Дистанционный мониторинг зарастания залежей Республики Марий Эл методом анализа главных компонент

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье представлены результаты исследования зарастания земель запаса Среднего Поволжья методами дистанционного зондирования на примере Республики Марий Эл. Для исследования были использованы снимки спутника Landsat-8 OLI за летний период 2022 года в сочетании шестого (средний инфракрасный), пятого (ближний инфракрасный) и второго (синий) спектральных каналов, прошедшие процедуру трансформации доли минимальных “шумов” (Minimum noise fraction transform, MNF-трансформация). Результаты исследования показали, что в Республике наблюдается устойчивый процесс массового зарастания залежей древесно-кустарниковой растительностью. Площадь сельскохозяйственных угодий, по данным исследования, составила 763,69 тыс. га. Зарастание лиственными породами наблюдается на территории 135,5 тыс. га, что составляет 17,7% от общей площади сельскохозяйственных земель и 49,9% от территории залежных земель Республики Марий Эл. Зарастание земель хвойными насаждениями наблюдается на 26,7 тыс. га, что составляет 3,5% и 9,85% соответственно. В целом полученные данные, несмотря на некоторое снижение, свидетельствуют об устойчивом процессе захвата брошенных залежей молодняками древесных пород. Преобладающими породами, захватывающими земли залежей, являются лиственные породы, в основном береза и осина. Общая точность полученной тематической карты составила 79,7%, а коэффициент Каппа равен 0,79, что говорит о высокой согласованности тематической карты натурным данным.

Полный текст

Доступ закрыт

Об авторах

С. А. Лежнин

Поволжский государственный технологический университет

Автор, ответственный за переписку.
Email: lejninsa@volgatech.net
Россия, Йошкар-Ола

