Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 3. С. 239-251
Вегетационные и тепловые спектральные признаки степени неоднородности ландшафтов Арктики
Н.Д. Якимов 1 , Т.В. Пономарёва 1 , Е.И. Пономарёв 1 1 Красноярский научный центр СО РАН, Красноярск, Россия
Одобрена к печати: 27.03.2026
DOI: 10.21046/2070-7401-2026-23-3-239-251
На основе дистанционных данных исследована степень неоднородности ландшафтов Норильского промышленного района, где многолетняя мерзлота является ключевым средообразующим фактором, а ландшафты и экосистемы испытывают внешнее воздействие как климатических факторов, так и интенсивной техногенной нагрузки. Классификация методом случайного леса (англ. Random Forest) применена для серии мультиспектральных снимков Landsat-8, -9 OLI/TIRS (англ. Operational Land Imager/Thermal Infrared Sensor) с калибровкой результатов по данным натурных исследований на девяти участках (площадь каждого ~62 км2). Были заданы сигнатуры (общей площадью ~28 км2) 12 классов, представляющих типичное соотношение категорий состояния подстилающей поверхности района исследований. Показано, что степень неоднородности локальных участков ландшафтов криолитозоны, отличная от фонового значения, может быть интерпретирована в терминах трансформации локальных участков вследствие воздействий природного и техногенного плана. Выделяемые классы систематизированы в три основные группы: техногенно-трансформированные, фоновые и естественные ландшафты без растительности. Точность классификации составила ~82% при коэффициенте каппа Коэна, равном 0,9. Проведён анализ долгосрочной динамики (2000–2024) спектральных характеристик в привязке к гетерогенности рассматриваемых участков на основе материалов Terra MODIS (англ. Moderate Resolution Imaging Spectroradiometer), продукты MOD13Q1 (для NDVI (англ. Normalized Difference Vegetation Index)) и MOD11A2 (для LST (англ. Land Surface Temperature)). Установлено, что на территориях с долей техногенной трансформации >50% фиксируемые диапазоны NDVI снижаются в среднем на 26%, а LST возрастает на 11% относительно фоновых условий, что является косвенным маркером, свидетельствующим о нарушении теплоизоляционных свойств напочвенного покрова при деградации растительности. Предложенный подход применим для обзорного мониторинга и прогнозирования состояния мерзлотных ландшафтов и компонент экосистем.
Ключевые слова: криолитозона, степень неоднородности, спектральные индексы, классификация, Сибирь
Полный текстСписок литературы:
- Анисимов О. А., Шерстюков А. Б. Оценка роли природно-климатических факторов в изменениях криолитозоны России // Криосфера Земли. 2016. Т. 20. № 2. С. 90–99.
- Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А., Шабанов Н. В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 с.
- Данилов-Данильян В. И. Об устойчивости экосистем // Экосистемы: экология и динамика. 2018. Т. 2. № 1. С. 5–12.
- Елсаков В. В. Спектральные различия характеристик растительного покрова тундровых сообществ сенсоров Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 92–101. DOI: 10.21046/2070-7401-2021-18-4-92-101.
- Коптев С. В., Алабдуллахалхасно Х. Применение алгоритма Random Forest для анализа динамики таежно-тундровых лесных экосистем // Изв. вузов. Лесной журн. 2025. № 2. С. 210–218. DOI: 10.37482/0536-1036-2025-2-210-218.
- Пономарёв Е. И., Якимов Н. Д., Пономарёва Т. В. Спектральные характеристики тундровых ландшафтов арктической зоны Красноярского края на интервале 2000–2024 гг. Свидетельство о гос. регистрации базы данных № 2025622604 (RU). Рег. 02.06.2025.
- Пономарева Т. В., Ковалева Н. М., Пономарев Е. И., Малькевич В. В. Оценка биоразнообразия на территории Олимпиадинского ГОКа «Полюс Красноярск» // Горный журн. 2020. № 10. С. 48–53. DOI: 10.17580/gzh.2020.10.02.
- Сыроежко М. Ю., Пономарёв Е. И., Пономарёва Т. В. (2025а) Спектральные признаки трансформации ландшафтов в характеристике тепловых режимов почв криолитозоны Средней Сибири // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 3. С. 182–192. DOI: 10.21046/2070-7401-2025-22-3-182-192.
