ArticlePDF Available

Изучение фитомассы лесов: текущее состояние и перспективы (FOREST BIOMASS OBSERVATION: CURRENT STATE AND PROSPECTIVE)

Authors:

Abstract and Figures

With this article, we provide an overview of the methods, instruments and initiatives for forest biomass observation at global scale. We focus on the freely available information, provided by both remote and in-situ observations. The advantages and limitation of various space borne methods, including optical, radar (C, L and P band) and LiDAR, as well as respective instruments available on the orbit (MODIS, Proba-V, Landsat, Sentinel-1, Sentinel-2 , ALOS PALSAR, Envisat ASAR) or expecting (BIOMASS, GEDI, NISAR, SAOCOM-CS) are discussed. We emphasize the role of in-situ methods in the development of a biomass models, providing calibration and validation of remote sensing data. We focus on freely available forest biomass maps, atabases and empirical models. We describe the functionality of Biomass.Geo-Wiki.org portal, which provides access to a collection of global and regional biomass maps in full resolution with unified legend and units overplayed with high-resolution imagery. The Forest-Observation-System.net is announced as an international cooperation to establish a global in-situ forest biomass database to support earth observation and to encourage investment in relevant field-based observations and science. Prospects of unmanned aerial vehicles in the forest inventory are briefly discussed. Дан обзор современных методов, инструментов и перспектив мониторинга лесной фитомассы в глобальном масштабе. Рассмотрены преимущества и недостатки различных дистанционных методов космического базирования, включая оптические, радарные (C-, L-, P-диапазонов) и лазерные, а также соответствующие им инструменты, находящиеся на орбите (MODIS, Proba-V, Landsat, Sentinel-1, Sentinel-2, ALOS PALSAR, Envisat ASAR) или готовящиеся к запуску (BIOMASS, GEDI, NISAR, SAOCOM-CS). Подчеркнута роль наземных методов в разработке моделей фитомассы, обеспечении калибровки и проверки дистанционных данных. Описаны имеющиеся в свободном доступе карты, базы данных и эмпирические модели (как подеревные – аллометрические, так и на уровне насаждений) лесной фитомассы. Описаны функциональные возможности интернет-портала Biomass.Geo-Wiki.org, который предоставляет доступ к коллекции глобальных и региональных карт фитомассы в полном разрешении с унифицированной легендой, наложенных на снимки высокого разрешения. Анонсирована международная кооперация ученых, проводящих измерения на постоянных пробных площадях (Forest Observation System), и рассмотрены ее перспективы в развитии сети наземных наблюдений во взаимодействии с дистанционным сообществом. Кратко рассмотрены перспективы беспилотных летательных аппаратов в инвентаризации лесов. Авторы адресуют данный обзор специалистам лесного хозяйства и научным работникам в области лесоведения и экологии, которые не являются экспертами в дистанционном зондировании, но хотят получить представление о современных тенденциях в этой области знания. Также статья нацелена на уменьшение разобщенности научных коллективов и более широкий обмен данными и знаниями между дистанционным и экологическим сообществами.
No caption available
… 
No caption available
… 
Content may be subject to copyright.
3
СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. 2017. № 4. С. 3–11
© Щепащенко Д. Г., Швиденко А. З., Пергер К., Дресел К., Фриц Ш., Лакида П. И., Мухортова Л. В.,
Усольцев В. А., Бобкова К. С., Осипов А. Ф., Мартыненко О. В., Карминов В. Н., Онтиков П. В.,
Щепащенко М. В., Кракснер Ф., 2017
ОБЗОРНЫЕ СТАТЬИ
УДК 528.8:581.5
ИЗУЧЕНИЕ ФИТОМАССЫ ЛЕСОВ:
ТЕКУЩЕЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ
Д. Г. Щепащенко1, 2, А. З. Швиденко1, 3, К. Пергер1, К. Дресел1, Ш. Фриц1,
П. И. Лакида4, Л. В. Мухортова3, В. А. Усольцев5, К. С. Бобкова6,
А. Ф. Осипов6, О. В. Мартыненко2, В. Н. Карминов2, П. В. Онтиков2,
М. В. Щепащенко7, Ф. Кракснер1
1 Международный институт прикладного системного анализа (IIASA)
Австрия, 2361, Лаксенбург, Шлосплатц, 1
2 Мытищинский филиал Московского государственного технического университета
им. Н. Э. Баумана
141005, Московская обл., Мытищи, ул. 1-я Институтская, 1
3 Институт леса им. В. Н. Сукачева СО РАН – обособленное подразделение ФИЦ КНЦ СО РАН
660036, Красноярск, Академгородок, 50/28
4 Национальный университет биоресурсов и природопользования Украины
Украина, 03041, Киев, ул. Героев обороны, 15
5 Ботанический сад УрО РАН
620144, Екатеринбург, ул. 8 Марта, 202
6 Институт биологии Коми научного центра УрО РАН
167982, Республика Коми, Сыктывкар, ул. Коммунистическая, 28
7 Всероссийский институт повышения квалификации руководящих работников
и специалистов лесного хозяйства
141200, Московская область, Пушкино, ул. Институтская, 17
E-mail: schepd@iiasa.ac.at, shvidenk@iiasa.ac.at, perger@iiasa.ac.at, dresel@iiasa.ac.at,
fritz@iiasa.ac.at, petro.lakyda@ukr.net, l.mukhortova@gmail.com, usoltsev50@mail.ru,
bobkova@ib.komisc.ru, osipov@ib.komisc.ru, martinen@mgul.ac.ru, karminov@mgul.ac.ru,
opv86@mail.ru, mariaschep@gmail.com, kraxner@iiasa.ac.at
Поступила в редакцию 24.11.2016 г.
Дан обзор современных методов, инструментов и перспектив мониторинга лесной фитомассы в глобаль-
ном масштабе. Рассмотрены преимущества и недостатки различных дистанционных методов космического
базирования, включая оптические, радарные (C-, L-, P-диапазонов) и лазерные, а также соответствующие
им инструменты, находящиеся на орбите (MODIS, Proba-V, Landsat, Sentinel-1, Sentinel-2, ALOS PALSAR,
Envisat ASAR) или готовящиеся к запуску (BIOMASS, GEDI, NISAR, SAOCOM-CS). Подчеркнута роль
наземных методов в разработке моделей фитомассы, обеспечении калибровки и проверки дистанционных
данных. Описаны имеющиеся в свободном доступе карты, базы данных и эмпирические модели (как по-
деревные аллометрические, так и на уровне насаждений) лесной фитомассы. Описаны функциональные
4 СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017
ВВЕДЕНИЕ
Всемирная метеорологическая организа-
ция при ООН назвала надземную фитомассу
(above-ground biomass) одним из основных ин-
дикаторов в климатических исследованиях
Essential Climate Variable (Bojinski et al., 2014).
