Применение алгоритма Random Forest для анализа динамики таежно-тундровых лесных экосистем
DOI:
https://doi.org/10.37482/0536-1036-2025-2-210-218Ключевые слова:
динамика лесных экосистем, северо-таежные леса, притундровые леса, дистанционное зондирование, алгоритм случайного лесаАннотация
Приведены результаты изучения динамики таежно-тундровых лесных экосистем Архангельской области на основе материалов дистанционного зондирования Земли и применения классификации изображений с использованием алгоритма случайного леса (Random Forest). Изменение доли лесных, нелесных и не покрытых лесом площадей в районе исследования отмечено в лесном реестре. По итогам работы показано значительное увеличение территории лесов с 2016 по 2023 гг. – на 10,28 % за счет сокращения не покрытых лесом площадей и нелесных земель. Эта динамика обусловлена процессами успешного естественного восстановления лесов, а также их продвижением на север с захватом площадей в связи с изменением климата. Оценка точности автоматизированной классификации спутниковых изображений с использованием алгоритма случайного леса путем сравнения с эталонными данными с применением таких критериев, как общая точность и коэффициент Каппа (степень соответствия оценок модели фактическим данным), подтвердила надежность полученных результатов. В качестве эталонных показателей брали материалы таксационных повыдельных баз данных, данных пробных площадей – стационарных и государственной инвентаризации лесов. Перед началом полевых работ были изучены картографические базы данных и подобраны пробные площади. С опорой на экспериментальные данные по исследуемому району создано большое количество полигонов, отражающих разнообразие лесных насаждений и нелесных территорий, для обучения алгоритма классификации спутниковых изображений. Обработка снимков, включая поправки, мозаику, геопроекцию и возврат, выполнялась с использованием SNAP (Sentinel Application Platform) – программы с открытым исходным кодом. Проанализированы 100 точек в различных лесорастительных условиях в районе исследования. Изучение динамики лесных экосистем на основе материалов дистанционного зондирования Земли и применение классификации изображений с использованием алгоритма случайного леса позволят повысить точность оценки ресурсного и экологического потенциалов насаждений северо-таежных и притундровых лесов Архангельской области.
Скачивания
Библиографические ссылки
Ильинцев А.С., Шамонтьев И.Г., Третьяков С.В. Современная динамика лесопользования в бореальных лесах России (на примере Архангельской области) // Лесотехн. журн. 2021. Т. 11, No 3 (43). С. 45–62. Ilintsev A.S., Shamontyev I.G., Tretyakov S.V. Modern Dynamics of Forest Use in the Boreal Forests of Russia (For Example of the Arkhangelsk Region). Lesotekhnicheskij zhurnal = Forestry Engineering Journal, 2021, vol. 11, no. 3 (43), pp. 45–62. (In Russ.). https://doi.org/10.34220/issn.2222-7962/2020.3/4
Состояние и охрана окружающей среды Архангельской области за 2021 год: докл. / Центр природопользования и охраны окружающей среды. Архангельск, 2022. 13 с. The State and Protection of the Environment in the Arkhangelsk Region for 2021: Report. The Centre for Nature Management and Environmental Protection, 2022, Arkhangelsk. 13 p. (In Russ.).
Тоскунина В.Э. Проблемы лесного комплекса Архангельской области и пути их решения // Экономические и социальные перемены: факты, тенденции, прогноз. 2008. Вып. 3 (3). С. 29–31. Toskunina V.E. Problems of Timber Complex in the Arkhangelsk Region and Ways of Their Solution. Ekonomicheskie i sotsial’nye peremeny: fakty, tendentsii, prognoz = Economic and Social Changes: Facts, Trends, Forecast, 2008, iss. 3 (3), pp. 29–31. (In Russ.).
Abdo W. Al-Din. Introduction to Remote Sensing and its Applications. University of Dammam, College of Architecture and Planning, 2014. 473 p.
