ispltaИзвестия Санкт-Петербургской лесотехнической академииIzvestia Sankt-Peterburgskoj lesotehniceskoj akademii2079-43042658-5871СПбГЛТУ10.21266/2079-4304.2024.251.141-157isplta-422Research ArticleЛЕСНОЕ ХОЗЯЙСТВОFORESTRYОценка состояния и динамики лесов Архангельской области с использованием технологий дистанционного зондированияAssessment of forest dynamics and condition in the Arkhangelsk region using remote sensing technologies and vegetation indiceshttps://orcid.org/0000-0002-5402-1953КоптевС. В.KoptevS. V.

КОПТЕВ Сергей Викторович – заведующий кафедрой лесоводства и лесоустройства, доктор сельскохозяйственных наук, доцент; главный научный сотрудник

163002, наб. Северной Двины, д. 17, г. Архангельск, Россия

163062, ул. Никитова, д. 13, г. Архангельск

Researcher ID: ABD-5497-2021

KOPTEV Sergey V. – DSc (Agriculture), Head of Silviculture and Forest Management Department Northern (Arctic); Leading Researcher

Researcher ID: ABD-5497-2021

163002. Severnaya Dvina emb. 17. Arkhangelsk. Russia;

163062. Nikitova str. 13. Arkhangelsk

s.koptev@narfu.ruhttps://orcid.org/0000-0003-0854-550XАлабдуллахалхасноХ.AlabdullahalkhasnoH.

АЛАБДУЛЛАХАЛХАСНО Хасан – аспирант кафедры лесоводства и лесоустройства

163002, набережная Северной Двины, д. 17, г. Архангельск

ALABDULLAHALKHASNO Hasan – PhD student of the Department of Forestry and Forest Management

163002. Severnaya Dvina emb. 17. Arkhangelsk

199213000hfa@gmail.comСеверный (Арктический) федеральный университет имени М.В. Ломоносова; Северный научно-исследовательский институт лесного хозяйстваРоссияFederal University named after M.V. Lomonosov; Northern Research Institute of ForestryRussian FederationСеверный (Арктический) федеральный университет имени М.В. ЛомоносоваРоссияNorthern (Arctic) Federal University named after M.V. LomonosovRussian Federation2024270120250251141157Copyright © Коптев С.В., Алабдуллахалхасно Х., 20252025Коптев С.В., Алабдуллахалхасно Х.Koptev S.V., Alabdullahalkhasno H.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://izvestiya-lta.spbftu.ru/jour/article/view/422

Проведена оценка динамики и состояния растительного покрова в северотаежном районе сухопутной территории Арктики Архангельской области с помощью данных дистанционного зондирования Земли и с использованием вегетационных индексов. Результаты анализа индекса NDVI показали улучшение состояния растительного покрова за последние 10 лет. Сравнение значений NDVI в 2013 и 2022 г. показало, что площади насаждений со средними характеристиками сократились на 14,29%, в то время как площади насаждений повышенной продуктивности увеличились на 15,49%. Это увеличение объясняется повышенным ростом насаждений вторичных генераций, формирующихся на месте старовозрастных насаждений, повышением сомкнутости крон и увеличением относительной полноты, что является результатом эффективной реализации лесохозяйственных мероприятий, включая рубки ухода и лесовосстановление. Анализ индекса старения растительного покрова показал значения, близкие к нулю, на площади, составляющей 5% от общей площади исследования, в то время как на большей ее части были обнаружены положительные значения, превышающие 0,2, что указывает на физиологическое напряжение и начало процесса превращения хлорофилла в каротиноиды. Результаты анализа биофизических показателей свидетельствуют, что растительный покров на исследуемой территории находится в среднем качественном состоянии. Средний индекс листовой поверхности на большей части территории исследования составил 1,87, что указывает на отсутствие высокой густоты растительности. Среднее значение хлорофиллового индекса в листьях составило 88,61, что также является низким значением и свидетельствует о слабом содержании хлорофилла, физиологическом стрессе и низкой интенсивности процесса фотосинтеза.