Растительность является значительным резер-
вуаром углерода, соизмеримым с количеством
углерода в атмосфере. Она может выступать
как существенным нетто-поглотителем угле-
рода из атмосферы результате фотосинтеза),
так и его источником (при уменьшении пло-
щади лесов и их деградации). Фитомасса рас-
сматривается также в контексте задач устойчи-
вого развития – Sustainable Development Goals
(Müller et al., 2015), принятых на конференции
ООН RIO+20 в 2012 г. Фитомасса упоминает-
ся в шести из семнадцати целей устойчивого
развития, при этом подчеркивается ее роль в
обеспечении продуктами питания, энергетике,
строительстве, сдерживании климатических из-
менений, охране природы, сохранении биораз-
нообразия и пр.
Все перечисленное говорит о большой важ-
ности оценки запасов и мониторинга дина-
мики фитомассы в глобальном масштабе. Эта
задача выполнима только на основе дистанци-
онных методов, обеспечивающих оперативное
и сплошное (wall-to-wall) картографирование
территории. Наземные методы (постоянные и
временные пробные площади, государственная
инвентаризация лесов) также остаются востре-
бованными, главным образом для калибровки
и валидации данных дистанционного зондиро-
вания, а также для разработки моделей зависи-
мости фитомассы от таксационных показателей
лесов.
ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ
ЛЕСНОЙ ФИТОМАССЫ
Сплошное и оперативное картографирова-
ние лесной фитомассы способно обеспечить
дистанционное зондирование Земли (ДЗЗ), но
в настоящее время существуют только косвен-
ные методы дистанционной оценки фитомассы.
Все имеющиеся методы можно разделить на
три группы – оптические, радарные и лазерные.
У каждого из них имеются свои преимущества
и недостатки. Перечислим некоторые из имею-
щихся на орбите или ожидаемых инструментов,
информация с которых поставляется в открытый
доступ и может быть использована для оценки
фитомассы.
Среди оптических инструментов наибо-
лее известны MODIS (пространственное разре-
шение около 250 м), Proba-V (~100 м), Landsat
(30 м), Sentinel-2 (10 м). Они позволяют вычис-
лить вегетационные индексы (например, «ин-
декс зелености» NDVI), выделить классы зе-
мельного покрова (Барталев и др., 2011, 2015),
установить типы растительности (древесная/
травянистая, вечнозеленая/листопадная) и оце-
нить некоторые биофизические показатели лес-
ных насаждений, например сомкнутость крон
(Hansen et al., 2013). Однако многие важные
параметры лесов оптические методы надежно
не отражают. Так, проблематично отличить мо-
лодой лес от старого или выявить средние диа-
метр и высоту древостоев, поэтому оптические
инструменты сами по себе недостаточны для
надежной оценки фитомассы. Хотя известны
успешные попытки распознать преобладающие
древесные породы и оценить запас древесины
различными косвенными методами, например
по зимним снимкам, когда снег делает изобра-
возможности интернет-портала Biomass.Geo-Wiki.org, который предоставляет доступ к коллекции глобаль-
ных и региональных карт фитомассы в полном разрешении с унифицированной легендой, наложенных на
снимки высокого разрешения. Анонсирована международная кооперация ученых, проводящих измерения на
постоянных пробных площадях (Forest Observation System), и рассмотрены ее перспективы в развитии сети
наземных наблюдений во взаимодействии с дистанционным сообществом. Кратко рассмотрены перспективы
беспилотных летательных аппаратов в инвентаризации лесов. Авторы адресуют данный обзор специалистам
лесного хозяйства и научным работникам в области лесоведения и экологии, которые не являются экспертами
в дистанционном зондировании, но хотят получить представление о современных тенденциях в этой области
знания. Также статья нацелена на уменьшение разобщенности научных коллективов и более широкий обмен
данными и знаниями между дистанционным и экологическим сообществами.
Ключевые слова: лесная фитомасса, дистанционное зондирование, Geo-Wiki, Forest-observation-System.net.
DOI: 10.15372/SJFS20170401
Д. Г. Щепащенко, А. З. Швиденко, К. Пергер, К. Дресел, Ш. Фриц, П. И. Лакида, Л. В. Мухортова...
СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017 5
жение деревьев более контрастным (Жарко,
Барталев, 2014). Облачность является серьез-
ным препятствием в использовании оптических
данных.
Радарные инструменты чувствительны к
запасам воды в тканях растений. Проникнове-
ние радарного сигнала в кроны зависит от дли-
ны волны. Чем больше длина волны, тем глубже
под полог леса и в более крупные части расте-
ний он проникает. Для оценки запасов фитомас-
сы использовали инструменты следующих диа-
пазонов длин волн (и соответствующих частот):
диапазон Х, длина волны 2.5–3.75 см; диапазон
С 3.75–7.5 см; диапазон L – 15–30 см и рада-
ры ультравысоких частот – 30–100 см, из кото-
рых наиболее перспективен Р-диапазон (около
70 см). Облачность не мешает радарному сигна-
лу, но он чувствителен к влажности почвы, что
накладывает дополнительные ограничения.
Диапазон C, чувствительный к мелким ча-
стям кроны (хвоя, листья, тонкие ветви), пред-
ставлен на спутниках Envisat ASAR (простран-
ственное разрешение около 150 м) и Sentinel-1
(10 м). Сигнал довольно быстро насыщается
при увеличении количества фитомассы ряде
исследований пороговым значением указывался
запас древостоя 60–80 м3/га), и лес со средними
запасами фитомассы неотличим от леса с вы-
сокими запасами. Несмотря на эти недостатки,
длинные временные серии изображений и агре-
гация данных до 1 км позволяют получить оцен-
ку запаса древостоев (Santoro et al., 2015) и фи-
томассы (Thurner et al., 2014) лесов бореальной
зоны с достаточно высокой точностью, хотя на-
сыщение сигнала при запасах древостоев выше
250–300 м3/га приводит к относительно неболь-
шим систематическим ошибкам.
Единственный радар в диапазоне L, который
(частично) поставляет данные в свободный до-
ступ, представлен на японском спутнике ALOS
PALSAR (~15 м). Считается, что этот диапа-
зон чувствителен к содержанию воды в кроне
деревьев. Возможности этого инструмента в
картографировании запаса насаждений показа-
ны, например, в работе С. Hüttich et al. (2014).