Arab Organization for Agricultural Development. Study of Modern Technologies Used in Developed Countries in the Field of Forest Conservation and Development. Khartoum, League of Arab States, 1998. 147 p.
Barakat A., Khellouk R., El Jazouli A., Touhami F., Nadem S. Monitoring of Forest Cover Dynamics in Eastern Area of Béni-Mellal Province Using ASTER and Sentinel-2A Multispectral Data. Geology, Ecology and Landscapes, 2018, vol. 2, iss. 3, pp. 203–215. https://doi.org/10.1080/24749508.2018.1452478
Du P., Samat A., Waske B., Liu S., Li Z. Random Forest and Rotation Forest for Fully Polarized SAR Image Classification Using Polarimetric and Spatial Features. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, vol. 105, pp. 38–53. https://doi.org/10.1016/j.isprsjprs.2015.03.002
FAO. The State of the World’s Forests 2022: Forest Pathways for Green Recovery and Building Inclusive, Resilient, and Sustainable Economies. Italy, Rome, FAO, 2022. 166 p. https://doi.org/10.4060/cb9360en
Feizizadeh B., Darabi S., Blaschke T., Lakes T. QADI as a New Method and Alternative to Kappa for Accuracy Assessment of Remote Sensing-Based Image Classification. Sensors, 2022, vol. 22, no. 12, art. no. 4506. https://doi.org/10.3390/s22124506
Foley J.A., DeFries R., Asner G.P., Barford C., Bonan G., Carpenter S.R., Chapin S., Coe M.T., Daily G.C., Gibbs H.K., Helkowski J.H., Holloway T., Howard E.A., Kucharik C.J., Monfreda C., Patz J.A., Prentice I.C., Ramankutty N., Snyder P.K. Global Consequences of Land Use. Science, 2005. vol. 309, iss. 5734, pp. 570–574. https://doi.org/10.1126/science.1111772
Gebeyehu M.N. Remote Sensing and GIS Application in Agriculture and Natural Resource Management. International Journal of Environmental Sciences and Natutral Resourses, 2019, vol. 19, iss. 2, art. no. 556009. https://doi.org/10.19080/IJESNR.2019.19.556009
Kalinaki K., Malik O.A., Lai D.T.C. FCD-AttResU-Net: An Improved Forest Change Detection in Sentinel-2 Satellite Images Using Attention Residual U-Net. International Journal of Applied Earth Observation and Geoinformation, 2023, vol. 122, art. no. 103453. https://doi.org/10.1016/j.jag.2023.103453
Karra K., Kontgis C., Statman-Weil Z., Mazzariello J., Mathis M., Brumby S.P. Global Land Use / Land Cover with Sentinel 2 and Deep Learning. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. Belgium, Brussels, 2021, pp. 4704– 4707. https://doi.org/10.1109/IGARSS47720.2021.9553499
Kayiranga A., Kurban A., Ndayisaba F., Nahayo L., Karamage F., Ablekim A., Li H., Ilniyaz O. Monitoring Forest Cover Change and Fragmentation Using Remote Sensing and Landscape Metrics in Nyungwe-Kibira Park. Journal of Geoscience and Environmental Protection, 2016, vol. 4, no. 11, pp. 13–33. https://doi.org/10.4236/gep.2016.411003
Kuenzer C., Bluemel A., Gebhardt S., Quoc T.V., Dech S. Remote Sensing of Mangrove Ecosystems: A Review. Remote Sensing, 2011, vol. 3, no. 5, pp. 878–928. https://doi.org/10.3390/rs3050878
Kumar D. Monitoring Forest Cover Changes Using Remote Sensing and GIS: A Global Prospective. Research Journal of Environmental Sciences, 2011, vol. 5, iss. 2, pp. 105–123. https://doi.org/10.3923/rjes.2011.105.123
Lu D., Weng Q. A Survey of Image Classification Methods and Techniques for Improving Classification Performance. International Journal of Remote Sensing, 2007, vol. 28, iss. 5, pp. 823–870. https://doi.org/10.1080/01431160600746456
