
Резюме PDF RUS. .PDF ENG | Полный текст PDF RUS |
Резюме. Цель работы – на основе данных дистанционного зондирования с применением искусственного интеллекта провести ранжирование древесных объектов разной протяженности на территории лесного биогеоценоза. Материалы и методы. Объект исследования – памятник природы «Урочище Белый Ключ» Татищевского района Саратовской области. Материалы исследования – мультиканальные спутниковые космоснимки в видимом и ближнем ИК-спектральных диапазонах. Обработка материалов и их картографирование реализованы на базе кроссплатформенной системы QGIS (версия 3.28.0). Распознавание объектов биогеоценоза осуществлялось с помощью плагина Mapflow. Результаты. Установлена многоярусная структура биогеоценоза. При этом 60–65 % растительных объектов относятся к высокому лесу, 30–35 % – к среднему лесу. Установлены признаки устойчивого развития лесного лиственного биогеоценоза: нечеткоcть почвенной линии в кординатах «зеленость» vs «яркость», NIR–RED преобразования tasseled cap; высокая дисперсия зависимостей «влажность» vs «яркость»; «зеленость» vs «влажность»; наличие локального участка в верхней части диаграмм главных компонент, в котором их величины изменяются в широком диапазоне; асимметричность и смещенность в сторону больших значений частотных диаграмм влажности, зелености, а также индекса EVI. Обсуждение. Для лесных массивов структура диаграмм tasseled cap отличается нечетким и расплывчатым видом линии почвы, а также концентрацией максимума вегетационной составляющей в определенных областях. Эти признаки объясняются тем, что, в отличие от сельскохозяйственных угодий, в лесу почва скрыта под слоем листвы, опавших листьев и мха, поэтому отраженный сигнал от почвы смешивается с отражением от растительности. Преобладание высокого леса указывает на то, что верхний ярус биогеоценоза занимает большую часть территории и является определяющим фактором структуры и функционирования экосистемы. Высокие деревья создают тень, влияют на микроклимат, почвенные условия и доступность света для нижних ярусов.
Ключевые слова:
лесной биогеоценоз, дистанционное зондирование, искусственный интеллект, спектральное преобразование
Для цитирования: Косарев А.В., Сергеева И.В., Ключиков А.В., Чумакова С.В., Леонтьев А.А. Характеристика древесной растительности лесного биогеоценоза с применением искусственного интеллекта на основе данных дистанционного зондирования. Геосистемы переходных зон, 2025, т. 9, № 3, с. 286–298.
https://doi.org/10.30730/gtrz.2025.9.3.286-298, https://www.elibrary.ru/fvkynr
For citation: Kosarev A.V., Sergeeva I.V., Klyuchikov A.V., Chumakova S.V., Leontiev A.A. Characteristics of the woody vegetation of the forest biogeocenosis using artificial intelligence based on remote sensing data. Geosistemy perehodnykh zon = Geosystems of Transition Zones, 2025, vol. 9, No. 3, pp. 286–298. (In Russ.).
https://doi.org/10.30730/gtrz.2025.9.3.286-298, https://www.elibrary.ru/fvkynr
Список литературы
1. Сушкевич Т.А., Стрелков С.А., Максакова С.В. 2018. Космос, земля и суперкомпьютинг: сопряженные задачи экологии, климата, мониторинга и дистанционного зондирования Земли, гиперспектральный подход и нанодиагностика природных сред (посвящается 65-летию ИПМ им. М.В. Келдыша РАН). Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика, 7(4): 5–29.
