Демонстрация, показывающая, как оценить выбросы углерода, связанные с обезлесением, используя данные, предоставленные Vizzuality на Source Cooperative, и размещенные на бесплатном уровне Hugging Face [ссылка]. На карте будут показаны тонны углерода, потерянные в период с 2002 по 2022 год.
#данные #лес
#данные #лес
Оценка высоты растительного полога и содержания углерода по спутниковым данным из Google Earth Engine [ссылка]
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
The BioMassters — соревнование по оценке надземной биомассы леса методами машинного обучения [ссылка].
Задача BioMassters заключалась в оценке годовой биомассы участков леса размером 2560 х 2560 м, расположенных в Финляндии, с помощью ежемесячных снимков Sentinel-1 и Sentinel-2, полученных на тех же участках. В качестве исходных, использовались данные воздушного лидара и натурных измерений, ежегодно проводимых Финским лесным центром.
Соревнование состоялось в прошлом году, но его результаты находятся в открытом доступе.
🛢 Репозиторий моделей-победителей
#AGB #лес #нейронки
Задача BioMassters заключалась в оценке годовой биомассы участков леса размером 2560 х 2560 м, расположенных в Финляндии, с помощью ежемесячных снимков Sentinel-1 и Sentinel-2, полученных на тех же участках. В качестве исходных, использовались данные воздушного лидара и натурных измерений, ежегодно проводимых Финским лесным центром.
Соревнование состоялось в прошлом году, но его результаты находятся в открытом доступе.
🛢 Репозиторий моделей-победителей
#AGB #лес #нейронки
Карты высоты древесного полога с разрешением 1 метр
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Tallo: глобальная база данных аллометрических показателей деревьев
Данные о размерах и форме деревьев, такие как диаметр ствола, высота и размер кроны, лежат в основе широкого спектра экологических исследований, от разработки и проверки моделей динамики лесов до оценки запасов углерода леса, а также интеграции снимков дистанционного зондирования в программы мониторинга лесов. Добыть такие данные, особенно по отдельным регионам мира и конкретным таксономическим группам, бывает весьма непросто. База данных Tallo призвана помочь в решении этой проблемы.
Tallo — это коллекция из 498 838 геопривязанных и таксономически стандартизированных записей об отдельных деревьях, для которых были измерены диаметр ствола, высота и/или радиус кроны. Эти данные были собраны на 61 856 глобально распределенных участках, охватывающих все основные лесные и безлесные биомы. Большинство деревьев в базе данных идентифицированы до вида (88%). Tallo содержит данные для 5163 видов, распределенных по 1453 родам и 187 семействам растений. База находится в открытом доступе под лицензией CC-BY 4.0.
🛢 Данные Tallo на Zenodo
🗺 Данные Tallo на GEE
📖 Jucker, T., Fischer, F. J., Chave, J., Usoltsev, V. et al. (2022). Tallo: A global tree allometry and crown architecture database. Global Change Biology, 28(17), 5254–5268. Portico. https://doi.org/10.1111/gcb.16302
#лес #данные
Данные о размерах и форме деревьев, такие как диаметр ствола, высота и размер кроны, лежат в основе широкого спектра экологических исследований, от разработки и проверки моделей динамики лесов до оценки запасов углерода леса, а также интеграции снимков дистанционного зондирования в программы мониторинга лесов. Добыть такие данные, особенно по отдельным регионам мира и конкретным таксономическим группам, бывает весьма непросто. База данных Tallo призвана помочь в решении этой проблемы.
Tallo — это коллекция из 498 838 геопривязанных и таксономически стандартизированных записей об отдельных деревьях, для которых были измерены диаметр ствола, высота и/или радиус кроны. Эти данные были собраны на 61 856 глобально распределенных участках, охватывающих все основные лесные и безлесные биомы. Большинство деревьев в базе данных идентифицированы до вида (88%). Tallo содержит данные для 5163 видов, распределенных по 1453 родам и 187 семействам растений. База находится в открытом доступе под лицензией CC-BY 4.0.
🛢 Данные Tallo на Zenodo
🗺 Данные Tallo на GEE
📖 Jucker, T., Fischer, F. J., Chave, J., Usoltsev, V. et al. (2022). Tallo: A global tree allometry and crown architecture database. Global Change Biology, 28(17), 5254–5268. Portico. https://doi.org/10.1111/gcb.16302
#лес #данные
Оценка уровня повреждения леса вредителями по временным рядам вегетационного индекса
При анализе повреждений леса вредителями по данным дистанционного зондирования возникают две задачи: 1) обнаружение древостоев, пострадавших от вредителей и 2) оценка уровня повреждения. Для решения первой задачи бывает достаточно единственного спутникового снимка. Для оценки уровня ущерба необходимо использовать сезонный временной ряд данных ДЗЗ.
Одним из наиболее распространенных в Северном полушарии вредителей леса является непарный шелкопряд (Lymantria dispar L). Гусеницы этого вида объедают листву лиственных деревьев. Тем не менее, значительная часть повреждённых деревьев впоследствии восстанавливается. Именно эта особенность позволила выделить очаги поражения непарным шелкопрядом.
Учёные из Института леса имени В. Н. Сукачева СО РАН (Красноярск) с коллегами из Института систематики и экологии животных СО РАН (Новосибирск) предложили выявлять очаги размножения непарного шелкопряда по временным рядам нормализованного разностного вегетационного индекса (NDVI), построенного по данным спутника Sentinel-2.
Оказалось, что у лесов, повреждённых вредителем, вегетационный индекс падает примерно на 25–50% в конце мая - начале июня — в период наибольшей активности гусениц непарного шелкопряда. В здоровых лесах такого не наблюдается. По тому, насколько снизился индекс в поражённых лесах, можно рассчитать нанесенный вредителями урон.