Conducted study purposed to assess the dynamics and condition of vegetation cover in North-taiga Arctic region, using the Arkhangelsk region as a case study. This involved processing satellite imagery with the calculation of several vegetation indices. The results of the NDVI analysis for 2013 revealed a maximum value of 0.7 and a minimum of –0.25, with an average of 0.30. Values were distributed closely around the mean. By 2022, the average vegetation coverage index had increased to 0.34, suggesting an improvement in vegetation coverage over the study points. The percentage changes were calculated by comparing NDVI values over the study years. The results showed a decrease of 14.29% in areas representing moderate vegetation cover, while areas representing good vegetation cover increased by 15.49%. This increase is attributed to tree growth, improved canopy coverage, and increased vegetation density in 2022, which is a result of effective forest management practices, including thinning and reforestation measures. Analysis of the vegetation aging index indicated values close to zero in 5% of the total study area, while positive values exceeding 0.2 were observed over a significant portion of the region. These findings suggest physiological stress, partial chlorophyll degradation, and the initiation of conversion to carotenoids. The results of the analysis of biophysical indicators showed that the vegetation cover in the study area is in the average state. The average leaf area index was 1.87 over most of the study area, indicating the absence of high densities of vegetation. The average value of the chlorophyll index in the leaves was 88.61, which is also a low value and indicates weak chlorophyll content, which indicates physiological stress and low efficiency of the photosynthesis process.

