The Method for Determining Forest Characteristics Based on Earth Remote Sensing Materials, Forest Management Data and the k-NN Algorithm (Case Study of Lodeynopol’skoe Forest District of Leningrad Region)
DOI:
https://doi.org/10.37482/0536-1036-2019-4-45Keywords:
k-nearest neighbors algorithm, remote sensing methods, forest inventory, automatic classification of imagesAbstract
The Russian system of National (State) Forest Inventory (NFI) valid from 2007 is methodologically imperfect and serves as a target of criticism and discussion. Insufficient attention paid to remote sensing should be attributed to the system’s weaknesses. A possible way of improving the NFI system is the use of automatic classification of forests’ characteristics based on materials of Earth remote sensing. One of the advanced automatic methods for forest remote sensing materials classification is k-NN or k-nearest neighbors algorithm, which have been successively used in the NFIs in other countries. It is based on regression between the spectral response characteristics of pixels with known forest characteristics and remaining pixels of the image. Questions of practical application of this method for the purposes of NFI were first raised and studied by Finnish researchers in the 1990s. Over the past two decades, a considerable amount of research in this area has been carried out in different countries. The purpose of our research is to assess the feasibility of using the k-NN method for determining the generalized characteristics of forests on the example of the Lodeynopol’skoe forest district in Leningrad region. The forest district area is 401,866 ha. It consists of 16 forest sub-districts. A regular network was created at a pitch of 1×1 km in order to form a set of trial plots for the classification by the means of GIS-technologies within the forest district. Round-shaped plots with a radius of 10 m or forest inventory compartments were used as trial plots located in the network nodes. Forest description for both types of plots was taken from the forest management data. Landsat-8 images were used for the classification (spectral channels: GREEN, RED, NIR, SWIR 2). The Landsat-8 images were automatically classified according to a number of forest inventory characteristics: average growing stock per 1 ha; middle class of bonitet; average relative density; share of coniferous and deciduous plantations area. The results of the k-NN classification were compared with the forest management materials. Systematic errors in the assessment of growing stocks, completeness and bonitet for the territory of Lodeynopol’skoe forest district made up less than 5 %. The obtained results confirm the potential of further study of conceptual and practical issues of the k-NN method application for determining forest characteristics. The development of this direction can contribute to the improvement of the Russian State Forest Inventory methodology.
For citation: Chernikhovskii D.M., Alekseev A.S. The Method for Determining Forest Characteristics Based on Earth Remote Sensing Materials, Forest Management Data and the k-NN Algorithm (Case Study of Lodeynopol’skoe Forest District of Leningrad Region). Lesnoy Zhurnal [Forestry Journal], 2019, no. 4, pp. 45–65. DOI: 10.17238/issn0536-1036.2019.4.45
Downloads
References
Алексеев А.С. Теоретические основы государственной (национальной) инвентаризации лесов // Лесн. хоз-во. 2009. № 4. С. 31–33.
Алексеев А.С. Методологические основы организации и проведения государственной инвентаризации лесов // Материалы Всерос. совещ. «Использование материалов государственной инвентаризации лесов в интересах охраны окружающей среды», Брянск, 9–10 окт. 2013 г. М.: Рослесинфорг, 2013. С. 87–96.
Архипов В.И. Особенности национальной инвентаризации. Какая инвентаризация лесов требуется России? // Материалы Всерос. совещ. «Использование материалов государственной инвентаризации лесов в интересах охраны окружающей среды», Брянск, 9–10 окт. 2013 г. М.: Рослесинфорг, 2013. С. 105–112.
Белова Е.И., Ершов Д.В. Опыт оценки естественного лесовосстановления на сплошных вырубках по временным рядам Landsat // Лесоведение. 2015. № 5. С. 339–345.
