Translated by Marina Agarkova
Вы когда-нибудь слышали фразу «Все реки впадают в море»? В большинстве случаев это утверждение справедливо, за одним исключением: реки, которые впадают в озера. Если вы представите себе горные хребты как стенки ванны, то океан – это как дно ванны, собирающее всю воду, стекающую по стенкам ванны. Независимо от того, где вы живете, вы населяете территорию, где вся вода, надземная и подземная, сходится в общий водоем (Рисунок 1). Мы называем эту территорию водоразделом. Водосборы различаются по размеру. Водораздел небольшого горного ручья может составлять всего несколько квадратных метров; некоторые водосборные бассейны являются большими, часто содержат множество меньших водосборных бассейнов (Government of Canada, n.d.). Например, бассейн Амазонки, с которым мы знакомы, охватывает треть южноамериканского континента (Routley, 2021).

Влияние лесов на водосборные бассейны
Леса покрывают около 30% поверхности Земли (FAO and UNEP, 2020). Как показано на рисунке 2, их можно найти в засушливых районах, водно-болотных угодьях и приливных регионах, от холодного Полярного круга до жарких тропиков. Леса являются гидрологическими регуляторами и могут хранить, высвобождать и очищать воду за счет взаимодействия гидрологических процессов (Zhang and Wei, 2021). Кроме того, они могут замедлять скорость потока воды, проходящей через поверхность Земли, уменьшать сток и усиливать инфильтрацию почвы (Netzer et al. 2019). В некоторых случаях они даже увеличивают пополнение грунтовых вод (Netzer et al. 2019).

Леса в пределах водосборных бассейнов играют важную роль в регулировании водоснабжения ниже по течению и связанных с ними экосистемных услуг (Zhang and Wei, 2021). Как показано на рисунке 3, леса, особенно те, которые находятся выше по течению, могут регулировать речной сток путем перехвата полога, эвапотранспирации и инфильтрации почвы. Изменения в лесах влияют на сток рек, а также влияют на осадки и водоснабжение вниз по течению (Creed and Noordwijk, 2018).

Несмотря на многочисленные положительные эффекты лесов на водосборные бассейны, многие леса уничтожаются. С 1990 года площадь лесов в мире в целом сокращается, при этом обезлесение и деградация лесов продолжаются тревожными темпами (FAO and UNEP, 2020). По данным FAO and UNEP (2020), предполагается, что с 1990 года 420 миллионов гектаров лесных площадей были потеряны в результате преобразования в другие виды землепользования. Расширение сельского хозяйства остается основным фактором обезлесения и деградации лесов (Chakravarty et al., 2012). В последние годы более частые и масштабные лесные пожары (особенно в бразильской Амазонии, Австралии, на западе США и т. д.) и вспышки лесных вредителей (например, нашествие короеда на западе Северной Америки) из-за изменения климата также нанесли значительный ущерб лесным экосистемам (Zhang and Wei, 2021).
Последствия этого разрушения значительны. Chakravarty et al. (2012) и Zhang and Wei (2021) подчеркивают влияние на региональные круговороты воды, как указано ниже
- Потеря способности накапливать воду: Деревья поглощают воду из почвы путем транспирации и выпускают ее в атмосферу, помогая поддерживать влажность почвы и способствуя инфильтрации дождевых осадков. Обезлесение сокращает количество деревьев, ослабляя способность леса удерживать и выпускать воду, делая почву более склонной к высыханию и препятствуя проникновению дождевых осадков, что приводит к потере воды и истощению водных ресурсов.
- Нарушение круговорота воды: Леса помогают регулировать содержание воды в атмосфере и влияют на образование облаков посредством транспирации и перехвата дождевых осадков. Обезлесение нарушает этот баланс, что может привести к изменениям в климатических условиях, включая более частые засухи или экстремальные осадки, сокращение испарения и осадков.
- Повышенный риск наводнений и засух: После обезлесения, эрозия почвы и ускоренный водный поток увеличивают риск наводнений. С другой стороны, обезлесенные районы могут быть более подвержены засухе из-за отсутствия достаточного количества растительности для удержания влаги.
