ispltaИзвестия Санкт-Петербургской лесотехнической академииIzvestia Sankt-Peterburgskoj lesotehniceskoj akademii2079-43042658-5871СПбГЛТУ10.21266/2079-4304.2025.256.413-435isplta-663Research ArticleЛЕСНОЕ ХОЗЯЙСТВОFORESTRYОценка распространения борщевика Сосновского (Heracleum sosnowskyi Manden.) средствами автоматизированной классификации по данным аэрофотосъемкиAssessment of the distribution of Sosnowsky’s hogweed (Heracleum sosnowskyi Manden.) habitats using automated classification based on aerial photography datahttps://orcid.org/0000-0002-3118-8515КовязинВ. Ф.KovyazinV. F.

КОВЯЗИН Василий Федорович – профессор, доктор биологических наук

199106, 21-я линия В.О., д. 2, Санкт-Петербург

KOVYAZIN Vasiliy F. – DSc (Biological), Professor

199106. 21st line of Vasilyevskiy Island 2. St. Petersburg

vfkedr@mail.ruhttps://orcid.org/0000-0001-9160-1167БалтыжаковаТ. И.BaltyzhakovaT. I.

БАЛТЫЖАКОВА Татьяна Игоревна – доцент, кандидат технических наук

197101, Кронверкский пр., д. 49, лит. А, Санкт-Петербург

BALTYZHAKOVA Tatiana I. – PhD (Technical), Associate Professor 

197101. Kronverksky av. 49. Let. A. St. Petersburg

tatiyana.baltyzhakova@gmail.comhttps://orcid.org/0000-0002-4215-7837РоманчиковА. Ю.RomanchikovA. Yu.

РОМАНЧИКОВ Алексей Юрьевич – доцент, кандидат технических наук

199106, 21-я линия В.О., д. 2, Санкт-Петербург

 

ROMANCHIKOV Aleksey Yu. – PhD (Technical), Associate Professor 

199106. 21st line of Vasilyevskiy Island 2. St. Petersburg

romanchicov@inbox.ruhttps://orcid.org/0009-0001-8087-0924СурановН. А.SuranovN. A.

СУРАНОВ Николай Aлексеевич – аспирант

194021, Институтский пер., д. 5., лит. У, Санкт-Петербург

SURANOV Nikolay A. – PhD Student

194021. Institute per. 5. Let. U. St. Petersburg

nik.suranov.00@mail.ruСанкт-Петербургский горный университет императрицы Екатерины IIРоссияSt. Petersburg Mining UniversityRussian FederationНациональный исследовательский университет ИТМОРоссияITMO UniversityRussian FederationСанкт-Петербургский государственный лесотехнический университет имени С.М. КироваРоссияSt. Petersburg State Forest Technical UniversityRussian Federation2025120320260256414435Copyright © Ковязин В.Ф., Балтыжакова Т.И., Романчиков А.Ю., Суранов Н.А., 20262026Ковязин В.Ф., Балтыжакова Т.И., Романчиков А.Ю., Суранов Н.А.Kovyazin V.F., Baltyzhakova T.I., Romanchikov A.Y., Suranov N.A.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/663

Инвазивные растения представляют собой значительную угрозу для местных экосистем и сельского хозяйства. Их быстрое распространение требует разработки эффективных методов выявления и контроля. Одним из таковых является картирование на основе данных дистанционного зондирования. Геоинформационное картирование инвазивных видов растений, в частности борщевика Сосновского (Heracleum sosnowskyi Manden.), представляет собой актуальную задачу для экологического мониторинга. В статье рассматриваются современные методы анализа данных дистанционного зондирования для выявления территорий, занятых борщевиком Сосновского. Исследование проводилось в Ленинградской области, где проблема распространения этого растения носит острый характер. В качестве исходных данных используются аэрофотоснимки и открытые данные с картографического сервиса Яндекс.Карты с пространственным разрешением 3, 15 и 30 см/пикс., на которых отображены территории, заросшие борщевиком Сосновского. Задачи исследования заключались в разработке методики обработки изображений для обнаружения борщевика Сосновского на основе применения алгоритмов автоматизированной классификации. Программными средствами обработки данных являлись геоинформационная система QGIS, а также ее дополнительные плагины «dzetsaka» и «Orfeo Toolbox». Точность результатов исследования проверялась с использованием данных, полученных посредством экспертного дешифрирования и ручной векторизации. В результате были сформированы 24 классификационные карты, полученные разными методами автоматизированной классификации. В ходе анализа точности получены матрицы ошибок классификации и таблицы отклонения площадей, занимаемых борщевиком Сосновского. При этом результат оценки точности классификатора свидетельствует о высокой достоверности классификации представленных методов. Представленные в исследовании алгоритмы обработки могут применяться для поиска и обнаружения борщевика Сосновского на территории Ленинградской области.

