Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 21, 2024
Номер 1 Номер 2
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 5. С. 176-193

Мониторинг и прогноз динамики наземного покрова Среднего Поволжья по спутниковым данным в QGIS MOLUSCE

О.Н. Воробьёв 1 , Э.А. Курбанов 1 , Д. Ша 2 , С.А. Лежнин 1 , Д. Ван 3 , Д.М. Дергунов 1 
1 Поволжский государственный технологический университет, Йошкар-Ола, Россия
2 Колледж географии, Фуцзяньский педагогический университет, Фучжоу, Китай
3 Факультет географии, Юньнаньский педагогический университет, Куньмин, Китай
Одобрена к печати: 26.09.2023
DOI: 10.21046/2070-7401-2023-20-5-176-193
Оперативный дистанционный мониторинг и моделирование потенциальных изменений наземного покрова — важные мероприятия при принятии решений по устойчивому управлению территориями. В работе проведён прогнозный анализ пространственно-временной динамики семи классов наземного (растительного) покрова Среднего Поволжья до 2041 г. по данным спутниковых изображений Landsat за 2001 и 2021 гг. и тематическим картам местности. Моделирование динамики классов проводилось методом клеточных автоматов и искусственной нейронной сети CA-ANN (англ. Cellular Automata — Artificial Neural Network) в плагине MOLUSСE (англ. Modules for Land-Use Change Simulation — модули для моделирования изменений в землепользовании) программы QGIS (англ. Quantum GIS) при условии существующих за прошедшие 20 лет тенденций в земле- и лесопользовании, а также природных нарушений в исследуемом регионе. Проведён анализ интенсивности и вероятности пространственно-временных переходов между исследуемыми классами наземного покрова за моделируемый период времени. В результате создан набор картографических материалов в программном обеспечении ArcGIS Pro и матриц вероятности перехода и интенсивности изменений в наземном покрове Среднего Поволжья. Проведённый прогнозный пространственно-временной анализ позволил определить будущие тренды динамики наземного покрова до 2041 г. Результаты показывают, что большинство исследуемых классов наземного покрова за период 2021–2041 гг. будут подвержены изменениям по площади. В первую очередь это затронет субъекты Среднего Поволжья, имеющие высокую лесистость на своей территории, такие как Кировская и Нижегородская области, а также Республика Марий Эл. Прогнозный анализ свидетельствует о том, что площадь лесного покрова на исследуемой территории в 2041 г. может увеличиться по сравнению с 2001 г. на 23,8 %. Максимум по интенсивности изменений до 2041 г. демонстрирует класс «молодняки», динамика ежегодного прироста которого по площади может составить 1,6 % в год. Часть хвойных насаждений площадью 0,31 млн га может перейти в смешанные, а 0,357 млн га — в лиственные насаждения. Полученные результаты могут быть использованы для дальнейшего прогнозного мониторинга наземного покрова по спутниковым изображениям с учётом дополнительных факторов по меняющемуся климату и социально-экономической деятельности на региональном и локальном уровнях.
Ключевые слова: LUCC, CA-ANN, Среднее Поволжье, лесной покров, Landsat, MOLUSCE
Полный текст

Список литературы:

  1. Али М. С., Лежнин С. А., Воробьёв О. Н., Курбанов Э. А. Мониторинг растительного покрова мухафаза Латакия Сирийской Арабской Республики по снимкам Landsat // Вестн. Поволжского гос. технолог. ун-та. Сер.: Лес. Экология. Природопользование. 2020. № 3. С. 19–31. DOI: 10.25686/2306-2827.2020.3.19.
  2. Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А. Состояние и перспективы развития методов спутникового картографирования растительного покрова России // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 203–221.
  3. Барталев С. А., Стыценко Ф. В., Хвостиков С. А., Лупян Е. А. Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 6. С. 176–193. DOI: 10.21046/2070-7401-2017-14-6-176-193.
  4. Ванаг В. К. Исследование пространственно распределенных динамических систем методами вероятностного клеточного автомата // Успехи физ. наук. 1999. Т. 169. № 5. С. 481–505.
  5. Воробьёв О. Н., Курбанов Э. А. Дистанционный мониторинг восстановительной динамики растительности на гарях Марийского лесного Заволжья // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 2. С. 124–134. DOI: 10.21046/2070-7401-2017-14-2-84-97.