Все же в различных технологических подходах
надежно определять фитомассу как C-, так и
L-диапазоны могут только до 100 т/га. При бо-
лее высоких значениях сказывается насыщение
сигнала. В 2020 г. NASA планирует запуск рада-
ра L-диапазона NISAR с пространственным раз-
решением около 10 м, который будет работать в
поляриметрическом режиме, давая стереоскопи-
ческую картину объекта из нескольких точек на-
блюдения. Данный инструмент должен обеспе-
чить точность определения фитомассы ±10 %
при агрегировании до 100 м для лесов с запаса-
ми надземной фитомассы до 150 т/га. Также по-
явится возможность определить высоту кроны.
В процессе принятия решения находится
миссия Европейского и Аргентинского косми-
ческих агентств SAOCOM-CS, также оборудо-
ванная L-диапазонным радаром и специально
предназначенная для томографии лесов, сочета-
ющая в себе поляри- и интерферометрические
возможности с пространственным разрешением
около 5 м. Этот инструмент позволит оценить
трехмерную структуру леса, что достигается
использованием второго спутника-компаньона
(SC) с принимающей антенной, обеспечиваю-
щего стереоскопическую картину.
Первый радар спутникового базирования
в диапазоне P, чувствительный к запасам воды
в древесине и способный оценить фитомассу
лесов с большими запасами (более 50 т/га), го-
товится к запуску Европейским космическим
агентством в 2021 г. (проект BIOMASS). Про-
странственное разрешение при определении
фитомассы составляет 200 м с предполагаемой
ошибкой в 20 %. Изменения лесного покрова
будут фиксироваться с разрешением 50 м. Будет
измеряться и высота кроны. Его основная цель –
дождевые тропические леса с высокими запаса-
ми фитомассы, постоянно скрытые облаками.
Северная Америка и Европа исключены из на-
блюдения из-за возможного конфликта с инстру-
ментами военного назначения. Сибирь остается
в планах наблюдений.
Лазерные методы (LiDAR) позволяют оце-
нить вертикальную структуру леса с высокой
точностью даже при сомкнутом пологе. Один из
таких спутников (ICESat) завершил свою рабо-
ту в 2010 г., запуск следующего (GEDI) NASA
планирует в декабре 2018 г. Однако террито-
рия охвата GEDI ограничена умеренной и тро-
пической зонами (между 50° с. ш. и 50° ю. ш.).
Облачность является препятствием для лазера.
Орбитальные лазеры также не способны обес-
печить сплошного покрытия, а только выборку
из эллипсов ~25 м в диаметре, 15 млн которых
предполагается получить в течение одного года
эксплуатации аппарата. Полученные данные
предполагается агрегировать до 500 м, плани-
руемая точность оценки запасов фитомассы при
этом составит 80 %.
Существует значительное количество инфор-
мационно-инструментальных порталов, позво-
ляющих работать с дистанционными изо-
Изучение фитомассы лесов: текущее состояние и перспективы
6 СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017
бражениями и разнообразными картами, по-
строенными на их основе. Среди них можно
назвать Geo-Wiki (http://geo-wiki.org); WebEOM –
Earth Observation Monitor (http://www.earth-
observation-monitor.net/map.php); TerraNorte RLC
(http://terranorte.iki.rssi.ru/); СОВЗОНД (http://
sovzond.ru/).
Мы сознательно опустили рассмотрение
целого ряда других возможностей ДЗЗ, которые
либо недоступны большинству заинтересован-
ных лиц вследствие ограничений по распростра-
нению, либо дороги в настоящее время. Сюда
можно отнести различные спутники, например
DLR TANDEM, многие российские аппараты и
др. Среди них также приборы самолетного ба-
зирования: гиперспектральные, стереоскопи-
ческие и особенно лазерные (ALS), способные
обеспечить связующее звено между наземны-
ми (точечными) и космическими наблюдения-
ми. Беспилотные летательные аппараты (UAV)
способны летать ниже облаков. Они в основном
несут на борту оптические камеры и произво-
дят стереоскопическую съемку, которая дает
возможность построить цифровую модель рель-
ефа и определить высоту кроны (при наличии
разрывов в кронах). Проводятся эксперименты
с установкой лазерных инструментов на UAV,
которые будут способны определять не только
высоту, но и диаметр деревьев, что произведет
революцию в лесоустройстве.
Дистанционные измерения нуждаются в ка-
либровке и проверке результатов по наземным
измерениям.
НАЗЕМНЫЕ МЕТОДЫ
ИССЛЕДОВАНИЯ ФИТОМАССЫ
Наземные методы представляют собой за-
кладку пробных площадей (ПП) с измерением
биометрических (таксационных) параметров
древостоев. Наиболее трудоемким (и первичным
по отношению к прочим) является метод с руб-
кой модельных деревьев и отбором образцов для
последующей сушки и взвешивания (destructive
sampling), описанный в ряде работ (например,
Snowdon et al., 2002; Усольцев, 2007). Этот ме-
тод позволяет построить регрессионные модели
зависимости фитомассы (общей и по отдельным
фракциям) от параметров дерева (высоты и диа-
метра) или насаждения (возраста, полноты, бо-
нитета). Подобные модели позволяют впослед-
ствии оценить фитомассу без рубки модельных
деревьев. Коллекции аллометрических уравне-
ний, позволяющих оценить фитомассу отдель-
ных деревьев исходя из их диаметра и высоты,
для основных древесных пород Евразии опуб-
ликованы В. А. Усольцевым и др. (2016), для Ев-
ропы P. Muukkonen & R. Mäkipää (2006), для
Северной Америки J. C. Jenkins et al. (2004),
для тропиков – J. Chave et al. (2014).
Уравнения для оценки фитомассы на уровне
насаждения имеют то преимущество, что учи-
тывают его параметры частности полноту) и
могут быть применены как для отдельного на-
саждения, так и для их совокупности (напри-
мер, для данных государственного лесного рее-
стра). Примеры таких уравнений опубликованы
В. А. Усольцевым (2002, 2007), А. З. Швиденко
и др. (2004, 2008), Д. Г. Замолодчиковым и др.
(2005), А. Shvidenko et al. (2007).
Точность и адекватность регрессионных
уравнений зависят от сложности объекта иссле-
дования, района и условий произрастания, коли-
чества модельных деревьев и других факторов.
Показано, что рубка 5–10 деревьев каждой поро-
ды на ПП обеспечивает точность оценки общей
надземной древесной фитомассы с погрешно-
стью в пределах 10 % (Усольцев, 1985).
Следует упомянуть наземные лазерные при-
боры (TLS), которые определяют с высокой
точностью пространственную структуру леса и
объем древесины. Они способны в значительной
мере сократить количество назначаемых в рубку
модельных деревьев и хорошо подходят для со-
вершенствования аллометрических уравнений.
Уравнения фитомассы, полученные на ПП
деструктивным методом или с использовани-
ем TLS, позволяют впоследствии восстановить
структуру фитомассы насаждений по таксаци-
онным показателям и оценить их подземную
часть.
