Оценка трансформации лесов Южного Урала по разновременным космическим снимкам. C. 51-62

УДК

630:528.88(470.57)

DOI:

10.37482/0536-1036-2025-2-51-62

Аннотация

Исследована трансформация лесов Южного Урала за 25-летний период с применением геоинформационных систем и методов дистанционного зондирования. Определен нормализованный разностный вегетационный индекс (NDVI – Normalized Difference Vegetation Index), который отражает влияние таких факторов, как содержание хлорофилла, площадь поверхности листьев, плотность и структура растительности. Индекс вычислен на основе дешифрования разновременных космических снимков (1995, 2013 и 2020 гг.) со спутников Pleiades-1A, Landsat-5 и -8 с использованием программного пакета ArcGIS для создания карты растительности, отражающей значения NDVI, и ретроспективного анализа ее состояния. Найденные значения имеют тесную корреляционную связь с показателями жизненного состояния, полученными натурным методом (коэффициент корреляции – 0,69). Расчет индекса NDVI, генерирование карт диапазона фиксированных значений NDVI и комбинация каналов «искусственные цвета» по годам позволили выделить лесные участки с оптимальными полнотой, возрастным и санитарным состоянием (темный окрас) и участки, нуждающиеся в лесовосстановлении. Сравнение распределения территории по классам NDVI за 1995–2020 гг. говорит о существенном изменении площади отдельных классов, которые сгруппированы в 11 классов и представлены значениями от –0,14 до +0,91. К 2020 г. превосходящая часть исследуемого участка стала относиться к более высоким классам NDVI – 9 и 10 и составила 98 %, что свидетельствует о возрастной однородности насаждений и повышении продуктивности лесов с 1995 г. Насаждения, имеющие большие индексы NDVI, характеризуются увеличенным по сравнению с другими древостоями накоплением древесной биомассы. Территории классов 1–9 (NDVI 0–0,8) демонстрируют значительное сокращение площади и схожую динамику, а территории классов 10–11 (NDVI 0,8–1,0) – ощутимую положительную динамику. Результаты исследования подтверждают правильность выбора индекса NDVI из известных индексов растительности для оценки трансформации типов подстилающей поверхности изучаемого участка за 25 лет. Таким образом, этот индекс является объективным индикатором состояния лесных экосистем. Методы дешифрирования пространственных изображений могут быть использованы для определения площади лесопокрытых земель и значительно повысить эффективность управления лесными ресурсами.

Сведения об авторах

Р.Р. Султанова, д-р с.-х. наук, проф.; ResearcherID: G-1513-2018, ORCID: https://orcid.org/0000-0002-0415-7342
Р.Р. Байтурина*, канд. биол. наук, доц.; ResearcherID: G-4845-2018, ORCID: https://orcid.org/0000-0002-8156-2165
С.В. Диарова, ассистент; ORCID: https://orcid.org/0009-0005-5403-1683

Башкирский государственный аграрный университет, ул. 50-летия Октября, д. 34, г. Уфа, Россия, 450001; vestnik-bsau@mail.ru, aspirant_bsau@mail.ru*, 999di@mail.ru

Ключевые слова

состояние леса, изменение состояния леса, дистанционное зондирование, географическая информационная система, вегетационный индекс, тип подстилающей поверхности, картирование, Южный Урал

Для цитирования

Султанова Р.Р., Байтурина Р.Р., Диарова С.В. Оценка трансформации лесов Южного Урала по разновременным космическим снимкам // Изв. вузов. Лесн. журн. 2025. № 2. С. 51–62. https://doi.org/10.37482/0536-1036-2025-2-51-62

