Прогнозування та управління ризиками поширеня заражень лісу шкідниками за даними з космічних апаратів
Рубрика:
| Артюшенко, МВ, Хижняк, АВ, 1Томченко, ОВ 1Державна установа «Науковий центр аерокосмічних досліджень Землі Інституту геологічних наук Національної академії наук України», Київ |
| Косм. наука технол. 2024, 30 ;(3):61-70 |
| https://doi.org/10.15407/knit2024.03.061 |
| Мова публікації: Англійська |
Анотація: Стаття присвячена прогнозуванню ризиків виникнення великих вогнищ зараження соснового лісу жуками короїдами, патогенними грибами та нематодами. Ділянки зараження, що спостерігаються на космічних знімках, мають плямисту, кластерну структуру всохлого лісу. Важливою статистичною характеристикою структури заражень є степеневий закон розподілу кластерів заражень за розмірами. Наведені методи комп'ютерної ідентифікації та аналізу розподілу кластерів дозволяють сформувати статистичну, перколяційну модель прогнозування та управління ризиками зараження лісу за інформацією, отриманою з космічних знімків.
Єдиним ефективним засобом боротьби з короїдом є проведення санітарних рубок лісу. Площі санітарних рубок розглядаються в моделі як керуючий параметр.
У моделі використовується спостереження за лісом на решітці пікселів космічного знімку як на решітці перколяційної системи. У процесах зі степеневими законами розподілів значну ймовірність мають великі, катастрофічні події.
Універсальність теорії пояснюється тим, що в ній розглядається взаємодія елементів кластерів зараження, які поблизу критичного стану лісової екосистеми підпорядковуються степеневому розподілу.
Величина показника степеневого розподілу є індикатором виникнення великих кластерів і використовується в моделі для прогнозних оцінок ризику розвитку заражень. У моделі під прогнозуванням ризиків розуміється статистична оцінка ризику у майбутньому з урахуванням змін умов його прояву. Зміни визначаються за результатами зйомки з космосу і враховують ефективність санітарних рубок дерев, що проводяться. Наводиться приклад прогнозування розвитку зараження (усихання) лісу за знімками з космічних апаратів Sentinel-2. Розглянуто методи ідентифікації моделі та виконано тестову перевірку моделі. Застосування масштабно-інваріантних індикаторів степеневих розподілів дозволило відмовитися від використання дорогих високоточних знімків та замінити їх знімками середньої просторової розрізненності. Розглянутий у статті підхід до синтезу моделі прогнозування та управління ризиками по космічних знімках ґрунтується на концепції теорії самоорганізованої критичності. Модель досить універсальна і може бути використана в космічних геоінформаційних технологіях для організації ефективного природокористування.
|
| Ключові слова: всихання соснових лісів; стовбурові шкідники, дані дистанційного зондування, перколяційна модель, прогнозування ризиків, степеневий розподіл, управління ризиками |
References:
1. Abdullah H., Skidmore A. K., Darvishzadeh R., Heurich M. (2019). Sentinel-2 accurately maps the green-attack stage of the European spruce bark beetle (Ips typographus, L.) compared with Landsat-8. Remote Sens. Ecol. Conserv., 5, 87-106,
https://doi.org/10.1002/rse2.93
2. Artiushenko M. V. (2018): Identification and Interpretation of Power-Law Distributions by Spectral Data of Remote Sensing. J. Automation and Inform. Sci., 50(12), 17-33. https://doi.org/10.1615/JAutomatInfScien.v50.i12.20
https://doi.org/10.1615/JAutomatInfScien.v50.i12.20
3. Artiushenko M. V., Tomchenko O. V. (2020). Percolation model to control the distribution of forest infections on images from space vehicles. Space Science and Technology, 26(4), (125), 45-56 (in Ukrainian).
https://doi.org/10.15407/knit2020.04.045
4. Bak P. (1996). How Nature Works: The Science of Self-Organized Criticality. New York: Copernicus, 207 p.
https://doi.org/10.1007/978-1-4757-5426-1
5. Bondar V. N. (2019). Reasons and consequences of worsening of forests vitality and forest ecosystems. Proc. Int. Sci. and Practical Conf. «Pine forests: current status, existing challenges and ways forward» (12-13 June 2019), Kyiv, 8-17 (in Ukrainian, English).
6. Broadbent S. R., Hammersley J. M. (1957). Percolation processes. Math. Proc. Cambridge Phil. Soc., 53, 629-641.
https://doi.org/10.1017/S0305004100032680
7. Deilmai B. R., Kanniah K. D., Rasib A. W., Ariffin A. (2014). Comparison of pixel-based and artificial neural networks classification methods for detecting forest cover changes in Malaysia. IOP Conf. Ser.: Earth and Environmental Sci., 18, 012069, 1-5.
https://doi.org/10.1088/1755-1315/18/1/012069
8. Didukh Y. P. (2019). Coenotic diversity of pine forests in Ukraine and their conservation problems. Proc. Int. Sci. and Practical Conf. «Pine forests: current status, existing challenges and ways forward» (12-13 June 2019, Kyiv), 17-20 (in Ukrainian, English).
9. Feder J. (1988). Fractals. New York: Plenum, 283 p.
https://doi.org/10.1007/978-1-4899-2124-6
Goldstein M. L., Morris S. A, Yen G. G. (2004). Problems with fitting to the power-law distribution. Eur. Phys. J. B, 41, 255-258.
https://doi.org/10.1140/epjb/e2004-00316-5
11. Khyzhniak A., Tomchenko O. (2021). Using remote sensing for detecting bark beetle infestation on Volyn Polissya. Int. Conf. Young Professionals «GeoTerrace-2021» (Oct. 2021), 2021, 1-5.
https://doi.org/10.3997/2214-4609.20215K3049
12. Meshkova V. L., Borysenko O. I. (2018). Prediction for bark beetles caused desiccation of pine stands. Forestry and Forest Melioration, 132, 155-161.
https://doi.org/10.33220/1026-3365.132.2018.155
13. Morris J. L., Cottrell S., Fettig C. J., Hansen W. D., Sherriff R. L., Carter V. A., Higuera P. E. (2017). Managing bark beetle impacts on ecosystems and society: priority questions to motivate future research. J. Appl. Ecology, 54(3), 750-760.
https://doi.org/10.1111/1365-2664.12782
14. Newman M. E. J. (2005): Power laws, Pareto distributions and Zipf's law. J. Contemporary Phys., 46: 323-351.
https://doi.org/10.1080/00107510500052444
15. Seidl R., Müller J., Hothorn T., Bässler C., Heurich M., Kautz M. (2016). Small beetle, large-scale drivers: how regional and landscape factors affect outbreaks of the European spruce bark beetle. J. Appl. Ecology, 53(2), 530-540.
https://doi.org/10.1111/1365-2664.12540
16. Stauffer D., Aharony A. (1994). Introduction to Percolation Theory (2nd ed.). London: Taylor & Francis, 192 p.
17. Stoneburner G., Goguen A., Feringa A. (2002). Risk management guide for information technology systems. Gaithersburg, Nat. Institute of Standards and Technology, Spec. Publ. 800-30, 54.
https://doi.org/10.6028/NIST.SP.800-30
18. Таrasevich Y. Y. (2002). Perkolyaciya: theory, exhibits, algoritmy. M.: "URSS" Publisher, 109 (In Russian).
19. Zimmermann S., Hoffmann K. (2020). Evaluating the capabilities of Sentinel-2 data for large-area detection of bark beetle infestation in the Central German Uplands. J. Appl. Remote Sens., 14, 024515.
https://doi.org/10.1117/1.JRS.14.024515