Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 5. С. 50-68
Разработка методики создания цифровой пространственной модели наземного покрова крупной территории на основе мультиспектральной космической съёмки высокого разрешения (на примере Лоухского района Республики Карелия)
В.В. Тарасенко 1 , Б.В. Раевский 1 1 Карельский научный центр РАН, Петрозаводск, Россия
Одобрена к печати: 08.07.2026
DOI: 10.21046/2070-7401-2026-23-5-50-68
Представлена методика гибридной технологии создания цифровой пространственной модели (ЦПМ) наземного покрова на примере территории Лоухского района Республики Карелия площадью более 2 млн га на основе дешифрирования данных дистанционного зондирования Земли спутниковой программы Sentinel-2 и применения инструментальных средств облачного сервиса Google Earth Engine по состоянию на 2024 г. Дешифрирование мультиспектральной космосъёмки высокого разрешения (10 м) проводилось сочетанием методов управляемой (метод случайного леса (англ. random forest)) и неуправляемой (метод кластеризации k-средних (англ. k-means)) классификации. Учитывая значительный размер исследуемой территории и невозможность получить приемлемое безоблачное покрытие всего района в вегетационный период (июнь – сентябрь 2024 г.), была сформирована «тайловая» сеть георастрового покрытия, состоящая из 18 листов (георастров), для последующего поэтапного дешифрирования мультиспектральных «медианных» снимков. Цифровая пространственная модель наземного покрова создана с использованием на первоначальном этапе данных лесоустройства Национального парка «Паанаярви» и исходя из предположения, что в зонах перекрытия соседних георастров (15–20 % площади листов) находится фактически единый наземный покров. Результатом исследования можно считать актуальную и достоверную ЦПМ наземного покрова крупной территории, входящей в Арктическую зону Российской Федерации, с точностью масштаба М 1:50 000. Созданная ЦПМ наземного покрова может быть использована для выполнения комплексного мониторинга этой Арктической территории как основа регулярного наблюдения за состоянием наземных экосистем и с целью выработки управленческих решений органами государственной власти всех уровней.
Ключевые слова: Арктическая зона России, наземный покров, цифровая пространственная модель, программа Sentinel-2, мультиспектральные космические снимки, облачный сервис Google Earth Engine, машинное обучение, технологии геоинформационных систем, ГИС
Полный текстСписок литературы:
- 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.
- Богданов А. П., Карпов А. А., Демина Н. А., Алешко Р. А. Совершенствование мониторинга лесов путем использования облачных технологий как элемента устойчивого лесоуправления // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 1. С. 89–100. DOI: 10.21046/2070-7401-2018-15-1-89-100.
- Воробьев О. Н., Курбанов Э. А., Губаев А. А., Демишева Е. Н. Методика пошаговой классификации спутниковых снимков для тематического картирования лесов // Вестн. Поволжского гос. технолог. ун-та. Сер. Лес. Экология. Природопользование. 2015. № 4 (28). С. 57–72.
- Газимагомадова Д. М. Машинное обучение // Сб. ст. 3-й Международ. научно-практич. конф. Петрозаводск, 2021. С. 45–50.
- Ганиева Ш. Н., Абдурасулова Д. Б., Меликузиева С. Ф. Использование геоинформационной модели // Теория и практика современной науки. 2018. № 6 (36). С. 184–187.
- Громцев А. Н. Основы ландшафтной экологии европейских таежных лесов России. Петрозаводск: Карельский научный центр РАН, 2008. 238 с.
- Груммо Д. Г., Коробушин Д. В., Малашенкова Е. Мониторинг особо охраняемых природных территорий // Наука и инновации. 2018. № 10 (188). С. 63–69.
- Дмитриев Е. В., Кондранин Т. В., Мельник П. Г., Донской С. А. Определение видового состава смешанного леса на основе совместной обработки публичных спутниковых карт и многовременных изображений Sentinel-2 // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 1. С. 31–50. DOI: 10.21046/2070-7401-2024-21-1-31-50.
- Дрыгваль А. В., Дрыгваль П. В., Табунщик В. А., Горбунова Т. Ю. Пространственно-временная динамика типов наземного покрова с использованием различных баз спутниковых данных на примере юго-восточного Крыма // Биоразнообразие и устойчивое развитие. 2024. Т. 9. № 3. С. 32–49. DOI: 10.21072/eco.2024.09.3.04.
- Ершов Д. В., Гаврилюк Е. А., Карпухина Д. А., Ковганко К. А. Новая карта растительности центральной части Европейской России по спутниковым данным высокой детальности // Докл. Акад. наук. 2015. Т. 464. № 5. С. 639–641. DOI: 10.7868/S0869565215290289.
- Картиев С. Б., Курейчик В. М. Алгоритм классификации, основанный на принципах случайного леса, для решения задачи прогнозирования // Программные продукты и системы. 2016. № 2 (114). С. 11–15. DOI: 10.15827/0236-235X.114.011-015.