- Ухудшение качества воды: Лесная растительность может фильтровать и очищать водные источники, предотвращая попадание отложений и загрязняющих веществ в водоемы. Вырубка лесов приводит к эрозии почвы, увеличению содержания отложений и загрязняющих веществ в водоемах, что создает большие проблемы в получении источников чистой воды.
Прикладные программы на основе космических технологий для мониторинга изменений лесов в водосборных бассейнах
Космические технологии произвели революцию в наших возможностях наблюдения за поверхностью Земли. Усовершенствованные инструменты дистанционного зондирования на спутнике предоставляют ценные данные для мониторинга лесов. Благодаря долгосрочным согласованным архивам дистанционное зондирование может быть использовано для долгосрочного непрерывного мониторинга, такого как изменение лесных площадей и обезлесение, а также пространственное картирование лесных экосистем (Archard et al. 2017).
В целом, спутниковые снимки со средним разрешением (30 м) являются минимальным требованием для мониторинга изменений лесного покрова, при этом Minimum Mapping Unit (MMU) составляет от 1 до 5 га (Archard et al. 2017). В настоящее время существуют два основных источника глобальных изображений дистанционного зондирования Земли со средним разрешением (от 30 до 10 м) для открытого доступа:
- Оптические данные среднего разрешения. Благодаря своей низкой стоимости, долгосрочным циклам и записям данных, а также неограниченному лицензированию, спутниковые датчики Landsat (30 м) всегда были основным инструментом мониторинга обезлесения (Archard et al. 2017). Данные Sentinel (10 м) являются хорошим выбором из-за более высокого разрешения, что приводит к лучшим результатам мониторинга изменений в покрытии (ESA, n.d.).
- Другие типы датчиков, такие как радары и лидары, также имеют ограниченное применение. Радар может обеспечивать всепогодное круглосуточное наблюдение, в то время как LiDAR имеет преимущества в измерении высоты и захвате вертикальных структур (Joshi et al. 2016; Schumacher and Christiansen, 2020).
Более подробно характеристики часто используемых датчиков приведены в таблице 1.
| Тип датчика | Спутник и датчик | Резолюция (м) | Ширина валка | Частота повторных посещений (дни) | Портал данных |
| Оптический | Landsat-8 OLI | 30 | 185 км | 16 | USGS Earth Explorer: https://earthexplorer.usgs.gov/ |
| Sentinel-2 MSI | 10 | 290 км | 5 | Copernicus Open Access Hub: https://scihub.copernicus.eu/ | |
| Радар | ERS1/2 SAR | Дальность действия 26 м (поперек пути) От 6 м до 30 м по азимуту (вдоль пути) | 100 км | 35 | ESA Earth Online Portal: https://earth.esa.int/eogateway |
| JERS-1 | 18 | 175 км | 44 | JAXA G-Portal: https://gportal.jaxa.jp/gpr/ | |
| ENVISAT-ASAR | 30 | 100 км | 35 | ESA Earth Online Portal: https://earth.esa.int/eogateway | |
| ALOS PALSAR 1/2 | 3–100 (в зависимости от режима) | 70–350 км (в зависимости от вида транспорта) | 46 (ALOS-1) 14 (ALOS-2) | JAXA G-Portal: https://gportal.jaxa.jp/gpr/ | |
| Лидар | ICESat-2 L3A Land and Vegetation Height | Не указано | 17 м | 91 | National Snow and Ice Data Center: https://nsidc.org/home |
Для мониторинга изменения лесов в водосборном бассейне используется методология Land Use and Cover Change (LUCC). Спектральные вегетационные индексы (VIs) широко применяются, потому что они могут выделять конкретные особенности растительности, такие как индекс площади листьев (LAI), процент зеленого покрова, содержание хлорофилла, зеленая биомасса и поглощенное фотосинтетически активное излучение (da Silva et al. 2020). Таблица 2 показывает часто используемые спектральные вегетационные индексы, особенно в сценариях с высоким растительным покрытием, таких как лес.