- Сыроежко М. Ю., Пономарёв Г. Е., Пономарёв Е. И. (2025б) Пространственно-временная вариативность влажности почв тундры Сибири по спутниковым данным SMAP в сопряжении с наземными измерениями // Материалы 23-й Международ. конф. «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2025. С. 415. DOI: 10.21046/23DZZconf-2025a.
- Якимов Н. Д., Пономарёв Е. И., Пономарёва Т. В. Изменение спектральных индексов в контексте природных и техногенных трансформаций ландшафтов // Современные проблемы дистанционного зондирования земли из космоса. 2024. Т. 21. № 4. С. 131–140. DOI: 10.21046/2070-7401-2024-21-4-131-140.
- Breiman L. Random forests // Machine Learning. 2001. V. 45. No. 1. P. 5–32. DOI: 10.1023/A:1010933404324.
- de Alwis D. A., Easton Z. M., Dahlke H. E. et al. Unsupervised classification of saturated areas using a time series of remotely sensed images // Hydrology and Earth System Sciences. 2007. V. 11. P. 1609–1620. DOI: 10.5194/hessd-4-1663-2007.
- Delbart N., Kergoat L., Le Toan T. et al. Determination of phenological dates in boreal regions using normalized difference water index // Remote Sensing of Environment. 2005. V. 97. P. 26–38. DOI: 10.1016/j.rse.2005.03.011.
- Didan K. MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006. MOD13Q1. NASA Land Processes Distributed Active Archive Center, 2015. DOI: 10.5067/MODIS/MOD13Q1.006.
- Gao B.-C. NDWI — A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment. 1996. V. 58. P. 257–266. DOI: 10.1016/S0034-4257(96)00067-3.
- Morel A., Prieur L. Analysis of variations in ocean color // Limnology and Oceanography. 1977. V. 22. No. 4. P. 709–722. DOI: 10.4319/lo.1977.22.4.0709.
- Palmer K. F., Williams D. Optical properties of water in the near infrared // J. Optical Soc. of America. 1974. V. 64. P. 1107–1110. DOI: 10.1364/JOSA.64.001107.
- Pettorelli N., Vik J. O., Mysterud A. et al. Using the satellite-derived NDVI to assess ecological responses to environmental change // Trends in Ecology and Evolution. 2005. V. 20. No. 9. P. 503–510. DOI: 10.1016/j.tree.2005.05.011.
- Ponomareva T. V., Litvintsev K. Yu., Finnikov K. A. et al. Temperature in disturbed ecosystems of Central Siberia: Remote sensing data and numerical simulation // Forests. 2021. V. 12. No. 8. Article 994. DOI: 10.3390/f12080994.
- Ponomareva T. V., Litvintsev K. Yu., Finnikov K. A. et al. The variability in the thermophysical properties of soils for sustainability of the industrial-affected zone of the Siberian Arctic // Sustainability. 2025. V. 17. No. 19. Article 8892. DOI: 10.3390/su17198892.
- Scheffers B. R., De Meester L., Bridge T. C. L. et al. The broad footprint of climate change from genes to biomes to people // Science. 2016. V. 354. No. 6313. Article aaf7671. DOI: 10.1126/science.aaf7671.
- Schuur E. A. G., Mack M. C. Ecological response to permafrost thaw and consequences for local and global ecosystem services // Annual Review of Ecology, Evolution, and Systematics. 2018. V. 49. No. 1. P. 279–301. DOI: 10.1146/annurev-ecolsys-121415-032349.
- Tucker C. J. Use of near infrared/red radiance ratios for estimating vegetation biomass and physical status // Proc. 11th Intern. Symp. on Remote Sensing of Environment. 1977. V. 1. P. 493–496.
- Walker D. A., Leibman M. O., Epstein H. E. et al. Spatial and temporal patterns of greenness on the Yamal Peninsula, Russia: interactions of ecological and social factors affecting the Arctic normalized difference vegetation index // Environmental Research Letters. 2009. V. 4. Article 045004. DOI: 10.1088/1748-9326/4/4/045004.
- Wan Z., Hook S., Hulley G. MODIS/Terra Land Surface Temperature/Emissivity 8-Day L3 Global 1km SIN Grid V061. MOD11A2. NASA Land Processes Distributed Active Archive Center, 2021. DOI: 10.5067/MODIS/MOD11A2.061.
- Zha Y., Gao J., Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery // Intern. J. Remote Sensing. 2003. V. 24. No. 3. P. 583–594. DOI: 10.1080/01431160304987.