Моделирование лесного покрова бассейна реки Венгери на острове Сахалин с применением данных дистанционного зондированиястатья
Статья опубликована в журнале из списка RSCI Web of Science
Статья опубликована в журнале из перечня ВАК
Статья опубликована в журнале из списка Web of Science и/или Scopus
Дата последнего поиска статьи во внешних источниках: 24 февраля 2021 г.
Аннотация:Выполнено моделирование актуального растительного покрова бассейна р. Венгери (восточное побережье центральной части Сахалина) площадью свыше 33 тыс. га. Картографическая модель создана при помощи алгоритма пошагового дискриминантного анализа на основе оригинальных геоботанических данных, цифровой модели рельефа и спектральных характеристик снимков Landsat 5. В растительном покрове выделено 9 физиономических типов растительных сообществ. Из них 3 – нелесные (скальная растительность, горные тундры, луга), 6 – различные типы лесов: пихтово-еловые (Abies sachalinensis, Picea ajanensis), лиственничники, лиственничные редины (Larix cajanderi), стланиковые сообщества (Pinus pumila, Dushekia fruticosa), каменноберезовые леса (Betula ermanii), мелколиственные и пойменные лиственные леса (Alnus hirsuta, Betula platyphylla, Chosenia arbutifolia, Populus suaveolens, Salix udensis и др.). Указана принадлежность физиономических типов лесов к синтаксонам эколого-фитоценотической и эколого-флористической классификационных систем. Лесные сообщества развиты на 89.1% территории водосбора. Наибольшую площадь занимают лиственничные леса и редколесья – 33.32% речного бассейна. Ландшафтно-климатические условия района способны поддерживать существование зональных пихтово-еловых лесов, но на их долю приходится только 11.23% территории. Широкое распространение лиственничников обусловлено естественной пирогенной трансформацией темнохвойных лесов. В условиях сильно расчлененного горного рельефа участки растительного покрова затененных склонов северных экспозиций не поддаются корректному автоматическому дешифрированию и моделированию. Восстанавливать растительный покров предлагается по данным визуального дешифрирования снимков высокого разрешения и материалам полевых работ.