Почтовый адрес: САФУ, Редакция «Лесной журнал», наб. Северной Двины, 17, г. Архангельск, Россия, 163002, ауд. 1425

Тел.: 8(8182) 21-61-18
Сайт: http://lesnoizhurnal.ru/ 
e-mail: forest@narfu.ru

RussianEnglish



архив

Применение алгоритма Random Forest для анализа динамики таежно-тундровых лесных экосистем. C. 210-218

 Версия для печати

Коптев С.В., Алабдуллахалхасно Хасан

Рубрика: Краткие сообщения и обмен опытом

Скачать статью (pdf, 2.4MB )

УДК

630*57

DOI:

10.37482/0536-1036-2025-2-210-218

Аннотация

Приведены результаты изучения динамики таежно-тундровых лесных экосистем Архангельской области на основе материалов дистанционного зондирования Земли и применения классификации изображений с использованием алгоритма случайного леса (Random Forest). Изменение доли лесных, нелесных и не покрытых лесом площадей в районе исследования отмечено в лесном реестре. По итогам работы показано значительное увеличение территории лесов с 2016 по 2023 гг. – на 10,28 % за счет сокращения не покрытых лесом площадей и нелесных земель. Эта динамика обусловлена процессами успешного естественного восстановления лесов, а также их продвижением на север с захватом площадей в связи с изменением климата. Оценка точности автоматизированной классификации спутниковых изображений с использованием алгоритма случайного леса путем сравнения с эталонными данными с применением таких критериев, как общая точность и коэффициент Каппа (степень соответствия оценок модели фактическим данным), подтвердила надежность полученных результатов. В качестве эталонных показателей брали материалы таксационных повыдельных баз данных, данных пробных площадей – стационарных и государственной инвентаризации лесов. Перед началом полевых работ были изучены картографические базы данных и подобраны пробные площади. С опорой на экспериментальные данные по исследуемому району создано большое количество полигонов, отражающих разнообразие лесных насаждений и нелесных территорий, для обучения алгоритма классификации спутниковых изображений. Обработка снимков, включая поправки, мозаику, геопроекцию и возврат, выполнялась с использованием SNAP (Sentinel Application Platform) – программы с открытым исходным кодом. Проанализированы 100 точек в различных лесорастительных условиях в районе исследования. Изучение динамики лесных экосистем на основе материалов дистанционного зондирования Земли и применение классификации изображений с использованием алгоритма случайного леса позволят повысить точность оценки ресурсного и экологического потенциалов насаждений северо-таежных и притундровых лесов Архангельской области.

Сведения об авторах

С.В. Коптев1,2*, д-р с.-х. наук, доц., гл. науч. сотр.; ResearcherID: ABD-5497-2021, ORCID: https://orcid.org/0000-0002-5402-1953
Хасан Алабдуллахалхасно1, аспирант; ORCID: https://orcid.org/0000-0003-0854-550X

1Северный (Арктический) федеральный университет им. М.В. Ломоносова, наб. Северной Двины, д. 17, г. Архангельск, Россия, 163002; s.koptev@narfu.ru*, 199213000hfa@gmail.com
2Северный научно-исследовательский институт лесного хозяйства, ул. Никитова, д. 13, г. Архангельск, Россия, 163062; s.koptev@narfu.ru*

Ключевые слова

динамика лесных экосистем, северо-таежные леса, притундровые леса, дистанционное зондирование, алгоритм случайного леса

Для цитирования

Коптев С.В., Алабдуллахалхасно Хасан. Применение алгоритма Random Forest для анализа динамики таежно-тундровых лесных экосистем // Изв. вузов. Лесн. журн. 2025. № 2. С. 210–218. https://doi.org/10.37482/0536-1036-2025-2-210-218

Литература

  1. Ильинцев А.С., Шамонтьев И.Г., Третьяков С.В. Современная динамика лесопользования в бореальных лесах России (на примере Архангельской области) // Лесотехн. журн. 2021. Т. 11, No 3 (43). С. 45–62. https://doi.org/10.34220/issn.2222-7962/2020.3/4

  2. Состояние и охрана окружающей среды Архангельской области за 2021 год: докл. / Центр природопользования и охраны окружающей среды. Архангельск, 2022. 13 с.