Проект Forest Observation System (FOS)
(http://forest-observation-system.net/) представля-
ет собой международное сотрудничество, име-
ющее целью создать глобальную базу данных
постоянных ПП, пригодных для калибровки
и проверки данных ДЗЗ, моделирования эко-
системных функций. Также FOS анализирует
пробелы в имеющихся знаниях и имеет целью
способствовать инвестициям в развитие сети
постоянных ПП. FOS ставит задачу объединить
к взаимной выгоде усилия ученых из двух раз-
ных областей знаний: ДЗЗ и экологии (в ши-
роком смысле, включая сюда всех проводящих
измерения на ПП). В результате такого сотруд-
ничества специалисты по ДЗЗ могут получить
стандартизированные наземные данные высоко-
го качества. FOS предлагает стандартизованную
Д. Г. Щепащенко, А. З. Швиденко, К. Пергер, К. Дресел, Ш. Фриц, П. И. Лакида, Л. В. Мухортова...
СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017 7
процедуру обработки первичных (подеревных)
данных, которая позволяет агрегировать данные
и извлекать те немногие показатели, которые не-
обходимы для ДЗЗ. Экологи получают доступ
к глобальной информации о фитомассе лесов,
имеющихся пропусках в знаниях. Объединение
в международный консорциум повышает уро-
вень совместных публикаций и шансы на полу-
чение исследовательских грантов.
Калибровка и проверка спутниковых данных
требуют синхронизованных по времени измере-
ний на земле и из космоса. Поэтому необходима
координация усилий финансирования) к мо-
менту ввода в эксплуатацию описанных выше
систем мониторинга фитомассы космического
базирования (2019–2021 гг.).
FOS был инициирован рядом специалистов,
включая Jérôme Chave (CNRS, Франция), Oliver
Phillips (University of Leeds, Великобритания),
Stuart J. Davis (STRI, США), Simon Lewis (UCL,
Великобритания), Dmitry Schepaschenko (IIASA,
Австрия) и Klaus Scipal (ESA, Нидерланды), при
финансовой поддержке Европейского космиче-
ского агентства. На текущем (начальном) этапе
FOS объединил усилия таких сетей, как Center
for Tropical Forest Science Forest Global Earth
Observatory (CTFS-ForestGEO), ForestPlots.net
(включая RAINFOR, AfriTRON и T-FORCES) и
IIASA сеть в Северной Евразии (включая Мы-
тищинский филиал МГТУ им. Н. Э. Баумана,
Институт леса КНЦ СО РАН, Ботанический сад
УрО РАН, Институт биологии Коми научного
центра УрО РАН, Национальный университет
биоресурсов и природопользования Украины).
FOS – открытая инициатива, которая будет рас-
ширяться за счет привлечения большего количе-
ства участников.
Минимальный набор параметров в базе дан-
ных включает: название института и ФИО от-
ветственного лица, географические координаты,
число деревьев, тип леса и состав насаждения,
среднюю высоту, надземную фитомассу дре-
востоя. Размер ПП должен быть как минимум
0.25 га, но предпочтительнее 1 га и более.
Данные лазерной съемки самолетного ба-
зирования (airborne LiDAR) являются важным
звеном изучения пространственного размеще-
ния фитомассы и позволяют масштабировать
данные ПП для калибровки и валидации спут-
никовых данных. FOS также аккумулирует
доступные данные, полученные приборами са-
молетного базирования, например, на супер-
сайте Европейского космического агентства в
Габоне.
База данных размещена в сети интернет
(http://forest-observation-system.net/) в открытом
доступе и содержит как метаданные (например,
кто проводил исследования, где и какие параме-
тры измерялись), так и сами данные, если авто-
ры разрешили открытый доступ к ним (рис. 1).
Основное назначение базы данных FOS
обеспечить наземную информацию для кали-
бровки и валидации будущей миссии Евро-
пейского космического агентства по оценке
биомассы лесов планеты (ESA Earth Explorer
BIOMASS mission). Осуществляется также ко-
ординация с другими проектами (например, с
проектом ЕКА GlobBiomass) и космическими
программами (такими как NASA GEDI, NISAR;
ESA SAOCOM-CS).
КАРТЫ ЛЕСНОЙ ФИТОМАССЫ
Коллекция глобальных и региональных карт
лесной фитомассы собрана и регулярно обнов-
ляется на портале http://biomass.geo-wiki.org.
Все карты получили стандартизованную леген-
ду, содержат ссылки на авторов разработки (про-
дукта) и на описание методов (рис. 2). Этот пор-
тал создан в IIASA для того, чтобы представить
обзор имеющихся продуктов и помочь пользо-
вателям в выборе лучшего для определенного
региона и конкретной задачи.
Есть возможность сравнить карты биомассы
со снимками высокого разрешения, имеющи-
мися в Google map и Bing map. Для территории
России имеется несколько карт фитомассы с
пространственным разрешением 1 км. Глобаль-
ная карта лесной фитомассы (Kindermann et al.,
2008) построена на основе статистических дан-
ных ФАО, дистанционной карты чистой первич-
ной продукции MODIS и карты хозяйственной
деятельности. Карта фитомассы бореальной
зоны (Thurner et al., 2014; Santoro et al., 2015) по-
строена на временных сериях радарных данных
С-диапазона с ENVISAT ASAR. Карта фитомас-
сы растительности России (Schepaschenko et al.,
2011) построена на данных государственного
лесного реестра и набора дистанционных про-
дуктов, включая оптические и радарные. Все эти
карты доступны для просмотра на портале http://
biomass.geo-wiki.org со ссылкой на источники.
Помимо Geo-Wiki IIASA разрабатывает бес-
платные мобильные приложения и интернет-ре-
шения, которые помогают объединить усилия
многих ученых и широкие слои заинтересо-
ванной общественности для решения задач ин-
теграции разнообразных данных о земельном
Изучение фитомассы лесов: текущее состояние и перспективы
8 СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017
Рис. 1. Внешний вид портала http://forest-observation-system.net/, демонстрирующий информацию
о постоянных ПП.
Рис. 2. Внешний вид портала Biomass.Geo-Wiki.org с визуализацией карты фитомассы и значения с пяти
имеющихся карт в произвольно взятой точке.
Д. Г. Щепащенко, А. З. Швиденко, К. Пергер, К. Дресел, Ш. Фриц, П. И. Лакида, Л. В. Мухортова...
СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017 9
покрове, землепользовании и особенно о лесах
(See et al., 2015). Одним из результатов такой ра-
боты являются интегральные карты лесного по-
крова (Щепащенко и др., 2015; Schepaschenko et
al., 2015a, b; Онтиков и др., 2016).