  6. Воробьёв О. Н., Курбанов Э. А., Полевщикова Ю. А., Лежнин С. А. Пространственно-временной анализ динамики лесного покрова в Среднем Поволжье по спутниковым данным: монография. Йошкар-Ола: Поволжский гос. технолог. ун-т, 2019. 200 с.
  7. Воробьёв О. Н., Курбанов Э. А., Ша Дж. и др. Анализ трендов временных рядов вегетационных индексов по данным MODIS для оценки влияния засух на лесные насаждения Среднего Поволжья с 2000 по 2020 год // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 181–194. DOI: 10.21046/2070-7401-2022-19-4-181-194.
  8. Данилова И. В., Корец М. А., Рыжкова В. А. Картографирование возрастных стадий лесной растительности на основе анализа разносезонных спутниковых изображений Landsat // Исслед. Земли из космоса. 2017. № 4. С. 12–24. DOI: 10.7868/S0205961417040029.
  9. Елсаков В. В., Щанов В. М. Современные изменения растительного покрова пастбищ северного оленя Тиманской тундры по результатам анализа данных спутниковой съёмки // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 2. С. 128–142. DOI: 10.21046/2070-7401-2019-16-2-128-142.
  10. Ершов Д. В., Бурцева В. С., Гаврилюк Е. А. и др. Диагностика современного сукцессионного состояния лесных экосистем Печоро-Илычского заповедника по спутниковым тематическим продуктам // Лесоведение. 2017. № 5. С. 3–15. DOI: 10.7868/S0024114817050011.
  11. Жарко В. О., Барталев С. А., Егоров В. А. Исследование возможностей оценки запасов древесины в лесах Приморского края по данным спутниковой системы Proba-V // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 1. С. 157–168. DOI: 10.21046/2070-7401-2018-15-1-157-168.
  12. Жирин В. М., Князева С. В., Эйдлина С. П. Эколого-динамическое исследование лесообразовательного процесса по космическим снимкам // Лесоведение. 2013. № 5. С. 76–85.
  13. Зуев В. В., Короткова Е. М., Павлинский А. В. Климатически обусловленные изменения растительного покрова тайги и тундры Западной Сибири в 1982–2015 гг. по данным спутниковых наблюдений // Исслед. Земли из космоса. 2019. № 6. С. 66–76. DOI: 10.31857/S0205-96142019666-76.
  14. Ковязин В. Ф., Данг Т. Л. А., Данг В. Х. Прогноз состояния растительного покрова лесных угодий заповедника Донг Най Вьетнама // Вестн. Сибирского гос. ун-та геосистем и технологий. 2020. Т. 25. № 3. С. 214–228. DOI: 10.33764/2411-1759-2020-25-3-214-228.
  15. Коровин Г. Н., Корзухин М. Д. Бутусов О. Б., Голованов А. С. Долгосрочное прогнозирование динамики породно-возрастной структуры лесов // Лесоведение. 2011. № 6. С. 94–109.
  16. Курбанов Э. А., Воробьёв О. Н. Дистанционные методы в лесном хозяйстве: учебное пособие. Йошкар-Ола: Поволжский гос. технолог. ун-т, 2020. 266 с.
  17. Курбанов Э. А., Воробьёв О. Н. Ретроспективный анализ потери растительного покрова в Республиках Марий Эл и Чувашия после затопления Чебоксарского водохранилища по данным Landsat/MSS // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 1. С. 127‒137. DOI: 10.21046/2070-7401-2021-18-1-127-137.
  18. Курбанов Э. А., Воробьёв О. Н., Губаев А. В., Лежнин С. А., Незамаев С. А., Александрова Т. А. Оценка зарастания земель запаса Республики Марий Эл лесной растительностью по спутниковым снимкам // Вестн. Марийского гос. техн. ун-та. Сер.: Лес. Экология. Природопользование. 2010. № 2. С. 14–20.
  19. Курбанов Э. А., Воробьёв О. Н., Лежнин С. А., Губаев А. В., Полевщикова Ю. А. Тематическое картирование растительного покрова по спутниковым снимкам: валидация и оценка точности: монография. Йошкар-Ола: ПГТУ, 2015. 131 с.
  20. Миклашевич Т. С., Барталев C. А., Плотников Д. Е. Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 6. С. 143–154. DOI: 10.21046/2070-7401-2019-16-6-143-154.