В практических приложениях спектральные вегетационные индексы обычно настраиваются в соответствии с конкретными требованиями приложения и дополняются соответствующими инструментами и методами валидации. Например, индекс Ratio Vegetation Index (RVI) очень чувствителен к растительности и имеет хорошую корреляцию с биомассой растений. Тем не менее, он становится чувствительным к атмосферным воздействиям и ослабляет свою репрезентацию биомассы при низком уровне растительного покрова (менее 50%) (Xue and Su, 2017). Усовершенствованный вегетационный индекс (EVI) чувствителен к изменениям фонового растительного покрова и не насыщается при высоких уровнях биомассы (Aljahdali et al. 2021). Нормализованный относительный вегетационный индекс (NDVI) измеряет активную биомассу фотосинтеза в растениях и является одним из наиболее подходящих индексов для мониторинга динамики роста сельскохозяйственных культур. Тем не менее, он очень чувствителен к яркости почвы и атмосферным воздействиям (Xue and Su, 2017). Индекс растительности с коррекцией по почве (SAVI) был изменен NDVI с учетом фоновых компонентов почвы, которые могут мешать сигналам растительности (Sashikkumar et al. 2017). Нормализованный разностный индекс влажности (NDMI) и нормализованный разностный водный индекс (NDWI) чувствительны к содержанию влаги в растительности и могут отличать ее от влажности почвы (Aljahdali et al. 2021).
| Индексы | Формула | Основное применение | Ссылки |
| Ratio Vegetation Index (RVI) | RVI = ρNIR / ρred | Оценка и мониторинг зеленой биомассы, в частности, при высокой плотности растительного покрова | (Xue and Su, 2017) |
Enhanced Vegetation Index (EVI) | EVI = 2.5 (ρNIR - ρred) / (ρNIR + 6ρred – 7.5ρblue + 1) | Районы с высоким содержанием хлорофилла (например, влажные тропические леса) и низким топографическим воздействием | (Aljahdali et al. 2021) |
| Normalized Difference Vegetation Index (NDVI) | NDVI = (ρNIR - ρred) / (ρNIR + ρred) | Региональные и глобальные оценки растительности | (Xue and Su, 2017) |
| Soil Adjusted Vegetation Index (SAVI) | SAVI = (1 + L) * (ρNIR - ρred) / (ρNIR + ρred + L) где L - это индекс почвенного состояния | Мониторинг подверженных воздействию почвы участков | (Sashikkumar et al. 2017) |
| Normalized Difference Moisture Index (NDMI) | NDMI = (ρNIR –ρSWIR) / (ρNIR +ρSWIR) | Нарушение и восстановление лесов | (Aljahdali et al. 2021) |
| Normalized Difference Water Index (NDWI) | NDWI = (ρNIR – ρ1240nm) / (ρNIR + ρ1240nm) | Содержание воды в растительности | (Aljahdali et al. 2021) |
Примеры применения: Мониторинг воздействия обезлесения в нижнем бассейне реки Меконг
В качестве примера можно привести исследование Netzer et al. (2019), в котором было подтверждено влияние обезлесения на бассейн реки Нижний Меконг (LMB). Используя спутниковые данные Landsat в качестве основного источника данных, исследование составило карту изменения землепользования и почвенно-растительного покрова LMB. Затем были составлены карты почвенно-растительного покрова за 2001 и 2013 годы с использованием гидрологической модели Soil and Water Assessment Tool (SWAT) для оценки воздействия утраты лесов на экосистемы, переносимые водой.
Для изменения почвенно-растительного покрова из-за потери лесов может быть использована вышеописанная технология мониторинга изменения лесов в LMB, которая имеет самые высокие темпы обезлесения в мире. На рисунке 4 показаны общие шаги. Проще говоря, после создания контрольной карты лесного покрова на карте устанавливаются нелесные классы, чтобы определить изменение землепользования с течением времени. Результаты показывают, что в период с 2001 по 2013 год LMB потеряла 13% своих лесных площадей, причем большая часть потерь лесов (82%) была преобразована в пахотные земли (Рисунок 5).