Литература

1. Курбанов Э.А., Лежнин С.А., Воробьев О.Н., Меньшиков С.А., Дергунов Д.М., Ван И., Тарасова Л.В., Смирнова Л.Н. Аналитический обзор публикаций в области применения ДЗЗ и ГИС для оценки динамики растительного покрова // Лесные экосистемы в условиях изменения климата: биологическая продуктивность и дистанционный мониторинг. Йошкар-Ола, 2020. С. 91–111. https://doi.org/10.25686/7232.2020.6.58830
2. Пиньковский М.Д., Ивонин В.М., Самсонов С.Д., Ширяева Н.В., Егошин А.В. Научное обоснование ГИС «Сочинский национальный парк»: моногр. Сочи: Типография ИП Кривлякин С.П., 2011. 233 с.
3. Черепанов А.С., Дружинина Е.Г. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. No 3. С. 28–32.
4. Abbas S., Wong M.S., Wu J., Shahzad N., Irteza S.M. Approaches of Satellite Remote Sensing for the Assessment of Above-Ground Biomass across Tropical Forests: Pan-Tropical to National Scales. Remote Sensing, 2020, vol. 12, no. 20, art. no. 3351. https://doi.org/10.3390/rs12203351
5. Ahrends A., Bulling M.T., Platts P.J., Swetnam R., Ryan C., Doggart N., Hollingsworth P.M., Marchant R., Balmford A., Harris D.J., Gross-Camp N., Sumbi P., Munishi P., Madoffe S., Mhoro B., Leonard C., Bracebridge C., Doody K., Wilkins V., Owen N., Marshall A.R., Schaafsma M., Pfilegner K., Jones T. Robinson J., Topp-Jørgensen E., Brink H., Burgess N.D. Detecting and Predicting Forest Degradation: A Comparison of Ground Surveys and Remote Sensing in Tanzanian Forests. Plants, People, Planet, 2021, vol. 3, iss. 3, pp. 268–281. https://doi.org/10.1002/ppp3.10189
6. Arekhi M., Ylmaz O.Y., Yilmaz H., Akyüz Y.F. Can Tree Species Diversity Be Assessed with Landsat Data in a Temperate Forest? Environmental Monitoring and Assessment, 2017, vol. 189, art. no. 586. https://doi.org/10.1007/s10661-017-6295-6
7. Ciesielski M., Sterenczak K. Volunteered Geographic Information data as a source of information on the use of forests in the Warsaw agglomeration // Sylwan, 2020, vol. 164, pp. 695–704.
8. Féret J.-B., de Boissieu F. BiodivMapR: An R package for α- and β-Diversity Mapping Using Remotely Sensed Images. Methods in Ecology and Evolution, 2020, vol. 11, iss. 11, pр. 64–70. https://doi.org/10.1111/2041-210X.13310
9. Fischer R., Knapp N., Bohn F., Huth A. Remote Sensing Measurements of Forest Structure Types for Ecosystem Service Mapping. Atlas of Ecosystem Services. Springer, Cham, 2019, pp. 63–67. https://doi.org/10.1007/978-3-319-96229-0_11
10. Hepinstall-Cymerman J., Coe S., Alberti M. Using Urban Landscape Trajectories to Develop a Multi-Temporal Land Cover Database to Support Ecological Modeling. Remote Sensing, 2009, vol. 1, no. 4, pp. 1353–1379. https://doi.org/10.3390/rs1041353
11. Hill M.J., Donald G.E. Estimating Spatio-Temporal Patterns of Agricultural Productivity in Fragmented Landscapes using AVHRR NDVI Time Series. Remote Sensing of Environment, 2003, vol. 84, iss. 3, pp. 367–384. https://doi.org/10.1016/S0034-4257 (02)00128-1
12. Hycza T., Kamińska A., Stereńczak K. The Use of Remote Sensing Data to Estimate Land Area with Forest Vegetation Cover in the Context of Selected Forest Definitions. Forests, 2021, vol. 12, no. 11, art. no. 1489. https://doi.org/10.3390/f12111489
13. Li Y., Li M., Li C., Liu Z. Forest Aboveground Biomass Estimation Using Landsat 8 and Sentinel-1A Data with Machine Learning Algorithms. Scientific Reports, 2020, vol. 10, art. no. 9952. https://doi.org/10.1038/s41598-020-67024-3
14. Li Z., Chen H., White J.C., Wuder M.A., Hermosilla T. Discriminating Treed and Non-Treed Wetlands in Boreal Ecosystems Using Time Series Sentinel-1 Data. International Journal of Applied Earth Observation and Geoinformation, 2020, vol. 85, art. no. 102007. https://doi.org/10.1016/j.jag.2019.102007