Исследователи сравнили данные, полученные с помощью такого подхода, с оценками, которые дали наземные наблюдения за состоянием деревьев, и определили, что точность дистанционного метода составляет 90%.
🌳 Источник
📊 Типичная кривая сезонной динамики NDVI для повреждённого вредителем (красный цвет) и контрольного участка здорового леса (зелёный цвет) (источник)
#лес
При анализе повреждений леса вредителями по данным дистанционного зондирования возникают две задачи: 1) обнаружение древостоев, пострадавших от вредителей и 2) оценка уровня повреждения. Для решения первой задачи бывает достаточно единственного спутникового снимка. Для оценки уровня ущерба необходимо использовать сезонный временной ряд данных ДЗЗ.
Одним из наиболее распространенных в Северном полушарии вредителей леса является непарный шелкопряд (Lymantria dispar L). Гусеницы этого вида объедают листву лиственных деревьев. Тем не менее, значительная часть повреждённых деревьев впоследствии восстанавливается. Именно эта особенность позволила выделить очаги поражения непарным шелкопрядом.
Учёные из Института леса имени В. Н. Сукачева СО РАН (Красноярск) с коллегами из Института систематики и экологии животных СО РАН (Новосибирск) предложили выявлять очаги размножения непарного шелкопряда по временным рядам нормализованного разностного вегетационного индекса (NDVI), построенного по данным спутника Sentinel-2.
Оказалось, что у лесов, повреждённых вредителем, вегетационный индекс падает примерно на 25–50% в конце мая - начале июня — в период наибольшей активности гусениц непарного шелкопряда. В здоровых лесах такого не наблюдается. По тому, насколько снизился индекс в поражённых лесах, можно рассчитать нанесенный вредителями урон.
Исследователи сравнили данные, полученные с помощью такого подхода, с оценками, которые дали наземные наблюдения за состоянием деревьев, и определили, что точность дистанционного метода составляет 90%.
🌳 Источник
📊 Типичная кривая сезонной динамики NDVI для повреждённого вредителем (красный цвет) и контрольного участка здорового леса (зелёный цвет) (источник)
#лес
Новая модель оценки высоты лесного полога [ссылка]
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные
Глобальные карты потоков углерода лесов (2001–2023)
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Отчет о проверке данных Planet Forest Carbon Diligence
Недавно компания Planet выпустила отчет о проверке своих данных о биомассе лесов, Diligence Validation and Intercomparison Report, в котором приведены сравнения Diligence с восемью независимыми наборами данных о биомассе лесов.
Краткие итоги отчета подвел Крис Андерсон, “главный по лесам” в компании Planet. Крис занимается оценками биомассы леса уже давно. В частности, он является соавтором методики оценки биомассы леса при помощи воздушной лидарной съемки, которая применяется для оценки проектов углеродных компенсаций Verra.
Ключевые тезисы статьи Андерсона:
Основное внимание в отчете уделяется взаимному сопоставлению, а не валидации. Валидация предполагает наличие эталонных данных, как правило, наземных измерений. Вместо этого, почти все источники данных о биомассе леса представляют собой смоделированные оценки, которые содержат погрешности. Поскольку ни один из наборов данных не является эталонным, лучший способ оценить качество продукта с данными о биомассе — сравнить его с другими известными данными о биомассе, показав, где новый продукт работает хорошо, а где плохо.
Производительность модели географически неоднородна. Пользователям не рекомендуется интерпретировать показатели производительности модели как ожидаемую точность для каждого пикселя и предлагается трактовать показатели производительности как среднюю ожидаемую точность глобального набора данных.
Моделировалась высота и сомкнутость крон, используя собственный вариант модели U-Net, разработанный для объединения данных оптических мультиспектральных и радарных данных.
Надземная биомасса моделировалась как функция высоты кроны, сомкнутости, высоты над уровнем моря и географического положения. Для моделирования использовались Boosted regression trees. Такая модель, по мысли авторов, может научиться аппроксимировать аллометрические зависимости способом, чувствительным к нескольким компонентам структуры леса.
Традиционной проблемой является удаление облаков и дымки из мультиспектральных снимков. Был разработан агрессивный алгоритм маскировки облаков, который понижал рейтинг пикселей вблизи краев облаков. В результате пользователи могут видеть циклические буферы (circular buffers) в областях, где пиксели были заполнены наблюдениями более низкого качества. Чтобы смягчить этот эффект, разработчики предоставляют набор данных с оценкой качества пикселей, а также ресурс по дням года, который можно использовать для фильтрации и удаления наблюдений низкого качества или наблюдений из отдаленных периодов года.
“Будучи аспирантом-всезнайкой, я часто ворчал по поводу глобальных данных, которые выглядели точными везде и нигде”, пишет Андерсон. На практике очень сложно создать глобальный продукт с одинаковым качеством из-за сложного взаимодействия пространственных и временных отклонений, различий в измерениях и подходов к оптимизации параметров. Разработчики Diligence подошли к этой проблеме с практическими рекомендациями, предоставив подробный анализ погрешностей модели и указав районы, где точность прогноза самая низкая (например, в азиатских палеотропиках). Одним из способов, которым пользователи могут решить проблему точности, является обучение собственных локальных моделей биомассы, используя данные о высоте и сомкнутости крон, предоставляемые Diligence.
#лес #AGB
Недавно компания Planet выпустила отчет о проверке своих данных о биомассе лесов, Diligence Validation and Intercomparison Report, в котором приведены сравнения Diligence с восемью независимыми наборами данных о биомассе лесов.