Invasive plants pose a significant threat to local ecosystems and agriculture, and their rapid spread necessitates the development of effective methods for detection and control, one of which is mapping based on remote sensing data. Geoinformation mapping of invasive plant species, particularly Sosnowsky’s hogweed (Heracleum sosnowskyi Manden.), is a pressing task for ecological monitoring. This study examines modern methods for analyzing remote sensing data to identify areas occupied by Sosnowsky’s hogweed. The research was conducted in the Leningrad Region, where the spread of this plant is a critical issue. The input data consisted of aerial photographs and open-source data from the Yandex.Maps cartographic service with ground sample distance of 3, 15, and 30 cm/pixel, which depicted territories overgrown with Sosnowsky’s hogweed. The objectives of the study were to develop an image processing technique for detecting Sosnowsky’s hogweed based on the use of automated classification algorithms. The data processing was performed using the QGIS geoinformation system and its additional plugins, «dzetsaka» and «Orfeo Toolbox». The accuracy of the research results was verified using data obtained through expert classification and manual vectorization. As a result, 24 classification maps were generated using different methods of automated classification. Accuracy analysis produced error matrices and tables showing the deviation in the areas occupied by Sosnowsky’s hogweed. Nevertheless, the accuracy assessment confirmed the high reliability of the presented classification methods. The algorithms developed in this study can be applied to detect and monitor Sosnowsky’s hogweed in the Leningrad Region.

