Yugra State University BulletinYugra State University BulletinВестник Югорского государственного университета1816-92282078-9114Yugra State University10723910.18822/byusu202201118-133Mathematical modeling and information technologyМатематическое моделирование и информационные технологииResearch ArticleAn approach to the assessment of carbon reservesin KHMAO-Yugra using carbon mapsПодход к оценке запасов углерода в ХМАО-Югре с помощью углеродных картBredihinArsenty I.БредихинАрсентий Игоревич
Russian Federation

Master Student at the Institute of Digital Economy

магистрант Института цифровой экономики

bredihin.igorr@yandex.ruYugra State UniversityФГБОУ ВО «Югорский государственный университет»100520221811181330905202209052022Copyright ©; 2022, Yugra State UniversityCopyright ©; 2022, Югорский государственный университет2022Yugra State UniversityЮгорский государственный университетhttps://creativecommons.org/licenses/by-sa/4.0https://vestnikugrasu.org/byusu/article/view/107239

Khanty-Mansi Autonomous Okrug-Yugra has a large area of forest territories. And forest vegetation, like any vegetation, naturally dies sooner or later, as a result of which carbon dioxide is released into the atmosphere from organic matter. This fact leads to an increase in the greenhouse effect and an increase in global warming.

In order to prevent an increase in global temperature, it is necessary to estimate the carbon stock in the form of the amount of plant biomass, since more than 90% of the territory of the Khanty-Mansi Autonomous Okrug-Yugra (KhMAO-Yugra) is covered with forests.

One of the ways to assess plant biomass is to create so-called carbon maps using remote sensing of the Earth (remote sensing) and machine learning methods.

This paper provides an overview of existing solutions in the field of remote sensing and machine learning aimed at creating carbon maps. Based on this review, a research program has been proposed that will allow us to develop an approach that allows us to obtain a digital carbon map of the KhMAO with a given accuracy.

Ханты-Мансийский автономный округ – Югра обладает большой площадью лесных территорий. А лесная растительность, как и любая растительность, естественным образом рано или поздно отмирает, вследствие чего из органического вещества происходит выделение углекислого газа в атмосферу. Данный факт ведет к усилению парникового эффекта и усилению глобального потепления. Для того чтобы не допустить повышения глобальной температуры, необходимо оценивать запас углерода в виде количества растительной биомассы, поскольку более 90 % территории Ханты-Мансийского автономного округа – Югры (ХМАО-Югра) покрыто лесами. Одним из способов оценки растительной биомассы является создание так называемых углеродных карт с применением методов дистанционного зондирования Земли (ДЗЗ) и машинного обучения. Применение полученных с помощью методов ДЗЗ спутниковых снимков и методов их обработки позволит получить карту округа с полным охватом всей территории, а применение моделей машинного обучения позволит разработать модель, с помощью которой будет возможно создавать углеродную карту округа.

В данной работе приведен обзор существующих решений в области ДЗЗ и машинного обучения, направленных на создание углеродных карт. На основании данного обзора предложена программа исследований, которая позволит разработать подход, позволяющий получать цифровую углеродную карту ХМАО с заданной точностью.

