Моделирование сети исследовательских площадок для мониторинга потоков углерода методом Random Forest

DOI: 10.35595/2414-9179-2022-1-28-645-658

Посмотреть или загрузить статью (Rus)

Об авторах

В.А. Добрякова

Тюменский государственный университет,
ул. Володарского, д. 6, 625003, Тюмень, Россия;
E-mail: v.a.dobryakova@utmn.ru

Н.Н. Москвина

Тюменский государственный университет,
ул. Володарского, д. 6, 625003, Тюмень, Россия;
E-mail: n.n.moskvina@utmn.ru

А.Б. Добряков

Уральское главное управление Центрального банка Российской Федерации, отделение по Тюменской области,
ул. Володарского, д. 48, 625000, Тюмень, Россия;
E-mail: dobryakov_andrey@mail.ru

Л.Ф. Жегалина

Балтийский федеральный университет им. И. Канта,
ул. А. Невского, д. 14, 236016, Калининград, Россия;
E-mail: LZhegalina@kantiana.ru

Аннотация

Сети наблюдений за окружающей средой предоставляют информацию для понимания и прогнозирования пространственной и временной динамики биофизических процессов на Земле. Существует необходимость в оптимизации ресурсов для крупномасштабных мероприятий по мониторингу окружающей среды. В работе предложена, а затем протестирована пространственная структура сети исследовательских площадок для территории Тюменской области, сформированная на принципах ландшафтного подхода и с учетом минимизации издержек. Для выполнения работы было определено два тестовых набора из 40 и 105 точек. Оценка предложенного размещения выполнялась методом случайного леса (Random Forest, RF). Исследование выполнено в два этапа для каждого тестового набора. На первом проводилось обучение модели, изучались ее производительность и показатели дополнительной диагностики, на втором этапе обученная модель использовалась для прогнозирования в точки, сформированные на основе регулярной сетки, покрывающей всю территорию области (544 точки). В заключении выполнено сравнение полученных результатов с аналогичными, полученными для наборов точек того же объема, но сформированными случайным образом. В качестве прогнозируемой переменной выбран один из основных комплексных экологических показателей, связанный с выработкой углерода на данной территории — валовая первичная продуктивность далее GPP (Gross Primary Productivity). В качестве независимых переменных, характеризующих геосистемные процессы, отобран набор показателей, связанных с климатом, параметрами местности и изменчивостью почвенных ресурсов. Задача решалась с использованием инструмента «Классификация на основе леса и регрессия» (Forest-Based Classification and Regression, RF) из набора «Пространственная статистика — Моделирование пространственных отношений» программного комплекса ArcGIS Pro. В результате исследования получена высокая точность и достоверность прогноза для обоих подходов к размещению исследовательских площадок. Ландшафтный подход к выбору точек наблюдения показал свои преимущества перед случайным размещением.

Ключ. слова

мониторинг потоков углерода, случайный лес, валовая первичная продуктивность (GPP), ландшафтный подход