Инвазивные растенияборщевик Сосновскогомониторинг растительностидистанционное зондированиегеоинформационные системыinvasive plantsSosnovsky's hogweedvegetation monitoringremote sensinggeoinformation systemsReferencesБогданов В.Л., Осипов А.Г., Гарманов В.В. Методика мониторинга засорения земель борщевиком Сосновского по данным дистанционного зондирования // Известия Санкт-Петербургского государственного аграрного университета. 2020. № 59. С. 69-74.Aegopodium podagraria // Plants for a future. URL: https://pfaf.org/user/plant. aspx?LatinName=Aegopodium+podagraria (accessed: 05.05.2025).Гурченков А.А., Мурынин А.Б., Трекин А.Н., Игнатьев В.Ю. Метод объектноориентированной классификации объектов подстилающей поверхности в задаче аэрокосмического мониторинга состояния импактных районов Арктики // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия: Естественные науки. 2017. № 3. C. 135-146.Basheer S., Wang X., Farooque A.A., Nawaz R.A., Liu K., Adekanmbi T., Liu S. Comparison of Land Use Land Cover Classifiers Using Different Satellite Imagery and Machine Learning Techniques. Remote Sensing, 2022., vol. 14, no. 19, art. no. 4978.Далькэ И.В., Чадин И.Ф., Захожий И.Г., Малышев Р.В., Маслова С.П. Моделирование географических пределов распространения Heracleum sosnowskyi Manden. в таежной зоне европейской части России // Экология и география растений и растительных сообществ: мат. IV Межд. науч. конф. Екатеринбург, 2018. С. 219-224.Bogdanov V.L., Osipov A.G., Garmanov V.V. Methodology for monitoring land contamination with Sosnowsky's hogweed according to remote sensing data. Izvestiya Saint-Petersburg state agrarian university, 2020, no. 59, pp. 69-74. (In Russ.)Нецветова Е.В., Саловаров В.О. Борьба с инвазивными чужеродными видами в концепции Конвенции о биологическом разнообразии // Вестник ИрГСХА. 2022. № 112. С. 121-136.Bogdanov V., Osipov A., Garmanov V., Efimova G., Grik A., Zavarin B., Terleev V., Nikonorov A. Problems and monitoring the spread of the ecologically dangerous plant Heracleum sosnowskyi in urbanized areas and methods to combat it. E3S Web Conf. EDP Sciences, 2021, vol. 258, art. no. 08028.Рутман В.В., Кантор Г.Я., Адамович Т.А., Товстик Е.В., Ашихмина Т.Я. Идентификация зарослей борщевика Сосновского по данным дистанционного зондирования земли // Экология родного края: проблемы и пути их решения: мат. ХIII Всерос. науч.-практ. конф. с межд. уч. Киров, 2018. С. 81-85.Congalton R.G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 1991, vol. 37. pp. 35-46.Осипов А.Г., Дмитриев В.В., Ковязин В.Ф. Методика оценки и картографирования природно-аграрного потенциала ландшафтов // Геодезия и картография. 2021. Т. 82, № 9. С. 11-20.Dalke I.V., Chadin I.F., Zakhozhy I.G., Malyshev R.V., Maslova S.P. Modeling of geographical distribution limits of Heraculum sosnowskyi Manden. in the taiga zone of the European part of Russia. Ecology and geography of plants and plant communities: proceedings of the IV int. sci. conf. Yekaterinburg, 2018, pp. 219-224. (In Russ.)Спутниковая карта Санкт-Петербурга // Яндекс.Карты. URL: https://yandex.ru/maps/2/saint-petersburg/sputnik/ (дата обращения: 01.06.2024).Dueñas M.A., Hemming D.J., Roberts A., Diaz-Soltero H. The threat of invasive species to IUCN-listed critically endangered species: A systematic review. Glob. Ecol. Conserv., 2021, vol. 26, art. no. 01476.Aegopodium podagraria // Plants for a future. URL: https://pfaf.org/user/plant.aspx?LatinName=Aegopodium+podagraria (дата обращения: 05.05.2025).Jahodova S. Heracleum sosnowskyi (Sosnowskyi’s hogweed). CABI Compendium, 2009, no. 108958. DOI: 10.1079/cabicompendium.108958.Basheer S., Wang X., Farooque A.A., Nawaz R.A., Liu K., Adekanmbi T., Liu S. Comparison of Land Use Land Cover Classifiers Using Different Satellite Imagery and Machine Learning Techniques // Remote Sensing. 2022. Vol. 14, no. 19. Art. no. 4978.Gurchenkov A.A., Murynin A.B., Trekin A.N., Ignatiev V.Yu. Object-oriented classification of substrate surface objects in Arctic impact regions aerospace monitoring. Herald of the Bauman Moscow State Technical University. Series: Natural Sciences, 2017, no. 3, pp. 135-146. (In Russ.)Bogdanov V., Osipov A., Garmanov V., Efimova G., Grik A., Zavarin B., Terleev V., Nikonorov A. Problems and monitoring the spread of the ecologically dangerous plant Heracleum sosnowskyi in urbanized areas and methods to combat it // E3S Web Conf. EDP Sciences. 