Для оценки экосистемных услуг лесов, связанных с водой, таких как снабжение пресной водой и регулирование, а также пополнение подземных вод, использовалась модель SWAT. Будучи полураспределительной моделью с наилучшими характеристиками для моделирования водосборов, она делит водосборный бассейн на более мелкие подводосборные бассейны и единицы гидрологического реагирования (HRU) с их уникальными атрибутами и может работать с годовыми, ежемесячными или ежедневными временными шагами (Janjić and Tadić, 2023). Для создания модели SWAT требуются три набора данных: топографические данные (цифровая модель рельефа, DEM), почвенный покров и данные о почве (Janjić and Tadić, 2023). На рисунке 6 показаны процентные изменения нескольких гидрологических показателей (поверхностный сток и сток водотока, урожайность и сток) в результате потери лесов. Результаты показывают, что по мере увеличения обезлесения сток и образование наносов также увеличиваются, что влияет на сток рек и поток наносов.

Заключение
Использование космической технологии для наблюдения за воздействием лесов на водосборные бассейны является важнейшим шагом в понимании и защите природных экосистем. Гидрологические последствия изменений лесов никогда не бывают однозначными. Используя возможности дистанционного зондирования и географических информационных систем, мы получили более глубокое понимание текущего состояния лесов и взаимосвязи между лесами и водосборными бассейнами, что позволяет нам принимать обоснованные решения по устойчивому управлению и сохранению природы. Продолжая углублять наше понимание и применение пространственных технологий, необходимо быть непоколебимыми в нашем стремлении работать над достижением цели, поставленной в стратегическом плане Организации Объединенных Наций в области лесоводства, по увеличению глобальной площади лесов на 3% к 2030 году.
Agency of Natural Resources. 2023. “Keeping Vermont's Watersheds Healthy” https://storymaps.arcgis.com/stories/dfc9e2c6cbfb4a8d80bdaffad761de3a (accessed on 22 Jan 2024)
Aljahdali, M. O., Munawar, S., & Khan, W. R. 2021. “Monitoring mangrove forest degradation and regeneration: Landsat time series analysis of moisture and vegetation indices at Rabigh Lagoon, Red Sea”. Forests, 12(1), 52. https://doi.org/10.3390/f12010052
Archard, F., de Oliveira, Y. M. M., & Mollicone, D. 2017. Monitoring forest cover and deforestation. https://www.alice.cnptia.embrapa.br/alice/bitstream/doc/1083312/1/2017C…
Chakravarty, S., Ghosh, S. K., Suresh, C. P., Dey, A. N., & Shukla, G. 2012. Deforestation: causes, effects and control strategies. Global perspectives on sustainable forest management, 1, 1-26. https://cdn.intechopen.com/pdfs/36125/InTechDeforestation_causes_effect….
Creed, I. F., & van Noordwijk, M. 2018. “Forest and water on a changing planet: vulnerability, adaptation and governance opportunities”. A global assessment report. IUFRO world series, 38. https://www.cabdirect.org/cabdirect/abstract/20193124755
da Silva, V. S., Salami, G., da Silva, M. I. O., Silva, E. A., Monteiro Junior, J. J., & Alba, E. 2020. “Methodological evaluation of vegetation indexes in land use and land cover (LULC) classification.” Geology, Ecology, and Landscapes, 4(2), 159-169. https://doi.org/10.1080/24749508.2019.1608409
Earth Data. n.d.a “ERS-1”. https://asf.alaska.edu/datasets/daac/ers-1/ (accessed on 14 Feb 2024).
Earth Data. n.d.b “ERS-2”. https://asf.alaska.edu/datasets/daac/ers-2/ (accessed on 14 Feb 2024).
