Определение состояния искусственных насаждений зеленого пояса г. Астаны с использованием данных дистанционного зондирования Земли

Для определения дальнейшей стратегии сохранения и содержания искусственных насаждений зеленого пояса г. Астаны было необходимо оценить жизненное состояние древесных и кустарниковых растений, что стало первоочередной задачей наших исследований. Для этого проводились наземные таксационные наблюдения, использовались мультиспектральные данные дистанционного зондирования Земли (ДЗЗ) и инструменты GIS. Целью исследований являлось определение площадей ослабленных и погибающих лесных культур в зеленом поясе г. Астаны с помощью данных ДЗЗ. Методика исследований заключалась в закладке эталонных участков в лесных культурах различного породного состава и возраста, в которых проводилось таксация деревьев и определение их жизненного состояния. На основе дешифрирования мультиспектральных снимков эталонных участков производилась идентификация породного состава и жизненного состояния искусственных насаждений всей зеленой зоны г. Астаны. В результате проведения наземных исследований и обработки данных ДЗЗ выявлено, что в зеленом поясе г. Астаны основную площадь занимают лесные культуры, относящиеся к жизненному состоянию «ослабленные» – 40,3%. «Здоровые» лесные культуры занимают 31,4% площади, «погибающие» – 28,3%.

1. Алексеев В.А. Диагностика жизненного состояния деревьев и древостоев // Лесоведение. 1989. № 4. С. 51–57.

2. Кабанова С.А., Данченко М.А., Скотт С.А., Кабанов А.Н., Цветкова Н.В.,

3. Кириллов В.Ю. Сравнительный анализ накопления тяжелых металлов в хвое интродуцентов в зеленой зоне г. Нур-Султан // Лесотехнический журнал. 2021. № 4 (44). С. 57–67.

4. Кабанова С.А., Кабанов А.Н., Хасенов А.А., Данченко М.А. Научное сопровождение производственных опытов в лесных культурах зеленого пояса г. Нур-Султан // Вестник Российского университета дружбы народов. Серия: Агрономия и животноводство. 2019. № 4. С. 437–452.

5. Barta V., Hanus J., Dobrovolný L., Homolova L. Comparison of field survey and remote sensing techniques for detection of bark beetle-infested trees // Forest Ecology and Management. 2022. 506. P. 119984. DOI: 10.1016/j.foreco.2021.119984.

6. Breiman L. Random Forests // Machine Learning. 2001. 45(1). P. 5–32. DOI: 10.1023/A:1010933404324.

7. Garza BN., Ancona V., Enciso J., Perotto-Baldivieso HL., Kunta M., Simpson C. Quantifying Citrus Tree Health Using True Color UAV Images // Remote Sensing. 2020. 12(1). P. 170. DOI: 10.3390/rs12010170

8. Hastie T., Tibshirani R., Friedman J. Random Forests. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer-Verlag, 2009. P. 764.

9. Kabanova S.A., Zenkova Z.N., Danchenko M.A. Regional risks of artificial forestation in the steppe zone of Kazakhstan (case study of the green belt of Astana) // IOP Conf. Series: Earth and Environmental Science. 2018. Р. 211. DOI: 10.1088/1755-1315/211/1/012055

10. Laze K. Preliminary findings on remote sensing of forest cover change, forest and tree health in Southeastern Europe // ISPRS – International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences. 2022. XLIII-B4-2022. P. 133–139. DOI: 10.5194/isprs-archives-XLIII-B4-2022-133-2022.

11. Li X., Zheng Z., Xu C., Zhao P., Chen J., Wu J., Zhao X., Mu X., Zhao D., Zeng Y. Individual tree-based forest species diversity estimation by classification and clustering methods using UAV data // Frontiers in Ecology and Evolution. 2023. 11. DOI: 10.3389/fevo.2023.1139458.

12. Li Z., Yang R., Cai W., Xue Y., Hu Y., Li L. LLAM-MDC Net for Detecting Remote Sensing Images of Dead Tree Clusters // Remote Sensing. 2022. 14. P. 3684. DOI: 10.3390/rs14153684.

13. Meng J., Li S., Wang W., Liu Q., Xie S., Ma, W. Mapping forest health using spectral and textural information extracted from spot-5 satellite images // Remote Sensing. 2016. 8(9). P. 719.

14. Mielczarek D., Sikorski P., Archiciński P., Ciężkowski W., Zaniewska E., Chormanski J. The Use of an Airborne Laser Scanner for Rapid Identification of Invasive Tree Species Acer negundo in Riparian Forests // Remote Sensing. 2022. 15. P. 212. DOI: 10.3390/rs15010212.

15. Moreno-Fernandez D., Camarero J., Garcia M., Lines E., Sanchez-Davila J., Tijerin-Trivino J., Valeriano C., Viana-Soto A., Zavala M., Ruiz-Benito P. The Interplay of the Tree and Stand-Level Processes Mediate Drought-Induced Forest Dieback: Evidence from Complementary Remote Sensing and Tree-Ring Approaches // Ecosystems. 2022. 25. P. 1–16. DOI: 10.1007/s10021-022-00793-2.

16. Qiao Y., Zheng G., Du Z., Ma X., Li J., & Moskal L. Tree-Species Classification and Individual-Tree-Biomass Model Construction Based on Hyperspectral and LiDAR Data // Remote Sensing. 2023. 15. P. 1341. DOI: 10.3390/rs15051341.

17. Poblete-Echeverria C., Duncan S.J., McLeod A. Detection of the spectral signature of Phytophthora root rot (PRR) symptoms using hyperspectral imaging // Acta Hortic. 2023. 1360. P. 77–84. DOI: 10.17660/ActaHortic.2023.1360.10

18. Wan H., Tan, Y., Jing L., Li H., Qiu F., Wu W. Tree Species Classification of Forest Stands Using Multisource Remote Sensing Data // Remote Sensing. 2021. 13. P. 144. DOI: 10.3390/rs13010144.

19. Zhang S., Qin J., Tang X., Wang Y., Huang J., Song Q., Min J. Spectral Characteristics and Evaluation Model of Pinus massoniana Suffering from Bursaphelenchus Xylophilus Disease // Spectroscopy and Spectral Analysis. 2019. 39. P. 865–872. DOI: 10.3964/j.issn.1000-0593(2019)03-0865-08.

20. Zhang Z., Liu X., Zhu L., Li J., Zhang Y. Remote Sensing Extraction Method of Illicium verum Based on Functional Characteristics of Vegetation Canopy // Remote Sensing. 2022. 14. P. 6248. DOI: 10.3390/rs14246248.

21. Zhang Z., Jiang D., Chang Q., Zheng Z., Fu X., Li K., Mo H. Estimation of Anthocyanins in Leaves of Trees with Apple Mosaic Disease Based on Hyperspectral Data // Remote Sensing. 2023. 15(7). P. 1732. DOI: 10.3390/rs15071732.

22. Zhu J., Xu Q., Yao J., Zhang X., Xu C. The Changes of Leaf Reflectance Spectrum and Leaf Functional Traits of Osmanthus fragrans Are Related to the Parasitism of Cuscuta japonica // Applied Sciences. 2021. 11(4). P. 1937. DOI: 10.3390/app11041937