А. В. Губаев

Поволжский государственный технологический университет

Email: lejninsa@volgatech.net
Россия, Йошкар-Ола

О. Н. Воробьев

Поволжский государственный технологический университет

Email: lejninsa@volgatech.net
Россия, Йошкар-Ола

Э. А. Курбанов

Поволжский государственный технологический университет

Email: lejninsa@volgatech.net
Россия, Йошкар-Ола

Д. М. Дергунов

Поволжский государственный технологический университет

Email: lejninsa@volgatech.net
Россия, Йошкар-Ола

Список литературы

  1. Беляев В.В., Кононов О.Д., Карабан А.А., Старицын В.В. Состояние древесной растительности на землях, выбывших из хозяйственного оборота в Архангельской области // Вестник Северного (Арктического) федерального университета. 2013. Вып. 2. С. 5–11.
  2. Доклад о состоянии и использовании земель в Республике Марий Эл в 2018 году. Электронный ресурс: https://rosreestr.gov.ru/upload/to/respublika-mariy-el/% D0%BF%D1% 80%D0%BE%D1%82%D0%BE%D0%BA%D0%BE%D0%BB%D1%8B/%D0%94%D0%BE%D0%BA%D0%BB%D0%B0%D0%B4%20%D0%B7%D0%B0%202018%20%D0%A0%D0%9C%D0%AD.doc (дата обращения 01.03.2023).
  3. Доклад о состоянии и использовании земель сельскохозяйственного назначения Российский Федерации в 2019 году. Электронный ресурс: https://mcx.gov.ru/upload/iblock/ fb1/fb12ab74bc70b5091b0533f44a4d8dba.pdf (дата обращения 01.03.2023).
  4. Ерусалимский В.И. Лес и пашня // Лесное хозяйство. 2011. № 2. С. 14–15.
  5. Кирейчева Л.В. Шевченко В.А., Юрченко И.Ф. Оценка экономической эффективности ввода в агропроизводство залежных земель Нечерноземной зоны РФ // Московский экономический журнал. 2021. № 3. С. 245–255.
  6. Курбанов Э.А., Воробьев О.Н., Незамаев С.А., Губаев А.В., Лежнин С.А., Полевщикова Ю.А. Тематическое картирование и стратификация лесов Марийского Заволжья по спутниковым снимкам Landsat-8 OLI // Йошкар-Ола: Вестник ПГТУ, Серия: Лес. Экология. Природопользование. 2013. № 3. С. 72–82.
  7. Лежнин С.А. Дистанционный метод оценки формирования молодняков на залежах Марийского лесного Заволжья по спутниковым снимкам // Дис. … канд. с.-х. наук. Йошкар-Ола, 2013. 167 с.
  8. Лежнин С.А., Музурова Р.Л. Оценка вторичной сукцессии на залежах Республики Марий Эл // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг: материалы международной конференции. Йошкар-Ола: ПГТУ, 2019. С. 126–135.
  9. Стыценко Е.А. Возможности распознавания сельскохозяйственных угодий с использованием методики совместной автоматизированной обработки разносезонных многозональных космических изображений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14, № 5. С. 172–183.
  10. Шихов А.Н., Герасимов А.П., Пономарчук А.И., Перминова Е. С. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения [Электронный ресурс]: учебное пособие // Пермский государственный национальный исследовательский университет. 2020. 191 с. Режим доступа: http://www.psu.ru/files/docs/science/books/uchebnie-posobiya/shikhov-gerasimov-ponomarchukperminova-tematicheskoe-deshifrovanie-i-interpretaciyakosmicheskih-snimkov.pdf
  11. Alcantara C., Kuemmerle T., Prishchepov A. V., Radeloff V. C. Mapping abandoned agriculture with multitemporal MODIS satellite data // Remote Sensing of Environment. 2012. Vol. 124. P. 334–347.
  12. Boardman J.W. Automated spectral analysis: a geological example using AVIRIS data, north Grapevine Mountains, Nevada: in Proceedings, ERIM Tenth Thematic Conference on Geologic Remote Sensing // Environmental Research Institute of Michigan. 1994. P. 407–418.
  13. Dannenberg M.P., Hakkenberg C.R., Song C. Consistent classification of Landsat-8 OLI time series with an improved automatic adaptive signature generalization algorithm // Remote Sensing. 2016. https://doi.org/10.3390/rs8080691
  14. Defourny P., Bontemps S., Bellemans N., Cara C., Dedieu G., Guzzonato E., Hagolle O., Inglada J., Nicola L., Rabaute T., Savinaud M., Udroiu C., Valero S., Bégué A., Dejoux J.-F., El Harti A., Ezzahar J., Kussul N., Labbassi K., Lebourgeois V., Miao Z., Newby T., Nyamugama A., Salh N., Shelestov A., Simonneaux V., Traore P. S., Traore S. S., Koetz B. Near real-time agriculture monitoring at national scale at parcel resolution: performance assessment of the Sen2-Agri automated system in various cropping systems around the world // Remote Sensing of Environment. 2019. № 221. P. 551–568. https://doi.org/10.1016/J.RSE.2018.11.007
  15. Estel S., Kuemmerle T., Alcántara C., Levers C., Prishchepov A., Hostert P. Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series // Remote Sensing of Environment. 2015. № 163, P. 312–325. https://doi.org/10.1016/J.RSE.2015.03.028
  16. Fradette O., Marty C., Faubert P., Dessureault P.-L., Paré M., Bouchard S., Villeneuve C. Additional carbon sequestration potential of abandoned agricultural land afforestation in the boreal zone: A modelling approach // Forest Ecology and Management. 2021. Vol. 499. 119565. https://doi.org/10.1016/j.foreco.2021.119565
  17. Fraser R. H., Oltho I., Pouliot D. Monitoring land cover change and ecological integrity in Canada’s national parks // Remote Sensing of Environment. 2009. № 113. P. 1397–1409. https://doi.org/10.1016/j.rse.2008.06.019
  18. Friedl M.A., Sulla-Menashe D., Tan B., Schneider A., Ramankutty N., Sibley A., Huang X. M. MODIS collection 5 global land cover: algorithm refinements and characterization of new datasets // Remote Sensing of Environment. 2010. № 114. P. 168–182. https://doi.org/10.1016/j.rse.2009.08.016