  21. Сочилова Е. Н., Сурков Н. В., Ершов Д. В. и др. Картографирование классов бонитета лесов Приморского края на основе спутниковых изображений и данных о характеристиках рельефа // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 5. С. 96–109. DOI: 10.21046/2070-7401-2018-15-5-96-109.
  22. Терехин Э. А. Пространственный анализ особенностей формирования древесной растительности на залежах лесостепи Центрального Черноземья с использованием их спектральных признаков // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 142–156. DOI: 10.21046/2070-7401-2020-17-5-142-156.
  23. Терехин Э. А., Чендев Ю. Г. Оценка изменения лесистости в современный период на юге Среднерусской возвышенности с использованием материалов разновременных космических съёмок // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 3. С. 114–126. DOI: 10.21046/2070-7401-2018-15-3-114-126.
  24. Терехов А. Г., Витковская И. С., Абаев Н. Н., Долгих С. А. Многолетние тренды в состоянии растительности хребтов Тянь-Шаня и Джунгарского Алатау по данным eMODIS NDVI C6 (2002–2019) // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 6. С. 133–142. DOI: 10.21046/2070-7401-2019-16-6-133-142.
  25. Федорчук В. Н., Шорохов А. А., Шорохова Е. В., Кузнецова М. Л. Динамика коренных еловых лесов европейской России // Лесоведение. 2014. № 2. С. 11–19.
  26. Abbas Z., Yang G., Yuanjun Zhong Y., Zhao Y. Spatiotemporal change analysis and future scenario of LULC using the CA-ANN approach: a case study of the Greater Bay area, China // Land. 2021. V. 10. Iss. 6. Article 584. DOI: 10.3390/land10060584.
  27. Akbar T. A., Hassan Q. K., Ishaq S. et al. Investigative spatial distribution and modelling of existing and future urban land changes and its impact on urbanization and economy // Remote Sensing. 2019. V. 11. No. 2. Article 105. DOI: 10.3390/rs11020105.
  28. Aldwaik S. Z., Pontius R. G. J. Intensity analysis to unify measurements of size and stationarity of land changes by interval, category, and transition // Landscape Urban Planning. 2012. V. 106. P. 103–114. DOI: 10.1016/j.landurbplan.2012.02.010.
  29. Barredo J. I., Kasanko M., McCormick N., Lavalle C. Modelling dynamic spatial processes: simulation of urban future scenarios through cellular automata // Landscape and Urban Planning. 2003. V. 64. Iss. 3. P. 145–160. DOI: 10.1016/S0169-2046(02)00218-9.
  30. Cong X., Du S., Li F., Ding Y. Study of mesoscale NDVI prediction models in arid and semiarid regions of China under changing environments // Ecological Indicators. 2021. No. 131. Article 108198. DOI: 10.1016/j.ecolind.2021.108198.
  31. Decuyper M., Chavez R. O., Lohbeck M. et al. Continuous monitoring of forest change dynamics with satellite time series // Remote Sensing of Environment. 2022. V. 269. Article 112829. DOI: 10.1016/j.rse.2021.112829.
  32. Gharbia S. S., Alfatah S. A., Gill L. et al. Land use scenarios and projections simulation using an integrated GIS cellular automata algorithms // Modelling Earth Systems and Environment. 2016. V. 2. Article 151. DOI: 10.1007/s40808-016-0210-y.
  33. Guidigan M. L. G., Sanou C. L., Ragatoa D. S. et al. Assessing land use/land cover dynamic and its impact in Benin republic using land change model and CCI-LC products // Earth Systems and Environment. 2019. V. 3. P. 127–137. DOI: 10.1007/s41748-018-0083-5.
  34. Healey S. P., Healey S. P., Cohen W. B. et al. Comparison of tasseled cap-based Landsat data structures for use in forest disturbance detection // Remote Sensing of Environment. 2005. V. 97. Iss. 3. P. 301–310. DOI: 10.1016/j.rse.2005.05.009.
  35. Kumar S., Radhakrishnan N., Mathew S. Land use change modelling using a Markov model and remote sensing // Geomatics, Natural Hazards and Risk. 2013. V. 5. Iss. 2. P. 145–156. DOI: 10.1080/19475705.2013.795502.
  36. Kurbanov E., Vorobiev O., Sha J. et al. A survey on the use of GIS and remote sensing for sustainable forestry and ecology in Russia and China // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2020. V. 17. No. 5. P. 9–20. DOI: 10.21046/2070-7401-2020-17-5-9-20.