Краткие итоги отчета подвел Крис Андерсон, “главный по лесам” в компании Planet. Крис занимается оценками биомассы леса уже давно. В частности, он является соавтором методики оценки биомассы леса при помощи воздушной лидарной съемки, которая применяется для оценки проектов углеродных компенсаций Verra.
Ключевые тезисы статьи Андерсона:
Основное внимание в отчете уделяется взаимному сопоставлению, а не валидации. Валидация предполагает наличие эталонных данных, как правило, наземных измерений. Вместо этого, почти все источники данных о биомассе леса представляют собой смоделированные оценки, которые содержат погрешности. Поскольку ни один из наборов данных не является эталонным, лучший способ оценить качество продукта с данными о биомассе — сравнить его с другими известными данными о биомассе, показав, где новый продукт работает хорошо, а где плохо.
Производительность модели географически неоднородна. Пользователям не рекомендуется интерпретировать показатели производительности модели как ожидаемую точность для каждого пикселя и предлагается трактовать показатели производительности как среднюю ожидаемую точность глобального набора данных.
Моделировалась высота и сомкнутость крон, используя собственный вариант модели U-Net, разработанный для объединения данных оптических мультиспектральных и радарных данных.
Надземная биомасса моделировалась как функция высоты кроны, сомкнутости, высоты над уровнем моря и географического положения. Для моделирования использовались Boosted regression trees. Такая модель, по мысли авторов, может научиться аппроксимировать аллометрические зависимости способом, чувствительным к нескольким компонентам структуры леса.
Традиционной проблемой является удаление облаков и дымки из мультиспектральных снимков. Был разработан агрессивный алгоритм маскировки облаков, который понижал рейтинг пикселей вблизи краев облаков. В результате пользователи могут видеть циклические буферы (circular buffers) в областях, где пиксели были заполнены наблюдениями более низкого качества. Чтобы смягчить этот эффект, разработчики предоставляют набор данных с оценкой качества пикселей, а также ресурс по дням года, который можно использовать для фильтрации и удаления наблюдений низкого качества или наблюдений из отдаленных периодов года.
“Будучи аспирантом-всезнайкой, я часто ворчал по поводу глобальных данных, которые выглядели точными везде и нигде”, пишет Андерсон. На практике очень сложно создать глобальный продукт с одинаковым качеством из-за сложного взаимодействия пространственных и временных отклонений, различий в измерениях и подходов к оптимизации параметров. Разработчики Diligence подошли к этой проблеме с практическими рекомендациями, предоставив подробный анализ погрешностей модели и указав районы, где точность прогноза самая низкая (например, в азиатских палеотропиках). Одним из способов, которым пользователи могут решить проблему точности, является обучение собственных локальных моделей биомассы, используя данные о высоте и сомкнутости крон, предоставляемые Diligence.
#лес #AGB
planet.widen.net
Planet-UserDocumentation-ForestCarbonValidation.pdf
Деревья на возвышенностях являются поглотителями атмосферного метана
Известно, что деревья вносят важный вклад в круговорот углерода на планете, поглощая углекислый газ и преобразуя его в биомассу. Недавняя 📖 работа показала, что деревья на возвышенностях поглощают не только углерод, но и метан.
Метан поглощается не самими деревьями, а колониями метанотрофных бактерий, которые обитают на поверхности коры, извлекают метан из воздуха, окисляют его и превращают в биомассу и углекислый газ. Последний воздействует на климат примерно в 30 раз слабее, чем исходный метан. Особенно быстро метан поглощался корой тропических деревьев, что связано с ускорением метаболизма микробов в теплом и влажном климате.
По оценкам исследователей, кора всех деревьев Земли ежегодно поглощает от 25 до 50 млн тонн метана, что примерно на 10% повышает полезный вклад растительности в борьбу с глобальным потеплением.
#CH4 #климат #лес
Известно, что деревья вносят важный вклад в круговорот углерода на планете, поглощая углекислый газ и преобразуя его в биомассу. Недавняя 📖 работа показала, что деревья на возвышенностях поглощают не только углерод, но и метан.
Метан поглощается не самими деревьями, а колониями метанотрофных бактерий, которые обитают на поверхности коры, извлекают метан из воздуха, окисляют его и превращают в биомассу и углекислый газ. Последний воздействует на климат примерно в 30 раз слабее, чем исходный метан. Особенно быстро метан поглощался корой тропических деревьев, что связано с ускорением метаболизма микробов в теплом и влажном климате.
По оценкам исследователей, кора всех деревьев Земли ежегодно поглощает от 25 до 50 млн тонн метана, что примерно на 10% повышает полезный вклад растительности в борьбу с глобальным потеплением.