  19. Gómez C., White J.C., Wulder M.A. Optical remotely sensed time series data for land cover classification: a review // ISPRS Journal of Photogrammetry and Remote Sensing. 2016. № 116. P. 55–72. https://doi.org/10.1016/J.ISPRSJPRS.2016.03.008
  20. Grădinaru S.R., Kienast F., Psomas A. Using multi-seasonal Landsat-8 OLI imagery for rapid identification of abandoned land in areas affected by urban sprawl // Ecological Indicators. 2019. Vol. 96, Pt. 2. P. 79–86.
  21. Gray J., Song C.H. Consistent classification of image time series with automatic adaptive signature generalization // Remote Sensing of Environment. 2013. № 134. P. 333–341. https://doi.org/10.1016/j.rse.2013.03.022
  22. Janus J., Bożek P., Mitka B., Taszakowski J., Doroż A. Long-term forest cover and height changes on abandoned agricultural land: An assessment based on historical stereometric images and airborne laser scanning data // Ecological Indicators. 2021. Vol. 120. 106904. https://doi.org/10.1016/j.ecolind.2020.106904
  23. Kolecka N., Kozak J., Kaim D., Dobosz M., Ginzler C., Psomas A. Mapping secondary forest succession on abandonet agricultural land in the Polish Carpathians // Remote Sensing and Spatial Information Sciences. 2016. Vol. XLI-B8. P. 931–935.
  24. Levers C., Schneider M., Prishchepov A. V., Estel S. Spatial variation in determinants of agricultural land abandonment in Europe // Science of The Total Environment. 2018. Vol. 644. P. 95–111.
  25. Liu J., Kuang W.H., Zhang Z.X., Xu X.L., Qin Y.W., Ning J., Zhou W.C., Zhang S.W., Li R.D., Yan C.Z., Wu S.X., Shi X.Z., Jiang N., Yu D.S., Pan X.Z., Chi W.F. Spatiotemporal characteristics, patterns, and causes of land-use changes in China since the late 1980s // Journal of Geographical Sciences. 2014. № 24. P. 195–210. https://doi.org/10.1007/s11442-014-1082-6
  26. Liu B., Song W. Mapping abandoned cropland using Within-Year Sentinel-2 time series // CATENA. 2023. Vol. 223. 106924. https://doi.org/10.1016/j.catena.2023.106924
  27. Löw F., Fliemann E., Abdullaev I., Conrad C., Lamers J. P.A. Mapping abandoned agricultural land in Kyzyl-Orda, Kazakhstan using satellite remote sensing // Applied Geography. 2015. Vol. 62. P. 377–390. https://doi.org/10.1016/j.apgeog.2015.05.009
  28. Mainali K., Evans M., Saavedra D., Mills E., Madsen B., Minnemeyer S. Convolutional neural network for high-resolution wetland mapping with open data: Variable selection and the challenges of a generalizable model // Science of The Total Environment. 2023. Vol. 861. 160622. https://doi.org/10.1016/j.scitotenv.2022.160622
  29. Nordén B., Olsen S. L., Haug S., Rusch G. Recent forest on abandoned agricultural land in the boreonemoral zone – Biodiversity of plants and fungi in relation to historical and present tree cover // Forest Ecology and Management. 2021. Vol. 489. 119045. https://doi.org/10.1016/j.foreco.2021.119045
  30. Parés-Ramos I.K., Gould W.A., Aide T.M. Agricultural abandonment, suburban growth, and forest expansion in Puerto Rico between 1991 and 2000 // Ecology and Society. 2008. № 13(8). https://doi.org/10.5751/ES-02479-130201
  31. Pax-Lenney M., Woodcock C.E., Macomber S.A., Gopal S., Song C.Forest mapping with a generalized classifier and Landsat-8 OLI TM data // Remote Sensing of Environment. 2001. № 77. P. 241–250. https://doi.org/10.1016/S0034-4257(01)00208-5
  32. Pedersen N.K., Schmidt I.K., Kepfer-Rojas S. Drivers of tree colonization, species richness, and structural variation during the initial three decades of natural forest colonization in abandoned agricultural soils // Forest Ecology and Management. 2023. Vol. 543. https://doi.org/10.1016/j.foreco.2023.121138
  33. Phalke A.R., Özdoğan M. Large area cropland extent mapping with Landsat-8 OLI data and a generalized classifier // Remote Sensing of Environment. 2018. Vol. 219. P. 180–195. https://doi.org/10.1016/j.rse.2018.09.025
  34. Pointereau P., Coulon F.P., Girard M.L., Stuczynski T., Ortega V.S., Del Rio A. Analysis of farmland abandonment and the extent and location of agricultural areas that are actually abandoned or are in risk to be abandoned // JRC Scientific and Technical Reports. 2008 (EUR23411 EN).
  35. Song W. Mapping Cropland Abandonment in Mountainous Areas Using an Annual Land-Use Trajectory Approach // Sustainability. 2019. Vol. 11. P. 1–24.
  36. Thenkabail P.S., Knox J.W., Ozdogan M., Gumma M.K., Congalton R.G., Zhuoting W.U., Milesi C., Finkral A., Marshall M., Mariotto I. Assessing future risks to agricultural productivity, water resources and food security: how can remote sensing help? // Photogrammetric Engineering & Remote Sensing. 2012. № 78(8). P. 773–782.
  37. Wittke S., Xiaowei Y., Karjalainen M., Hyyppä J., Puttonen E. Comparison of two-dimensional multitemporal Sentinel-2 data with three-dimensional remote sensing data sources for forest inventory parameter estimation over a boreal forest // International Journal of Applied Earth Observation and Geoinformation. 2019. Vol. 76. P. 167–178.
  38. Xu Y., Yu L., Zhao F.R., Cai X., Zhao J., Lu H., Gong P. Tracking annual cropland changes from 1984 to 2016 using time-series Landsat-8 OLI images with a change detection and post-classification approach: experiments from three sites in Africa // Remote Sensing of Environment. 2018. № 218. P. 13–31. https://doi.org/10.1016/J.RSE.2018.09.008

