Отправить статью по E-mail Подход к оценке запасов углерода в ХМАО-Югре с помощью углеродных карт
- Авторы: Бредихин А.И.1
-
Учреждения:
- ФГБОУ ВО «Югорский государственный университет»
- Выпуск: Том 18, № 1 (2022)
- Страницы: 118-133
- Раздел: 1.2/1.2.2 Математическое моделирование и информационные технологии (технические науки)
- URL: https://journal-vniispk.ru/1816-9228/article/view/258509
- DOI: https://doi.org/10.18822/byusu202201118-133
- ID: 258509
Цитировать
Полный текст
Аннотация
Ханты-Мансийский автономный округ – Югра обладает большой площадью лесных территорий. А лесная растительность, как и любая растительность, естественным образом рано или поздно отмирает, вследствие чего из органического вещества происходит выделение углекислого газа в атмосферу. Данный факт ведет к усилению парникового эффекта и усилению глобального потепления. Для того чтобы не допустить повышения глобальной температуры, необходимо оценивать запас углерода в виде количества растительной биомассы, поскольку более 90 % территории Ханты-Мансийского автономного округа – Югры (ХМАО-Югра) покрыто лесами. Одним из способов оценки растительной биомассы является создание так называемых углеродных карт с применением методов дистанционного зондирования Земли (ДЗЗ) и машинного обучения. Применение полученных с помощью методов ДЗЗ спутниковых снимков и методов их обработки позволит получить карту округа с полным охватом всей территории, а применение моделей машинного обучения позволит разработать модель, с помощью которой будет возможно создавать углеродную карту округа.
В данной работе приведен обзор существующих решений в области ДЗЗ и машинного обучения, направленных на создание углеродных карт. На основании данного обзора предложена программа исследований, которая позволит разработать подход, позволяющий получать цифровую углеродную карту ХМАО с заданной точностью.
Ключевые слова
Об авторах
Арсентий Игоревич Бредихин
ФГБОУ ВО «Югорский государственный университет»
Автор, ответственный за переписку.
Email: bredihin.igorr@yandex.ru
магистрант Института цифровой экономики
Россия, Ханты-МансийскСписок литературы
- 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).
- 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.
- 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.
- ICESat. Cryospheric Sciences Lab // NASA. – 2021. – URL: https://icesat.gsfc.nasa.gov/icesat/glas.php (date of application: 20.01.2022).
- 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).
- . 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.
- 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.
- 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.
- 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.
- 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.
- Global Ecosystem Dynamics Investigation // Wikipedia. – 2022. – URL: https://en.wikipedia.org/wiki/Global_Ecosystem_Dynamics_Investigation (date of application: 11.02.2022).
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
Дополнительные файлы