  3. Тоскунина В.Э. Проблемы лесного комплекса Архангельской области и пути их решения // Экономические и социальные перемены: факты, тенденции, прогноз. 2008. Вып. 3 (3). С. 29–31.

  4. Abdo W. Al-Din. Introduction to Remote Sensing and its Applications. University of Dammam, College of Architecture and Planning, 2014. 473 p.

  5. Arab Organization for Agricultural Development. Study of Modern Technologies Used in Developed Countries in the Field of Forest Conservation and Development. Khartoum, League of Arab States, 1998. 147 p.

  6. Barakat A., Khellouk R., El Jazouli A., Touhami F., Nadem S. Monitoring of Forest Cover Dynamics in Eastern Area of Béni-Mellal Province Using ASTER and Sentinel-2A Multispectral Data. Geology, Ecology and Landscapes, 2018, vol. 2, iss. 3, pp. 203–215. https://doi.org/10.1080/24749508.2018.1452478

  7. Du P., Samat A., Waske B., Liu S., Li Z. Random Forest and Rotation Forest for Fully Polarized SAR Image Classification Using Polarimetric and Spatial Features. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, vol. 105, pp. 38–53. https://doi.org/10.1016/j.isprsjprs.2015.03.002

  8. FAO. The State of the World’s Forests 2022: Forest Pathways for Green Recovery and Building Inclusive, Resilient, and Sustainable Economies. Italy, Rome, FAO, 2022. 166 p. https://doi.org/10.4060/cb9360en

  9. Feizizadeh B., Darabi S., Blaschke T., Lakes T. QADI as a New Method and Alternative to Kappa for Accuracy Assessment of Remote Sensing-Based Image Classification. Sensors, 2022, vol. 22, no. 12, art. no. 4506. https://doi.org/10.3390/s22124506

  10. Foley J.A., DeFries R., Asner G.P., Barford C., Bonan G., Carpenter S.R., Chapin S., Coe M.T., Daily G.C., Gibbs H.K., Helkowski J.H., Holloway T., Howard E.A., Kucharik C.J., Monfreda C., Patz J.A., Prentice I.C., Ramankutty N., Snyder P.K. Global Consequences of Land Use. Science, 2005. vol. 309, iss. 5734, pp. 570–574. https://doi.org/10.1126/science.1111772

  11. Gebeyehu M.N. Remote Sensing and GIS Application in Agriculture and Natural Resource Management. International Journal of Environmental Sciences and Natutral Resourses, 2019, vol. 19, iss. 2, art. no. 556009. https://doi.org/10.19080/IJESNR.2019.19.556009

  12. Kalinaki K., Malik O.A., Lai D.T.C. FCD-AttResU-Net: An Improved Forest Change Detection in Sentinel-2 Satellite Images Using Attention Residual U-Net. International Journal of Applied Earth Observation and Geoinformation, 2023, vol. 122, art. no. 103453. https://doi.org/10.1016/j.jag.2023.103453

  13. Karra K., Kontgis C., Statman-Weil Z., Mazzariello J., Mathis M., Brumby S.P. Global Land Use / Land Cover with Sentinel 2 and Deep Learning. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. Belgium, Brussels, 2021, pp. 4704– 4707. https://doi.org/10.1109/IGARSS47720.2021.9553499

  14. Kayiranga A., Kurban A., Ndayisaba F., Nahayo L., Karamage F., Ablekim A., Li H., Ilniyaz O. Monitoring Forest Cover Change and Fragmentation Using Remote Sensing and Landscape Metrics in Nyungwe-Kibira Park. Journal of Geoscience and Environmental Protection, 2016, vol. 4, no. 11, pp. 13–33. https://doi.org/10.4236/gep.2016.411003

  15. Kuenzer C., Bluemel A., Gebhardt S., Quoc T.V., Dech S. Remote Sensing of Mangrove Ecosystems: A Review. Remote Sensing, 2011, vol. 3, no. 5, pp. 878–928. https://doi.org/10.3390/rs3050878

  16. Kumar D. Monitoring Forest Cover Changes Using Remote Sensing and GIS: A Global Prospective. Research Journal of Environmental Sciences, 2011, vol. 5, iss. 2, pp. 105–123. https://doi.org/10.3923/rjes.2011.105.123

