An approach to the assessment of carbon reservesin KHMAO-Yugra using carbon maps

Cover Page

Cite item

Full Text

Abstract

Khanty-Mansi Autonomous Okrug-Yugra has a large area of forest territories. And forest vegetation, like any vegetation, naturally dies sooner or later, as a result of which carbon dioxide is released into the atmosphere from organic matter. This fact leads to an increase in the greenhouse effect and an increase in global warming.

In order to prevent an increase in global temperature, it is necessary to estimate the carbon stock in the form of the amount of plant biomass, since more than 90% of the territory of the Khanty-Mansi Autonomous Okrug-Yugra (KhMAO-Yugra) is covered with forests.

One of the ways to assess plant biomass is to create so-called carbon maps using remote sensing of the Earth (remote sensing) and machine learning methods.

This paper provides an overview of existing solutions in the field of remote sensing and machine learning aimed at creating carbon maps. Based on this review, a research program has been proposed that will allow us to develop an approach that allows us to obtain a digital carbon map of the KhMAO with a given accuracy.

About the authors

Arsenty I. Bredihin

Yugra State University

Author for correspondence.
Email: bredihin.igorr@yandex.ru

Master Student at the Institute of Digital Economy

Russian Federation, Khanty-Mansiysk

References

  1. Государственный доклад «О состоянии и об охране окружающей среды Российской Федерации в 2020 году». – Текст : электронный // Министерство природных ресурсов и экологии Российской Федерации. – 2021. – URL: https://www.mnr.gov.ru/docs/gosudarstvennye_doklady/gosudarstvennyy_doklad_o_sostoyanii_i_ob_okhrane_okruzhayushchey_sredy_rossiyskoy_federatsii_v_2020/?PAGEN_2=2 (дата обращения: 14.01.2022).
  2. Tropical forests are a net carbon source based on aboveground measurements of gain and loss / A. Baccini, W. Walker, L. Carvallo [et al] // Science. – 2017. – Vol. 358, № 6360. – P. 230–234.
  3. Estimated carbon dioxide emissions from tropical deforestation improved by carbondensity maps / A. Baccini, S. J. Goetz, W. S. Walker [et al.] // Nature climate change. – 2012. – Vol. 2, № 3. – P. 182–185.
  4. ICESat. Cryospheric Sciences Lab // NASA. – 2021. – URL: https://icesat.gsfc.nasa.gov/icesat/glas.php (date of application: 20.01.2022).
  5. ATLAS/ICESat-2 L2A Global Geolocated Photon Data, Version 5 // National Show and Ice Data Center. – 2021. – URL: https://nsidc.org/data/ATL03/versions/5 (date of application: 20.01.2022).
  6. . Estimating the biomass of maize with hyperspectral and LiDAR data / C. Wang, S. Nie, X. Xiaohuang [et al] // Remote Sensing. – 2017. – Vol. 9, №. 1. – P. 11.
  7. Above-ground biomass estimation using airborne discrete-return and full-waveform LiDAR data in a coniferous forest / S. Nie, C. Wang, H. Zeng [et al.] // Ecological Indicators. – 2017. – Vol. 78. – P. 221–228.
  8. Fusion of airborne LiDAR data and hyperspectral imagery for aboveground and belowground forest biomass estimation / S. Luo, C. Wang, X. Xiaohuang [et al.] // Ecological Indicators. – 2017. – Vol. 73. – P. 378–387.
  9. Non-destructive aboveground biomass estimation of coniferous trees using terrestrial LiDAR / A. Stovall, A. Voster, R. Anderson [et al.] // Remote Sensing of Environment. – 2017. – Vol. 200. – P. 31–42.
  10. Forest biomass estimation over three distinct forest types using TanDEM-X InSAR data and simulated GEDI lidar data / W. Qi, S. Saarela, J. Armston [et al.] // Remote Sensing of Environment. – 2019. – Vol. 232. – P. 111283.
  11. Global Ecosystem Dynamics Investigation // Wikipedia. – 2022. – URL: https://en.wikipedia.org/wiki/Global_Ecosystem_Dynamics_Investigation (date of application: 11.02.2022).
  12. Impact of land cover change on aboveground carbon stocks in Afromontane landscape in Kenya / P. K. E. Pellikka, V. Heikinheimo, J. Hietanen [et al.] // Applied Geography. – 2018. – Vol. 94. – P. 178–189.
  13. Estimating aboveground carbon density and its uncertainty in Borneo's structurally complex tropical forests using airborne laser scanning / T. Jucker, G. A. Asner, M. Dalponte [et al.] // Biogeosciences. – 2018. – Vol. 15, № 12. – P. 3811–3830.
  14. A remote sensing-based model of tidal marsh aboveground carbon stocks for the conterminous United States / K. B. Byrd, L. Ballanti, N. Thomas [et al.] // ISPRS Journal of Photogrammetry and Remote Sensing. – 2018. – Vol. 139. – P. 255–271.
  15. Identification of fine scale and landscape scale drivers of urban aboveground carbon stocks using high-resolution modeling and mapping / M. G. E. Mitchell, K. Johansen, M. Maron [et al.] // Science of the total Environment. – 2018. – Vol. 622. – P. 57–70.
  16. Sensitivity of large-footprint lidar to canopy structure and biomass in a neotropical rainforest / J. B. Drake, R. Dubayah, R. G. Knox [et al.] // Remote Sensing of Environment. – 2002. – Vol. 81, № 2-3. – P. 378–392.
  17. Laser altimeter canopy height profiles: Methods and validation for closed-canopy, broadleaf forests / D. J. Harding, M. A. Lefsky, G. Parker, J. B. Blair // Remote Sensing of Environment. – 2001. – Vol. 76, № 3. – P. 283–297.
  18. Cohen, W. B. Estimating structural attributes of Douglas-Fir / W. B. Cohen, T. A. Spies // Remote sensing of environment. – 1992. – Vol. 41, № 1. – P. 1–17.
  19. Gemmell, F. M. Effects of forest cover, terrain, and scale on timber volume estimation with Thematic Mapper data in a Rocky Mountain site / F. M. Gemmell // Remote Sensing of Environment. – 1995. – Vol. 51, № 2. – P. 291–305.
  20. Puhr, C. B. Remote sensing of upland conifer plantations using Landsat TM data: a case study from Galloway, south-west Scotland / C. B. Puhr, D. N. M. Donoghue // International Journal of Remote Sensing. – 2000. – Vol. 21, № 4. – P. 633–646.
  21. Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals / T. Allouis, S. Durrieu, C. Vega [et al.] // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2012. – Vol. 6, № 2. – P. 924–934.
  22. Inversion of a lidar waveform model for forest biophysical parameter estimation / B. Koetz, F. Morsdorf, G. Sun [et al.] // IEEE Geoscience and Remote Sensing Letters. – 2006. – Vol. 3, № 1. – P. 49–53.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2022 Yugra State University

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

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».