NDVIбиофизические показателисухопутная территория АрктикиДЗЗдинамикаNDVIbiophysical indicatorsNorth Taiga regionremote sensing datadynamic detectionПубликация подготовлена по результатам НИР, выполненных в рамках государственного задания ФБУ «СевНИИЛХ» на проведение прикладных научных исследований в сфере деятельности Федерального агентства лесного хозяйства (регистрационный номер темы 123022800118-4).ReferencesАлшаиби А. Анализ динамики состояния лесов с использованием данных дистанционного зондирования Земли и ГИС-технологий: магистерская диссертация. Томск: Томский политехнический университет, 2017. 122 с.Al-Mousawi I. M. H. Detection of Temporal Changes in Al-Diwaniyah Governorate Using Image Differencing Method for the Period from 2001 to 2006. Journal of University of Babylon for Pure and Applied Sciences, 2014, vol. 22, iss. 4, pp. 1388–1401. (In Arab.)Барталев С.А., Ершов Д.В., Исаев А.С., Лупян Е.А. Основные задачи и перспективы создания системы глобального спутникового мониторинга лесов // Лесоведение. 2011. № 6. С. 3–15.Al-Ruhayli B. Functional Equivalence among Spectral Vegetation Indices in Estimating Vegetation Cover from Satellite Data in the Al-Hada and Al-Shafa Regions North of the Sarat Mountains. Egyptian Journal of Environmental Change, 2013, vol. 5, no. 5, pp. 79–104. (In Arab.Денисова А.Ю., Егорова А.А., Сергеев В.В. Обнаружение изменений границ лесных насаждений по данным ДЗЗ // «Информационные технологии и нанотехнологии» (ИТНТ-2020): сб. тр. по материалам VI Междунар. конф. и молодеж. шк. Самара, 2020. Т. 2. С. 15–28.Alshaibi A. Analysis of the dynamics of forests using Earth remote sensing data and GIS technologies: Master's thesis. Tomsk: Tomsk Polytechnic University, 2017. 122 p. (In Russ.)Никитина Н.А. Обзор современных методов исследования лесного покрова по данным дистанционного зондирования // Интерэкспо Гео-Сибирь: XIV Межд. науч. конгресс. Новосибирск, 2018. Т. 2. С. 174–177.Bartalev S.A., Ershov D.V., Isaev A.S., Lupyan E. A. Main tasks and prospects for creating a system of global satellite monitoring of forests. Lesovedenie, 2011, no. 6, pp. 3–15. (In Russ.)Сутырина Е.Н. Дистанционное зондирование Земли: учеб. пособие. Иркутск: ИГУ, 2013. 165 с.Denisova A.Yu., Egorova A.A., Sergeev V.V. Detection of changes in the boundaries of forest plantations according to remote sensing data. «Information Technologies and Nanotechnologies» (ITNT-2020): mater. of VI Intern. conf. and youth school. Samara, 2020. Т. 2. P. 15–28. (In Russ.)Учебно-методическая документация: Мониторинг лесохозяйственной деятельности. Тюмень: ТГУ, 2015. 138 с.Educational and methodological documentation: Monitoring forestry activities. Tyumen: TSU, 2015. 138 p. (In Russ.)Al-Mousawi I.M.H. Detection of Temporal Changes in Al-Diwaniyah Governorate Using Image Differencing Method for the Period from 2001 to 2006 // Journal of University of Babylon for Pure and Applied Sciences. 2014. Vol. 22, iss. 4. P. 1388–1401. (In Arab.)Fassnacht F., White J., Wulder M., Næsset E. Remote Sensing in Forestry: current challenges, considerations and directions. Forestry: An International Journal of Forest Research, 2024, vol. 97, iss. 1, pp. 11–37. DOI: 10.1093/forestry/cpad024.Al-Ruhayli B. Functional Equivalence among Spectral Vegetation Indices in Estimating Vegetation Cover from Satellite Data in the Al-Hada and Al-Shafa Regions North of the Sarat Mountains // Egyptian Journal of Environmental Change. 2013. Vol. 5, no. 5. P. 79–104. (In Arab.)Gandhi G.M., Parthiban S., Thummalu N., Christy A. Ndvi: Vegetation change detection using remote sensing and Gis – A case study of Vellore District. Procedia Computer Science, 2015, vol. 57: 3rd International Conference on Recent Trends in Computing 2015 (ICRTC-2015) (special issue), pp. 1199–1210. DOI: 10.1016/j.procs.2015.07.415.Fassnacht F., White J., Wulder M., Næsset E. Remote Sensing in Forestry: current challenges, considerations and directions // Forestry: An International Journal of Forest Research. 2024. Vol. 97, iss. 1. P. 11–37. DOI: 10.1093/forestry/cpad024.Gao Y., Quevedo A., Loya J. Forest Disturbance Detection by Landsat-Based NDVI Time Series for Ayuquila River Basin, Jalisco, Mexico. Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS). Santiago, 2020. P. 82–86. DOI: 10.1109/LAGIRS48042.2020.9165583.Gandhi G.M., Parthiban S., Thummalu N., Christy A. Ndvi: Vegetation change detection using remote sensing and Gis – A case study of Vellore District // Procedia Computer Science. 2015. Vol. 57: 3rd International Conference on Recent Trends in Computing 2015 (ICRTC-2015) (special issue). P. 1199–1210. DOI: 10.1016/j.procs.2015.07.415.García-Álvarez D., Lara Hinojosa J. Global Thematic Land Use Cover Datasets Characterizing Vegetation Covers. Land Use Cover Datasets and Validation Tools: Validation Practices with QGIS. 2022. URL: https://doi.org/10.1007/978-3-030-90998-7.Gao Y., Quevedo A., Loya J. Forest Disturbance Detection by Landsat-Based NDVI Time Series for Ayuquila River Basin, Jalisco, Mexico // Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS). Santiago, 2020. P. 82–86. DOI: 10.1109/LAGIRS48042.2020.9165583.Gromtsev A. Natural disturbance dynamics in the boreal forests of European Russia: a review. Silva Fennica, 2002, vol. 36, no. 1, pp. 41–55.García-Álvarez D., Lara Hinojosa J. Global Thematic Land Use Cover Datasets Characterizing Vegetation Covers // Land Use Cover Datasets and Validation Tools: Validation Practices with QGIS. 2022. URL: https://doi.org/10.1007/978-3-030-90998-7.Gupta S.K., Pandey A.Ch. Spectral aspects for monitoring forest health in extreme season using multispectral imagery. The Egyptian Journal of Remote Sensing and Space Sciences, 2021, vol. 24, iss. 3 (part 2), pp. 579–586. DOI: 10.1016/j.ejrs.2021.07.001Gromtsev A. Natural disturbance dynamics in the boreal forests of European Russia // Silva Fennica. 