METHOD01

1

Формирование перечня ключевых биотопов

Составление списка ключевых биотопов (местообитаний) для национального парка (НП) «Смоленское Поозерье» проводилось с использованием современной версии общеевропейской классификации биотопов – EUNIS Habitat Classification (2013), поскольку именно на основе этой системы осуществляется диагностика местообитаний в практике зарубежных исследований (Rodwell et al., 2002, 2012). На первом этапе составлялся предварительный список биотопов (местообитаний), представленных на территории НП, затем проводилось уточнение, какие из них рассматриваются как ключевые в современной природоохранной практике (Annex …, 2007; Revised Annex…, 2010-2014).Такой подход был обусловлен, во-первых, тем, что предполагается на следующем этапе проекта с помощью данных ДЗЗ отличить ключевые местообитания от всех остальных (фоновых) на территории НП, набор которых для этого тоже необходимо знать. Во-вторых, – очень ограниченным предшествующим опытом использования классификации EUNIS в средней полосе Европейской России (Изумрудная …, 2015; Браславская, 2016) и недостатком экспертных знаний о степени ее соответствия существующим классификациям растительности этой территории. Для получения наиболее корректного результата надо, в общем случае, начинать с обзора классификационных категорий самого нижнего уровня и анализа их описательных характеристик: это обусловлено тем, что только на нижних уровнях наиболее подробно и точно описаны диагностические признаки, в том числе – географическая локализация типов местообитаний, подразумеваемая авторами классификации. Таким способом составляется список местообитаний, теоретически возможных в данном географическом регионе, после чего имеющиеся данные о растительности локальной территории сравниваются с характеристиками категорий, включенных в этот список.

В результате применения изложенного выше подхода для территории НП «Смоленское Поозерье» составлен перечень категорий наземных местообитаний, который включает 19 лесных, 2 кустарниковых, 8 болотных и 10 травяных (включая 7 луговых, 1 опушечную, 2 рудеральных). Среди них к ключевым относятся 12 лесных, 7 болотных и 1 луговая категория местообитания, одна категория на аграрных землях (хвойные молодняки)

2

Создание базы геоданных спектральных и топографических признаков

Для пространственной оценки ключевых биотопов нами формируется перечень индикаторов (признаков) на территорию НП «Смоленское Поозерье», а именно: разносезонные мультиспектральные спутниковые данные Sentinel-2 (10-20 м) за три последних года, топографические данные рельефа и местности (отметки высот, речная и дорожная сети), карты доминирующих типов почв и почвообразующих пород (смотри раздел: тематические продукты), тематические продукты на основе ЦМР (смотри раздел: темаические продукты). В дополнение к вышеперечисленным данным использовались карты болот, сельскохозяйственных полей и других нелесных земель (из проекта РФФИ № 16-54-00142), карта выделов с описанием породной структуры лесов и преобладающих типов напочвенного покрова (карта выделов и описаний таксации предоставлены администрацией НП «Смоленское Поозерье»).

Спутниковые изображения спутника Sentinel-2 собраны из многолетнего открытого архива Европейского космического агентства (https://sentinel-hub.com/). После предварительной обработки (атмосферная коррекция, маскирование облаков и теней алгоритмом) были отобраны 71 безоблачные сцены за 2015 по 2018 гг. Из этого набора визуально отбираются изображения, полученные в зимний, весенний, летний и осенний сезоны года. Рассчитываются вегетационные индексы и формируются многослойные изображения из спектральных каналов B03, B04, B08, B12 и вегетационных индексов NDRE, NDVI и NDWI.

На основе цифровой модели рельефа создается набор тематических карт с характеристиками рельефа, почв, условий освещенности и т.п., с целью описать абиотические условия местообитания растительности тестового участка.

3

Создание базы геоданных эталонной и контрольной выборки лесных биотопов

Выборка эталонных и контрольных участков для моделирования и оценки точности пространственного распределения ключевых и всех прочих лесных биотопов парка была сформирована на основе пространственного пересечения сети лесоустроительных выделов с результатами автоматической сегментации спутниковых изображений Sentinel-2 алгоритмом Full Lambda Schedule (Redding et al., 1999). Для сегментации использовались только каналы видимого и ближнего инфракрасного диапазонов с пространственным разрешением 10 метров. Участки, образованные пересечением выделов и сегментов, отбирались для дальнейшего анализа по нескольким критериям: площадь (не менее 1 га), доля взаимного перекрытия (не менее 50%) и сомкнутость древостоев (не менее 50%). Затем они объединялись на основе таксационных характеристик в комплексные тематические группы, которые в дальнейшем рассматривались как прототипы для ключевых и прочих лесных биотопов. Для этого каждому участку присваивался восьмизначный составной код, первые пять цифр которого соответствовали долям ели, сосны, широколиственных пород, ольхи черной и всех прочих мелколиственных пород в составе, следующие две цифры отображали значения трофности и влажности условий местопроизрастания (по П.С. Погребняку), а последняя цифра идентифицировала возраст древостоев. При этом доли породного состава объединялись в три условных градации – преобладание (6 и более единиц в породной формуле), присутствие (1-5 единиц) и отсутствие той или иной группы пород. Показатели влажности были преобразованы в две категории – сухие или нормальные (1-3) и влажные (4-5) условия произрастания. Значения возраста также были сведены к двум группам – молодые (1-2 класс возраста) и взрослые (3 и более) древостои. По уникальным значениям составного кода было выделено 88 наиболее представленных на территории парка прототипов биотопов, которые суммарно покрывают более 95% от площади лесного фонда. Общий размер эталонной выборки, полученной на данном этапе, составил 1399 участков, при этом четыре прототипа, соответствующие ключевым биотопам, вошли в нее целиком, а для всех остальных групп случайным образом формировались подвыборки в объеме 20% от общего числа входящих в них участков, которые затем объединялись в один комплексный тематический класс «Все прочие биотопы». Такой подход позволил сформировать относительно сбалансированную по составу обучающую выборку – от 110 до 401 наблюдения в каждом из пяти классов, для дальнейшей вероятностной классификации.