#CH4 #климат #лес
Журнал “Наука и технологии Сибири”. Выпуск 13, 2024
🌳 Лесные ресурсы. Риски и решения [скачать]
🔹Экспертные статьи
- Парадигма устойчивого управления лесами: Баланс ресурсных и экосистемных функций
- Климатические рубежи меняют гидрологический статус лесов
🔹Охрана лесов от пожаров
- Усовершенствованная технология мониторинга интенсивности пожаров растительности и оценки пожарных эмиссий дистанционными средствами
- Технология составления карт растительных горючих материалов (карт РГМ)
- Краткий справочник эколого-географических и лесопирологических особенностей лесных районов
- Технология снижения пожароопасности вырубок путем контролируемых выжиганий
- База данных по мировой пилотируемой пожарной авиации
🔹Защита леса
- Технология проведения профилактических мероприятий по защите лесов от сибирского шелкопряда
- Методы и инструменты государственного лесопатологического мониторинга
- Лесопатологический мониторинг в Байкальском регионе: проблемы и пути решения
- Основы технологии защиты сосновых культур от восточного майского хруща
🔹Лесные культуры и селекция
- Уточнение лесосеменного районирования сосны обыкновенной на территории Средней и частично Восточной Сибири
- Применение методов дистанционного зондирования земли для мониторинга лесных селекционно-семеноводческих объектов
- Ускорение лесной селекции как метод интенсификации лесного хозяйства России
- Посадочный материал хвойных пород
- Коллекция эмбриогенных культур лиственницы: состояние и применение для плантационного лесовыращивания
🔹Мониторинг состояния и функционирования лесных экосистем
- Эколого-климатические станции мониторинга потоков климатически активных веществ в рамках реализации государственных
- Мониторинг техногенно-нарушенных земель на основе анализа
- Мобильная обсерватория для маршрутного мониторинга баланса диоксида углерода в наземных экосистемах Приенисейской Сибири
🔹Экосистемные услуги лесов
- Разработка лесохозяйственных и экосистемных мероприятий по повышению средозащитных функций водоохранных лесов Иркутской области на основе комплексной лесоводственно-экологической оценки
🔗 Страница журнала “Наука и технологии Сибири”
#лес #пожары #журнал
🌳 Лесные ресурсы. Риски и решения [скачать]
🔹Экспертные статьи
- Парадигма устойчивого управления лесами: Баланс ресурсных и экосистемных функций
- Климатические рубежи меняют гидрологический статус лесов
🔹Охрана лесов от пожаров
- Усовершенствованная технология мониторинга интенсивности пожаров растительности и оценки пожарных эмиссий дистанционными средствами
- Технология составления карт растительных горючих материалов (карт РГМ)
- Краткий справочник эколого-географических и лесопирологических особенностей лесных районов
- Технология снижения пожароопасности вырубок путем контролируемых выжиганий
- База данных по мировой пилотируемой пожарной авиации
🔹Защита леса
- Технология проведения профилактических мероприятий по защите лесов от сибирского шелкопряда
- Методы и инструменты государственного лесопатологического мониторинга
- Лесопатологический мониторинг в Байкальском регионе: проблемы и пути решения
- Основы технологии защиты сосновых культур от восточного майского хруща
🔹Лесные культуры и селекция
- Уточнение лесосеменного районирования сосны обыкновенной на территории Средней и частично Восточной Сибири
- Применение методов дистанционного зондирования земли для мониторинга лесных селекционно-семеноводческих объектов
- Ускорение лесной селекции как метод интенсификации лесного хозяйства России
- Посадочный материал хвойных пород
- Коллекция эмбриогенных культур лиственницы: состояние и применение для плантационного лесовыращивания
🔹Мониторинг состояния и функционирования лесных экосистем
- Эколого-климатические станции мониторинга потоков климатически активных веществ в рамках реализации государственных
- Мониторинг техногенно-нарушенных земель на основе анализа
- Мобильная обсерватория для маршрутного мониторинга баланса диоксида углерода в наземных экосистемах Приенисейской Сибири
🔹Экосистемные услуги лесов
- Разработка лесохозяйственных и экосистемных мероприятий по повышению средозащитных функций водоохранных лесов Иркутской области на основе комплексной лесоводственно-экологической оценки
🔗 Страница журнала “Наука и технологии Сибири”
#лес #пожары #журнал
Журнал “Наука и технологии Сибири”. Выпуск 14, 2024
🌲 Ресурсы леса. Технологии и материалы [скачать]
🔹Экспертная статья
- Перспективные методы получения востребованных химических веществ и материалов из отходов переработки древесины
🔹Лесохимические продукты для медицины, сельского хозяйства
- Технология переработки отходов лесопиления в комплексное удобрение
- Новые методы получения биологически активных веществ из древесины и коры
🔹Новые вещества и материалы из растительного сырья
- Пиролиз хвои сосны Pinus sylvestris L.: физико-химические показатели торрефикатов и биоугля
- Перспективные пористые материалы из древесной коры
- Многофункциональная целлюлоза из альтернативного ежегодно возобновляемого сырья — мискантуса
- Биодеградируемые и биосовместимые полимеры и сополимеры α-ангеликалактона
- Ученые Института химии твердого тела и механохимии СО РАН предложили состав древесно-стружечных плит с повышенными характеристиками прочности, водо- и огнестойкости.
🔹Методы таксации и стоимостной оценки лесов
- Методика определения восстановительной стоимости зеленых насаждений
- Инновационные методы таксации и мониторинга лесов с использованием лазерного сканирования, аэрокосмической съемки и спутникового геопозиционирования
- Использование материалов наземных GNSS измерений при таксации лесов
🔹Биотехнологии в лесном комплексе
- Инновационные микробиологические технологии для развития лесного комплекса России
- Микроорганизмы как индикаторы состояния лесных почв после рубок и пожаров
🔗 Страница журнала “Наука и технологии Сибири”
#лес #пожары #журнал
🌲 Ресурсы леса. Технологии и материалы [скачать]
🔹Экспертная статья
- Перспективные методы получения востребованных химических веществ и материалов из отходов переработки древесины
🔹Лесохимические продукты для медицины, сельского хозяйства
- Технология переработки отходов лесопиления в комплексное удобрение
- Новые методы получения биологически активных веществ из древесины и коры
🔹Новые вещества и материалы из растительного сырья
- Пиролиз хвои сосны Pinus sylvestris L.: физико-химические показатели торрефикатов и биоугля
- Перспективные пористые материалы из древесной коры
- Многофункциональная целлюлоза из альтернативного ежегодно возобновляемого сырья — мискантуса
- Биодеградируемые и биосовместимые полимеры и сополимеры α-ангеликалактона
- Ученые Института химии твердого тела и механохимии СО РАН предложили состав древесно-стружечных плит с повышенными характеристиками прочности, водо- и огнестойкости.