2021. Vol. 258. Art. no. 08028.Koldasbayeva D., Tregubova P., Shadrin D., Gasanov M., Pukalchik M. Largescale forecasting of Heracleum sosnowskyi habitat suitability under the climate change on publicly available data. Scientific Reports, 2022, vol. 12, art. no. 6128.Congalton R.G. A review of assessing the accuracy of classifications of remotely sensed data // Remote Sensing of Environment. 1991. Vol. 37. P. 35-46.Marpu P.R., Niemeyer I., Nussbaum S., Gloaguen R. A procedure for automatic object-based classification. Lecture Notes in Geoinformation and Cartography. Berlin, 2008, chapter 2.4, pp. 169-184.Dueñas M.A., Hemming D.J., Roberts A., Diaz-Soltero H. The threat of invasive species to IUCN-listed critically endangered species: A systematic review // Glob. Ecol. Conserv. 2021. Vol. 26. Art. no. 01476.Netsvetova E.V., Salovarov V.O. The fight against invasive alien species in the concept of the Convention on Biological Diversity. Vestnik IrGSHA, 2022, no. 112, pp. 121-136. (In Russ.)Jahodova S. Heracleum sosnowskyi (Sosnowskyi’s hogweed) // CABI Compendium. 2009. No. 108958. DOI: 10.1079/cabicompendium.108958.Norovsuren B., Tseveen B., Batomunkuev V., Renchin T., Natsagdorj E., Yangiv A., Mart Z. Land cover classification using maximum likelihood method (2000 and 2019) at Khandgait valley in Mongolia. IOP Conference Series: Earth and Environmental Science, 2019, vol. 381, no. 1, art. no. 012054.Koldasbayeva D., Tregubova P., Shadrin D., Gasanov M., Pukalchik M. Largescale forecasting of Heracleum sosnowskyi habitat suitability under the climate change on publicly available data // Scientific Reports. 2022. Vol. 12. Art. no. 6128.Osipov A.G., Dmitriev V.V., Kovyazin V.F. Methodology for assessing and mapping the natural and agricultural potential of landscapes. Geodesy and Cartography, 2021, vol. 82, no. 9, pp. 11-20. (In Russ.)Marpu P.R., Niemeyer I., Nussbaum S., Gloaguen R. A procedure for automatic object-based classification // Lecture Notes in Geoinformation and Cartography. Berlin, 2008. Chapter 2.4. P. 169-184.Rutman V.V., Kantor G.Ya., Adamovich T.A., Tovstik E.V., Ashikhmina T.Ya. Identification of thickets of Sosnowsky's hogweed according to remote sensing of the Earth. Ecology of the native land: problems and ways to solve them: mat. of the XIII All-Russ. sci.-pract. conf. with int. part. Kirov, 2018, pp. 81-85. (In Russ.)Norovsuren B., Tseveen B., Batomunkuev V., Renchin T., Natsagdorj E., Yangiv A., Mart Z. Land cover classification using maximum likelihood method (2000 and 2019) at Khandgait valley in Mongolia // IOP Conference Series: Earth and Environmental Science. 2019. Vol. 381, no. 1. Art. no. 012054.Satellite map of St. Petersburg. Yandex.Maps. URL: https://yandex.ru/maps/2/saint-petersburg/sputnik/ (accessed: 01.06.2024). (In Russ.)Shetty S. Analysis of Machine Learning Classifiers for LULC Classification on Google Earth Engine: master’s thesis. Enschede, The Netherlands: University of Twente, 2019. 73 p.Shetty S. Analysis of Machine Learning Classifiers for LULC Classification on Google Earth Engine: master’s thesis. Enschede, The Netherlands: University of Twente, 2019. 73 p.Talukdar S., Singha P., Mahato S., Fahad S., Pal S., Liou Y-A., Rahman A. Landuse land-cover classification by machine learning classifiers for satellite observations – a review // Remote Sensing. 2020. Vol. 2, no. 7. Art. no. 1135.Talukdar S., Singha P., Mahato S., Fahad S., Pal S., Liou Y-A., Rahman A. Landuse land-cover classification by machine learning classifiers for satellite observations – a review. Remote Sensing, 2020, vol. 2, no. 7, art. no. 1135.Xie Z., Chen Y., Lu D., Li G., Chen E. Classification of land cover, forest, and tree species classes with Ziyuan-3 multispectral and stereo data // Remote Sensing. 2019. Vol. 11, no. 2. Art. no. 164.Xie Z., Chen Y., Lu D., Li G., Chen E. Classification of land cover, forest, and tree species classes with Ziyuan-3 multispectral and stereo data. Remote Sensing, 2019, vol. 11, no. 2, art. no. 164.

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