Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 9-20
Обзор использования ГИС и дистанционного зондирования для устойчивого лесоводства и экологии в России и Китае
Э.А. Курбанов
1 , О.Н. Воробьев
1 , Д. Ша
2 , Х. Ли
2 , И. Гитас
3 , Х. Минако
3 , А.К. Габдлелхаков
4 , М.В. Мартынова
4 1 Поволжский государственный технологический университет, Центр устойчивого управления и дистанционного мониторинга лесов, Йошкар-Ола, Россия
2 Фуцзянский педагогический университет, Фучжоу, Китай
3 Университет Аристотеля в Салониках, Салоники, Греция
4 Башкирский государственный аграрный университет, Уфа, Россия
Одобрена к печати: 15.10.2020
DOI: 10.21046/2070-7401-2020-17-5-9-20
Во всём мире наблюдается рост использования в различных областях мощных геопространственных технологий, таких как географические информационные системы (GIS) и дистанционное зондирование Земли (RS) GIS&RS. Проект Erasmus+ SUFOGIS, который выполняется в тесном сотрудничестве между партнёрами из России, Китая и ЕС, предполагает инновационный подход в этой области, основанный на «знаниях, компетенциях и навыках». Статья посвящена сравнительному анализу результатов двух отдельных национальных исследований, проведённых партнёрами SUFOGIS в России и Китае, по внедрению и использованию GIS&RS в области лесного хозяйства и экологии. На основе анализа анкет и с учётом типа организации, в которой работает респондент, были выделены две основные категории для опроса: академические учреждения (университеты, колледжи и исследовательские институты) и компании (государственные и частные). Результаты анализа явно демонстрируют широкое использование GIS&RS в странах, не входящих в Европейский союз, и относительно высокий уровень компетентности респондентов. Тем не менее также было выявлено, что ещё есть большие возможности для совершенствования использования GIS&RS в обеих вышеупомянутых странах. Такими примерами могут служить изучение возможности их интеграции в большее количество направлений деятельности в области лесоводства и экологии, а также обучение персонала по продвинутым и специализированным направлениям.
Ключевые слова: ГИС, дистанционное зондирование, лесное хозяйство, анкетирование, окружающая среда, Erasmus+, Россия, Китай
Полный текстСписок литературы:
- Carbon Dioxide Capture and Storage: Special Report. Intergovernmental Panel on Climate Change. Cambridge; N. Y.: Cambridge University Press, 2005. 443 p. URL: https://www.ipcc.ch/site/assets/uploads/2018/03/srccs_wholereport-1.pdf.
- Carlan I., Haase D., Große-Stoltenberg A., Sandric I. Mapping heat and traffic stress of urban park vegetation based on satellite imagery — a comparison of Bucharest, Romania and Leipzig, Germany // Urban Ecosystems. 2020. V. 23. P. 363–377.
- Chen X. Using remote sensing and GIS to analyse Land Cover Change and its impacts on regional sustainable development // Intern. J. Remote Sensing. 2002. V. 23. P. 107–124.
- Chen Q., McRoberts R. E., Wang C., Radtke P. J. Forest aboveground biomass mapping and estimation across multiple spatial scales using model-based inference // Remote Sensing of Environment. 2016. V. 184. P. 350–360.
- Czerwinski C. J., King D. J., Mitchell S. W. Mapping forest growth and decline in a temperate mixed forest using temporal trend analysis of Landsat imagery, 1987–2010 // Remote Sensing of Environment. 2014. V. 141. P. 188–200.
- Galidaki G., Zianis D., Gitas I., Radoglou K., Karathanassi V., Tsakiri-Strati M., Woodhouse I., Mallinis G. Vegetation biomass estimation with remote sensing: focus on forest and other wooded land over the Mediterranean ecosystem // Intern. J. Remote Sensing. 2017. V. 38. P. 1940–1966.
- Gong C., Chen L., Yu S. Spatiotemporal dynamics of urban forest conversion through model urbanization in Shenzhen, China // Intern. J. Remote Sensing. 2011. V. 32. P. 9071–9092.
- Gong W., Wang H., Wang X., Fan W., Stott P. Effect of terrain on landscape patterns and ecological effects by a gradient-based RS and GIS analysis // J. Forest Research. 2017. V. 28. P. 1061–1072.
- Hamdi Z. M., Brandmeier M., Straub C. Forest damage assessment using deep learning on high resolution remote sensing data // Remote Sensing. 2019. V. 11. Iss. 17. id. 1976. 15 p.
- Jia K., Wei X., Gu X., Yao Y., Xie X., Li B. Land cover classification using Landsat 8 operational land imager data in Beijing, China // Geocarto Intern. 2014. V. 29. P. 941–951.
- The Russian Federation forest sector: Outlook study to 2030. FAO. Rome, 2012. 93 p. URL: http://www.fao.org/3/i3020e/i3020e00.pdf.
- The State of the World’s Forests 2018: Forest pathways to sustainable development. FAO. Rome, 2018. 139 p. URL: http://www.fao.org/3/I9535EN/i9535en.pdf.
- Van Trung L., Tam D. M. Web GIS solution for monitoring the Forest-Cover in the Mekong Delta, Vietnam // J. Geographic Information System. 2018. V. 10. P. 491–502.