Публикации 2014-2023 гг.

DOI: 10.15372/SJFS20210508

© Ковалев А. В., 2021

Для оценки состояния насаждений на обширных территориях бореальных лесов необходимы современные методы которые позволяют, во-первых, оперативно получать информацию, во-вторых, делать это с минимальными трудозатратами. Существующие методы оценки либо связаны с трудоемкими наземными обследованиями, либо позволяют на основе дистанционных данных (спутниковые, авиационные методы наблюдения) измерить уже свершившийся ущерб. В данной работе предложен метод оценки чувствительности древостоев к возможным повреждениям насекомыми-вредителями на основе данных дистанционного зондирования земли. В качестве индикатора состояния насаждений, предложено использовать показатель восприимчивости вегетативного индекса растительности в течение сезона (NDVI) к изменению радиационной температуры территории (LST), получаемые по спутниковым данным системы Terra/Aqua. Показатель рассчитывался как передаточная спектральная функция отклика в интегральном уравнении, связывающем изменения NDVI и LST. Такой показатель показывает не столько повреждение древостоя, сколько нарушение протекающих в нем биологических процессов. Анализ проводился для пихтовых насаждений таежной зоны Красноярского края двух типов – территории, на которых с 2015 года реализовалась сильная вспышка массового размножения сибирского шелкопряда Dendrolimus sibiricus Tschetv. с практически 100 % дефолиацией древостоев и соседние неповрежденные участки. Показано, что показатель восприимчивости насаждения к изменениям окружающей среды на изучаемых пробных площадях значимо изменился за 2–3 года до резкого подъема плотности популяции насекомого-вредителя и может в дальнейшем учитываться при оценке риска возникновения вспышек. Это отличает предложенный показатель от оценок состояния растительного покрова, которые регистрируют существенную дефолиацию древостоев и не могут использоваться при прогнозе.

Текст статьи

СПИСОК ЛИТЕРАТУРЫ (REFERENCES)

Ким Д. П. Теория автоматического управления: учеб. пособ. Т. 1. Линейные системы. М.: Физматлит, 2007. 312 с. [Kim D. P. Teoriya avtomaticheskogo upravleniya: ucheb. posob. T. 1. Lineynye sistemy (Automatic control theory: Tutorial. V. 1. Linear systems). Moscow: Fizmatlit, 2007. 312 p. (in Russian)].

Краснов М. Л., Киселев А. И., Макаренко Г. И. Интегральные уравнения. Задачи и примеры с подробными решениями: учеб. пособ. Изд. 3-е, испр. М.: Едиториал УРСС, 2003. 192 с. [Krasnov M. L., Kisilev A. I., Makarenko G. I. Integral’nye uravneniya. Zadachi i primery s podrobnymi resheniyami: ucheb. posob. Izd. 3-e, ispr. (Integral equations. Tasks and examples with detailed solutions: tutorial. 3^rd ed., revised). Moscow: Editorial URSS, 2003. 192 p. (in Russian)].

Макс Ж. Методы и техника обработки сигналов при физических измерениях. М.: Мир, 1983. Т. 1. 312 с. [Maks Zh. Metody i tekhnika obrabotki signalov pri fizicheskikh izmereniyakh (Signal processing methods and techniques for physical measurements). Moscow: Mir, 1983. V. 1. 312 p. (in Russian)].

Мармарелис П., Мармарелис В. Анализ физиологических систем. Метод белого шума. М.: Мир, 1981. 480 с. [Marmarelis P., Marmarelis V. Analiz fiziologicheskikh sistem. Metod belogo shuma (Analysis of physiological systems. White noise method). Moscow: Mir, 1981. 480 p. (in Russian)].

Морс Ф. М., Фешбах Г. Методы теоретической физики. М.: Ин. лит-ра, 1960. Т. 2. 942 с. [Mors F. M., Feshbakh G. Metody teoreticheskoy fiziki (Methods of theoretical physics). Moscow: In. lit-ra, 1960. V. 2. 942 p. (in Russian)].

