Прогнозування зміни рівня лісистості за допомогою сервісу Global Forest Watch і мови програмування та аналізу даних R

Abstract

Розглядається проблема розрахунку рівня лісистості, у тому числі – прогнозування зміни лісистості в окремому лісництві. Наведено, що автори раніше розробили програмне забезпечення для розрахунку лісистості та оброблення інформації про лісові насадження на прикладі селища Співаківка в Ізюмському районі Харківської області. Також було зроблено порівняння лісистості за низку років з використанням ресурсу Global Forest Watch. З цього ресурсу були взяті зображення Придонецького лісництва з нанесеними умовними позначеннями: синім кольором зображені території, де відбувається висадка нових лісових насаджень, а рожевим – де відбувається вирубування. Кожне із завантажених зображень обраного лісництва запропоновано розділити на квадрати, а потім аналізувати дані по кожному квадрату. Було розраховано насиченість рожевим кольором та збережено у таблиці. Зазначено, що прогнозування зміни лісових насаджень на обраній ділянці, тобто зміни відсотка вирубки, можна зробити різними шляхами. По-перше, використати регресійний аналіз – застосувати рівняння регресії окремо до значень кожного квадрату, а також для усього лісництва. По-друге – сформувати перелік вхідних факторів, що містять показники на обраній ділянці у два попередні роки та ці ж показники на сусідніх ділянках. Таким чином, кількість факторів буде дорівнювати 27: 26 вхідних та 1 вихідний (значення на досліджуваному квадраті). Таку задачу прогнозування можна розв’язати або методом багатофакторної лінійної регресії, або методом штучних нейронних мереж. Для проведення розрахунків за обома методами було використано мову програмування та аналізу даних R. Створено скрипт, який виконує розрахунки побудовою ліній регресії та штучної нейронної мережі, а також дозволяє визначити найкращу архітектуру нейронної мережі та більш ефективний метод її навчання для певного набору даних. Наведено розрахунок динаміки вирубки у цілому лісництві (прогноз на останній рік забезпечує похибку в 1 %) та розрахунок динаміки вирубки на обраному квадраті (прогноз на останній рік забезпечує похибку в 3.5 %). Після численних запусків скрипту з’ясовано, що найкращий результат забезпечує персептрон з двома прихованими шарами та двома нейронами у кожному шарі. Результати розрахунків свідчать про високу кореляцію даних для визначення відсотка лісу, який буде вирубуватися на визначеному квадраті. Застосування цього персептрону для прогнозування на останній рік показало похибку в 3 %.

The problem of calculating the level of forest cover is considered, including forecasting changes in forest cover in individual forestry. It is stated that the authors previously developed software for calculating forest cover and processing information about forest plantations using the example of the village of Spivakivka in the Izyum district of the Kharkiv region. A comparison of forest cover over a number of years was also made using the Global Forest Watch resource. From this resource, images of Prydonetsk Forestry were taken with conventional designations: areas where new forest plantations are being planted are shown in blue, and areas where cutting is taking place are shown in pink. It is proposed to divide each of the uploaded images of the selected forestry into squares, and then analyze the data for each square. The pink color saturation was calculated and stored in the table. It is noted that forecasting the change in forest stands on the selected site, that is, the change in the percentage of felling, can be done in different ways. First, use regression analysis - apply the regression equation separately to the values of each square, as well as to the entire forestry. Secondly, to form a list of input factors containing indicators on the selected plot in the two previous years and the same indicators on neighboring plots. Thus, the number of factors will be equal to 27: 26 input and 1 output (values on the studied square). Such a forecasting problem can be solved either by the method of multivariate linear regression or by the method of artificial neural networks. The R programming and data analysis language was used to perform calculations using both methods. A script was created that performs calculations by constructing regression lines and an artificial neural network, and also allows determining the best architecture of a neural network and a more effective method of its training for a certain data set. The calculation of the felling dynamics in the entire forestry (the forecast for the last year provides an error of 1 %) and the calculation of the felling dynamics in the selected square (the forecast for the last year provides an error of 3.5 %) are given. After many runs of the script, it was found that the best result is provided by a perceptron with two hidden layers and two neurons in each layer. The results of the calculations indicate a high correlation of the data for determining the percentage of forest that will be cut down in a certain square. Application of this perceptron for forecasting for the last year showed an error of 3 %.