ЗАКЛЮЧЕНИЕ
Имеющиеся и особенно ожидаемые в бли-
жайшем будущем средства дистанционного
зондирования обладают беспрецедентными воз-
можностями для улучшения наших знаний о
лесах и таких важнейших показателях продук-
тивности и жизненности лесных экосистем, как
фитомасса и ее динамика. Современная наука
утверждает, что глобальное потепление свыше
2 °С будет создавать значительные риски для ле-
сов планеты, различные в разных районах. По-
следние результаты показывают, что при любых
сценариях этот рубеж (+2 °С) будет превзойден
к середине столетия (Watson, 2016), т. е. роль
оперативной информации о состоянии лесов и
изменениях в них в настоящее время весьма ве-
лика.
Каждый из перечисленных методов привно-
сит свой элемент мозаики в изучение лесной фи-
томассы. Только системный подход к проблеме,
комбинация различных методов и объединение
усилий специалистов из разных областей знаний
могут обеспечить надежную оценку динамики
лесной фитомассы в пространстве и во времени.
Данная статья подготовлена частично при
поддержке проекта ЕКА IFBN (4000114425/15/
NL/FF/gp).
СПИСОК ЛИТЕРАТУРЫ
Барталев С. А., Егоров В. А., Ершов Д. В., Иса-
ев А. С., Лупян Е. А., Плотников Д. Е., Ува-
ров И. А. Спутниковое картографирование
растительного покрова России по данным
спектрорадиометра MODIS // Современные
проблемы дистанционного зондирования Зем-
ли из космоса. 2011. Т. 8. № 4. С. 285–302.
Барталев С. А., Егоров В. А., Жарко В. О., Лу-
пян Е. А., Плотников Д. Е., Хвостиков С. А. Со-
стояние и перспективы развития методов спут-
никового картографирования растительного
покрова России // Современные проблемы дис-
танционного зондирования Земли из космоса.
2015. Т. 12. № 5. С. 203–221.
Жарко В. О., Барталев С. А. Оценка распознава-
емости древесных пород леса на основе спут-
никовых данных о сезонных изменениях их
спектрально-отражательных характеристик //
Современные проблемы дистанционного зон-
дирования Земли из космоса. 2014. Т. 11. № 3.
С. 159–170.
Замолодчиков Д. Г., Уткин А. И., Коровин Г. Н.
Конверсионные коэффициенты фитомасса/за-
пас в связи с дендрометрическими показате-
лями и составом древостоев // Лесоведение.
2005. № 6. С. 73–81.
Онтиков П. В., Щепащенко Д. Г., Карминов В. Н.,
Дюрауер М., Мартыненко О. В. Динамика пло-
щадей древесных насаждений Московского ре-
гиона за 2000–2013 годы // Вестн. Московск.
гос. ун-та леса – Лесн. вестник. 2016. Т. 20.
№ 1. С. 184–188.
Усольцев В. А. Моделирование структуры и дина-
мики фитомассы древостоев. Красноярск: Изд-
во Красноярск. ун-та, 1985. 192 с.
Усольцев В. А. Фитомасса лесов Северной Евра-
зии: нормативы и элементы географии. Екате-
ринбург: УрО РАН, 2002. 763 с.
Усольцев В. А. Биологическая продуктивность ле-
сов Северной Евразии. Методы, база данных и
ее приложения. Екатеринбург: УрО РАН, 2007.
636 с.
Усольцев В. А., Часовских В. П., Норицина Ю. В.,
Норицин Д. В. Аллометрические модели фито-
массы деревьев для лазерного зондирования и
наземной таксации углеродного пула в лесах
Евразии // Сиб. лесн. журн. 2016. 4. С. 68–76.
Швиденко А. З., Щепащенко Д. Г., Нильссон С., Бу-
луй Ю. И. Система моделей роста и динамики
продуктивности лесов России аблицы и мо-
дели биопродуктивности) // Лесн. хоз-во. 2004.
№ 2. С. 40–44.
Швиденко А. З., Щепащенко Д. Г., Нильссон С.,
Булуй Ю. И. Таблицы и модели хода роста и
продуктивности насаждений основных лесо-
образующих пород Северной Евразии (норма-
тивно-справочные материалы). Изд. 2-е, доп.
М.: Федеральное агентство лесн. хоз-ва, 2008.
886 с.
Щепащенко Д. Г., Швиденко А. З., Лесив М. Ю.,
Онтиков П. В., Щепащенко М. В., Кракснер Ф.
Площадь лесов России и ее динамика на осно-
ве синтеза продуктов дистанционного зонди-
рования // Лесоведение. 2015. № 3. С. 163–171.
Bojinski S., Verstraete M., Peterson T. C., Richter C.,
Simmons A., Zemp M. The concept of essential
climate variables in support of climate research,
applications, and policy // Bull. Amer. Meteorol.
Soc. 2014. V. 95. N. 9. P. 1431–1443.
Chave J., Réjou-Méchain M., Búrquez A., Chidu-
mayo E., Colgan M. S., Delitti W. B. C., Du-
que A., Eid T., Fearnside P. M., Goodman R. C.,
Henry M., Martinez-Yrizar A., Mugasha W. A.,
Изучение фитомассы лесов: текущее состояние и перспективы
10 СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017
Muller Landau H. C., Mencuccini M., Nel-
son B. W., Ngomanda A., Nogueira E. M., Ortiz-
Malavassi E., Pelissier R., Ploton P., Ryan C. M.,
Saldarriaga J., Vieilleden G. Improved allometric
models to estimate the aboveground biomass of
tropical trees // Global Change Biol. 2014. V. 20.
P. 3177–3190.
Hansen M. C., Potapov P. V., Moore R., Hancher M.,
Turubanova S. A., Tyukavina A., Thau D., Steh-
man S. V., Goetz S. J., Loveland T. R., Komma-
reddy A., Egorov A., Chini L., Justice C. O.,
Townshend J. R. G. High-resolution global maps
of 21st-century forest cover change // Science.
2013. V. 342. P. 850–53.
Hüttich C., Korets M., Bartalev S., Zharko V.,
Schepaschenko D., Shvidenko A., Schmullius C.
Exploiting growing stock volume maps for
large scale forest resource assessment: Cross-
comparisons of ASAR- and PALSAR-based
GSV estimates with forest inventory in Central
Siberia // Forests. 2014. V. 5. N. 7. P. 1753–1776.
Jenkins J. C., Chojnacky D. C., Heath L. S., Bird-
sey R. A. Comprehensive database of diameter-
based regressions for North American tree
species // USDA For. Serv. Northeastern Res. Stat.
Gen. Tech. Rep. NE-319. 2004. 45 p.
Kindermann G. E., McCallum I., Fritz S., Oberstei-
ner M. A global forest growing stock, biomass
and carbon map based on FAO statistics // Silva
Fenn. 2008. V. 42. N. 3. P. 387–396.