AρρEEARS – Application for Extracting and Exploring Analysis Ready Samples. USGS, 2021. https://lpdaac.usgs.gov/tools/appeears/

Bayarjargal Y., Karnieli A., Bayasgalan M., Khudulmur S., Gandush C., Tucker C. J. A comparative study of NOAA-AVHRR derived drought indices using change vector analysis // Int. J. Rem. Sens. 2006. V. 105. Iss. 1. P. 9–22.

Cunha M., Richter C. A time-frequency analysis on the impact of climate variability with focus on semi-natural montane grassland meadows // IEEE Trans. Geosci. Rem. Sens. 2014. V. 52. Iss. 10. P. 6156–6164.

Jacquin A., Sheeren D., Lacombe J.-P. Vegetation cover degradation assessment in Madagascar savanna based on trend analysis of MODIS NDVI time series // Int. J. Appl. Earth Observ. Geoinform. 2010. V. 12. Suppl. 1. P. 3–10.

Kovalev A. V., Ivanova Yu. D., Sukhovolskiy A. A., Volkov V. E., Sukhovolskiy V. G. Mathematical models for determining the boundaries of forest areas unstable to the appearance of insects using satellite data (MODIS) // IOP Conf. Ser.: Mater. Sci. Engineer. II Int. Sci. Conf. «Adv. Technol. in Aerospace, Mech. Automat. Engineer.». MIST: Aerospace – 2019, 18–21 Nov., 2019, Krasnoyarsk, Russia. 2020. V. 734. Article 012091. P. 1–6.

Lewis M. A., Nelson W., Xu C. A structured threshold model for mountain pine beetle outbreak // Bull. Math. Biol. 2010. V. 72. Iss. 3. P. 565–589.

Liang L., Chen Y., Hawbaker T. J., Zhu Z.-L., Gong P. Mapping mountain pine beetle mortality through growth trend analysis of time-series Landsat data // Rem. Sens. 2014. V. 6. Iss. 6. P. 5696–5716.

Liu Y., Hill M. J., Zhang X., Wang Z., Richardson A. D., Hufkens K., Filippa G., Baldocchi D. D., Ma S., Verfaillie J., Schaaf C. B. Using data from Landsat, MODIS, VIIRS and PhenoCams to monitor the phenology of California oak/grass savanna and open grassland across spatial scales // Agr. For. Meteorol. 2017. V. 237–238. P. 311–325.

MODIS – Moderate-Resolution Imaging Spectroradiometer. NASA, 2021. https://modis.gsfc.nasa.gov./ 

Nelson W. A., Bjørnstad O. N., Yamanaka T. Recurrent insect outbreaks caused by temperature-driven changes in system stability // Science. 2013. V. 341. Iss. 6147. P. 796–799.

Olsson P.-O., Lindström J., Eklundh L. Near real-time monitoring of insect induced defoliation in subalpine birch forests with MODIS derived NDVI // Rem. Sens. Environ. 2016. V. 181. P. 42–53.

Rechid D., Raddatz T. J., Jacob D. Parameterization of snow-free land surface albedo as a function of vegetation phenology based on MODIS data and applied in climate modelling // Theor. Appl. Climatol. 2009. V. 95. Iss. 3–4. P. 245–255.

Senf C., Seidl R., Hostert P. Remote sensing of forest insect disturbances: Current state and future directions // Int. J. Appl. Earth Observ. Geoinform. 2017. V. 60. P. 49–60.

Spruce J. P., Sader S., Ryan R. E., Smoot J., Kuper P., Ross K., Prados D., Russell J., Gasser G., McKellip R. Assessment of MODIS NDVI time series data products for detecting forest defoliation by gypsy moth outbreaks // Rem. Sens. Environ. 2011. V. 115. P. 427–437.

Thayn J. B. Using a remotely sensed optimized Disturbance Index to detect insect defoliation in the Apostle Islands, Wisconsin, USA // Rem. Sens. Environ. 2013. V. 136. P. 210–217.

Tucker C. J., Sellers P. J. Satellite remote sensing of primary production // Int. J. Rem. Sens. 1986. V. 7. Iss. 11. P. 1395–1416.

Verbesselt J., Zeileis A., Herold M. Near real-time disturbance detection using satellite image time series // Rem. Sens. Environ. 2012. V. 123. P. 98–108.