2. Зеньков И.В., Кустикова Е.А., Ле Хунг Ч., Сильванович О.В., Юронен Ю.П., Маглинец Ю.А., Раевич К.В., Герасимова Е.И., Миронова Ж.В., Скорнякова С.Н. 2024. Цифровая платформа в решении задач экологии нарушенных земель для горнодобывающих предприятий с открытыми горными работами на основе ресурсов дистанционного зондирования и искусственного интеллекта. Экология и промышленность России, 28(1): 52–57. https://doi.org/10.18412/1816-0395-2024-1-52-57
3. Каримуллах А., Братков В.В. 2024. Оценка изменений площади зеленых насаждений Кабула по материалам дистанционного зондирования земли. Мониторинг. Наука и технологии, 4(62): 59–67. doi:10.25714/MNT.2024.62.008
4. Бисенбаева С.Б., Мелисбек Ш.М., Баймукан Е.К. 2024. Обзор мониторинга лесов в Казахстане на основе наблюдения за землей. Вестник Евразийского национального университета им. Л.Н. Гумилева. Серия: Химия. География. Экология, 147(2): 135–149. https://doi.org/10.32523/2616-6771-2024-147-2-135-149
5. Данилин И.М., Лапко В.А., Кузнецов А.А., Бабий И.А., Вайсман А.О. 2024. Инновационный учебно-научный центр мониторинга лесных ресурсов Сибири на основе лазерной и микроволновой аэрокосмической съемки. Сибирский аэрокосмический журнал, 25(1): 8–17. https://doi.org/10.31772/2712-8970-2024-25-1-8-17
6. Стрекаловская М.И., Добротворская Н.И. 2023. Использование ГИС-технологий для создания базы данных лесовосстановления. Интерэкспо Гео-Сибирь, 4(2): 199–204. doi:10.33764/2618-981X-2023-4-2-199-204
7. Япаров И.М., Вильданов И.Р., Баширова Э.В., Гумеров Р.А., Магасумов Т.М. 2020. Анализ многолетней динамики вегетационного индекса NDVI на территории природного парка «Иремель» для местного лесопользования с использованием цифровых моделей рельефа. Астраханский вестник экологического образования, 3(57): 140–149. doi:10.36698/2304-5957-2020-19-3-140-149
8. Мамедалиева В.М. 2021 . Алгоритм и оценка изменения площади лесного покрова Хачмазского района Азербайджана средствами космического мониторинга. Известия вузов. Лесной журнал, 2(380): 106–115. doi:10.37482/0536-1036-2021-2-106-115
9. Черткова Е.П., Замолодчиков Д.Г. 2024. Оценка земельных ресурсов Алтайского государственного природного биосферного заповедника с учетом уникальности биоразнообразия и ценности экосистем. Экосистемы, 40: 39–49. (In Russ). doi:10.29039/2413-1733-2024-40-39-49
10. Gopp N.V., Meshalkina J.L., Narykova A.N., Plotnikova A.S., Chernova O.V. 2023. Mapping of soil organic carbon content and stocks at the regional and local levels: the analysis of modern methodological approaches. Forest Science Issues, 6(4): 1–46. https://doi.org/10.31509/2658-607x-202361-120
11. Калиничева С.В., Никифорова Н.Н., Максимов Н.А., Мисайлов И.Е., Федоров А.Н. 2021. Исследование наступления леса на тундру в регионе Восточной Сибири в условиях меняющегося климата с применением ГИС и данных дистанционного зондирования Земли. Вестник Северо-Восточного федерального университета им. М.К. Аммосова. Серия: Науки о Земле, 4(24): 73–82. doi:10.25587/SVFU.2021.24.4.017
12. Алексеев А.С., Черниховский Д.М. 2024. Выявление повреждений хвойных насаждений на основе комплексного анализа результатов дистанционного зондирования Земли и наземных обследований. Известия высших учебных заведений. Лесной журнал, 2(398): 11–28. doi:10.37482/0536-1036-2024-2-11-28
13. Беспалова В.В., Полянская О.А. 2021. Внедрение цифровых технологий на предприятиях лесного комплекса. Журнал прикладных исследований, 2(4): 66–70. doi:10.47576/2712-7516_2021_2_4_66
14. Иванова Н.В., Шашков М.П., Лебедев А.В., Шанин В.Н. 2024. Количественный анализ факторов, влияющих на повреждение старовозрастного южнотаежного древостоя в результате катастрофического ветровала, на основе дистанционных и объединенных данных. Экология, 4: 284–292. https://doi.org/10.31857/S0367059724040043
15. Линкина А.В., Елсуков В.Д., Тришин А.А.. 2023. Использование моделей машинного обучения при решении задач в отрасли органического сельского хозяйства. Вестник Воронежского государственного университета инженерных технологий, 85(4): 133–138.
16. Николаев А.А., Николаева И.О. 2022. Преобразование цифровых данных космической съемки алгоритмом tasseled cap при определении структуры лесных насаждений. Международный научно-исследовательский журнал, 9(123): 1–5. doi:10.23670/IRJ.2022.123.77; URL: https://research-journal.org/archive/9-123-2022-september/10.23670/IRJ.2022.123.77 (accessed 20.04.2025).