Muukkonen P., Mäkipää R. Biomass equations for
European trees: Addendum // Silva Fenn. 2006.
V. 40. N. 4. P. 763–773.
Müller A., Weigelt J., Götz A., Schmidt O., Alva I. L.,
Matuschke I., Ehling U., Beringer T. The role of
biomass in the sustainable development goals:
а reality check and governance implications.
IASS Working Paper. Potsdam: Inst. Advanced
Sustainability Stud., 2015. 36 p.
Santoro M., Beaudoin A., Beer C., Cartus O.,
Fransson J. E. S., Hall R.J., Pathe C., Schmul-
lius C., Schepaschenko D., Shvidenko A., Thur-
ner M., Wegmüller U. Forest growing stock volume
of the northern hemisphere: spatially explicit
estimates for 2010 derived from Envisat ASAR //
Rem. Sens. Environ. 2015. V. 168. P. 316–334.
Schepaschenko D., McCallum I., Shvidenko A.,
Fritz S., Obersteiner M. A new hybrid land
cover dataset for Russia: a methodology for
integrating statistics, remote sensing and in situ
information // Land Use Sci. 2011. V. 6. N. 4.
P. 245–259.
Schepaschenko D., Kraxner F., See L., Fuss S.,
McCallum I., Fritz S., Perger C., Shvidenko A.,
Kindermann G., Frank S., Tum M., Schmid E.,
Balkovič J., Guenther K. Global biomass infor-
mation: from data generation to application //
Handbook of Clean Energy Systems / J. Y. Chi-
chester (Ed.). Wiley, 2015а. V. 1. P. 11–33.
Schepaschenko D., See L., Lesiv M., McCallum I.,
Fritz S., Salk C., Perger C., Shvidenko A.,
Albrecht F., Kraxner F., Duerauer M., Oberstei-
ner M. Development of a global hybrid forest
mask through the synergy of remote sensing,
crowdsourcing and FAO statistics // Rem. Sens.
Environ. 2015b. V. 162. P. 208–220.
See L., Fritz S., Perger C., Schill C., McCallum I.,
Schepaschenko D., Dürauer M., Sturn T., Kar-
ne M., Kraxner F., Obersteiner M. Harnessing
the power of volunteers, the internet and
Google Earth to collect and validate global
spatial information using Geo-Wiki // Technol.
Forecas ting and Soc. Change. 2015. V. 98.
P. 324–335.
Shvidenko A., Schepaschenko D., Nilsson S., Bou-
loui Yu. Semi-empirical models for assessing
biological productivity of Northern Eurasian
forests // Ecol. Model. 2007. V. 204. P. 163–179.
Snowdon P., Raison J., Keith H., Ritson P., Grierson P.,
Adams M., Montagu K., Bi H., Burrows W.,
Eamus D. Protocol for sampling tree and stand
biomass. National carbon accounting system.
Tech. Rep. 31. Canberra: Austral. Greenhouse
Ofce, 2002. 76 p.
Thurner M., Beer C., Santoro M., Carvalhais N.,
Wutzler T., Schepaschenko D., Shvidenko A.,
Kompter E., Ahrens B., Levick S. R., Schmullius C.
Carbon stock and density of northern boreal and
temperate forests // Global Ecol. Biogeogr. 2014.
V. 23. N. 3. P. 297–310.
Watson J. Bring climate change back from the future //
Nature. 2016. V. 534. P. 437.
Д. Г. Щепащенко, А. З. Швиденко, К. Пергер, К. Дресел, Ш. Фриц, П. И. Лакида, Л. В. Мухортова...
СИБИРСКИЙ ЛЕСНОЙ ЖУРНАЛ. № 4. 2017 11
FOREST BIOMASS OBSERVATION: CURRENT STATE AND PROSPECTIVE
D. G. Schepaschenko1, 2, A. Z. Shvidenko1, 3, C. Perger1, C. Dresel1, S. Fritz1, P. I. Lakyda4,
L. V. Mukhortova3, V. A. Usoltsev5, K. S. Bobkova6, A. F. Osipov6, O. V. Martynenko2,
V. N. Karminov2, P. V. Ontikov2, M. V. Shchepashchenko7, F. Kraxner1
1 International Institute for Applied Systems Analysis (IIASA)
Schlossplatz, 1, Laxenburg, 2361 Austria
2 Mytischi Branch of N. E. Bauman Moscow State Technical University
Pervaya Institutskaya str., 1, Mytischi, Moscow Oblast, 141005 Russian Federation
3 Federal Research Center Krasnoyarsk Scientic Center, Russian Academy of Sciences, Siberian Branch
Solitary Unit V. N. Sukachev Institute of Forest, Russian Academy of Sciences, Siberian Branch
Akademgorodok, 50/28, Krasnoyarsk, 660036 Russian Federation
4 National University of Life and Environmental Sciences of Ukraine
Heroiv Oborony str., 15, Kyiv, 03041 Ukraine
5 Botanical Garden, Russian Academy of Sciences, Ural Branch
8 Marta str., 202, Yekaterinburg, 620144 Russian Federation
6 Institute of Biology, Komi Scientic Center, Russian Academy of Sciences, Ural Branch
Kommunisticheskaya str., 28, Syktyvkar, Komi Republic, 167982 Russian Federation
7 Russian Institute of Continuous Education in Forestry
Institutskaya str., 17, Pushkino, Moscow Oblast, 141200 Russian Federation
E-mail: schepd@iiasa.ac.at, shvidenk@iiasa.ac.at, perger@iiasa.ac.at, dresel@iiasa.ac.at,
fritz@iiasa.ac.at, petro.lakyda@ukr.net, l.mukhortova@gmail.com, usoltsev50@mail.ru,
bobkova@ib.komisc.ru, osipov@ib.komisc.ru, martinen@mgul.ac.ru, karminov@mgul.ac.ru,
opv86@mail.ru, mariaschep@gmail.com, kraxner@iiasa.ac.at
With this article, we provide an overview of the methods, instruments and initiatives for forest biomass observation
at global scale. We focus on the freely available information, provided by both remote and in-situ observations. The
advantages and limitation of various space borne methods, including optical, radar (C, L and P band) and LiDAR,
as well as respective instruments available on the orbit (MODIS, Proba-V, Landsat, Sentinel-1, Sentinel-2 , ALOS
PALSAR, Envisat ASAR) or expecting (BIOMASS, GEDI, NISAR, SAOCOM-CS) are discussed. We emphasize the
role of in-situ methods in the development of a biomass models, providing calibration and validation of remote sensing
data. We focus on freely available forest biomass maps, databases and empirical models. We describe the functionality
of Biomass.Geo-Wiki.org portal, which provides access to a collection of global and regional biomass maps in full
resolution with unied legend and units overplayed with high-resolution imagery. The Forest-Observation-System.
net is announced as an international cooperation to establish a global in-situ forest biomass database to support earth
observation and to encourage investment in relevant eld-based observations and science. Prospects of unmanned
aerial vehicles in the forest inventory are briey discussed. The work was partly supported by ESA IFBN project
(contract 4000114425/15/NL/FF/gp).
