Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 5. С. 273-281
Автоматическое картирование типов растительности по данным спутниковых наблюдений территории горных работ
С.А. Орлов 1 , К.С. Цыгулёв 1 , Р.А. Секриеру 1 , А.А. Авершин 1 , Т.В. Кожевникова 1 , С.И. Смагин 1 1 Вычислительный центр ДВО РАН, Хабаровск, Россия
Одобрена к печати: 17.06.2026
DOI: 10.21046/2070-7401-2026-23-5-273-281
Представлены результаты исследований, направленных на автоматизацию процесса картирования типов растительности для горно-экологического мониторинга территории Дальнего Востока России с использованием мультиспектральных спутниковых снимков. Выделяются следующие типы растительности: кустарники и травы; хвойный, лиственный и смешанный лес. Исходными данными являются снимки со спутников Sentinel-2 в периоды максимальной вегетации растений и от конца листопада до выпадения снега, а также карты высот лесного полога GFCH (англ. Global Forest Canopy Height) 2019. Методика использует полносвязную нейронную сеть, обученную на специально подготовленных наборах данных, сформированных с помощью разработанного алгоритма распознавания типов растительности. Всего было создано 12 вариантов наборов данных, содержащих разные комбинации исходных данных, состоящих из спутниковых снимков, рассчитанных вегетационных индексов и масок наличия леса, построенных по картам высот лесного полога. Получаемая с помощью нейронной сети карта типов растительности позволяет проводить предварительную оценку состояния биоценоза по спутниковым снимкам, что актуально для экологического мониторинга территории горных работ.
Ключевые слова: спутник, данные, нейронная сеть, машинное обучение, картирование, тип растительности
Полный текстСписок литературы:
- Белова Е. И., Ершов Д. В. Исследование возможности оценки возобновления лесной растительности после сплошных рубок по спутниковым данным Landsat (на примере Брянского Полесья) // Вопросы лесной науки. 2019. Т. 2. № 4. 20 с. DOI: 10.31509/2658-607x-2019-2-4-1-20.
- Жучков Д. В., Фетисов Д. М. Оценка современного состояния растительного покрова г. Облучье по мультиспектральным данным // Регион. проблемы. 2024. Т. 27. № 1. С. 112–124. DOI: 10.31433/2618-9593-2024-27-1-112-124.
- Кашницкий А. В., Балашов И. В., Толпин В. А., Барталев С. А. Инструменты сервиса Вега-Science для уточнения карт растительного покрова с использованием спутниковой информации различного пространственного разрешения // Материалы 14-й Всероссийской открытой конф. «Современные проблемы дистанционного зондирования Земли из космоса». М.: ИКИ РАН, 2016. С. 83.
- Ковалёв А. В. Использование спутниковых данных для оценки состояния растительности на территории нефтедобычи Западной Сибири // Проблемы геологии и освоения недр: тр. 20-го Международ. симп. имени академика М. А. Усова студентов и молодых ученых, посвященного 120-летию со дня основания Томского политехн. ун-та: сб. ст. 2016. Т. 2. С. 155–157.
- Султанова Р. Р., Байтурина Р. Р., Диарова С. В. Оценка трансформации лесов Южного Урала по разновременным космическим снимкам // Изв. высш. учеб. заведений. Лесной журнал. 2025. № 2. С. 51–62. DOI: 10.37482/0536-1036-2025-2-51-62.
- Agarap A. F. Deep learning using Rectified Linear Units (ReLU) // https://arxiv.org/. arXiv:1803.08375. 2018. 7 p. DOI: 10.48550/arXiv.1803.08375.
- Dedeoğlu M., Başayiğit L., Yüksel M., Kaya F. Assessment of the vegetation indices on Sentinel-2A images for predicting the soil productivity potential in Bursa, Turkey // Environmental Monitoring and Assessment. 2020. V. 192. Iss. 1. Article 16. DOI: 10.1007/s10661-019-7989-8.
- Elhag M., Boteva S., Al-Amri N. Forest cover assessment using remote-sensing techniques in Crete Island, Greece // Open Geosciences. 2021. V. 13. Iss. 1. P. 345–358. DOI: 10.1515/geo-2020-0235.
- Haboudane D., Miller J. R., Pattey E. et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture // Remote Sensing of Environment. 2004. V. 90. Iss. 3. P. 337–352. DOI: 10.1016/j.rse.2003.12.013.
- Jiang R., Liang J., Zhao Y. et al. Assessment of vegetation growth and drought conditions using satellite-based vegetation health indices in Jing-Jin-Ji region of China // Scientific Reports. 2021. V. 11. Article 13775. DOI: 10.1038/s41598-021-93328-z.
- Kayet N., Pathak K., Singh C. P. et al. Vegetation health conditions assessment and mapping using AVIRIS-NG hyperspectral and field spectroscopy data for-environmental impact assessment in coal mining sites // Ecotoxicology and Environmental Safety. 2022. V. 239. Article 113650. DOI: 10.1016/j.ecoenv.2022.113650.
- Maxwell A. E., Warner T. A., Guillén L. A. Accuracy assessment in convolutional neural network-based deep learning remote sensing studies — Part 1: Literature review // Remote Sensing. 2021. V. 13. Iss. 13. Article 2450. DOI: 10.3390/rs13132450.
- Potapov P., Li X., Hernandez-Serna A. et al. Mapping global forest canopy height through integration of GEDI and Landsat data // Remote Sensing of Environment. 2021. V. 253. Article 112165. DOI: 10.1016/j.rse.2020.112165.
- Shi T., Xu H. Derivation of tasseled cap transformation coefficients for Sentinel-2 MSI at-sensor reflectance data // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2019. V. 12. Iss. 10. P. 4038–4048. DOI: 10.1109/JSTARS.2019.2938388.
- Suárez-Fernández G. E., Martínez-Sánchez J., Arias P. Assessment of vegetation indices for mapping burned areas using a deep learning method and a comprehensive forest fire dataset from Landsat collection // Advances in Space Research. 2025. V. 75. Iss. 2. P. 1665–1685. DOI: 10.1016/j.asr.2024.12.001.
- Varouchakis E. A., Komnitsas K., Galetakis M. Spatiotemporal analysis of vegetation health and moisture dynamics in rehabilitated mining quarries using satellite imagery // Environmental Processes. 2025. V. 12. Iss. 3. Article 45. DOI: 10.1007/s40710-025-00781-3.