- Коберниченко В. Г., Иванов О. Ю., Зраенко С. М., Сосновский А. В., Тренихин В. А. Обработка данных дистанционного зондирования Земли: практические аспекты: учеб. пособие. Екатеринбург: Изд-во Уральского ун-та, 2013. 168 с.
- Коломыцев В. А. Структура заболоченности национального парка «Паанаярви» (по данным дистанционного зондирования и наземных исследований) // Тр. Карельского науч. центра РАН. 2003. Вып. 3. С. 64–67.
- Комарова А. Ф., Журавлева И. В., Яблоков В. М. Открытые мультиспектральные данные и основные методы дистанционного зондирования в изучении растительного покрова // Принципы экологии. 2016. № 1. С. 40–74. DOI: 10.15393/j1.art.2016.4922.
- Курбанов Э. А., Воробьев О. Н. Дистанционные методы в лесном хозяйстве: учеб. пособие. Йошкар-Ола: Поволжский гос. технолог. ун-т, 2020. 268 с.
- Лабутина И. А., Балдина Е. А. Использование данных дистанционного зондирования для мониторинга экосистем ООПТ. Метод. пособие. М.: Всемирный фонд дикой природы (WWF), 2011. 88 с.
- Лесохозяйственный регламент Лоухского лесничества Республики Карелия на 2021–2030 гг. Петрозаводск, 2020. 210 с.
- Малышева Н. В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений: метод. пособие. М.: Изд-во Московского гос. ун-та леса, 2012. 154 с.
- Никитина А. Д. Автоматическая сегментация крон сосновых древостоев с использованием MASK R-CNN на RGB-ортофотопланах БПЛА // Вопросы лесной науки. 2024. Т. 7. № 2. 21 с. DOI: 10.31509/2658-607x-202372-146.
- Раевский Б. В., Тарасенко В. В. Картографирование наземного покрова Арктической зоны Восточной Фенноскандии (на примере юго-восточной части Кольского полуострова) // Арктика: экология и экономика. 2024. Т. 14. № 4. С. 617–629. DOI: 10.25283/2223-4594-2024-4-617-629.
- Раевский Б. В., Тарасенко В. В., Петров Н. В. Оценка современного состояния растительных сообществ заповедника «Костомукшский» по спутниковым снимкам системы Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 3. С. 47–61. DOI: 10.21046/2070-7401-2022-19-3-47-61.
- Раменская М. Л. Анализ флоры Мурманской области и Карелии. Л.: Наука, 1983. 216 с.
- Рязанов С. С., Кулагина В. И. Обзор российских и иностранных источников мультиспектральных снимков для создания систем агроэкологического мониторинга // Российский журн. приклад. экологии. 2024. № 2. С. 4–18. DOI: 10.24852/2411-7374.2024.2.04.18.
- Павленко В. И. Арктическая зона РФ в системе обеспечения национальных интересов страны // Арктика: экология и экономика. 2013. № 4 (12). С. 16–25.
- Петров Н. В., Раевский Б. В., Тарасенко В. В. Исследование динамики растительного покрова архипелага Тулолансаари (национальный парк «Ладожские шхеры») на основе спутниковых данных // Тр. Карельского науч. центра РАН. Сер. «Экологические исследования». 2025. № 8. 2025. С. 73–85. DOI: 10.17076/eco2125.
- Тутубалина О. В., Голубева Е. И., Зимин М. В. и др. Картографирование состояния растительного покрова в окрестностях г. Норильска с помощью Google Earth Engine // Материалы 18-й Всероссийской открытой конф. «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2020. С. 373. DOI: 10.21046/18DZZconf-2020a.
- Янец П. К., Иванова С. А., Данилов Ю. Г. Использование Google Earth Engine (GEE) и спутниковых снимков Landsat для определения характеристик лесных пожаров // Вестн. Северо-Восточного федер. ун-та им. М. К. Аммосова. Сер.: Науки о Земле. 2022. № 2(26). С. 22–31. DOI: 10.25587/SVFU.2022.26.2.003.
- Breiman L. Random Forests // Machine Learning. 2001. V. 45. P. 5–32. DOI: 10.1023/A:1010933404324.
- Pflumm L., Kang H., Wilting A., Niedballa J. GEE-PICX: Generating cloud-free Sentinel-2 and Landsat image composites and spectral indices for custom areas and time frames — a Google Earth Engine web application // Ecography. 2025. V. 2025. Article e07358. DOI: 10.1111/ecog.07385.
- Uzhinskiy A. Google Earth Engine and machine learning for Earth monitoring // 6th Intern. Workshop on Deep Learning in Computational Physics (DLCP2022). 2022. 11 p. DOI: 10.22323/1.429.0021.