Keywords: forest phytomass, remote sensing, Geo-Wiki, Forest-observation-System.net.
How to cite: Schepaschenko D. G., Shvidenko A. Z., Perger C., Dresel C., Fritz S., Lakyda P. I.,
Mukhortova L. V., Usoltsev V. A., Bobkova K. S., Osipov A. F., Martynenko O. V., Karminov V. N., Ontikov P. V.,
Shchepashchenko M. V., Kraxner F. Forest biomass observation: current state and prospective // Sibirskij Lesnoj
Zurnal (Siberian Journal of Forest Science). 2017. N. 4: 3–11 (in Russian with English abstract)
Изучение фитомассы лесов: текущее состояние и перспективы
... Все карты получили стандартизованную легенду, содержат ссылки на авторов разработки (продукта) и на описание методов. Этот портал создан в IIASA (International Institute for Applied Systems Analysis -Международный институт прикладного системного анализа, Австрия) для того, чтобы представить обзор имеющихся продуктов и помочь пользователям в выборе лучшего для определенного региона и конкретной задачи (Schepaschenko et al., 2017). ...
Article
Full-text available
The first results of the systematization of Internet resources providing information in the form of open data and interactive maps of the vegetation cover of the Earth are presented. These services are actively developing and may be useful to different specialists: geographers, geobotanists, florists, and environmental organizations. The article provides an overview of the 16 resources and a quality analysis of the data provided.
... Все карты получили стандартизованную легенду, содержат ссылки на авторов разработки (продукта) и на описание методов. Этот портал создан в IIASA (International Institute for Applied Systems Analysis -Международный институт прикладного системного анализа, Австрия) для того, чтобы представить обзор имеющихся продуктов и помочь пользователям в выборе лучшего для определенного региона и конкретной задачи (Schepaschenko et al., 2017). ...
Article
Full-text available
В статье приведены предварительные результаты систематизации интернет-ресурсов, предоставля- ющих информацию в виде открытых данных – интерактивных карт растительного покрова Земли. Эти сервисы активно развиваются и могут быть полезны разным специалистам: географам, геобо- таникам, флористам, природоохранным организациям. В статье рассмотрено 16 ресурсов, приво- дится подробный обзор 7 ресурсов и анализ качества предоставляемых данных.
Article
Full-text available
Modelling the dynamics of forest ecosystems is an urgent task, as the volume of publications in the Russian and world press demonstrates. In the proposed work, a new ecological and physiological model of a mixed forest stand has considered. Basically, it proceeds from the ecological and physiological model of a single-breed forest stand, that had obtained from the analysis of the behavior of an open thermodynamic system, which is a forest ecosystem. Four differential equations are required to describe a two-species stand, with the mutual influence of species being expressed both in interspecific competition for a resource and in mutual ‘support’ in the growth of the trees. The model of mixed stand with two species contains 10 independent parameters that have a clear physical meaning. Six parameters relate to the dynamics of each species, and four ones take into account the interactions of the species during growth. The verification of the model is presented by calculating the biomass dynamics for full two-stage aspen-spruce stands of European part (middle taiga ecoregion) of the first appraisal area. The presented model of the dynamics of forest ecosystems can be used in practical forestry, especially in the transition from an extensive method of forestry to an intensive one.
Article
Full-text available
Forest inventory and biomass mapping are important tasks that require inputs from multiple data sources. In this paper we implement two methods for the Ukrainian region of Polissya: random forest (RF) for tree species prediction and k-nearest neighbors (k-NN) for growing stock volume and biomass mapping. We examined the suitability of the five-band RapidEye satellite image to predict the distribution of six tree species. The accuracy of RF is quite high: ~99% for forest/non-forest mask and 89% for tree species prediction. Our results demonstrate that inclusion of elevation as a predictor variable in the RF model improved the performance of tree species classification. We evaluated different distance metrics for the k-NN method, including Euclidean or Mahalanobis distance, most similar neighbor (MSN), gradient nearest neighbor, and independent component analysis. The MSN with the four nearest neighbors (k = 4) is the most precise (according to the root-mean-square deviation) for predicting forest attributes across the study area. The k-NN method allowed us to estimate growing stock volume with an accuracy of 3 m³ ha⁻¹ and for live biomass of about 2 t ha⁻¹ over the study area.
Article
Full-text available
Climate research, monitoring, prediction, and related services rely on accurate observations of the atmosphere, land, and ocean, adequately sampled globally and over sufficiently long time periods. The Global Climate Observing System, set up under the auspices of United Nations organizations and the International Council for Science to help ensure the availability of systematic observations of climate, developed the concept of essential climate variables (ECVs). ECV data records are intended to provide reliable, traceable, observation-based evidence for a range of applications, including monitoring, mitigating, adapting to, and attributing climate changes, as well as the empirical basis required to understand past, current, and possible future climate variability. The ECV concept has been broadly adopted worldwide as the guiding basis for observing climate, including by the United Nations Framework Convention on Climate Change (UNFCCC), WMO, and space agencies operating Earth observation satellites. This paper describes the rationale for these ECVs and their current selection, based on the principles of feasibility, relevance, and cost effectiveness. It also provides a view of how the ECV concept could evolve as a guide for rational and evidence-based monitoring of climate and environment. Selected examples are discussed to highlight the benefits, limitations, and future evolution of this approach. The article is intended to assist program managers to set priorities for climate observation, dataset generation and related research: for instance, within the emerging Global Framework for Climate Services (GFCS). It also helps the observation community and individual researchers to contribute to systematic climate observation, by promoting understanding of ECV choices and the opportunities to influence their evolution.
Article
Full-text available
Growing stock volume is an important biophysical parameter describing the state and dynamics of the Boreal zone. Validation of growing stock volume (GSV) maps based on satellite remote sensing is challenging due to the lack of consistent ground reference data. The monitoring and assessment of the remote Russian forest resources of Siberia can only be done by integrating remote sensing techniques and interdisciplinary collaboration. In this paper, we assess the information content of GSV estimates in Central Siberian forests obtained at 25 m from ALOS-PALSAR and 1 km from ENVISAT-ASAR backscatter data. The estimates have been cross-compared with respect to forest inventory data showing 34% relative RMSE for the ASAR-based GSV retrievals and 39.4% for the PALSAR-based estimates of GSV. Fragmentation analyses using a MODIS-based land cover dataset revealed an increase of retrieval error with increasing fragmentation of the landscape. Cross-comparisons of multiple SAR-based GSV estimates helped to detect OPEN ACCESS Forests 2014, 5 1754 inconsistencies in the forest inventory data and can support an update of outdated forest inventory stands.
