Развитие методов дистанционного зондирования Земли, нейросетевых технологий, создание моделей машинного обучения и т.д., позволят разработать новые алгоритмы, показатели и критерии, которые суще-ственно повысят эффективность лесного мониторинга и способствуют снижению финансовых издержек. Осно-вой для выполнения работы являлась верификация данных спутниковых снимков сверхвысокого и высокого разрешения по материалам натурного обследования, проводимого на постоянных пробных площадях в Воро-нежской области. Сформированные элементы обучающих выборок с использованием нейросетевого классифи-катора, позволяют в автоматизированном режиме с высокой степенью точности определить таксационные по-казатели насаждения на основе данных ДЗЗ. При верификации количества надземной фитомассы, рассчитан-ной по данным ДЗЗ и материалам натурного обследования, выявлено значительное сходство представленных результатов. В 67 % случаев средние значения фитомассы, определенные разными методами, достоверно не отличались друг от друга (на уровне значимости p < 0,05). Достоверные различия были обнаружены в лист-венных насаждениях с высокой горизонтальной сомкнутостью полога, наличием второго яруса и обильной подпологовой растительностью. В результате работы заложена теоретическая основа для дальнейших иссле-дований при проведении дистанционного мониторинга в области охраны, защиты и воспроизводства лесов. Материал работы полезен в выстраивании многопрофильной практической работы в сферах восстановления биологического разнообразия фитоценозов, а также обеспечения целостности и экологической стабильности лесов при современных трендах углеродных циклов и климатических изменений.
дистанционное зондирование, лесной мониторинг, верификация данных ДЗЗ, состояние насаждений, оценка фитомассы, низкоуглеродное развитие, модели машинного обучения
Создаваемая в настоящее время в Российской Федерации сеть мониторинга пулов углерода и потоков парниковых газов в экосистемах предусматривает широкий спектр изучения климатических, почвенных и лесорастительных особенностей. Однако проводимые стационарные исследования, прежде всего, ориентированы на выполнение наземных работ и проведение трудоемкого натурного обследования. При этом, поддержание актуальности информации о состоянии лесного фонда – главное условие эффективного управления лесохозяйственной отраслью. Кроме того, по объемам накопления углерода в виде биомассы лесной растительности мы можем судить о состоянии и динамике образуемых ею экосистем и о трендах в изменениях современных ландшафтов. Всё это требует планомерного внедрения научных разработок, технологических и практико-ориентированных решений, а также использования современных методов, не уступающих мировому уровню в области автоматизации и цифровизации лесной отрасли.
В рамках реализации действующей Стратегии развития лесного комплекса РФ на период до 2030 года[1] предполагается осуществление ряда мер по развитию цифровых технологий и их внедрению в лесном хозяйстве. Согласно «Стратегии научно-технологического развития Российской Федерации»[2], на период ближайших лет приоритетами научно-технологического развития России должны стать направления, позволяющие обеспечить получение научных и научно-технических результатов на основе интенсивного перехода к передовым цифровым и информационно-коммуникационным технологиям, в т.ч. дистанционному зондированию Земли (ДЗЗ). Необходимо ориентироваться на широкое внедрение дистанционных методов, базирующихся на использовании искусственного интеллекта, что позволит существенно сократить объемы работ и снизить затраты на получение актуальной информации о состоянии и структуре лесного фонда [1-3].
[1] Распоряжение Правительства Российской Федерации от 11 февраля 2021 года № 312-р «Об утверждении Стратегии развития лесного комплекса Российской Федерации до 2030 года». URL: https://docs.cntd.ru/document/573658653.
[2] Указ Президента Российской Федерации от 28 февраля 2024 года № 145 «О Стратегии научно-технологического развития Российской Федерации». URL: https://docs.cntd.ru/document/
1305071057.
1. Putzenlechner B., Koal P., Kappas M., Löw M., Mundhenk P., Tischer A., Wernicke J., Koukal T. Towards precision forestry: Drought response from remote sensing-based disturbance monitoring and fine-scale soil information in Central Europe. Science of The Total Environment. 2023; 880: 163114. DOI:https://doi.org/10.1016/j.scitotenv.2023.163114.
2. Anees S.A., Mehmood K., Khan W.R., Sajjad M., Alahmadi T.A., Alharbi S.A., Luo M. Integration of machine learning and remote sensing for above ground biomass estimation through Landsat-9 and field data in temperate forests of the Himalayan region. Ecological Informatics. 2024; 82: 102732. DOI:https://doi.org/10.1016/j.ecoinf.2024.102732.
3. Waard F., Connolly J., Barthelmes A., Joosten H., Linden S. Remote sensing of peatland degradation in temperate and boreal climate zones – A review of the potentials, gaps, and challenges. Ecological Indicators. 2024; 166: 112437. DOI:https://doi.org/10.1016/j.ecolind.2024.112437.
4. Филипчук А. Н., Малышева Н. В., Золина Т. А., Селезнев А. А. Запасы углерода в фитомассе лесов России: новая количественная оценка на основе данных первого цикла государственной инвентаризации лесов. Лесохозяйственная информация. 2024; 1: 29-55. DOIhttps://doi.org/10.24419/LHI.2304-3083.2024.1.03.
5. Boreal forests in the face of climate change. Advances in Global Change Research 74 / М. М. Girona, Н. Morin, S. Gauthier, Y. Bergeron. Springer : Switzerland, 2023; 837 p. DOI:https://doi.org/10.1007/978-3-031-15988-6.