Гольцев В., Толонен Т., Сюнёв В., Далин Б., Герасимов Ю., Карвинен С. Лесозаготовки и логистика в России – в фокусе научные исследования и бизнес-возможности: отчет исследовательского проекта (заключительный) / ред. С. Карвинен // Working Papers of the Finnish Forest Research Institut. 2012. Вып. 221. 159 с. Режим доступа: http://www.metla.fi/julkaisut/workingpapers/2012/mwp221.htm (дата обращения: 16.02.2019).
Жирин В.М., Князева С.В., Эйдлина С.П. Использование материалов съемок при оценке восстановительной динамики лесов на равнинных территориях // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8, № 2. С. 208–216.
Жирин В.М., Князева С.В., Эйдлина С.П. Эколого-динамическое исследование лесообразовательного процесса по космическим снимкам // Лесоведение. 2013. № 5. C. 76–85.
Жирин В.М., Князева С.В., Эйдлина С.П. Динамика спектральной яркости породно-возрастной структуры групп типов леса на космических снимках Landsat // Лесоведение. 2014. № 5. C. 3–12.
Жирин В.М., Князева С.В., Эйдлина С.П. Оценка влияния морфологии древесного полога и рельефа на спектральные характеристики лесов по данным Landsat // Исследование Земли из космоса. 2016. № 5. C. 10–20. DOI: 10/7868/S0205961416050080
Жирин В.М., Князева С.В., Эйдлина С.П., Зукерт Н.В. Сезонная информативность многоспектральных космических снимков высокого разрешения при изучении породно-возрастной динамики лесов // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9, № 1. С. 87–94.
Креснов В.В., Страхов В.В., Филипчук А.В. Национальная инвентаризация лесов в зарубежных странах // Лесохоз. информ. 2008. № 10-11. С. 53–88.
Лесохозяйственный регламент Лодейнопольского лесничества Ленинградской области / ФГБУ «РОСЛЕСИНФОРГ» филиал ФГБУ «РОСЛЕСИНФОРГ» «СЕВЗАПЛЕСПРОЕКТ». СПб., 2017. 306 с.
Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений: учеб. пособие. М.: Изд-во МГУЛ, 2012. 154 с.
Нешатаев М.В., Нешатаев В.Ю. Комбинированный метод картографирования растительности (на примере Лапландского заповедника) // Изв. СПбЛТА. 2012. Вып. 201. С. 29–40.
Перепечина Ю.И., Глушенков О.И., Глушенков И.С. Государственная инвентаризация российских лесов // Лесотехн. журн. 2014. № 2. С. 60–67. DOI: 10.12737/4508
Перепечина Ю.И., Глушенков О.И., Корсиков Р.С. Определение лесистости и количественных характеристик лесов по космическим снимкам Sentinel-2 (на примере Шебекинского муниципального района Белгородской обл.) // Лесхоз. информ. 2017. № 4. С. 85–93. DOI: 10.24419/LHI.2304-3083.2017.4.09
Савченко А.А., Выводцев Н.В. Оценка возможностей применения данных дистанционного зондирования при мониторинге санитарного и лесопатологического состояния лесов // Учен. заметки ТОГУ. 2015. Т. 6, № 4. С. 658–661. Режим доступа:http://pnu.edu.ru/media/ejournal/articles-2015/TGU_6_237.pdf (дата обращения: 16.02.2019).
Сидоренков В.М., Дорощенкова Э.В., Лопатин Е.В., Рябцев О.В., Сидоренкова Е.М. Зонирование территории Удмуртской Республики по категориям среды обитания охотничьих ресурсов на основе данных спутниковой съемки Landsat 8 OLI-TIRS // Лесотехн. журн. 2015. Т. 5, № 3(19). С. 84–93. DOI: 10.12737/14156
Солдатенков А.А. Дешифрирование состава лесной растительности в условиях среднегорного рельефа // Вестн. Адыг. гос. ун-та. 2014. Сер. 4: Естеств.-мат. и техн. науки. Вып. 1(133). С. 127–130.