Mangkhaseum Jr.S., Hanazawa A. Validation of Random Forest Algorithm to Monitor Land Cover Classification and Change Detection Using Remote Sensing Data in Google Earth Engine. Proceedings of SPIE - The International Society for Optical Engineering: Sensors and Smart Structures Technologies for Civil, Mechanical, and Aerospace Systems, 2022, vol. 12177, art. no. 121772L. https://doi.org/10.1117/12.2626085
Mastrorosa S., Crespi M., Congedo L., Munafò M. Land Consumption Classification Using Sentinel 1 Data: A Systematic Review. Land, 2023, vol. 12, no. 4, art. no. 932. https://doi.org/10.3390/land12040932
Mohajane M., Essahlaoui A., Oudija F., El Hafyani M., Teodoro A.C. Mapping Forest Species in the Central Middle Atlas of Morocco (Azrou Forest) through Remote Sensing Techniques. ISPRS International Journal of Geo-Information, 2017, vol. 6, no. 9, art. no. 275. https://doi.org/10.3390/ijgi6090275
Mohammad H., Al-Bilbisi H., Abu Sammour H. Detection and Analysis of Vegetation Changes Using Spectral Botanical Indicators. Journal of Humanities and Social Sciences, 2018, vol. 45, no. 1, pp. 83–97
Niemeyer J., Rottensteiner F., Soergel U. Contextual Classification of Lidar Data and Building Object Detection in Urban Areas. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, vol. 87, pp. 152–165. https://doi.org/10.1016/j.isprsjprs.2013.11.001
Panigrahy R.K., Kale M.P., Dutta U., Mishra A., Banerjee B., Singh S. Forest Cover Change Detection of Western Ghats of Maharashtra Using Satellite Remote Sensing Based Visual Interpretation Technique. Current Science, 2010, vol. 98, no. 5, pp. 657–664.
Petrovska I., Dimov L. Accuracy Assessment of Unsupervised Land Cover Classification. Scientific Journal of Civil Engineering, 2020, vol. 9, iss. 2, pp. 83–88. https://doi.org/10.55302/sjce2092083p
Praticò S., Solano F., Di Fazio S., Modica G. Machine Learning Classification of Mediterranean Forest Habitats in Google Earth Engine Based on Seasonal Sentinel-2 Time-Series and Input Image Composition Optimization. Remote Sensing, 2021, vol. 13, no. 4, art. no. 586. https://doi.org/10.3390/rs13040586
Rodriguez-Galiano V.F., Ghimire B., Rogan J., Chica-Olmo M., Rigol-Sanchez J.P. An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, vol. 67, pp. 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
Turner II B.L., Lambin E.F., Reenberg A. The Emergence of Land Change Science for Global Environmental Change and Sustainability. PNAS, 2007, vol. 104, no. 52, pp. 20666–20671. https://doi.org/10.1073/pnas.0704119104
Vanjare A., Omkar S.N., Senthilnath J. Satellite Image Processing for Land Use and Land Cover Mapping. International Journal of Image, Graphics and Signal Processing (IJIGSP), 2014, vol. 6, no. 10, pp. 18–28. https://doi.org/10.5815/ijigsp.2014.10.03
Wang Y., Chen X. The Use of Random Forest to Identify Climate and Human Interference on Vegetation NDVI Changes in Southwest China. EGU General Assembly 2023. Austria, Vienna, 2023, art. no. EGU23-2315. https://doi.org/10.5194/egusphere-egu23-2315
Zhou Y. Research on Forest Resource Change Detection Based on Decision Tree Algorithm. 2022 International Conference on Artificial Intelligence and Autonomous Robot Systems (AIARS). United Kingdom, Bristol, 2022, pp. 363–367. https://doi.org/10.1109/AIARS57204.2022.00088
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