🔹Методы таксации и стоимостной оценки лесов
- Методика определения восстановительной стоимости зеленых насаждений
- Инновационные методы таксации и мониторинга лесов с использованием лазерного сканирования, аэрокосмической съемки и спутникового геопозиционирования
- Использование материалов наземных GNSS измерений при таксации лесов
🔹Биотехнологии в лесном комплексе
- Инновационные микробиологические технологии для развития лесного комплекса России
- Микроорганизмы как индикаторы состояния лесных почв после рубок и пожаров
🔗 Страница журнала “Наука и технологии Сибири”
#лес #пожары #журнал
Новые аллометрические модели FIA
В конце прошлого года Программа инвентаризации и анализа лесов Министерства сельского хозяйства США (Forest Inventory and Analysis Program, FIA) объявила о том, что меняет способ расчета структурных параметров растительности — в частности, объема, биомассы и содержания углерода в деревьях по всей территории США — и начинает использовать совершенно новый набор аллометрических моделей ⬇️.
📖 Westfall, J. A., Coulston, J. W., Gray, A. N., Shaw, J. D., Radtke, P. J., Walker, D. M., Weiskittel, A. R., MacFarlane, D. W., Affleck, D. L. R., Zhao, D., Temesgen, H., Poudel, K. P., Frank, J. M., Prisley, S. P., Wang, Y., Sánchez Meador, A. J., Auty, D., & Domke, G. M. (2024). A national-scale tree volume, biomass, and carbon modeling system for the United States. U.S. Department of Agriculture, Forest Service. https://doi.org/10.2737/wo-gtr-104
Эти модели лучше учитывают нетоварные части дерева и обеспечивают единый метод расчета этих показателей, заменяя старую систему, которая имела резкие различия по региональным (не экологическим) границам. Вместе с тем это означает, что изменятся и оценки запасов углерода. В препринте, приведены первые результаты сравнений карт запасов углерода, полученных по старым и по новым моделям.
📊 Оценки общей надземной биомассы на основе старых и новых моделей по региональным подразделениям ФИА. Синие столбики "CRM" относятся к старому методу расчёта биомассы, а оранжевые столбики "NSVB (new)" — к обновленному методу (источник).
#лес
В конце прошлого года Программа инвентаризации и анализа лесов Министерства сельского хозяйства США (Forest Inventory and Analysis Program, FIA) объявила о том, что меняет способ расчета структурных параметров растительности — в частности, объема, биомассы и содержания углерода в деревьях по всей территории США — и начинает использовать совершенно новый набор аллометрических моделей ⬇️.
📖 Westfall, J. A., Coulston, J. W., Gray, A. N., Shaw, J. D., Radtke, P. J., Walker, D. M., Weiskittel, A. R., MacFarlane, D. W., Affleck, D. L. R., Zhao, D., Temesgen, H., Poudel, K. P., Frank, J. M., Prisley, S. P., Wang, Y., Sánchez Meador, A. J., Auty, D., & Domke, G. M. (2024). A national-scale tree volume, biomass, and carbon modeling system for the United States. U.S. Department of Agriculture, Forest Service. https://doi.org/10.2737/wo-gtr-104
Эти модели лучше учитывают нетоварные части дерева и обеспечивают единый метод расчета этих показателей, заменяя старую систему, которая имела резкие различия по региональным (не экологическим) границам. Вместе с тем это означает, что изменятся и оценки запасов углерода. В препринте, приведены первые результаты сравнений карт запасов углерода, полученных по старым и по новым моделям.
📊 Оценки общей надземной биомассы на основе старых и новых моделей по региональным подразделениям ФИА. Синие столбики "CRM" относятся к старому методу расчёта биомассы, а оранжевые столбики "NSVB (new)" — к обновленному методу (источник).
#лес
Компания Space Intelligence получила инвестиции для создания глобального каталога карт природы [ссылка]
Компания Space Intelligence, поставщик высокоточных карт лесов, полученных на основе спутниковых данных, объявила о привлечении финансирования в рамках серии А. Финансовые средства будут направлены на расширение каталога картографических данных Space Intelligence для поддержки разработки и финансирования лесных углеродных проектов, а также мониторинга воздействия на природу в рамках контроля корпоративных цепочек поставок (в частности, для соблюдения требований Постановления ЕС по борьбе с обезлесением).
Соучредители компании Space Intelligence доктор Мюррей Коллинз (Murray Collins) и профессор Эд Митчард (Ed Mitchard) на двоих имеют почти 40 лет опыт научной и практической работы в области дистанционного зондирования с использованием спутниковых данных. Space Intelligence основана в 2017 году и сейчас в её штате более 50 сотрудников, включая 20 учёных — картографов и экологов.
В настоящее время каталог природных данных Space Intelligence охватывает 640 миллионов гектаров в семи странах, предоставляя информацию о растительном покрове, обезлесении и восстановлении леса. К концу второго квартала 2025 года каталог данных компании расширится и будет охватывать дополнительно более 35 стран, став крупнейшим в мире набором данных для картографирования природы.
В четвертом квартале нынешнего года компания планирует выпустить новые информационные продукты для мониторинга вырубки и деградации лесов в режиме, близком к реальному времени, что позволит повысить эффективность мониторинга и управления рисками.
#лес
Компания Space Intelligence, поставщик высокоточных карт лесов, полученных на основе спутниковых данных, объявила о привлечении финансирования в рамках серии А. Финансовые средства будут направлены на расширение каталога картографических данных Space Intelligence для поддержки разработки и финансирования лесных углеродных проектов, а также мониторинга воздействия на природу в рамках контроля корпоративных цепочек поставок (в частности, для соблюдения требований Постановления ЕС по борьбе с обезлесением).