Соромотин А.В., Бродт Л.В. Мониторинг растительного покрова при освоении нефтегазовых месторождений по данным многозональной съемки Landsat // Вестн. Тюмен. гос. ун-та. Экология и природопользование. 2018. Т. 4, № 1. С. 37–49. DOI: 10.21684/2411-7927-2018-4-1-37-49
Терехов А.Г., Макаренко Н.Г., Пак И.Т. Автоматический алгоритм классификации снимков Quickbird в задаче оценки полноты леса // Компьютерная оптика. 2014. Т. 38, № 3. С. 580–583. DOI: 10.18287/0134-2452-2014-38-3-580-583
Толкач И.В., Кравченко О.В., Ожич О.С., Таркан А.В., Ильючик М.А. Закономерности изменчивости спектральных яркостей полога основных лесообразующих пород Беларуси на снимках сканера ADS 100 // Тр. БГТУ. Сер. 1: Лесное хозяйство, природопользование и переработка возобновляемых ресурсов. 2017. № 2(198). С. 43–49.
Фарбер С.К., Брюханов Н.В. Материалы массовой таксации и государственной инвентаризации лесов: характеристика расхождений, причины, анализ // Сиб. лесн. журн. 2014. № 5. С. 16–28.
Черных Д.В., Бирюков Р.Ю., Золотов Д.В., Вагнер А.А. Антропогенные модификации и трансформации ландшафтов в бассейне р. Касмала: классификация и динамика на основе данных дистанционного зондирования // Вестн. Алтайской науки. 2014. № 1(19). С. 233–240.
Шарикалов А.Г., Якутин М.В. Анализ состояния таежных экосистем с использованием методики автоматизированного дешифрирования // Изв. Алтайского гос. ун-та. 2014. Вып. 3-1(83). С. 123–127. DOI: 10.14258/izvasu(2014)3.1-22
Ярошенко А.Ю., Владимирова Н.А., Кобяков К.Н. Предложения по оптимизации государственной инвентаризации лесов с точки зрения использования ее результатов в интересах охраны окружающей среды // Материалы Всерос. совещ. «Использование материалов государственной инвентаризации лесов в интересах охраны окружающей среды», Брянск, 9–10 окт. 2013 г. М.: Рослесинфорг, 2013. С. 82–86.
Beaudoin A., Bernier P.Y., Guindon L., Villemaire P., Guo X.J., Stinson G., Bergeron T., Magnussen S., Hall R.J. Mapping Attributes of Canada’s Forests at Moderate Resolution through kNN and MODIS Imagery // Canadian Journal of Forest Research. 2014. Vol. 44(5). Pp. 521–532. DOI: 10.1139/cjfr-2013-0401
Congedo L. Semi-Automatic Classification Plugin Documentation. Release 6.2.0.1. 2019. 212 p. DOI: 10.13140/RG.2.2.29474.02242/1
Forest Inventory: Methodology and Applications / ed. by A. Kangas, M. Maltamo. Netherlands: Springer, 2006. 362 p. DOI: 10.1007/1-4020-4381-3
Franco-Lopez H., Ek A.R., Bauer M.E. Estimation and Mapping of Forest Stand Density, Volume, and Cover Type Using the k-Nearest Neighbors Method // Remote Sensing
of Environment. 2001. Vol. 77, iss. 3. Pp. 251–274. DOI: 10.1016/S0034-4257(01)00209-7
Gjertsen A.K. Accuracy of Forest Mapping Based on Landsat TM Data and a kNN-Based Method // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by
H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 7–11.
Gjertsen A.K. Accuracy of Forest Mapping Based on Landsat TM Data and a kNN-Based Method // Remote Sensing of Environment. 2007. Vol. 110, iss. 4. Pp. 420–430. DOI: 10.1016/j.rse.2006.08.018
Haapanen R., Ek A. Software and Instructions for kNN Applications in Forest Resources Description and Estimation // Department of Forest Resources Staff Paper Series. St. Paul, MN: University of Minnesota, 2001. No. 152. 19 p.
