2. Использование спутниковых данных Landsat для выявления потенциальных областей облесения

В последнее время большинство правительственных, различных неправительственных организаций и социальных групп тратят свое время, деньги и энергию на облесение, как на местном, так и на региональном уровнях. Выявление потенциальных областей для облесения, методом научных исследований, могут сделать эту задачу упрощенной, экономной по времени и менее подверженному провалу. Данные дистанционного зондирования и их корреляции с параметрами такими, как таблица наклона, влажности почвы и воды, широко используются для классификации лесов.

Оценка потенциальных областей для облесения обеспечивает информационную базу для планирования, управления и мониторинга окружающей среды.

В исследовании по данной проблеме был использован набор данных дистанционного зондирования Landsat EnhancedThematicMapperPlus (ETM+). Данные ETM+ могут быть полезны для получения хорошего уровня точности в идентификации и классификации растительности. Нормализованный относительный индекс растительности (NDVI), основанный на данных ETM+, широко используется в идентификации, классификации и оценке биомассы лесов и сельскохозяйственных культур.Индексы влажности почвы (SWIs) полезны для понимания пространственного распределения влажности почвы. С некоторыми ограничениями, SWIs возможно способны обеспечить указания относительных изменений в состоянии влажности поверхности земли.

Исследуемой областью являлась часть верхнего бассейна Pravara в AkoleTahsil района Ahmednagar, Maharashtra, Индия. Область страдает различными экологическими проблемами, такими как деградация почв, истощение подземных води деградация биоразнообразия. Большинство территории области исследования - это травяной покров со скудной средней плотностью лесов на местах. Однако правительственные агентства предприняли попытку создавать искусственные лесонасаждения средней или высокой плотности.

Методику обработки изображений в данном исследовании можно разделить на четыре этапа: (1) подготовка комбинаций ложных цветов с каналами 2, 3 и 4 (2), генерация растрового изображения NDVI для различных классов плотности леса; (3) подготовка растровых изображений, описывающих SWIs, и, наконец, (4), объединение карт плотности леса с картами SWI кросс-операцией в ILWIS.

Установленные значения для NDVI были сгруппированы вместе для обозначения классов плотности леса с помощью операции "нарезки" в ILWIS. Валидация этих классов была проведена интенсивными и повторнымиполевыми исследованиями с использованием метода коррекции пробной ошибки.

Растровая карта, изображающая SWI, была создана с использованием спутника на основе отражения коэффициентов Tasseled Cap. Карта была разделена на классы. Минимальные значения SWI, наблюдаемые для горных земель, указывали на максимальную сухость, а максимальные значения SWI, которые были найдены для сравнительно глубоких почв, на влажность. Полевые исследования показывали, что значения меньше, чем средние, были отнесены к "сухим землям". Беспочвенные области (т.е. открытые горы выветривания) покрывают небольшие части рассматриваемой области в виде небольших участков, возможно меньше, чем разрешение изображения. Горные области были связаны с тонкими почвами, показывающими совокупное воздействие на значения DN. Поэтому, эти районы были включены в категорию "сухие", которая имеет мало возможностей для обезлесения. Значения выше среднего были дополнительно классифицированы на основе стандартного отклонения в SWI.

В комбинированной карте, 20 классов были получены с некоторыми сходствами в двух и более классах. Большое количество и сходства повышали проблемы в обнаружении потенциальных областей для облесения. Поэтому, подобные классы были объединены с использованием инструмента "объединения классов" в ILWIS.

Наконец, зоны обезлесения были определены на основе существующих уровней влажности почвы и плотности леса. Для этой цели, их рассматривали как земли с достаточной влажностью почвы, но недостаточным лесным покрытием. Около 74% исследуемой территории было классифицировано в категорию горные земли с очень короткими, редкими колючими кустарниками и травами. Это очень чистые леса или открытые земли. Редкие природные леса и травы покрывают около 19% земли. Около 7% составляют вторичные плантации (социальное лесное хозяйство), которые могут быть в дальнейшем классифицированы как плотные - очень плотные (2%), а также средней полноты леса (5%).

Сформулированная в данном исследовании методология может быть использована как инструмент для быстрой оценки предшествующего планового обезлесения.