6. Bui Q., Pham Q., Pham V., Tran V., Nguyen D., Nguyen Q., Nguyen H., Do N., Vu V. Hybrid machine learning models for aboveground biomass estimations. Ecological Informatics. 2024; 79: 102421. DOI:https://doi.org/10.1016/j.ecoinf.2023.102421.
7. Бредихин А.И., Мельников А.В. Подход к построению углеродной карты Ханты-Мансийского автономного округа на основе оценки биомассы с помощью данных дистанционного зондирования Земли. Информационные и математические технологии в науке и управлении. 2022; 2 (26): 115-126. DOIhttps://doi.org/10.38028/ESI.2022.26.2.011.
8. Славский В.А., Мироненко А.В., Матвеев С.М., Литовченко Д.А. Таксационно-дешифровочные показатели насаждений как основа разработки моделей машинного обучения для дистанционного мониторинга лесов. Труды Санкт-Петербургского научно-исследовательского института лесного хозяйства. СПб.: СПбНИИЛХ 2022; №4; 99-114. DOIhttps://doi.org/10.21178/2079-6080.2022.4.99
9. Голышева А.А., Бабкина Е.В. Цифровые технологии в управлении лесным хозяйством.Муниципальная академия. 2024; № 2; 306-311. DOI:https://doi.org/10.52176/2304831X_2024_02_306.
10. Черниховский Д.М., Парфенов А.А. Таксация лесов дешифровочным способом как потенциальный инструмент цифровой трансформации лесного хозяйства. Труды Санкт-Петербургского научно-исследовательского института лесного хозяйства. 2024; 2: 51-66. DOI:https://doi.org/10.21178/2079-6080.2024.2.51.
11. Толкач И.В., Бахур О.С. Измерение основных таксационно-дешифровочных показателей древостоя с использованием цифровой фотограмметрической станции (ЦФС). Труды БГТУ. Лесное хозяйство. 2022; 1: 66–68. ISBN 1683-0377. URL: https://elibrary.ru/item.asp?id=25100730.
12. Трейфельд Р.Ф., Филиппов Ю.В. Внедрение цифровых фотограмметрических систем в лесоустройство. Геопрофи. 2022; № 2; 38–41. ISBN 2311-1410. URL: https://elibrary.ru/tdqewz.
13. Фомин В.В., Иванова Н.С., Залесов С.В., Попов А.С., Михайлович А.П. Лесные типологии в Российской Федерации. Известия высших учебных заведений. Лесной журнал. 2023; 6 (396): 9-30. DOI:https://doi.org/10.37482/0536-1036-2023-6-9-30.
14. Sympilova D.P., Shakhmatova E.Yu., Gyninova A.B., Ubugunov L.L., Sychev R.S., Bazarov A.V. Impacts of wildfire low-severity on soil properties in semiarid forest ecosystems of western Transbaikalia. Nature of Inner Asia. 2022; № 4 (22); 105-114. DOI:https://doi.org/10.18101/2542-0623-2022-4-105-114.
15. Собачкин Р.С., Ковалева Н.М. Влияние периодичности низовых пожаров на запас лесных горючих материалов средневозрастных сосняков в лесостепи Красноярского края. Лесоведение. 2024; 2: 187-196. DOI:https://doi.org/10.31857/S0024114824020078.
16. Усольцев В.А., Цепордей И.С., Норицин Д.В. Аллометрические модели биомассы деревьев лесообразующих пород. Леса России и хозяйство в них. 2022; 1 (80): 4–14. DOI:https://doi.org/10.51318/FRET.2022.85.72.001.
17. Усольцев В.А., Цепордей И.С. Прогнозирование биомассы стволов сосновых деревьев естественных древостоев и лесных культур в связи с изменением климата. Сибирский лесной журнал. 2021; 2: 72–81. DOI:https://doi.org/10.15372/SJFS20210207.
18. Slavskiy V.A., Matveev S.M., Sheshnitsan S.S., Litovchenko D.A., Larionov M.V., Shokurov A., Litovchenko P., Durmanov N. Assessment of phytomass and carbon stock in the ecosystems of the Central forest steppe of the east European plain: integrated approach of terrestrial environmental monitoring and remote sensing with unmanned aerial vehicles. Life. 2024; 14 (5): 632. DOI:https://doi.org/10.3390/life14050632.
19. Хлюстов В.К., Юрчук С.А., Хлюстов Д.В., Ганихин А.М. Технология комплексной оценки древесных ресурсов методами дистанционного зондирования Земли. Природообустройство. 2021; 4: 129-138. DOI:https://doi.org/10.26897/1997-6011-2021-4-129-138.
20. Сидоренков В.М., Калнин В.В., Рябцев О.В., Жафяров А.В., Кушнырь О.В., Рыбкин А.С. Перспективы развития тематических сервисов в области лесотаксационного дешифрирования на основе данных спутниковой съемки. Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2019; 63 (4): 440-445. DOI:https://doi.org/10.30533/0536-101X-2019-63-4-440-445.
21. Шевелина И.В., Нуриев Д.Н. Статистическая обработка лесоводственно-таксационной информации в среде STATISTICA. Екатеринбург: УГЛТУ, 2022; 112. ISBN 978-5-94984-840-1. URL: https://elibrary.ru/item.asp?id=49911777.
22. The European Space Agency BIOMASS mission: Measuring Forest above-ground biomass from space. S. Quegan, T.L. Toan, J. Chave, J. Dall, J.-F. Exbrayat, D.H. Tong Minh [et al.]. Remote Sensing of Environment. 2019; 227; 44-60. DOI:https://doi.org/10.1016/j.rse.2019.03.032.