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Распределение тестовых участков по территории исследования.

Скачать (274KB)
Метаданные
3. Рис. 2. Фрагмент снимка Landsat-8 OLI-8: а – в естественных цветах; б – после синтеза шестого (средний инфракрасный), пятого (ближний инфракрасный) и второго (синий) спектральных каналов; в – после проведения MNF-трансформации, на котором визуально выделяются спелый смешанный лес, входящий в лесной фонд (на изображении представлен темно-зеленым цветом, фрагмент леса выделен синим), лиственные молодняки на залежах (на изображении представлены оттенками желтого цвета, фрагмент их выделен красным цветом) и хвойные молодняки на залежах (на изображении представлены светло-зеленым цветом, фрагмент их выделен желтым цветом).

Скачать (410KB)
Метаданные
4. Рис. 3. Картосхема Республики Марий Эл за 2022 г. с выделенными участками молодых хвойных и лиственных пород на залежах.

Скачать (514KB)
Метаданные
5. Рис. 4. Сравнение процессов зарастания залежей в 2011 и 2022 гг. на снимках Landsat и картосхемах 2011 и 2022 гг.: а – фрагмент снимка Landsat 7 ETM+ за 2011 г. в естественных цветах; б – фрагмент снимка Landsat 8 OLI за 2022 г. в естественных цветах; в – фрагмент картосхемы залежей с участками зарастания за 2011 г.; г – фрагмент картосхемы залежей с участками зарастания за 2022 г.

Скачать (409KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».