Типологическая оценка охотничьих угодий ключевой орнитологической территории «Озеро Ильмень и окрестности» с применением данных дистанционного зондирования и ГИС-технологий

Данные дистанционного зондирования Земли и ГИС-технологии в настоящее время позволяют получать большой объем достоверной информации о состоянии природных и антропогенных ландшафтов. Охотничьи ресурсы и элементы среды их обитания базируются на таких ландшафтах и тесно связаны друг с другом; видовой состав и численность охотничьих ресурсов во многом зависят от распределения элементов среды их обитания на территории охотничьих угодий. Ряд нормативных документов Российской Федерации, регламентирующих ведение охотничьего хозяйства и охотустроительных работ, отражает тот факт, что наиболее эффективным является инвентаризация современного состояния среды обитания охотничьих животных на единой методологической основе, в том числе при осуществлении мониторинга с использованием и анализом данных дистанционного зондирования поверхности Земли и аэрофотосъемки охотничьих ландшафтов. Целью данного исследования являлось формирование подхода к типологической классификации элементов среды обитания охотничьих ресурсов на основе применения данных дистанционного зондирования Земли (аэрофотосъемки с беспилотных воздушных судов и космической съемки с ИСЗ Sentinel-2A), материалов лесоустройства, алгоритмов автоматизированной классификации изображений и геоинформационного анализа получаемых данных. В качестве объекта исследования выступила ключевая орнитологическая территория международного значения (КОТР) НВ-005 «Озеро Ильмень и окрестности» общей площадью 190950 га, расположенная в Новгородской области. Программными средствами обработки и анализа данных являлись ГИС QGis, плагин автоматизированной классификации изображений dzetsaka: classification tool с Python-библиотекой scikit-learn; применяемый алгоритм классификации – Random Forest или алгоритм «cлучайного леса». В результате проведенных работ была сформирована карта-схема элементов среды обитания охотничьих ресурсов КОТР НВ-005 «Озеро Ильмень и окрестности» и атрибутивная таблица с распределением площадей элементов среды обитания охотничьих ресурсов в соответствии с действующими нормативными требованиями регионального охотустройства. Точность автоматизированной классификации и достоверность полученных результатов были оценены по сформированной матрице ошибок и расчету коэффициента каппа Коэна. Предложенный подход может эффективно применяться не только в практике охотустроительных работ, но и в процессе мониторинга состояния природных и антропогенных ландшафтов, включающих в себя различные категории земель.

1. Винобер А.В. Охотоведение и охотничье хозяйство: в поисках идентичности, синхронизации и пролиферации идей (к 70-летию факультета охотоведения (1950–2020 гг.) // Гуманитарные аспекты охоты и охотничьего хозяйства. 2019. № 6(18). С. 5–17.

2. Водно-болотные угодья России. URL: https://www.fesk.ru/tom/3.html (дата обращения: 20.02.2024).

3. Географические информационные системы и дистанционное зондирование. URL: https://gis-lab.info/ (дата обращения: 21.02.2024).

4. Дергунов Д.М., Воробьёв О.Н., Курбанов Э.А., Лежнин С.А., Губаев А.В. Оценка алгоритма «Случайный лес» машинного обучения для классификации фитомассы лесов // Вестник Поволжского государственного технологического университета. Сер.: Лес. Экология. Природопользование. 2024. № 1(61). С. 30–44.

5. Жекулин В.С. Озеро Ильмень. Л.: Лениздат, 1979. 54 с.

6. Каменнова И.Е. Руководство по Рамсарской конвенции: Справочник по осуществлению Конвенции о водно-болотных угодьях (Рамсар, Иран, 1971 г.). 4- е изд. Гланд: Секретариат Рамсарской конвенции, 2006. 133 с.

7. ЛВПЦ Новгородской области. URL: https://hcvf.ru/ru/maps/hcvf-novgorod (дата обращения: 20.02.2024).

8. Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений: учеб. пособие. М.: Изд-во Московского гос. ун-та леса, 2012. 151 с.

9. Мищенко А.Л. Озеро Ильмень и дельты рек Мста, Ловать и Шелонь // Водно-болотные угодья России. Т.3. Водно-болотные угодья, внесенные в Перспективный список Рамсарской конвенции. М., 2000. С. 86–88.

10. Нехайчик В.П. Развитие и преобразование географической среды: по материалам Новгородской области: сб. науч. тр. Л: ЛГПИ им. А.И. Герцена, 1975. 160 с.

11. Сидорова В.С. Сравнение карт по каппе Коэна // Интерэкспо Гео-Сибирь. 2017. Т. 4, № 2. С. 18–22. Рациональное природопользование: теория, практика, образование / под общ. ред. проф. М.В. Слипенчука. М.: Географический факультет МГУ, 2012. 264 с.

12. Сухомиров Г. И. О проблемах охотничьего хозяйства России // Климат, экология, сельское хозяйство Евразии. Современные проблемы охотоведения: матер. VI Междунар. науч.-практич. конф. и Первого межрегионального симпозиума работников охотничьего хозяйства России. Иркутск, 2017. С. 153–159.

13. Черекаев А.В., Сафонов В.Г., Андреев М.Н., Граков Н.Н., Домский И.А., Краев Н.В., Матвейчук С.П., Машкин В.И., Миньков С.И. Концепция развития и научного обеспечения охотничьего хозяйства России // Труды ВНИИОЗ. 2000. № 1(51). С. 7–16. DOI: 10.5281/zenodo.11080398

14. Шихов А.Н., Герасимов А.П., Пономарчук А.И., Перминова Е.С. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения: учеб. пособие. Пермь, 2020. 191 с.

15. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. P. 5–32. Github confusion matrix. URL: https://github.com/confusion_matrix.py (дата обращения: 21.02.2024).

16. Github dzetsaka. URL: https://github.com/dzetsaka.py (дата обращения: 21.02.2024).

17. Pan Xin, Zhang Ce, Xu Jun, Zhao Jian. Simplified object-based deep neural network for very high resolution remote sensing image classification // ISPRS Journal of Photogrammetry and Remote Sensing. 2021. Vol. 181. P. 218–237. DOI: 10.1016/j.isprsjprs.2021.09.014.

18. Scikit-learn Machine Learning in Python. URL: https://scikit-learn.org/stable/ (дата обращения: 21.02.2024)

19. Whiteside T.G., Boggs G.S., Maier S.W. Comparing object-based and pixel-based classifications for mapping savannas // International Journal of Applied Earth Observation and Geoinformation. 2011. Vol. 13, iss. 6. P. 884–893.

20. Yang He, Ma Ben, Du Qian. Decision fusion for supervised and unsupervised hyperspectral image classification // International Geoscience and Remote Sensing Symposium (IGARSS). 2009. P. IV-948–IV-951. DOI: 10.1109/IGARSS.2009.5417535.