Список литературы

  1. Атлас Тюменской области. Выпуск 1. Москва–Тюмень: Главное Управление Геодезии и картографии, 1971.
  2. Козин В.В. Природопользование на северо-западе Сибири: опыт решения проблем. Тюмень: ТГУ, 1996. 167 с.
  3. Aubinet M., Vesala T., Papale D. Eddy Covariance: A Practical Guide to Measurement and Data Analysis. New York: Springer, 2012. 450 p. DOI: 10.1007/978-94-007-2351-1.
  4. Baccini A., Goetz S.J., Walker W.S., Laporte N.T., Sun M. et al. Estimated carbon dioxide emissions from tropical deforestation improved by carbon-density maps. Nature Climate Change, 2012. V. 2 (3). P. 182–185. DOI: 10.1038/nclimate1354.
  5. Breiman L. Random Forests. Machine Learning, 2001. V. 45. P. 5–32. DOI: 10.1023/A:1010933404324.
  6. Clewley D., Whitcomb J., Akbar R., Silva A.R., Berg A., Adams J.R. et al. A method for upscaling in situ soil moisture measurements to satellite footprint scale using random forests. IEE Journal of Selected Topics in Applied Earth Observation and Removed Sensing, 2017. V. 10. No. 6. P. 2663–2673. DOI: 10.1109/JSTARS.2017.2690220.
  7. Cutler D.R., Edwards T.C., Beard K.H., Cutler A., Hess K.T. Random forests for classification in ecology. Ecology, 2007. V. 88. No. 11. P. 2783–2792. DOI: 10.1890/07-0539.1.
  8. Fick S.E., Hijmans R.J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 2017. V. 37. No. 12. P. 4302–4315. DOI: 10.1002/joc.5086.
  9. Friedl M., Sulla-Menashe D. MCD12C1 MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 0.05Deg CMG V0 06. 2015. Web resource: https://lpdaac.usgs.gov/products/mcd12c1v006/ DOI: 10.5067/MODIS/MCD12C1.006.
  10. Gomes L.C., Faria R.M., de Souza E., Veloso G.V., Schaefer E.G.R., Filho E.I.F. Modelling and mapping soil organic carbon stocks in Brazil. Geoderma, 2019. V. 340. P. 337–350. DOI: 10.1016/j.geoderma.2019.01.007.
  11. Han H., Wan R., Li B. Estimating Forest Aboveground Biomass Using Gaofen-1 Images, Sentinel-1 Images and Machine Learning Algorithms: A Case Study of the Dabie Mountain Region. Remote Sensing, 2022. V. 14. No. 1. P. 176. DOI: 10.3390/rs14010176.
  12. Joiner J., Yoshida Y., Vasilkov A.P., Schaefer K., Jung M., Guanter L., Zhang Y., Garrity S., Middleton E.M., Huemmrich K.F., Gu L., Belelli Marchesini L. The seasonal cycle of satellite chlorophyll fluorescence observations and its relationship to vegetation phenology and ecosystem atmosphere carbon exchange. Remote Sensing of Environment, 2014. V. 152. P. 375–391. DOI: 10.1016/j.rse.2014.06.022.
  13. Karra K., Kontgis C. Statman-Weil Z., Mazzariello J.C., Mathis M., Brumby S.P. Global land use/land cover with Sentinel-2 and deep learning. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2021. P. 4704–4707 DOI: 10.1109/IGARSS47720.2021.9553499.
  14. Kirschbaum M.U.F., Eamus D., Gifford R.M., Roxburgh S.H., Sands P.J. Definitions of Some Ecological Terms Commonly Used in Carbon Accounting. Net Ecosystem Exchange, 2001. P. 2–5.
  15. Mascaro J, Asner G.P., Knapp D.E., Kennedy-Bowdoin T., Martin R.E., Anderson C. et al. A Tale of Two “Forests”: Random Forest Machine Learning Aids Tropical Forest Carbon Mapping. PLoS ONE, 2014. V. 9 (1). P. 1–9. DOI: 10.1371/journal.pone.0085993.
  16. Pastorello G., Trotta C., Canfora E. et al. The FLUXNET2015 dataset and the ONEFlux processing pipeline for eddy covariance data. Scientific Data, 2020. V. 7 (225). DOI: 10.1038/s41597-020-0534-3.
  17. Rodriguez-Galiano V.F., Abarca-Hernandez F., Ghimire B., Chica-Olmo M., Atkinson P.M., Jeganathan C. Incorporating Spatial Variability Measures in Land-cover Classification using Random Forest. Procedia Environmental Sciences, 2011. V. 3. P. 44–49. DOI: 10.1016/j.proenv.2011.02.009.
  18. Turner D.P., Ritts W.D., Cohen W.B., Gower S.T., Zhao M., Running S.W. et al. Scaling Gross Primary Production (GPP) over boreal and deciduous forest landscapes in support of MODIS GPP product validation. Remote Sensing of Environment, 2003. V. 88. P. 256–270. DOI: 10.1016/j.rse.2003.06.005.
  19. Villarreal S., Guevara M., Alcaraz-Segura D., Vargas R. Optimizing an environmental observatory network design using publicly available data. Journal of Geophysical Research: Biogeosciences, 2019. V. 124. No. 7. P. 1812–1826. DOI: 10.1029/2018jg004714.
  20. Villarreal S., Vargas R. Representativeness of FLUXNET sites across Latin America. Journal of Geophysical Research: Biogeosciences, 2021. V. 126. No. 3. DOI: 10.1029/2020JG006090.
  21. Wang X., Liu C., Lv G., Xu J., Cui G. Integrating Multi-Source Remote Sensing to Assess Forest Aboveground Biomass in the Khingan Mountains of North-Eastern China Using Machine-Learning Algorithms. Remote Sensing, 2022. V. 14. No. 4. DOI: 10.3390/rs14041039.

Для цитирования: Добрякова В.А., Москвина Н.Н., Добряков А.Б., Жегалина Л.Ф. Моделирование сети исследовательских площадок для мониторинга потоков углерода методом Random Forest. ИнтерКарто. ИнтерГИС. Геоинформационное обеспечение устойчивого развития территорий: Материалы Междунар. конф. M: Географический факультет МГУ, 2022. Т. 28. Ч. 1. С. 645–658 DOI: 10.35595/2414-9179-2022-1-28-645-658

For citation: Dobryakova V.A., Moskvina N.N., Dobryakov A.B., Zhegalina L.F. Modeling network of research sites for monitoring carbon flows by Random Forest method. InterCarto. InterGIS. GI support of sustainable development of territories: Proceedings of the International conference. Moscow: MSU, Faculty of Geography, 2022. V. 28. Part 1. P. 645–658. DOI: 10.35595/2414-9179-2022-1-28-645-658 (in Russian)