Haapanen R., Ek A.R., Bauer M.E., Finley A.O. Delineation of Forest/Nonforest Land Use Classes Using Nearest Neighbor Methods // Remote Sensing of Environment. 2004. Vol. 89, iss. 3. Pp. 265–271. DOI: 10.1016/j.rse.2003.10.002
Katila M., Tomppo E. Selecting Estimation Parameters for the Finnish Multisource National Forest Inventory // Remote Sensing of Environment. 2001. Vol. 76, iss. 1. Pp. 16–32. DOI: 10.1016/S0034-4257(00)00188-7
Koch B. Remote Sensing Supporting National Forest Inventories NFA // Knowledge Reference for National Forest Assessments. Rome: FAO, 2015. Рp. 77–92. Режим доступа at: http://www.fao.org/3/a-i4822e.pdf (дата обращения: 21.02.19).
Koukal T., Suppan F., Schneider W. The Impact of Relative Radiometric Calibration on the Accuracy of kNN-Predictions of Forest Attributes // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 17–21.
McInerney D., Pekkarinen A., Haakana M. Combining Landsat ETM+ with Field Data for Ireland’s National Forest Inventory – A Pilot Study for co. Clare // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 12–16.
McRoberts R.E. Remote Sensing Support for the National Forest Inventory of the United States of America // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 1–6.
McRoberts R.E., Tomppo E.O. Remote Sensing Support for National Forest Inventories // Remote Sensing of Environment. 2007. Vol. 110, iss. 4. Pp. 412–419. DOI: 10.1016/j.rse.2006.09.034
Meng Q., Cieszewski C.J., Madden M., Borders B.E. K Nearest Neighbor Method for Forest Inventory Using Remote Sensing Data // GIScience & Remote Sensing. 2007. Vol. 44, iss. 2. Pp. 149–165. DOI: 10.2747/1548-1603.44.2.149
Nilsson M., Holm S., Reese H., Wallerman J., Engberg J. Improved Forest Statistics from the Swedish National Forest Inventory by Combining Field Data and Optical Satellite Data Using Post-Stratification // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 22–26.
Özsakabaşi F. Classification of Forest Areas by k Nearest Neighbor Method: Case Study, Antalya. M.Sc. in Geodetic and Geographic Information Thesis. Antalya: Middle East Technical University, 2008. 101 p.
Supervised kNN Classifier (kNN). Updated: 22.05.2017. 19 p. Режим доступа: https://github.com/m6ev/kNN/blob/master/kNN_Documentation.pdf (дата обращения: 21.02.19).
Tomppo E.O. The Finnish Multi-Source Inventory // Proceedings of ForestSat 2005, Borås, May 31–June 3, 2005 / ed. by H. Olsson. Borås: Skogsstyrelsen, 2005. Pp. 27–37.
Tomppo E., Czaplewski R., Mäkisara K. The Role of Remote Sensing in Global Forest Assessment. Forest Resources Assessment – WP no. 61. Rome: FAO, 2002. Режим доступа: http://www.fao.org/docrep/006/ad650e/AD650E00.htm#TopOfPage (дата обращения: 21.02.19).
Tomppo E., Haakana M., Katila M., Peräsaari J. Multi-Source National Forest Inventory: Methods and Applications. Netherlands: Springer, 2008. 373 p. DOI: 10.1007/978-1-4020-8713-4
Tomppo E., Halme M. Using Coarse Scale Forest Variables as Ancillary Information and Weighting of Variables in k-NN Estimation: A Genetic Algorithm Approach // Remote Sensing of Environment, 2004. Vol. 92, iss. 1. Pp. 1–20. DOI: 10.1016/j.rse.2004.04.003
Поступила 21.02.19
