Проведено исследование динамики лесных площадей в арктической зоне Архангельской области с использованием спутниковых данных Sentinel-2 и алгоритма «случайный лес» (Random Forest). Особое внимание уделено лесам, отличающимся высоким биоразнообразием, в структуре которых доминируют еловые и сосновые насаждения. Результаты показали увеличение площади лесов в период с 2016 по 2023 годы.
динамика лесов, леса арктического региона, дистанционное зондирование, Random Forest, Совполье
1. Frelich, L. E. Boreal and Taiga Biome. Reference Module in Earth Systems and Environmental Sciences. – 2019. doihttps://doi.org/10.1016/b978-0-12-409548-9.11926-8.
2. Ильинцев, А. С., Шамонтьев, И. Г., Третьяков, С. В. Современная динамика лесопользования в бореальных лесах России (на примере Архангельской области) // Лесотехнический журнал. – 2021. – Т. 11, № 3 (43). – С. 45–62.
3. Mohajane, M.; Essahlaoui, A.; Oudija, F.; El Hafyani, M.; Teodoro, A. C. Mapping Forest Species in the Central Middle Atlas of Morocco (Azrou Forest) through Remote Sensing Techniques // ISPRS Int. J. Geo Inf. – 2017. – V. 6. – P. 275. doihttps://doi.org/10.3390/ijgi6090275.
4. Panigrahy, R. K.; Kale, M. P.; Dutta, U.; Mishra, A.; Banerjee, B.; Singh, S. Forest cover change detection of Western Ghats of Maharashtra using satellite remote sensing based visual interpretation technique // Curr. Sci. – 2010. – V. 98. – Р. 657–664.
5. Kayiranga, A.; Kurban, A.; Ndayisaba, F.; Nahayo, L.; Karamage, F.; Ablekim, A.; Li, H. W.; Ilniyaz, O. Monitoring Forest Cover Change and Fragmentation Using Remote Sensing and Landscape Metrics in Nyungwe-Kibira Park // J. Geosci. Environ. Prot. – 2016. – V. 4. – P. 13–33. doihttps://doi.org/10.4236/gep.2016.411003.
6. Kalinaki, K. et al. FCD-AttResU-Net: An improved forest change detection in Sentinel-2 satellites images using attention residual U-Net // International Journal of Applied Earth Observation and Geoinformation. – 2023. – V. 122. – P. 103453.
7. Ад-Дин, Абдо Виссам. Введение в дистанционное зондирование и его применение. – Даммам : Университет Даммама, 2014. – 473 с.
8. Lu, D., Weng, Q. A survey of image classification methods and techniques for improving classification performance // Int. J. Remote Sens. – 2007. – V. 28. – P. 823–870.
9. Du, P., Samat, A., Waske, B., Liu, S., Li, Z. Random Forest and rotation forest for fully polarized SAR image classification using polarimetric and spatial features // ISPRS J. Photogramm. Remote Sens. – 2015. – V. 105. – P. 38–53.
10. Praticò, S.; Solano, F.; Di Fazio, S.; Modica, G. Machine learning classification of Mediterranean forest habitats in Google Earth Engine based on seasonal Sentinel-2 time-series and input image composition optimization // Remote Sens. – 2021. – V. 13. – P. 586.
11. Wang, Y., Chen, X. The use of random forest to identify climate and human interference on vegetation NDVI changes in Southwest China // EGU General Assembly 2023. – Vienna, Austria, 24–28 Apr 2023. – EGU23-2315. doihttps://doi.org/10.5194/egusphere-egu23-2315.
