждений определенных преобладающих пород и типов леса. Следовательно, именно эти характеристики лесов наиболее тесно связаны с формой поверхности рельефа.

3. Установлено, что на изменчивость характеристик структуры и продуктивности лесов могут влиять как отдельные морфометрические величины (среднее квадратическое отклонение высот, энтропия, доли представленности склонов определенной крутизны и экспозиции и др.) и их сочетания, так и результаты автоматических классификаций рельефа.

4. Получены регрессионные уравнения связей средних высот центра фазы рассеяния модели SRTM со средними высотами и запасами лесных насаждений для уровней ячеек регулярной сети и лесотаксационных выделов. Выявленные закономерности могут использоваться для лесоучетных работ регионального и глобального уровней, а также для решения глобальных экологических задач (определения запасов углерода, оценки надземной биомассы).

5. Изучены особенности количественных связей характеристик структуры и продуктивности лесов с классами форм рельефа на региональном уровне. Установлено, что для характеристики данных связей могут использоваться однотипные регрессионные уравнения с использованием в качестве независимых переменных долей площади классов форм рельефа. Наиболее тесные взаимосвязи отмечаются для среднего запаса, среднего класса бонитета, среднего коэффициента преобладающей породы в составе. Установлено, что изменчивость рельефа участков может характеризоваться ограниченным набором классов форм,

определяемых по результатам анализа главных компонент. Оценена возможность использования полученных регрессионных уравнений модельных участков для оценки характеристик лесов участков, относящихся к другим ландшафтам. Предложен алгоритм оценки пригодности регрессионных уравнений для моделирования характеристик лесов участков, относящихся к другим ландшафтам («уникальности уравнений») и оценки «уникальности» участков, относящихся к разным ландшафтам.

6. Использованный во всех проведенных исследованиях методический подход к разделению территории на учетные единицы регулярной сетью оказался успешным, а также позволил установить уровень, на котором изменения характеристик рельефа отражаются на изменении характеристик лесов.

7. Полученные результаты и заключения могут использоваться для формирования методических основ совершенствования лесоучетных работ на основе количественных характеристик рельефа лесных ландшафтов.

ГЛАВА 6. ПРЕДЛОЖЕНИЯ ПО СОВЕРШЕНСТВОВАНИЮ СИСТЕМЫ

ГИЛ РФ

6.1. Необходимость модификации системы ГИЛ РФ

Обзор публикаций, связанных с критикой действующей с 2007 г. системы ГИЛ РФ приведен в п. 1.1.1. Результаты исследований, связанных с оценкой первых результатов ГИЛ РФ (Алексеев, 2009, 2010, 2013a, 2013Ь, 2019; Алексеев и др., 2018; Alekseev et al., 2019) а также работы других авторов ставят под сомнение саму возможность получения с помощью действующей модели ГИЛ достоверной статистической информации о лесном фонде и лесах на землях других категорий. Можно однозначно утверждать, что продолжение работ по ГИЛ на основе действующих Методических рекомендаций по проведению государственной инвентаризации лесов (Приказ №173) бесперспективно со многих точек зрения (невозможности получения достоверной информации о лесах, необходимости несения высоких трудовых, временных и финансовых затрат, невозможности решения на основе результатов ГИЛ стратегических задач управления лесами и формирования международной отчетности). Необходим поиск и научное обоснование более эффективных и экономичных методов определения количественных и качественных показателей лесов при ГИЛ, совершенствование организационно-технических подходов к выполнению наземных выборочных обследований, максимальное применение материалов ДЗЗ, адаптация материалов ГИЛ к международной отчетности (Алексеев, 2013a; Решение., 2014; Решение., 2018).

В данном разделе приводятся рекомендации по совершенствованию отдельных составляющих ГИЛ РФ, сформулированные на основе обзора критических статей и мирового опыта национальных инвентаризаций.

6.2. Предложения по совершенствованию системы ГИЛ РФ

В таблице 6.1 перечислены ключевые элементы системы ГИЛ, которые рекомендуется изменить с учетом мирового и отечественного опыта проведения национальных инвентаризаций.

Таблица 6.1 - Рекомендации по совершенствованию отдельных компонентов

ГИЛ РФ

Компонент ГИЛ РФ Действующая методика ГИЛ РФ Рекомендации по совершенствованию ГИЛ

1. Зонирование лесов (выделение труднодоступных территорий) Лесные участки могут относиться к труднодоступным для проведения полевых работ по показателям, связанным с экономическими, природными факторами и факторами, связанными с опасностью для здоровья человека (Приложение 7 к Методическим рекомендация по проведению ГИЛ) Разделение всех лесов РФ в составе целых лесничеств на две части - «доступную» (порядка 300 млн. га) и «труднодоступную» (порядка 800 млн. га), в которых будут применяться разные методические и технологические решения при осуществлении ГИЛ. Основной критерий для разделения лесов - уровень интенсивности ведения лесного хозяйства и использования лесов

2. Стратификация Выделение страт на основе актуализированных материалов лесоустройства по группам пород, возраста и производительности (Приложение 6 к Методическим рекомендация по проведению ГИЛ) Отказ от используемого подхода к стратификации путем группировки данных лесоустройства на основе таксационных характеристик. Изучение возможностей стратификации на ландшафтно-географической основе

3. Размещение пробных площадей Случайное размещение ПП Регулярное размещение путем формирования сетей регулярных ячеек инвентаризации на всю территорию страны

4. Группировка пробных площадей Преимущественно одиночные ПП (кластеры только на труднодоступных участках). Исключительно постоянные ПП Преимущественно кластерное размещение. Сочетание временных и постоянных ПП

5. Определение характеристик лесов на основе данных ДЗЗ Материалы ДЗЗ используются только на этапе актуализации материалов лесоустройства перед стратификацией. Использование материалов ДЗЗ с рекомендуемыми Методикой ГИЛ параметрами в целях таксационного дешифрирования невозможно Использование материалов ДЗЗ сверхвысокого разрешения и специального программно-аппаратного обеспечения для закладки фотопроб на труднодоступных территориях. Использование материалов космических съемок высокого разрешения для автоматизированной классификации лесов на основе данных ПП и определения площадных характеристик

Компонент ГИЛ РФ Действующая методика ГИЛ РФ Рекомендации по совершенствованию ГИЛ

6. Организация и проведение работ на труднодоступных территориях Предусматривается использование кластерного метода закладки наземных 1111. Дистанционные методы не применяются Предлагается использовать тот же алгоритм, что и для всей территории страны (закладка ПП на основе регулярной сети). Отличия работ на труднодоступной территории будут состоять в замене части ПП фотопробами и более крупным размером ячейки сети.

7. Планирование ежегодных работ На основе директивных указаний Заказчика работ (Рос-лесхоза) с получением результатов инвентаризации после окончания цикла работ Методом панелей с получением достоверных характеристик лесов уже с первого года выполнения работ

8. Организация и представление информации средствами информационных технологий Сбор и обработка информации по ГИЛ выполняются в закрытом режиме. В открытом доступе имеются только краткие аналитические обзоры состояния лесов, их количественных и качественных характеристик по данным ГИЛ Создание общедоступного портал системы ГИЛ в сети Интернет со следующими задачами: накопление, систематизация, хранение и представление данных лесоучетных работ; хранение и представление пространственных данных о лесах; анализ, моделирование и прогноз информации по ячейкам регулярной сети НИЛ средствами ГИС-технологий, статистики, дистанционных методов