2002. Vol. 36, no. 1. P. 41–55.Khorrami B., Kamran K.V. A fuzzy multi-criteria decision-making approach for the assessment of forest health applying hyperspectral imageries: A case study from Ramsar forest, North of Iran. International Journal of Engineering and Geosciences, 2022, vol. 7, iss. 3, pp. 214–220.Gupta S.K., Pandey A.Ch. Spectral aspects for monitoring forest health in extreme season using multispectral imagery // The Egyptian Journal of Remote Sensing and Space Sciences. 2021. Vol. 24, iss. 3 (part 2). P. 579–586. DOI: 10.1016/j.ejrs.2021.07.001Meneses-Tovar C.L. Analysis of the Normalized Differential Vegetation Index (NDVI) for the Detection of Degradation of Forest Cover in Mexico 2008–2009. Forest Resources Assessment Programme. Rome, 2009. 29 p.Khorrami B., Kamran K.V. A fuzzy multi-criteria decision-making approach for the assessment of forest health applying hyperspectral imageries: A case study from Ramsar forest, North of Iran // International Journal of Engineering and Geosciences. 2022. Vol. 7. Iss. 3. P. 214-220.Nikitina N. A. Review of modern methods for studying forest cover based on remote sensing data. Interexpo: Geo-Syberia: XIV Int. sci. congress. Novosibirsk, 2018. Т. 2. P. 174–177. (In Russ.)Meneses-Tovar C.L. Analysis of the Normalized Differential Vegetation Index (NDVI) for the Detection of Degradation of Forest Cover in Mexico 2008 – 2009 // Forest Resources Assessment Programme. Rome, 2009. 29 p.Normalized Difference Vegetation Index (NDVI) Products by Using OCM2- GAC Sensor Data. SDAPSA; National Remote Sensing Centre, 2014. 4 p.Normalized Difference Vegetation Index (NDVI) Products by Using OCM2‐ GAC Sensor Data. SDAPSA; National Remote Sensing Centre, 2014. 4 p.Powell B., Ickowitz A., McMullin S., Jamnadass R., Padoch Ch., Pinedo-Vascuez M., Sunderland T. The Role of Forests, Trees and Wild Biodiversity for NutritionSensitive Food Systems and Landscapes. FAO; WHO, 2013. 25 P.Powell B., Ickowitz A., McMullin S., Jamnadass R., Padoch Ch., PinedoVascuez M., Sunderland T. The Role of Forests, Trees and Wild Biodiversity for Nutrition-Sensitive Food Systems and Landscapes. FAO; WHO, 2013. 25 p.Reis S. Analyzing Land Use/Land Cover Changes Using Remote Sensing and GIS in Rize, North-East Turkey. Sensors, 2008, vol. 8, iss. 10, pp. 6188-6202. DOI: 10.3390/s8106188.Reis S. Analyzing Land Use/Land Cover Changes Using Remote Sensing and GIS in Rize, North-East Turkey // Sensors. 2008. Vol. 8, iss. 10. P. 6188–6202. DOI: 10.3390/s8106188.ouse J.W., Hass R.H., Schell J.A., Deering D.W., Harlan J.C. Monitoring the Vernal Advancement and Retrogradation (Greenwave Effect) of Natural Vegetation. NASA/GSFC Type III Final Report. Greenbelt (MD), 1974. 390 p.Rouse J.W., Hass R.H., Schell J.A., Deering D.W., Harlan J.C. Monitoring the Vernal Advancement and Retrogradation (Greenwave Effect) of Natural Vegetation. NASA/GSFC Type III Final Report. Greenbelt (MD), 1974. 390 p.Russian forests and climate change. What Science Can Tell Us 11. European Forest Institute, 2020. 136 p.Russian forests and climate change. What Science Can Tell Us 11. European Forest Institute, 2020. 136 p.Study of Modern Technologies Applied in Advanced Countries in the Field of Conservation and Development of Forest Wealth. Khartoum: Arab Organisation for Agricultural Development, 1998. 147 p. (In Arab.)Study of Modern Technologies Applied in Advanced Countries in the Field of Conservation and Development of Forest Wealth. Khartoum: Arab Organisation for Agricultural Development, 1998. 147 p. (In Arab.)Sutyrina E.N. Remote sensing of the Earth. Irkutsk: ISU, 2013. 165 p. (In Russ.)Treitz P., Howarth Ph. Hyperspectral remote sensing for estimating biophysical parameters of forest ecosystems // Progress in Physical Geography: Earth and Environment. 1999. Vol. 23, iss. 3. P. 359–390.Treitz P., Howarth Ph. Hyperspectral remote sensing for estimating biophysical parameters of forest ecosystems. Progress in Physical Geography: Earth and Environment, 1999, vol. 23, iss. 3, pp. 359–390.Tripathi P. Remote sensing indices and their applications // Training of Trainers on the applications of remote sensing and GIS for Afghanistan. 2020. 46 p.Tripathi P. Remote sensing indices and their applications. Training of Trainers on the applications of remote sensing and GIS for Afghanistan. 2020. 46 p.Weiss M., Baret F. S2ToolBox Level 2 products: LAI, FAPAR, FCOVER. Version 1.1. National Institute of Agronomic Research, 2016. 53 p.Weiss M., Baret F. S2ToolBox Level 2 products: LAI, FAPAR, FCOVER. Version 1.1. National Institute of Agronomic Research, 2016. 53 p.Xie Q., Dash J., Huete A., Jiang A., Yin G., Ding Ya., Peng D., Hall C. C., Brown L., Shi Yu., Ye H., Dong Yi., Huang W. Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery // International Journal of Applied Earth Observation and Geoinformation. 2019. Vol. 80. P. 187–195.Xie Q., Dash J., Huete A., Jiang A., Yin G., Ding Ya., Peng D., Hall C. C., Brown L., Shi Yu., Ye H., Dong Yi., Huang W. Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery. International Journal of Applied Earth Observation and Geoinformation, 2019, vol. 80, pp. 187–195.

The authors declare that there are no conflicts of interest present.