  17. Lu D., Weng Q. A Survey of Image Classification Methods and Techniques for Improving Classification Performance. International Journal of Remote Sensing, 2007, vol. 28, iss. 5, pp. 823–870. https://doi.org/10.1080/01431160600746456

  18. Mangkhaseum Jr.S., Hanazawa A. Validation of Random Forest Algorithm to Monitor Land Cover Classification and Change Detection Using Remote Sensing Data in Google Earth Engine. Proceedings of SPIE - The International Society for Optical Engineering: Sensors and Smart Structures Technologies for Civil, Mechanical, and Aerospace Systems, 2022, vol. 12177, art. no. 121772L. https://doi.org/10.1117/12.2626085

  19. Mastrorosa S., Crespi M., Congedo L., Munafò M. Land Consumption Classification Using Sentinel 1 Data: A Systematic Review. Land, 2023, vol. 12, no. 4, art. no. 932. https://doi.org/10.3390/land12040932

  20. Mohajane M., Essahlaoui A., Oudija F., El Hafyani M., Teodoro A.C. Mapping Forest Species in the Central Middle Atlas of Morocco (Azrou Forest) through Remote Sensing Techniques. ISPRS International Journal of Geo-Information, 2017, vol. 6, no. 9, art. no. 275. https://doi.org/10.3390/ijgi6090275

  21. Mohammad H., Al-Bilbisi H., Abu Sammour H. Detection and Analysis of Vegetation Changes Using Spectral Botanical Indicators. Journal of Humanities and Social Sciences, 2018, vol. 45, no. 1, pp. 83–97

  22. Niemeyer J., Rottensteiner F., Soergel U. Contextual Classification of Lidar Data and Building Object Detection in Urban Areas. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, vol. 87, pp. 152–165. https://doi.org/10.1016/j.isprsjprs.2013.11.001

  23. Panigrahy R.K., Kale M.P., Dutta U., Mishra A., Banerjee B., Singh S. Forest Cover Change Detection of Western Ghats of Maharashtra Using Satellite Remote Sensing Based Visual Interpretation Technique. Current Science, 2010, vol. 98, no. 5, pp. 657–664.

  24. Petrovska I., Dimov L. Accuracy Assessment of Unsupervised Land Cover Classification. Scientific Journal of Civil Engineering, 2020, vol. 9, iss. 2, pp. 83–88. https://doi.org/10.55302/sjce2092083p

  25. Praticò S., Solano F., Di Fazio S., Modica G. Machine Learning Classification of Mediterranean Forest Habitats in Google Earth Engine Based on Seasonal Sentinel-2 Time-Series and Input Image Composition Optimization. Remote Sensing, 2021, vol. 13, no. 4, art. no. 586. https://doi.org/10.3390/rs13040586

  26. Rodriguez-Galiano V.F., Ghimire B., Rogan J., Chica-Olmo M., Rigol-Sanchez J.P. An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, vol. 67, pp. 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002

  27. Turner II B.L., Lambin E.F., Reenberg A. The Emergence of Land Change Science for Global Environmental Change and Sustainability. PNAS, 2007, vol. 104, no. 52, pp. 20666–20671. https://doi.org/10.1073/pnas.0704119104

  28. Vanjare A., Omkar S.N., Senthilnath J. Satellite Image Processing for Land Use and Land Cover Mapping. International Journal of Image, Graphics and Signal Processing (IJIGSP), 2014, vol. 6, no. 10, pp. 18–28. https://doi.org/10.5815/ijigsp.2014.10.03

  29. Wang Y., Chen X. The Use of Random Forest to Identify Climate and Human Interference on Vegetation NDVI Changes in Southwest China. EGU General Assembly 2023. Austria, Vienna, 2023, art. no. EGU23-2315. https://doi.org/10.5194/egusphere-egu23-2315

  30. Zhou Y. Research on Forest Resource Change Detection Based on Decision Tree Algorithm. 2022 International Conference on Artificial Intelligence and Autonomous Robot Systems (AIARS). United Kingdom, Bristol, 2022, pp. 363–367. https://doi.org/10.1109/AIARS57204.2022.00088