Соучредители компании Space Intelligence доктор Мюррей Коллинз (Murray Collins) и профессор Эд Митчард (Ed Mitchard) на двоих имеют почти 40 лет опыт научной и практической работы в области дистанционного зондирования с использованием спутниковых данных. Space Intelligence основана в 2017 году и сейчас в её штате более 50 сотрудников, включая 20 учёных — картографов и экологов.
В настоящее время каталог природных данных Space Intelligence охватывает 640 миллионов гектаров в семи странах, предоставляя информацию о растительном покрове, обезлесении и восстановлении леса. К концу второго квартала 2025 года каталог данных компании расширится и будет охватывать дополнительно более 35 стран, став крупнейшим в мире набором данных для картографирования природы.
В четвертом квартале нынешнего года компания планирует выпустить новые информационные продукты для мониторинга вырубки и деградации лесов в режиме, близком к реальному времени, что позволит повысить эффективность мониторинга и управления рисками.
#лес
Новые данные лидара GEDI: L4C Footprint Level Waveform Structural Complexity Index [ссылка]
Центр распределенной обработки данных Национальной лаборатории Оук-Ридж NASA (ORNL DAAC) выпустил новый набор данных космического лидара GEDI (Global Ecosystem Dynamics Investigation), который с 2019 года работает на борту Международной космической станции (МКС). Данные GEDI помогают исследователям понять, как изменения в структуре лесов влияют на климат Земли и как леса могут замедлить глобальное потепление.
Новые данные, GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 (WSCI), относятся к структурной сложности лесного полога. Структурная сложность полога (canopy structural complexity, CSC) — это мера того, как листья, ветви и стволы распределены по горизонтальному и вертикальному пространству лесного полога. CSC является хорошим показателем качества среды обитания, видового разнообразия и функционирования экосистемы. CSC можно достаточно точно оценить по данным воздушных или наземных лидаров. Теперь к ним добавились данные наблюдений из космоса.
Для создания глобального набора данных на уровне “следов” (footprint) были использованы эмпирические модели, разработанные на основе более чем 800 000 оценок CSC, полученных с помощью воздушного лазерного сканирования и совместных измерений относительной высоты волновых форм GEDI уровня 2A для различных функциональных типов растений по всему миру. Оценки неопределенности представлены в виде интервалов прогнозирования с доверительной вероятностью 95% для каждого “следа”.
Функциональные типы растений включают листопадные широколиственные деревья, вечнозеленые широколиственные деревья, вечнозеленые игольчатые деревья, а также сочетание лугов, кустарников и лесов. Вместе с оценочными данными WSCI, которые представлены в 74 860 файлах данных формата HDF5 (.h5) и охватывают период с 17 апреля 2019 года по 16 марта 2023 года, продукт уровня 4C включает соответствующие метрики неопределенности, флаги качества и другую информацию о волновой форме GEDI уровня 2A для выбранной группы настройки алгоритмов продукта.
В ближайшее время будет опубликована 1-километровая версия продукта WSCI и обновлены ранее выпущенные продукты. Это будет сделано после того, как появятся свежие данные прибора GEDI после годичного перерыва в работе миссии — с марта 2023 по апрель 2024 года. Сначала будут созданы наборы данных более низкого уровня обработки (то есть продукты уровней 1 и 2), позже появятся продукты уровней 3 и 4. Продукты GEDI версии 3 также находятся в разработке и будут содержать улучшенную геолокацию и другие алгоритмические усовершенствования.
Данные о структурной сложности дадут экологам лучшее понимание видового разнообразия лесов и экосистемных процессов, а также могут дать представление о здоровье и функционировании лесов.
📊 На графике представлены значения индекса структурной сложности волновой формы (WSCI), полученных с помощью данных GEDI Level 4C над Восточной Амазонией. Более яркие цвета указывают на большую структурную сложность, более темные цвета — на меньшую сложность.
Как и другие наборы данных GEDI на уровне “следов”, данные WSCI содержит пробелы в своем охвате. В первую очередь, такие пробелы вызваны размещением прибора GEDI на МКС, орбита которой ограничивает наблюдение областями, находящимися в полосе между 51,6° северной и южной широты. Кроме того, наблюдения прибора доступны только вдоль трассы орбиты, которые образуют поперечный рисунок на поверхности Земли. Между трассами также имеются пробелы в покрытии.
Данные GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 доступны в:
🌍 NASA Earthdata Search
🛢 ORNL DAAC
Вскоре данные должны появиться в ORNL DAAC Terrestrial Ecology Subsetting and Visualization Services (TESViS).
#лидар #лес #данные
Центр распределенной обработки данных Национальной лаборатории Оук-Ридж NASA (ORNL DAAC) выпустил новый набор данных космического лидара GEDI (Global Ecosystem Dynamics Investigation), который с 2019 года работает на борту Международной космической станции (МКС). Данные GEDI помогают исследователям понять, как изменения в структуре лесов влияют на климат Земли и как леса могут замедлить глобальное потепление.
Новые данные, GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 (WSCI), относятся к структурной сложности лесного полога. Структурная сложность полога (canopy structural complexity, CSC) — это мера того, как листья, ветви и стволы распределены по горизонтальному и вертикальному пространству лесного полога. CSC является хорошим показателем качества среды обитания, видового разнообразия и функционирования экосистемы. CSC можно достаточно точно оценить по данным воздушных или наземных лидаров. Теперь к ним добавились данные наблюдений из космоса.