15. Loboda T., Krankina O., Savin I., Kurbanov E., Hall J. Land Management and the Impact of the 2010 Extreme Drought Event on the Agricultural and Ecological Systems of European Russia. Land–Cover and Land–Use Changes in Eastern Europe after the Collapse of the Soviet Union in 1991, Springer, Cham., 2017, pp. 173–192. https://doi.org/10.1007/978-3-319-42638-9_8
16. Mao F., Du H., Li X., Ge H., Cui L., Zhou G. Spatiotemporal Dynamics of Bamboo Forest Net Primary Productivity with Climate Variations in Southeast China. Ecological Indicators, 2020, vol. 116, art. no. 106505. https://doi.org/10.1016/j.ecolind.2020.106505
17. Nguyen H.-H., McAlpine C., Pullar D., Johansen K., Duke N.C. The Relationship of Spatial–Temporal Changes in Fringe Mangrove Extent and Adjacent Land-Use: Case Study of Kien Giang Coast, Vietnam. Ocean & Coastal Management, 2013, vol. 76, pp. 12–22. https://doi.org/10.1016/j.ocecoaman.2013.01.003
18. Pechanec V., Štěrbová L., Purkyt J., Prokopová M., Včeláková R., Cudlin O., Vyvlečka P., Cienciala E., Cudlin P. Selected Aspects of Carbon Stock Assessment in Aboveground Biomass, 2022, vol. 11, no. 1, art. no. 66. https://doi.org/10.3390/land11010066
19. Sellers P.J., Tucker C.J., Collatz G.J., Los S.O., Justice C.O., Dazlich D.A., Randall D.A. A Global 1° by 1° NDVI Data Set for Climate Studies. Part 2: The Generation of Global Fields of Terrestrial Biophysical Parameters from the NDVI. International Journal of Remote Sensing, 1994, vol. 15, iss. 17, pp. 3519–3545. https://doi.org/10.1080/01431169408954343
20. Townshend J.R.G., Justice C.O., Skole D., Malingreau J.-P., Cihlar J., Teillet P., Sadowski F., Ruttenberg S. The 1 km Resolution Global Data Set: Needs of the International Geosphere Biosphere Programme. International Journal of Remote Sensing, 1994, vol. 15, iss. 17, pp. 3417–3441. https://doi.org/10.1080/01431169408954338
21. Valderrama-Landeros L., Flores-Verdugo F., Rodríguez-Sobreyra R., Kovacs J.M., Flores-de-Santiago F. Extrapolating Canopy Phenology Information Using Sentinel-2 Data and the Google Earth Engine Platform to Identify the Optimal Dates for Remotely Sensed Image Acquisition of Semiarid Mangroves. Journal of Environmental Management, 2021, vol. 279, art. no. 111617. https://doi.org/10.1016/j.jenvman.2020.111617
22. Wang Q., Watanabe M., Hayashi S., Murakami S. Using NOAA AVHRR Data to Assess Flood Damage in China. Environmental Monitoring and Assessment, 2003, vol. 82, pp. 119–148. https://doi.org/10.1023/A:1021898531229
23. Wani A.A., Bhat A.F., Gatoo A.A., Zahoor S., Mehraj B., Najam N., Wani Q.S., Islam M.A., Murtaza S., Dervash M.A., Joshi P.K. Assessing Relationship of Forest Biophysical Factors with NDVI for Carbon Management in Key Coniferous Strata of Temperate Himalayas. Mitigation and Adaptation Strategies for Global Change, 2021, vol. 26, art. no. 1. https://doi.org/10.1007/s11027-021-09937-6
24. Wiggins H.L., Nelson C.R., Larson A.J., Safford H.D. Using LiDAR to Develop High-Resolution Reference Models of Forest Structure and Spatial Pattern. Forest Ecology and Management, 2019, vol. 434, pp. 318–330. https://doi.org/10.1016/j.foreco.2018.12.012
25. Wolter P.T., Townsend P.A., Sturtevant B.R. Estimation of Forest Structural Parameters Using 5 and 10 Meter SPOT-5 Satellite Data. Remote Sensing of Environment, 2009, vol. 113, iss. 9, pp. 2019–2036. https://doi.org/10.1016/j.rse.2009.05.009
26. Yasmin N., Khokhar M.F., Tanveer S., Saqib Z., Khan W.R. Dynamical Assessment of Vegetation Trends over Margalla Hills National Park by Using MODIS Vegetation Indices. Pakistan Journal of Agricultural Sciences, 2016, vol. 53 (4), pp. 777–786. https://doi.org/10.21162/PAKJAS/16.3759

Ссылка на английскую версию:

Assessment of the Transformation of Forests in the Southern Urals Based on Multi-Temporal Satellite Images. С. 51-62