4

Исследование информативности признаков

Степень информативности каждого признака (спектрального и топографического), а также оптимальный состав признаков, позволяющий достигнуть наилучших результатов при классификации, оценивались в процессе автоматизированной процедуры рекурсивного исключения признаков на основе критерия MDA – Mean Decrease in Accuracy (Liaw, Wiener, 2002). Качество классификационной модели, выстроенной с использованием фиксированного набора признаков, оценивалось стандартным для случайных лесов методом out-of-bag (OOB), когда случайная выборка для построения дерева решений генерируется с помощью бутстрепа (т.е. с возвращением элементов), а та часть измерений, которая не попала в эту выборку, используется в качестве контрольных данных. Мы использовали значения OOB-каппы в качестве основного критерия для оптимизации набора переменных, а также для автоматического подбора основных входных параметров для алгоритма классификации. Состав обучающей выборки корректировался с помощью показателей отступа (разность долей от общего числа деревьев, по которым элемент выборки классифицировался правильно и неправильно), определяемых в процессе обучения модели.

5

Выявление и геопространственная оценка рапределения ключевых биотопов

Мы использовали метод случайных лесов (Breiman, 2001) для анализа возможностей распознавания ключевых биотопов и получения вероятностных оценок их пространственного распределения по территории исследования. В контексте случайных лесов, вероятность отнесения объекта к конкретному тематическому классу – это доля деревьев решений от общего числа в лесу, в результате классификации по которым этот объект был отнесен к данному классу. При этом, оценки вероятностей, полученные этим методом, как правило, являются достаточно объективными без дополнительной калибровки (Kruppa et al., 2014). В качестве переменных при обучении классификационной модели использовались медианные значения спектральных и топографических признаков, рассчитанные в пределах отобранных эталонных участков. Вероятностные оценки пространственного распределения ключевых биотопов по территории парка рассчитывались попиксельно на основе оптимального набора наиболее информативных признаков, приведенных к пространственному разрешению 10 метров.

6

Создание геоботанической базы данных наземных обследований

По материалам полевых исследований создана база геоботанических описаний растительности НП «Смоленское Поозерье», включающая 439 площадок . Геоботанические описания были выполнены в 2016-2018 гг. сотрудниками ЦЭПЛ РАН; в 2013-2015 гг. сотрудниками ИЭБ им. В.Ф. Купревича, Республика Беларусь; в 2006-2013 гг. – сотрудниками НП «Смоленское Поозерье». Также были использованы геоботанические описания из публикаций (Растительность и почвы…, 2003). 349 описаний имеют точную географическую привязку (географические координаты определены с использованием GPS-навигатора).

Для хранения, первичной обработки и анализа данных полевых геоботанических описаний использованы электронная база данных Turboveg (Hennekens, Schaminee, 2001; Новаковский, 2006) и программа JUICE 7.0 (Tichý, 2002). Turboveg – специализированная программа, предназначенная для ввода и хранения больших объемов геоботанических данных и их преобразования в форматы, доступные другим программам для дальнейшей обработки и анализа (TWINSPAN, JUICE, PC-ORD и др.). Структура базы Turboveg включает следующие стандартные и дополнительные поля: номер описания, авторы описания, дата описания, площадь описания, экспозиция склона и его уклон в градусах, проективное покрытие ярусов, высота ярусов (верхнего и подчиненного древесного яруса, подроста и подлеска, травянистого покрова), географические координаты (широта, долгота), местонахождение (область, район, наименование лесничества, ООПТ, положения относительно линейных и точечных объектов и т.п.), формула древостоя, диаметры деревьев (максимальный и средний), характеристика валежа и сухостоя, наличие антропогенных нарушений и др.
Программа JUICE позволяет строить синоптические таблицы, проводить сортировку по описаниям и видам, а также классифицировать растительность различными методами (TWINSPAN, COCTAIL). На основе оценки флористических списков была определена принадлежность описаний типологическим категориям системы EUNIS.

7

Сравнительный анализ и оценка результатов, создание карты всех биотопов модельной территории

Точность результатов вероятностной классификации оценивалась на основе показателя Бриера (Brier, 1950) и величины площади под ROC-кривой (Bradley, 1997), рассчитанных индивидуально для каждого из пяти тематических классов относительно исходных прототипов биотопов, полученных из лесоустроительных материалов. Оптимальные пороговые значения вероятностей для однозначного отнесения пикселей изображения к ключевым биотопам определялись автоматически по критерию минимума суммарного числа ошибок распознавания I и II рода.

Для сравнения результатов классификации с наземными геоботаническими описаниями вычислялись средние значения вероятностей отнесения пикселей к тому или иному биотопу в радиусе 15 метров от центра пробной площади (т.е. на площадке 3×3 пикселя), после чего весь участок относился к биотопу с максимальным значением средней вероятности.

ДИЗАЙН ПРОЕКТА