Оценка состояния и динамики лесов Архангельской области с использованием технологий дистанционного зондирования

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.

1. Алшаиби А. Анализ динамики состояния лесов с использованием данных дистанционного зондирования Земли и ГИС-технологий: магистерская диссертация. Томск: Томский политехнический университет, 2017. 122 с.

2. 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.

3. 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.

4. 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.

5. Сутырина Е.Н. Дистанционное зондирование Земли: учеб. пособие. Иркутск: ИГУ, 2013. 165 с.

6. Учебно-методическая документация: Мониторинг лесохозяйственной деятельности. Тюмень: ТГУ, 2015. 138 с.

7. 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.)

8. 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.)

9. 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.

10. 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.

11. 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.

12. 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.

13. Gromtsev A. Natural disturbance dynamics in the boreal forests of European Russia // Silva Fennica. 2002. Vol. 36, no. 1. P. 41–55.

14. 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.2021.07.001

15. 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.

16. 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.

17. Normalized Difference Vegetation Index (NDVI) Products by Using OCM2‐ GAC Sensor Data. SDAPSA; National Remote Sensing Centre, 2014. 4 p.

18. 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.

19. 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.

20. 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.

21. Russian forests and climate change. What Science Can Tell Us 11. European Forest Institute, 2020. 136 p.

22. 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.)

23. 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.

24. Tripathi P. Remote sensing indices and their applications // Training of Trainers on the applications of remote sensing and GIS for Afghanistan. 2020. 46 p.

25. Weiss M., Baret F. S2ToolBox Level 2 products: LAI, FAPAR, FCOVER. Version 1.1. National Institute of Agronomic Research, 2016. 53 p.

26. 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.