  37. Kurbanov E., Vorobev O., Lezhnin S. et al. Remote sensing of forest burnt area, burn severity, and post-fire recovery: a review // Remote Sensing. 2022. V. 14. Iss. 19. Article 4714. DOI: 10.3390/rs14194714.
  38. Lai S., El-Adawy A., Sha J. et al. Towards an integrated systematic approach for ecological maintenance: Case studies from China and Russia // Ecological Indicators. 2022. V. 140. Article 108982. DOI: 10.1016/j.ecolind.2022.108982.
  39. Losiri C., Nagai M., Ninsawat S., Shrestha R. P. Modeling urban expansion in Bangkok metropolitan region using demographic-economic data through Cellular Automata-Markov Chain and multi-layer Perceptron-Markov Chain models // Sustainability. 2016. V. 8. Iss. 7. Article 686. DOI: 10.3390/su8070686.
  40. Mas J. F., Kolb M., Paegelow M. et al. Inductive pattern-based land use/cover change models: A comparison of four software packages // Environmental Modelling and Software. 2014. V. 51. P. 94–111. DOI: 10.1016/j.envsoft.2013.09.010.
  41. Moss R., Edmonds J., Hibbard K. et al. The next generation of scenarios for climate change research and assessment // Nature. 2010. V. 463. P. 747–756. DOI: 10.1038/nature08823.
  42. Muhammad R., Zhang W., Abbas Z. et al. Spatiotemporal change analysis and prediction of future land use and land cover changes using QGIS MOLUSCE plugin and remote sensing big data: a case study of Linyi, China // Land. 2022. V. 11. Iss. 3. Article 419. DOI: 10.3390/land11030419.
  43. Pahlavani P., Askarian Omran H., Bigdeli B. A multiple land use change model based on artificial neural network, Markov chain, and multi objective land allocation // Earth Observation and Geomatics Engineering. 2017. V. 1. No. 2. P. 82–99. DOI: 10.22059/eoge.2017.220342.1006.
  44. Quan B., Pontius R. G., Song H. Intensity analysis to communicate land change during three time intervals in two regions of Quanzhou City, China // GIScience and Remote Sensing. 2019. V. 57. No. 1. P. 21–36. DOI: 10.1080/15481603.2019.1658420.
  45. Rahman M. T. U., Tabassum F., Rasheduzzaman Md. et al. Temporal dynamics of land use/land cover change and its prediction using CA-ANN model for southwestern coastal Bangladesh // Environmental Monitoring Assessment. 2017. V. 189. Article 565. DOI: 10.1007/s10661-017-6272-0.
  46. Sang X., Guo Q., Wu X. et al. Intensity and stationarity analysis of land use change based on CART algorithm // Scientific Reports. 2019. V. 9. Article 12279. DOI: 10.1038/s41598-019-48586-3.
  47. Talukdar S., Singha P., Mahato S. et al. Land-Use Land-Cover classification by machine learning classifiers for satellite observations — a review // Remote Sensing. 2020. V. 12. No. 7. Article 1135. DOI: 10.3390/rs12071135.
  48. Wulder M. A., Coops N. C., Roy D. P. et al. Land cover 2.0 // International J. Remote Sensing. 2018. V. 39. No. 12. P. 4254–4284. DOI: 10.1080/01431161.2018. 1452075.
  49. Yang X., Zheng X. Q., Lv L. N. A spatiotemporal model of land use change based on ant colony optimization, Markov chain and cellular automata // Ecological Modelling. 2012. V. 233. P. 11–19. DOI: 10.1016/j.ecolmodel.2012.03.011.
  50. Yatoo S. A., Sahu P., Kalubarme M. H., Kansara B. B. Monitoring land use changes and its future prospects using cellular automata simulation and artificial neural network for Ahmedabad city, India // GeoJournal. 2022. V. 87. P. 765–786. DOI: 10.1007/s10708-020-10274-5.
  51. Zhang Y., Ling F., Wang X. et al. (2021a) Tracking small-scale tropical forest disturbances: Fusing the Landsat and Sentinel-2 data record // Remote Sensing of Environment. 2021. V. 261. Article 112470. DOI: 10.1016/j.rse.2021.112470.
  52. Zhang Y., Yang J., Wang D. et al. (2021b) An Integrated CNN model for reconstructing and predicting land use/cover change: a case study of the Baicheng area, northeast China // Remote Sensing. 2021. V. 13. No. 23. Article 4846. DOI: 10.3390/rs13234846.