The development of Earth remote sensing methods, neural network technologies, creation of machine learning models, etc. will allow developing new algorithms, indicators and criteria that will significantly increase the efficiency of forest monitoring and help reduce financial costs. The basis for the work was the verification of ultra-high- and high-resolution satellite imagery data based on in-situ survey materials conducted on permanent test plots in the Voronezh region. The generated elements of training samples using a neural network classifier allow for automated, highly accu-rate determination of forest stand taxation indicators based on remote sensing data. When verifying the amount of aboveground phytomass calculated based on remote sensing data and in-situ survey materials, significant similarity of the presented results was revealed. In 67% of cases, the average phytomass values determined by different methods did not differ significantly from each other (at a significance level of p<0.05). Reliable differences were found in decid-uous stands with high horizontal canopy density, the presence of a second tier and abundant understory vegetation. As a result of the work, a theoretical basis was laid for further research in conducting remote monitoring in the field of for-est conservation, protection and reproduction. The material of the work is useful in building multidisciplinary practical work in the areas of restoration of biological diversity of phytocenoses, as well as ensuring the integrity and ecological stability of forests, under modern trends in carbon cycles and climate changes.
remote sensing, forestry monitoring, verification of remote sensing data, planting condition, phytomass assessment, low-carbon development, machine learning models
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. Filipchuk A. N., Malysheva N. V., Zolina T. A., Seleznev A. A. Zapasy ugleroda v fitomasse lesov Rossii: novaya kolichestvennaya ocenka na osnove dannyh pervogo cikla gosudarstvennoy inventarizacii lesov. Lesohozyaystvennaya informaciya. 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 / M. M. Girona, N. 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. Bredihin A.I., Mel'nikov A.V. Podhod k postroeniyu uglerodnoy karty Hanty-Mansiyskogo avtonomnogo okruga na osnove ocenki biomassy s pomosch'yu dannyh distancionnogo zondirovaniya Zemli. Informacionnye i matematicheskie tehnologii v nauke i upravlenii. 2022; 2 (26): 115-126. DOIhttps://doi.org/10.38028/ESI.2022.26.2.011.
8. Slavskiy V.A., Mironenko A.V., Matveev S.M., Litovchenko D.A. Taksacionno-deshifrovochnye pokazateli nasazhdeniy kak osnova razrabotki modeley mashinnogo obucheniya dlya distancionnogo monitoringa lesov. Trudy Sankt-Peterburgskogo nauchno-issledovatel'skogo instituta lesnogo hozyaystva. SPb.: SPbNIILH 2022; №4; 99-114. DOIhttps://doi.org/10.21178/2079-6080.2022.4.99
9. Golysheva A.A., Babkina E.V. Cifrovye tehnologii v upravlenii lesnym hozyaystvom.Municipal'naya akademiya. 2024; № 2; 306-311. DOI:https://doi.org/10.52176/2304831X_2024_02_306.
10. Chernihovskiy D.M., Parfenov A.A. Taksaciya lesov deshifrovochnym sposobom kak potencial'nyy instrument cifrovoy transformacii lesnogo hozyaystva. Trudy Sankt-Peterburgskogo nauchno-issledovatel'skogo instituta lesnogo hozyaystva. 2024; 2: 51-66. DOI:https://doi.org/10.21178/2079-6080.2024.2.51.
11. Tolkach I.V., Bahur O.S. Izmerenie osnovnyh taksacionno-deshifrovochnyh pokazateley drevostoya s ispol'zovaniem cifrovoy fotogrammetricheskoy stancii (CFS). Trudy BGTU. Lesnoe hozyaystvo. 2022; 1: 66–68. ISBN 1683-0377. URL: https://elibrary.ru/item.asp?id=25100730.
12. Treyfel'd R.F., Filippov Yu.V. Vnedrenie cifrovyh fotogrammetricheskih sistem v lesoustroystvo. Geoprofi. 2022; № 2; 38–41. ISBN 2311-1410. URL: https://elibrary.ru/tdqewz.
13. Fomin V.V., Ivanova N.S., Zalesov S.V., Popov A.S., Mihaylovich A.P. Lesnye tipologii v Rossiyskoy Federacii. Izvestiya vysshih uchebnyh zavedeniy. Lesnoy zhurnal. 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. Sobachkin R.S., Kovaleva N.M. Vliyanie periodichnosti nizovyh pozharov na zapas lesnyh goryuchih materialov srednevozrastnyh sosnyakov v lesostepi Krasnoyarskogo kraya. Lesovedenie. 2024; 2: 187-196. DOI:https://doi.org/10.31857/S0024114824020078.
16. Usol'cev V.A., Cepordey I.S., Noricin D.V. Allometricheskie modeli biomassy derev'ev lesoobrazuyuschih porod. Lesa Rossii i hozyaystvo v nih. 2022; 1 (80): 4–14. DOI:https://doi.org/10.51318/FRET.2022.85.72.001.
17. Usol'cev V.A., Cepordey I.S. Prognozirovanie biomassy stvolov sosnovyh derev'ev estestvennyh drevostoev i lesnyh kul'tur v svyazi s izmeneniem klimata. Sibirskiy lesnoy zhurnal. 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. Hlyustov V.K., Yurchuk S.A., Hlyustov D.V., Ganihin A.M. Tehnologiya kompleksnoy ocenki drevesnyh resursov metodami distancionnogo zondirovaniya Zemli. Prirodoobustroystvo. 2021; 4: 129-138. DOI:https://doi.org/10.26897/1997-6011-2021-4-129-138.
20. Sidorenkov V.M., Kalnin V.V., Ryabcev O.V., Zhafyarov A.V., Kushnyr' O.V., Rybkin A.S. Perspektivy razvitiya tematicheskih servisov v oblasti lesotaksacionnogo deshifrirovaniya na osnove dannyh sputnikovoy s'emki. Izvestiya vysshih uchebnyh zavedeniy. Geodeziya i aerofotos'emka. 2019; 63 (4): 440-445. DOI:https://doi.org/10.30533/0536-101X-2019-63-4-440-445.
21. Shevelina I.V., Nuriev D.N. Statisticheskaya obrabotka lesovodstvenno-taksacionnoy informacii v srede STATISTICA. Ekaterinburg: UGLTU, 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.