Для создания глобального набора данных на уровне “следов” (footprint) были использованы эмпирические модели, разработанные на основе более чем 800 000 оценок CSC, полученных с помощью воздушного лазерного сканирования и совместных измерений относительной высоты волновых форм GEDI уровня 2A для различных функциональных типов растений по всему миру. Оценки неопределенности представлены в виде интервалов прогнозирования с доверительной вероятностью 95% для каждого “следа”.
Функциональные типы растений включают листопадные широколиственные деревья, вечнозеленые широколиственные деревья, вечнозеленые игольчатые деревья, а также сочетание лугов, кустарников и лесов. Вместе с оценочными данными WSCI, которые представлены в 74 860 файлах данных формата HDF5 (.h5) и охватывают период с 17 апреля 2019 года по 16 марта 2023 года, продукт уровня 4C включает соответствующие метрики неопределенности, флаги качества и другую информацию о волновой форме GEDI уровня 2A для выбранной группы настройки алгоритмов продукта.
В ближайшее время будет опубликована 1-километровая версия продукта WSCI и обновлены ранее выпущенные продукты. Это будет сделано после того, как появятся свежие данные прибора GEDI после годичного перерыва в работе миссии — с марта 2023 по апрель 2024 года. Сначала будут созданы наборы данных более низкого уровня обработки (то есть продукты уровней 1 и 2), позже появятся продукты уровней 3 и 4. Продукты GEDI версии 3 также находятся в разработке и будут содержать улучшенную геолокацию и другие алгоритмические усовершенствования.
Данные о структурной сложности дадут экологам лучшее понимание видового разнообразия лесов и экосистемных процессов, а также могут дать представление о здоровье и функционировании лесов.
📊 На графике представлены значения индекса структурной сложности волновой формы (WSCI), полученных с помощью данных GEDI Level 4C над Восточной Амазонией. Более яркие цвета указывают на большую структурную сложность, более темные цвета — на меньшую сложность.
Как и другие наборы данных GEDI на уровне “следов”, данные WSCI содержит пробелы в своем охвате. В первую очередь, такие пробелы вызваны размещением прибора GEDI на МКС, орбита которой ограничивает наблюдение областями, находящимися в полосе между 51,6° северной и южной широты. Кроме того, наблюдения прибора доступны только вдоль трассы орбиты, которые образуют поперечный рисунок на поверхности Земли. Между трассами также имеются пробелы в покрытии.
Данные GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 доступны в:
🌍 NASA Earthdata Search
🛢 ORNL DAAC
Вскоре данные должны появиться в ORNL DAAC Terrestrial Ecology Subsetting and Visualization Services (TESViS).
#лидар #лес #данные
Natural Lands Map
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Метод прогнозирования нашествия лесных насекомых-вредителей по данным спутниковых наблюдений [ссылка]
Учёные Красноярского научного центра СО РАН вместе с коллегами из Москвы и Новосибирска разработали метод прогнозирования вспышек лесных насекомых-вредителей. Он позволяют предсказать массовое размножение насекомых за два года до появления видимых повреждений деревьев.
Массовое размножение насекомых-вредителей является одной из главных причин ослабления и гибели лесов. Основным способом оценки состояния леса на больших территориях является дистанционное зондирование Земли (ДЗЗ) со спутников. Однако различные вегетационные индексы, построенные по данным ДЗЗ, диагностируют признаки ослабления деревьев лишь на поздних стадиях, когда исправить положение уже почти невозможно. Поэтому прогнозирование массового размножения насекомых и повышение устойчивости лесов должны быть основными задачами в борьбе с вредителями.
Исследования российских учёных показали, что за два года до видимых повреждений деревьев насекомыми, реакция деревьев на изменения окружающей среды, в частности на изменение температуры почвы, замедляется. В итоге, для выявления зон будущих вспышек использовались не данные мультиспектрального анализа, а реакция спектральных характеристик в ответ на изменение температуры. В роли индикатора состояния растений и их реакции на климатические условия используется чувствительности изменений вегетационного индекса NDVI к изменениям температуры поверхности земли.
Разработанная методика ⬇️ способна обнаруживать очень ранние стадии увеличения популяции насекомых, что позволит принимать своевременные меры по защите лесов.
📖 Kovalev, A., Tarasova, O., Soukhovolsky, V., & Ivanova, Y. (2024). Is It Possible to Predict a Forest Insect Outbreak? Backtesting Using Remote Sensing Data. Forests, 15(8), 1458. https://doi.org/10.3390/f15081458
#россия #лес
Учёные Красноярского научного центра СО РАН вместе с коллегами из Москвы и Новосибирска разработали метод прогнозирования вспышек лесных насекомых-вредителей. Он позволяют предсказать массовое размножение насекомых за два года до появления видимых повреждений деревьев.
Массовое размножение насекомых-вредителей является одной из главных причин ослабления и гибели лесов. Основным способом оценки состояния леса на больших территориях является дистанционное зондирование Земли (ДЗЗ) со спутников. Однако различные вегетационные индексы, построенные по данным ДЗЗ, диагностируют признаки ослабления деревьев лишь на поздних стадиях, когда исправить положение уже почти невозможно. Поэтому прогнозирование массового размножения насекомых и повышение устойчивости лесов должны быть основными задачами в борьбе с вредителями.
Исследования российских учёных показали, что за два года до видимых повреждений деревьев насекомыми, реакция деревьев на изменения окружающей среды, в частности на изменение температуры почвы, замедляется. В итоге, для выявления зон будущих вспышек использовались не данные мультиспектрального анализа, а реакция спектральных характеристик в ответ на изменение температуры. В роли индикатора состояния растений и их реакции на климатические условия используется чувствительности изменений вегетационного индекса NDVI к изменениям температуры поверхности земли.