Article
Full-text available
Terrestrial carbon stock mapping is important for the successful implementation of climate change mitigation policies. Its accuracy depends on the availability of reliable allometric models to infer oven-dry aboveground biomass of trees from census data. The degree of uncertainty associated with previously published pantropical aboveground biomass allometries is large. We analyzed a global database of directly harvested trees at 58 sites, spanning a wide range of climatic conditions and vegetation types (4004 trees ≥ 5 cm trunk diameter). When trunk diameter, total tree height, and wood specific gravity were included in the aboveground biomass model as co-variates, a single model was found to hold across tropical vegetation types, with no detectable effect of region or environmental factors. The mean percent bias and variance of this model was only slightly higher than that of locally fitted models. Wood specific gravity was an important predictor of aboveground biomass, especially when including a much broader range of vegetation types than previous studies. The generic tree diameter-height relationship depended linearly on a bioclimatic stress variable E, which compounds indices of temperature variability, precipitation variability and drought intensity. For cases in which total tree height is unavailable for aboveground biomass estimation, a pantropical model incorporating wood density, trunk diameter and the variable E outperformed previously published models without height. However, to minimize bias, the development of locally derived diameter-height relationships is advised whenever possible. Both new allometric models should contribute to improve the accuracy of biomass assessment protocols in tropical vegetation types, and to advancing our understanding of architectural and evolutionary constraints on woody plant development.This article is protected by copyright. All rights reserved.
Article
Full-text available
AimTo infer a forest carbon density map at 0.01° resolution from a radar remote sensing product for the estimation of carbon stocks in Northern Hemisphere boreal and temperate forests. LocationThe study area extends from 30° N to 80° N, covering three forest biomes – temperate broadleaf and mixed forests (TBMF), temperate conifer forests (TCF) and boreal forests (BFT) – over three continents (North America, Europe and Asia). Methods This study is based on a recently available growing stock volume (GSV) product retrieved from synthetic aperture radar data. Forest biomass and spatially explicit uncertainty estimates were derived from the GSV using existing databases of wood density and allometric relationships between biomass compartments (stem, branches, roots, foliage). We tested the resultant map against inventory-based biomass data from Russia, Europe and the USA prior to making intercontinent and interbiome carbon stock comparisons. ResultsOur derived carbon density map agrees well with inventory data at regional scales (r2 = 0.70–0.90). While 40.7 ± 15.7 petagram of carbon (Pg C) are stored in BFT, TBMF and TCF contain 24.5 ± 9.4 Pg C and 14.5 ± 4.8 Pg C, respectively. In terms of carbon density, we found 6.21 ± 2.07 kg C m−2 retained in TCF and 5.80 ± 2.21 kg C m−2 in TBMF, whereas BFT have a mean carbon density of 4.00 ± 1.54 kg C m−2. Indications of a higher carbon density in Europe compared with the other continents across each of the three biomes could not be proved to be significant. Main conclusionsThe presented carbon density and corresponding uncertainty map give an insight into the spatial patterns of biomass and stand as a new benchmark to improve carbon cycle models and carbon monitoring systems. In total, we found 79.8 ± 29.9 Pg C stored in northern boreal and temperate forests, with Asian BFT accounting for 22.1 ± 8.3 Pg C.
Article
The ‘shock’ over an Australian extinction shows that we still don’t accept that global warming is a problem for now, says James Watson.
Article
This paper presents and assesses spatially explicit estimates of forest growing stock volume (GSV) of the northern hemisphere (north of 10°N) from hyper-temporal observations of Envisat Advanced Synthetic Aperture Radar (ASAR) backscattered intensity using the BIOMASAR algorithm. Approximately 70,000 ASAR images at a pixel size of 0.01° were used to estimate GSV representative for the year 2010. The spatial distribution of the GSV across four ecological zones (polar, boreal, temperate, subtropical) was well captured by the ASAR-based estimates. The uncertainty of the retrieved GSV was smallest in boreal and temperate forest (< 30% for approximately 80% of the forest area) and largest in subtropical forest. ASAR-derived GSV averages at the level of administrative units were mostly in agreement with inventory-derived estimates. Underestimation occurred in regions of very high GSV (> 300 m3/ha) and fragmented forest landscapes. For the major forested countries within the study region, the relative RMSE between ASAR-derived GSV averages at provincial level and corresponding values from National Forest Inventory was between 12% and 45% (average: 29%)
Article
Information about land cover and land use is needed for a wide range of applications such as nature protection and biodiversity, forest and water management, urban and transport planning, natural hazard prevention and mitigation, monitoring of agricultural policies and economic land use modelling. A number of different remotely-sensed global land cover products are available but studies have shown that there are large spatial discrepancies between these different products when compared. To address this issue of land cover uncertainty, a tool called Geo-Wiki was developed, which integrates online and mobile applications, high resolution satellite imagery available from Google Earth, and data collection through crowdsourcing as a mechanism for validating and improving globally relevant spatial information on land cover and land use. Through its growing network of volunteers and a number of successful data collection campaigns, almost 5 million samples of land cover and land use have been collected at many locations around the globe. This paper provides an overview of the main features of Geo-Wiki, and then using a series of examples, illustrates how the crowdsourced data collected through Geo-Wiki have been used to improve information on land cover and land use.
Article
A number of global and regional maps of forest extent are available, but when compared spatially, there are large areas of disagreement. Moreover, there is currently no global forest map that is consistent with forest statistics from FAO (Food and Agriculture Organization of the United Nations). By combining these diverse data sources into a single forest cover product, it is possible to produce a global forest map that is more accurate than the individual input layers and to produce a map that is consistent with FAO statistics. In this paper we applied geographically weighted regression (GWR) to integrate eight different forest products into three global hybrid forest cover maps at a 1 km resolution for the reference year 2000. Input products included global land cover and forest maps at varying resolutions from 30 m to 1 km, mosaics of regional land use/land cover products where available, and the MODIS Vegetation Continuous Fields product. The GWR was trained using crowdsourced data collected via the Geo-Wiki platform and the hybrid maps were then validated using an independent dataset collected via the same system. Three different hybrid maps were produced: two consistent with FAO statistics, one at the country and one at the regional level, and a “best guess” forest cover map that is independent of FAO. Independent validation showed that the “best guess” hybrid product had the best overall accuracy of 93% when compared with the individual input datasets. The global hybrid forest cover maps are available at http://biomass.geo-wiki.org.