Earth Online. n.d.a "JERS-1”. https://earth.esa.int/eogateway/missions/radarsat#instruments-section (accessed on 14 Feb 2024).
Earth Resources Observation and Science (EROS) Center. 2018. “USGS EROS Archive - Radar - ALOS PALSAR Radar Processing System.” USGS website. https://www.usgs.gov/centers/eros/science/usgs-eros-archive-radar-alos-….
Earth Online. n.d.b “ERS-1/2 SAR IM Medium Resolution L1 [SAR_IMM_1P]”. https://earth.esa.int/eogateway/catalog/ers-1-2-sar-im-medium-resolutio…- (accessed on 14 Feb 2024).
eoPortal. 2012a. “ALOS-2 (Advanced Land Observing Satellite-2) / Daichi-2”. https://www.eoportal.org/satellite-missions/alos-2#performance-specific… (accessed on 15 Feb 2024).
eoPortal. 2012b. “EnviSat (Environmental Satellite)”. https://www.eoportal.org/satellite-missions/envisat#sciamachy-scanning-… (accessed on 15 Feb 2024).
European Space Agency (ESA). n.d. “Sentinel-2: Resolution and Swath”. https://sentinel.esa.int/web/sentinel/missions/sentinel-2/instrument-pa… (accessed on 29 January 2024).
FAO and UNEP. 2020. The State of the World’s Forests 2020. Forests, biodiversity and people. Rome. https://doi.org/10.4060/ca8642en
Government of Canada. n.d. "Understanding Watersheds". https://agriculture.canada.ca/en/environment/managing-water-sustainably… (accessed on 22 Jan 2024).
Janjić, J., & Tadić, L. 2023. “Fields of Application of SWAT Hydrological Model—A Review”. Earth, 4(2), 331-344. https://doi.org/10.3390/earth4020018
Joshi, N., Baumann, M., Ehammer, A., Fensholt, R., Grogan, K., Hostert, P. et al. 2016. “A review of the application of optical and radar remote sensing data fusion to land use mapping and monitoring”. Remote Sensing, 8(1), 70. https://doi.org/10.3390/rs8010070
Netzer, M. S., Sidman, G., Pearson, T. R., Walker, S. M., & Srinivasan, R. 2019. “Combining global remote sensing products with hydrological modeling to measure the impact of tropical forest loss on water-based ecosystem services”. Forests, 10(5), 413. https://doi.org/10.3390/f10050413
Neuenschwander, A. L., K. L. Pitts, B. P. Jelley, J. Robbins, J. Markel, S. C. Popescu, R. F. Nelson, D. Harding, D. Pederson, B. Klotz, and R. Sheridan. 2023. ATLAS/ICESat-2 L3A Land and Vegetation Height, Version 6. [Indicate subset used]. Boulder, Colorado USA. NASA National Snow and Ice Data Center Distributed Active Archive Center. https://doi.org/10.5067/ATLAS/ATL08.006.
Routley, Nick. 2021. "Mapped: The Drainage Basins of the World’s Longest Rivers" https://www.visualcapitalist.com/mapped-the-drainage-basins-of-the-worl…
Sashikkumar, M. C., Selvam, S., Karthikeyan, N., Ramanamurthy, J., Venkatramanan, S., & Singaraja, C. 2017. “Remote sensing for recognition and monitoring of vegetation affected by soil properties”. Journal of the Geological Society of India, 90, 609-615. https://doi.org/10.1007/s12594-017-0759-8
Schumacher, J., & Christiansen, J. R. 2020. LiDAR Applications to Forest-Water Interactions. Forest-Water Interactions, 87-112. https://link.springer.com/chapter/10.1007/978-3-030-26086-6_4
Xue, J., & Su, B. 2017. “Significant remote sensing vegetation indices: A review of developments and applications”. Journal of sensors, 2017. https://doi.org/10.1155/2017/1353691
Zhang, M., & Wei, X. 2021. “Deforestation, forestation, and water supply.” Science, 371(6533), 990-991. https://doi.org/10.1126/science.abe7821.