Remote sensingsatellitelidarimagecarbonvegetationbiomassmachine learningregression modelдистанционное зондирование Землиспутниклидаризображениеуглеродрастительностьбиомассамашинное обучениерегрессионная модельГосударственный доклад «О состоянии и об охране окружающей среды Российской Федерации в 2020 году». – Текст : электронный // Министерство природных ресурсов и экологии Российской Федерации. – 2021. – URL: https://www.mnr.gov.ru/docs/gosudarstvennye_doklady/gosudarstvennyy_doklad_o_sostoyanii_i_ob_okhrane_okruzhayushchey_sredy_rossiyskoy_federatsii_v_2020/?PAGEN_2=2 (дата обращения: 14.01.2022).Tropical forests are a net carbon source based on aboveground measurements of gain and loss / A. Baccini, W. Walker, L. Carvallo [et al] // Science. – 2017. – Vol. 358, № 6360. – P. 230–234.Estimated carbon dioxide emissions from tropical deforestation improved by carbondensity maps / A. Baccini, S. J. Goetz, W. S. Walker [et al.] // Nature climate change. – 2012. – Vol. 2, № 3. – P. 182–185.ICESat. Cryospheric Sciences Lab // NASA. – 2021. – URL: https://icesat.gsfc.nasa.gov/icesat/glas.php (date of application: 20.01.2022).ATLAS/ICESat-2 L2A Global Geolocated Photon Data, Version 5 // National Show and Ice Data Center. – 2021. – URL: https://nsidc.org/data/ATL03/versions/5 (date of application: 20.01.2022).. Estimating the biomass of maize with hyperspectral and LiDAR data / C. Wang, S. Nie, X. Xiaohuang [et al] // Remote Sensing. – 2017. – Vol. 9, №. 1. – P. 11.Above-ground biomass estimation using airborne discrete-return and full-waveform LiDAR data in a coniferous forest / S. Nie, C. Wang, H. Zeng [et al.] // Ecological Indicators. – 2017. – Vol. 78. – P. 221–228.Fusion of airborne LiDAR data and hyperspectral imagery for aboveground and belowground forest biomass estimation / S. Luo, C. Wang, X. Xiaohuang [et al.] // Ecological Indicators. – 2017. – Vol. 73. – P. 378–387.Non-destructive aboveground biomass estimation of coniferous trees using terrestrial LiDAR / A. Stovall, A. Voster, R. Anderson [et al.] // Remote Sensing of Environment. – 2017. – Vol. 200. – P. 31–42.Forest biomass estimation over three distinct forest types using TanDEM-X InSAR data and simulated GEDI lidar data / W. Qi, S. Saarela, J. Armston [et al.] // Remote Sensing of Environment. – 2019. – Vol. 232. – P. 111283.Global Ecosystem Dynamics Investigation // Wikipedia. – 2022. – URL: https://en.wikipedia.org/wiki/Global_Ecosystem_Dynamics_Investigation (date of application: 11.02.2022).Impact of land cover change on aboveground carbon stocks in Afromontane landscape in Kenya / P. K. E. Pellikka, V. Heikinheimo, J. Hietanen [et al.] // Applied Geography. – 2018. – Vol. 94. – P. 178–189.Estimating aboveground carbon density and its uncertainty in Borneo's structurally complex tropical forests using airborne laser scanning / T. Jucker, G. A. Asner, M. Dalponte [et al.] // Biogeosciences. – 2018. – Vol. 15, № 12. – P. 3811–3830.A remote sensing-based model of tidal marsh aboveground carbon stocks for the conterminous United States / K. B. Byrd, L. Ballanti, N. Thomas [et al.] // ISPRS Journal of Photogrammetry and Remote Sensing. – 2018. – Vol. 139. – P. 255–271.Identification of fine scale and landscape scale drivers of urban aboveground carbon stocks using high-resolution modeling and mapping / M. G. E. Mitchell, K. Johansen, M. Maron [et al.] // Science of the total Environment. – 2018. – Vol. 622. – P. 57–70.Sensitivity of large-footprint lidar to canopy structure and biomass in a neotropical rainforest / J. B. Drake, R. Dubayah, R. G. Knox [et al.] // Remote Sensing of Environment. – 2002. – Vol. 81, № 2-3. – P. 378–392.Laser altimeter canopy height profiles: Methods and validation for closed-canopy, broadleaf forests / D. J. Harding, M. A. Lefsky, G. Parker, J. B. Blair // Remote Sensing of Environment. – 2001. – Vol. 76, № 3. – P. 283–297.Cohen, W. B. Estimating structural attributes of Douglas-Fir / W. B. Cohen, T. A. Spies // Remote sensing of environment. – 1992. – Vol. 41, № 1. – P. 1–17.Gemmell, F. M. Effects of forest cover, terrain, and scale on timber volume estimation with Thematic Mapper data in a Rocky Mountain site / F. M. Gemmell // Remote Sensing of Environment. – 1995. – Vol. 51, № 2. – P. 291–305.Puhr, C. B. Remote sensing of upland conifer plantations using Landsat TM data: a case study from Galloway, south-west Scotland / C. B. Puhr, D. N. M. Donoghue // International Journal of Remote Sensing. – 2000. – Vol. 21, № 4. – P. 633–646.Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals / T. Allouis, S. Durrieu, C. Vega [et al.] // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2012. – Vol. 6, № 2. – P. 924–934.Inversion of a lidar waveform model for forest biophysical parameter estimation / B. Koetz, F. Morsdorf, G. Sun [et al.] // IEEE Geoscience and Remote Sensing Letters. – 2006. – Vol. 3, № 1. – P. 49–53.