Разработанная методика ⬇️ способна обнаруживать очень ранние стадии увеличения популяции насекомых, что позволит принимать своевременные меры по защите лесов.
📖 Kovalev, A., Tarasova, O., Soukhovolsky, V., & Ivanova, Y. (2024). Is It Possible to Predict a Forest Insect Outbreak? Backtesting Using Remote Sensing Data. Forests, 15(8), 1458. https://doi.org/10.3390/f15081458
#россия #лес
Компания Planet представила продукт для глобального мониторинга лесов [ссылка]
Продукт Forest Carbon Monitoring (FCM) компании Planet предлагает ежеквартальные оценки количества углерода, запасенного в ветвях, листьях и других надземных частях растений с разрешением 3 метра на пиксель. Кроме того, он показывает высоту полога и проективное покрытие (canopy cover) — информацию, которая необходима для добровольных углеродных рынков и для соблюдения нормативных требований по борьбе с обезлесением.
Ежеквартальные данные FCM начинаются с 2021 года.
FCM создан с помощью методов машинного обучения и основывается на снимках группировки Planet, состоящей из примерно 130 спутников, а также данных авиационных и космических лидаров, спутников Sentinel-2, Landsat и ALOS-PALSAR-2.
Planet ожидает, что данные FCM будут использоваться для получения углеродных кредитов и компенсаций, а также при проверке соблюдения требований EUDR — регламент Европейского союза о продукции, не подверженной обезлесению, который вступит в силу 30 декабря 2024 года.
В прошлом году Planet выпустила продукт Forest Carbon Diligence с пространственным разрешением 30 метров, который имеет сходный состав, но не использует данных спутников Planet.
🗺 Пример слоя данных Forest Carbon Monitoring для региона Путамайо в Амазонии (источник).
#planet #лес #AGB
Продукт Forest Carbon Monitoring (FCM) компании Planet предлагает ежеквартальные оценки количества углерода, запасенного в ветвях, листьях и других надземных частях растений с разрешением 3 метра на пиксель. Кроме того, он показывает высоту полога и проективное покрытие (canopy cover) — информацию, которая необходима для добровольных углеродных рынков и для соблюдения нормативных требований по борьбе с обезлесением.
Ежеквартальные данные FCM начинаются с 2021 года.
FCM создан с помощью методов машинного обучения и основывается на снимках группировки Planet, состоящей из примерно 130 спутников, а также данных авиационных и космических лидаров, спутников Sentinel-2, Landsat и ALOS-PALSAR-2.
Planet ожидает, что данные FCM будут использоваться для получения углеродных кредитов и компенсаций, а также при проверке соблюдения требований EUDR — регламент Европейского союза о продукции, не подверженной обезлесению, который вступит в силу 30 декабря 2024 года.
В прошлом году Planet выпустила продукт Forest Carbon Diligence с пространственным разрешением 30 метров, который имеет сходный состав, но не использует данных спутников Planet.
🗺 Пример слоя данных Forest Carbon Monitoring для региона Путамайо в Амазонии (источник).
#planet #лес #AGB
Унифицированная модель глубокого обучения для глобального прогнозирования надземной биомассы, высоты и покрытия полога по мультисенсорным спутниковым данным
В 📖 препринте, подготовленном сотрудниками американской компании Descartes Labs, представлена методика, использующая мультисенсорные мультиспектральные снимки с разрешением 10 метров и модель на основе глубокого обучения, которая позволяет прогнозировать плотность надземной биомассы (AGBD), высоту полога (CH), проективное покрытие (canopy cover, CC), а также оценивать неопределенность каждой из трёх величин.
В качестве входных данных модели используются отражательная способность Sentinel-2, коэффициент обратного рассеяния Sentinel-1 и ЦМР SRTM. Модель обучена на миллионах глобальных измерений GEDI-L2/L4.
Авторы проверили возможности модели, развернув её на всей территории земного шара в 2023 году, а также ежегодно с 2016 по 2023 год на отдельных территориях. Модель достигла средней абсолютной ошибки (MAE) для AGBD (CH, CC) в 26,1 млн/га (3,7 м, 9,9%) и среднеквадратичной ошибки в 50,6 млн/га (5,4 м, 15,8%) на глобальном тестовом наборе данных, демонстрируя значительное улучшение по сравнению с ранее опубликованными результатами.
🗺 Карта плотности надземной биомассы (AGBD) на 2023 год (источник).
#AGB #лес
В 📖 препринте, подготовленном сотрудниками американской компании Descartes Labs, представлена методика, использующая мультисенсорные мультиспектральные снимки с разрешением 10 метров и модель на основе глубокого обучения, которая позволяет прогнозировать плотность надземной биомассы (AGBD), высоту полога (CH), проективное покрытие (canopy cover, CC), а также оценивать неопределенность каждой из трёх величин.
В качестве входных данных модели используются отражательная способность Sentinel-2, коэффициент обратного рассеяния Sentinel-1 и ЦМР SRTM. Модель обучена на миллионах глобальных измерений GEDI-L2/L4.
Авторы проверили возможности модели, развернув её на всей территории земного шара в 2023 году, а также ежегодно с 2016 по 2023 год на отдельных территориях. Модель достигла средней абсолютной ошибки (MAE) для AGBD (CH, CC) в 26,1 млн/га (3,7 м, 9,9%) и среднеквадратичной ошибки в 50,6 млн/га (5,4 м, 15,8%) на глобальном тестовом наборе данных, демонстрируя значительное улучшение по сравнению с ранее опубликованными результатами.
🗺 Карта плотности надземной биомассы (AGBD) на 2023 год (источник).
#AGB #лес